Advertisement

高D数据集（用于车辆轨迹预测与换道研究的最新数据集）

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
高D数据集是一款专为车辆轨迹预测和换道行为分析设计的新型数据库，提供了详尽的道路交通场景信息，支持自动驾驶技术的研发。 该数据集包含了从2017年到2018年间，在科隆周围德国高速公路的无人机视频记录中提取出的约11万辆车辆（包括汽车和卡车）的后处理轨迹。在六个不同的地点进行了60次拍摄，平均每次录制时间约为17分钟（总计超过16.5小时），覆盖了大约420米长的道路段落。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 高D数据集（用于车辆轨迹预测与换道研究的最新数据集）
    优质
    高D数据集是一款专为车辆轨迹预测和换道行为分析设计的新型数据库，提供了详尽的道路交通场景信息，支持自动驾驶技术的研发。 该数据集包含了从2017年到2018年间，在科隆周围德国高速公路的无人机视频记录中提取出的约11万辆车辆（包括汽车和卡车）的后处理轨迹。在六个不同的地点进行了60次拍摄，平均每次录制时间约为17分钟（总计超过16.5小时），覆盖了大约420米长的道路段落。
     
  • 车辆自然驾驶行为的轨迹预测数据集
    优质
    本数据集专注于收集和分析车辆在真实环境中的自然驾驶行为，通过大量实际道路测试获取精确的车辆运动轨迹，为自动驾驶技术的发展提供重要参考。 整理了一些常用的轨迹预测数据集的介绍。这些数据集包含了不同类型的应用场景，如行人、车辆以及无人机等移动对象的位置变化信息。每个数据集中都提供了详细的标注以帮助研究者进行模型训练与验证。通过使用这些资源，研究人员可以更深入地探索和理解轨迹预测领域的挑战和技术细节。
     
  • NGSIM-I-80车辆轨迹数据集
    优质
    NGSIM-I-80车辆轨迹数据集是由美国交通部收集的关于I-80高速公路路段内车辆行为和运动的详细轨迹数据，适用于智能交通系统研究。 1. 压缩包内包含NGSIM US-101公开数据集中的车辆轨迹数据。 2. 数据集中包括下午4点到4点15分、5点到5点15分以及5点15分到5点30分三个时间段的数据。 3. 数据格式为.txt。
     
  • NGSIM数据集：车辆轨迹及支持数据
    优质
    NGSIM数据集提供了丰富的交通流信息，包括车辆在特定路段上的高精度轨迹数据及其他相关支持数据，是研究智能交通系统的重要资源。 国内下载存在问题，所以我直接从官网下载了文件。该文件大小为1.42G，更新时间为2020年6月23日。这是NGSIM数据集。
     
  • 智能车辆轨道检测数据集.rar
    优质
    本资源为智能车辆轨道检测数据集，包含大量用于训练和测试轨道检测算法的图像及标注信息，适用于自动驾驶系统研发。 智能车寻轨数据集
     
  • 基于LSTM的高速公路车辆轨迹预测PyTorch源码及数据集.zip
    优质
    本资源包含使用PyTorch实现的基于LSTM的高速公路车辆轨迹预测模型代码和相关数据集，适用于交通流分析与自动驾驶研究。 使用PyTorch实现基于LSTM的高速公路车辆轨迹预测的方法如下： 第一步：进行轨迹数据滤波。将原始US101和I-80的数据放入指定文件夹中，运行trajectory_denoise.py代码。 第二步：移除不必要的特征并添加新的特征，通过执行preprocess.py脚本实现这一过程。 第三步：根据需要加入横向与纵向的速度及加速度特性。这可以通过运行名为add_v_a.py的程序来完成。 第四步：采用滑动窗口方法提取8秒轨迹序列，使用代码文件“final_DP.py”进行处理。 第五步：合并US101和I-80的数据集，并为确保数据均衡性和充分利用数据集资源，随机选取了十组样本。每组按照6:2:2的比例分配给训练、测试及验证用途；通过运行merge_data.py脚本完成这些操作。 接下来进行模型的训练与评估： 1. 训练MTF-LSTM模型：使用代码文件“MTF-LSTM.py”。 2. 训练增强版SP模块的MTF-LSTM-SP模型：执行程序“MTF-LSTM-SP.py”。 以上步骤完成后，训练好的两个版本的LSTM模型将被保存在指定的algorithm文件夹内。
     
  • 运动学单车轨迹预测及NGSIM数据集应用的基线研究
    优质
    本研究聚焦于运动学模型在单车轨迹预测中的应用，并利用NGSIM数据集进行测试与验证，旨在为智能交通系统提供理论基础和技术支持。 在最近的车辆轨迹预测文献中，虽然介绍了最常见的基线模型但缺乏必要的细节以重现这些研究结果。本段落旨在通过使用简单的模型生成可重复性的车辆预测数据来解决这一问题，并提供了明确的过程描述以及可用代码。 文中所讨论的基本模型包括等速和单车预测两种方法，它们仅依赖于相对位置信息应用于NGSIM US-101 和 I-80 数据集上。因此，只要数据库中包含有车辆的位置跟踪记录，则可以轻易复制这些实验过程。 评估标准涵盖了均方根误差（RMSE）、最终位移误差（FDE）、负对数似然（NLL）以及未命中率（MR）。特别地，在计算NLL时需要谨慎定义公式，因为此前的研究中使用了与数学严格定义有所不同的多个版本。本段落旨在配合已发布的代码一起使用，以便为后续研究提供一个坚实的基线。 此外，我们还提出了一种改进方案：利用循环神经网络模型来替代恒定速度假设，在预测准确性和不确定性估计方面表现出显著的提升，并且为进一步开发复杂而可解释性的模型提供了可能路径。
     
  • US101 NGSIM数据集-换车道车辆划分数据集
    优质
    简介：本数据集基于US101 NGSIM原始数据，通过详细分析和分类，专门提取并整理了关于换车道行为的车辆数据，为交通流模型、自动驾驶算法研究提供精准的数据支持。 依据车辆编号将US101中的数据进行整合，并筛选出发生换道的车辆信息。每个sheet包含一个换道车辆的所有时刻的信息，非常适合用于轨迹规划、预测和分析决策的同学使用。这些信息全面且价格低廉。
     
  • 出租车轨迹数据-数据集
    优质
    本数据集包含大量真实出租车行驶记录，详细描绘了城市内车辆移动轨迹，为交通分析与智能出行研究提供宝贵资料。 这里提供了一个准确的数据集，描述了在葡萄牙波尔图市运行的所有442辆出租车的全年轨迹（从2013年7月1日至2014年6月30日）。这些出租车通过安装在车辆中的移动数据终端与出租车调度中心相连进行操作。该数据集有助于学习地理空间分析和轨迹处理领域的基本方法。