Improving Traffic Signal Data Quality for the Waymo Open Motion Dataset

要約

自律車両（AVS）に関連するデータセットは、人工知能（AI）、自律運転、輸送工学など、さまざまな研究分野に大きな約束を抱いています。
それにもかかわらず、これらのデータセットは、データの欠落や不正確なデータなど、トラフィックシグナルの状態に関連する課題に遭遇することがよくあります。
このような問題は、データセットの信頼性を損ない、それらを使用して開発されたモデルのパフォーマンスに悪影響を与える可能性があります。
この研究では、利用可能な車両の軌道データを利用して、輸送ドメインからの知識とともに、Waymo Open Motion Dataset（WOMD）内のトラフィック信号情報を効果的に支持し、修正することにより、これらの問題に取り組むように設計された完全に自動化されたアプローチを紹介します。
提案された方法は堅牢で柔軟で、実際のシナリオで多様な交差点の形状とトラフィック信号の構成を処理できます。
WOMD全体で包括的な検証が実施されており、合計530,000の実世界の運転シナリオのうち、交通信号を含む360,000を超える関連シナリオに焦点を当てています。
元のデータセットでは、交通信号の状態の71.7％が欠落または不明のいずれかであり、そのすべてが提案された方法によって正常に帰属しました。
さらに、グラウンドトゥルース信号状態がない場合、私たちのアプローチの精度は、車両の軌跡間の赤色光違反の速度に基づいて評価されます。
結果は、私たちの方法が推定された赤色光の実行率を元のデータの15.7％から2.9％に減らし、それによりデータの不正確さの整流におけるその有効性を示していることを示しています。
このペーパーは、AVデータセットの品質を大幅に向上させ、より広いAIおよびAVリサーチコミュニティに貢献し、さまざまなダウンストリームアプリケーションに利益をもたらします。
コードと改善されたトラフィック信号データは、https：//github.com/michigan-traffic-lab/womd-traffic-signal-data-frovementにオープンソースを供給されています

要約(オリジナル)

Datasets pertaining to autonomous vehicles (AVs) hold significant promise for a range of research fields, including artificial intelligence (AI), autonomous driving, and transportation engineering. Nonetheless, these datasets often encounter challenges related to the states of traffic signals, such as missing or inaccurate data. Such issues can compromise the reliability of the datasets and adversely affect the performance of models developed using them. This research introduces a fully automated approach designed to tackle these issues by utilizing available vehicle trajectory data alongside knowledge from the transportation domain to effectively impute and rectify traffic signal information within the Waymo Open Motion Dataset (WOMD). The proposed method is robust and flexible, capable of handling diverse intersection geometries and traffic signal configurations in real-world scenarios. Comprehensive validations have been conducted on the entire WOMD, focusing on over 360,000 relevant scenarios involving traffic signals, out of a total of 530,000 real-world driving scenarios. In the original dataset, 71.7% of traffic signal states are either missing or unknown, all of which were successfully imputed by our proposed method. Furthermore, in the absence of ground-truth signal states, the accuracy of our approach is evaluated based on the rate of red-light violations among vehicle trajectories. Results show that our method reduces the estimated red-light running rate from 15.7% in the original data to 2.9%, thereby demonstrating its efficacy in rectifying data inaccuracies. This paper significantly enhances the quality of AV datasets, contributing to the wider AI and AV research communities and benefiting various downstream applications. The code and improved traffic signal data are open-sourced at https://github.com/michigan-traffic-lab/WOMD-Traffic-Signal-Data-Improvement

arxiv情報

提供元, 利用サービス

arxiv.jp, Google