基于真实交通数据分布的驾驶场景合成视频数据集构建与实时分类识别方法

《IEEE Open Journal of Intelligent Transportation Systems》：Generation of Synthetic Datasets of Highway Driving Scenarios

　　驾驶场景识别对于车辆上下文适应性、决策制定以及自动驾驶功能验证至关重要。然而，该领域的研究受到公开可用的场景标注视频数据集严重不足的制约。为弥合这一差距，我们提出了一种从交通数据点的统计分布生成场景标注合成视频片段的系统。利用大规模真实世界专有MOOVE数据集，我们生成并公开发布了一个包含9个类别、涵盖各种高速公路条件的数据集。基于我们的经验，高效合成数据集创建的关键洞察包括：需要严谨的场景建模方法，为此OpenSCENARIO 2.0是有效的；以及需要对CARLA等模拟器进行行为增强，以提升真实感和可扩展性，从而为每个类别产生数千个样本。利用合成数据集，我们开发了一个基于3D-CNN架构及其注意力增强变体的实时分类框架。据我们所知，该研究提供了最早的数据集导向实时视频识别评估之一，涵盖广泛的公路驾驶场景。初步的跨域实验进一步表明，在合成视频上训练的模型在真实世界影像上无需微调即可保持有意义的性能。所提出的方法将真实世界参数分布与逻辑场景模型及模拟器特有的行为机制相结合，生成可用于模型预训练和后续域适应的可共享合成数据集。