Nouveau jeu de données pour la recherche sur les véhicules intelligents

La collecte de données OPNV est un nouveau jeu de données axé sur l'amélioration de la façon dont les véhicules intelligents et l'infrastructure publique interagissent, en particulier dans les Transports en commun. Ce jeu de données est différent des traditionnels qui se concentrent généralement uniquement sur la perspective du véhicule. Au lieu de cela, il inclut des données à la fois d'une tour de capteurs stationnaire et d'un véhicule en mouvement. Ce véhicule est équipé de caméras, de LiDAR (qui mesure les distances à l'aide de lumière laser) et de Systèmes GPs. De plus, le véhicule dispose d'un système de capteurs spécial qui aide à suivre son mouvement avec précision.

#La mise en place

La mise en place de ce projet est faite pour garantir une haute précision et qualité des données collectées. La tour de capteurs stationnaire et le véhicule en mouvement sont soigneusement calibrés et synchronisés pour aider à collecter des données significatives dans des environnements dynamiques et animés. Cette transition permet de mieux comprendre comment les véhicules interagissent avec leur environnement, en particulier dans des milieux urbains où les transports en commun opèrent.

Le but est de rassembler des données qui reflètent des scénarios réels, comme des bus prenant des passagers aux stations ou naviguant sur des voies de bus dédiées. L'accent est mis sur les petits bus publics et leurs interactions au sein du système de transport.

#Caractéristiques uniques du jeu de données

Une des caractéristiques remarquables de ce jeu de données est son format de fichier open-source appelé .4mse, qui est livré avec des outils pour aider à la recherche. Ces outils aident les chercheurs à simuler des situations comme comment un véhicule se déplace ou comment aligner les données LiDAR avec les images de la caméra. Bien que ce jeu de données n'inclue pas de données étiquetées pour les objets dans les scènes, il est prévu d'utiliser des données publiques existantes pour créer automatiquement des étiquettes.

#Importance des retours

Les créateurs de ce jeu de données invitent la communauté à donner des retours pour améliorer sa qualité et son utilisation. Ils prévoient même de partager un aperçu d'un cadre de données en utilisant un Google Colab Notebook. Cette interaction est cruciale alors que le jeu de données évolue, permettant aux chercheurs de suggérer des améliorations et des fonctionnalités supplémentaires.

#Choix technologiques

Il y a eu des discussions sur la technologie à utiliser pour la communication entre véhicules intelligents, en comparant des options comme la 5G et l'ITS-G5. Cela reflète une approche de recherche de bas en haut, où les besoins technologiques guident l'investigation. Les limitations actuelles en matière de bande passante sont à considérer dans le choix de ces technologies.

Un des projets dans ce domaine est LUKAS, qui a examiné comment les véhicules et l'infrastructure peuvent collaborer pour améliorer la Gestion du trafic autour des intersections. En utilisant des caméras, LUKAS a développé de nouvelles stratégies pour la communication des véhicules avec les systèmes d'infrastructure.

#Opportunités du jeu de données

La collecte de données OPNV vise à offrir des opportunités aux chercheurs pour étudier les interactions entre véhicules intelligents et infrastructures sous une approche de haut en bas. Cette focalisation aide à comprendre comment ces systèmes peuvent mieux collaborer. Le jeu de données peut aussi faire avancer la compréhension des besoins en transports publics et améliorer la technologie qui soutient la conduite autonome.

Le jeu de données présente des représentations visuelles des données, comme comment les informations de profondeur sont affichées à l'aide de LiDAR et d'images de caméra. Les objets plus proches apparaissent en jaune, passant au violet et noir pour ceux qui sont plus éloignés. Cette visualisation aide à mettre en évidence comment des observations supplémentaires peuvent améliorer les processus de prise de décision pour les véhicules.

#Comparaison avec les jeux de données existants

Contrairement à des jeux de données existants comme KITTI ou Waymo, qui collectent principalement des données du point de vue du véhicule, la collecte de données OPNV inclut des données relatives aux interactions véhicule-infrastructure. En utilisant à la fois un véhicule et une tour de capteurs, les chercheurs peuvent mieux étudier comment les véhicules intelligents peuvent communiquer avec l'infrastructure routière pour améliorer la sécurité et l'efficacité.

#Accent sur les transports publics

L'accent sur les transports publics dans ce jeu de données le distingue. Il met en avant des scénarios uniques comme prendre et déposer des passagers aux stations de bus et conduire sur des voies de bus dédiées. Le jeu de données sera utile pour les systèmes de transport publics et privés tout en maintenant un fort accent sur l'efficacité des transports publics.

De plus, ce jeu de données s'aligne avec la tendance actuelle vers le développement de meilleurs systèmes autonomes, en particulier dans les environnements où les transports publics opèrent. Les itinéraires de bus structurés offrent un cadre idéal pour tester et améliorer ces systèmes avancés.

#Résolution des défis

Le jeu de données vise à s'attaquer aux défis actuels auxquels font face les véhicules automatisés, comme ceux proposés par des entreprises telles que Navya ou EasyMile. En intégrant des capteurs supplémentaires dans l'infrastructure, la mise en place peut élargir le champ de vision des véhicules et réduire le risque d'accidents.

Le jeu de données peut être utilisé pour développer des stratégies permettant aux véhicules automatisés de fonctionner en toute sécurité au sein des systèmes de transports publics. Avec un enregistrement spatial précis, les chercheurs peuvent valider les décisions prises par ces véhicules, garantissant ainsi qu'ils prennent les bonnes décisions en temps réel.

#Expérimentation avec la transmission des données

Une autre opportunité unique fournie par le jeu de données est d'expérimenter combien de données sont envoyées entre les véhicules et l'infrastructure. Par exemple, les feux de circulation peuvent communiquer avec les véhicules pour détecter les piétons et ajuster les signaux en conséquence. Cette capacité aide à garantir la sécurité de tous sur la route.

#Méthodologie de collecte de données

Le processus de collecte des données implique d'utiliser efficacement la tour de capteurs stationnaire. Puisque la tour ne bouge pas, chaque emplacement doit être configuré individuellement, ce qui prend du temps. Cependant, pour maximiser l'efficacité, le même emplacement sera utilisé plusieurs fois pour enregistrer diverses manœuvres effectuées par le véhicule, comme tourner à droite ou traverser des intersections.

Cette approche bien planifiée garantit que les situations sélectionnées ne sont pas aléatoires mais soigneusement réfléchies. Elle commence par des manœuvres courantes des transports en commun, telles que prendre des passagers ou naviguer sur des voies de bus. La flexibilité de la tour de capteurs signifie qu'elle peut être déplacée vers différentes zones pour un jeu de données plus riche, y compris des environnements urbains, ruraux et résidentiels.

#Génération automatique de vérité de base

Annoter manuellement les jeux de données est un processus long. Au lieu de cela, l'équipe a choisi d'utiliser des méthodes automatiques pour générer des étiquettes, en se basant sur des modèles disponibles publiquement. Cette décision permet un traitement efficace des données sans être limité par les délais serrés exigés par les systèmes embarqués.

Cette approche de génération automatique peut aider à améliorer la qualité des étiquettes, rendant le jeu de données une ressource précieuse pour évaluer d'autres modèles conçus pour fonctionner en temps réel. Elle permet aussi de se concentrer sur la diversité des scènes plutôt que simplement d'améliorer les étiquettes existantes.

#Kit de développement pour les chercheurs

En plus du jeu de données, un kit de développement Python est disponible pour aider les chercheurs à accéder et à utiliser les données efficacement. Il y a deux versions de ce kit ; une est un chargeur de données de base, et l'autre inclut des outils supplémentaires pour une utilisation plus avancée.

Ce kit prend en charge la gestion du format de fichier .4mse, qui inclut des capacités telles que des vérifications de l'intégrité des données et un traitement simplifié. Le kit de développement vise à faciliter l'exploration du jeu de données à travers des commandes intuitives permettant un accès rapide à des points de données spécifiques.

Les outils dans le kit incluent des fonctionnalités de correction d'image, des projections LiDAR vers caméra, et des mécanismes pour supprimer les points cachés qui peuvent obstruer les visuels. En offrant ces capacités, le kit de développement améliore l'expérience de recherche et accélère les processus d'analyse.

#Conclusion

La collecte de données OPNV est une étape importante pour comprendre comment les véhicules intelligents et l'infrastructure publique peuvent travailler ensemble efficacement. Son accent sur les transports publics et les méthodes uniques de collecte de données employées marquent un avancement significatif dans les efforts de recherche. En incluant à la fois des sources de données statiques et mobiles, ce jeu de données peut aider à améliorer la sécurité, l'efficacité et l'accessibilité des systèmes de transports.

L'invitation pour des retours de la communauté met en avant la nature collaborative de ce projet et souligne l'importance de l'amélioration continue. Alors que les chercheurs commencent à utiliser ce jeu de données, on s'attend à ce que des idées précieuses émergent, menant à de nouveaux progrès dans les systèmes de transport intelligents.

En partageant ce jeu de données et en fournissant un kit de développement robuste, les créateurs espèrent favoriser l'innovation qui bénéficiera finalement aux transports publics et améliorera la mobilité pour tous.