trajdata: Una Interfaz Unificada para Múltiples Conjuntos de Datos de Trayectorias Humanas

trajdata: A Unified Interface to Multiple Human Trajectory Datasets

July 26, 2023

Autores: Boris Ivanovic, Guanyu Song, Igor Gilitschenski, Marco Pavone

cs.AI

Resumen

El campo de la predicción de trayectorias ha crecido significativamente en los últimos años, en parte debido al lanzamiento de numerosos conjuntos de datos a gran escala y del mundo real sobre trayectorias humanas para vehículos autónomos (AVs) y el seguimiento del movimiento de peatones. Si bien estos conjuntos de datos han sido un gran beneficio para la comunidad, cada uno utiliza formatos y APIs personalizados y únicos, lo que dificulta a los investigadores entrenar y evaluar métodos en múltiples conjuntos de datos. Para solucionar esto, presentamos trajdata: una interfaz unificada para múltiples conjuntos de datos de trayectorias humanas. En esencia, trajdata proporciona una representación y API simple, uniforme y eficiente para datos de trayectorias y mapas. Como demostración de sus capacidades, en este trabajo realizamos una evaluación empírica exhaustiva de los conjuntos de datos de trayectorias existentes, ofreciendo a los usuarios una comprensión profunda de los datos que sustentan gran parte de la investigación actual en la predicción del movimiento de peatones y AVs, y proponiendo sugerencias para futuros conjuntos de datos basadas en estas ideas. trajdata tiene una licencia permisiva (Apache 2.0) y puede accederse en línea en https://github.com/NVlabs/trajdata.

English

The field of trajectory forecasting has grown significantly in recent years, partially owing to the release of numerous large-scale, real-world human trajectory datasets for autonomous vehicles (AVs) and pedestrian motion tracking. While such datasets have been a boon for the community, they each use custom and unique data formats and APIs, making it cumbersome for researchers to train and evaluate methods across multiple datasets. To remedy this, we present trajdata: a unified interface to multiple human trajectory datasets. At its core, trajdata provides a simple, uniform, and efficient representation and API for trajectory and map data. As a demonstration of its capabilities, in this work we conduct a comprehensive empirical evaluation of existing trajectory datasets, providing users with a rich understanding of the data underpinning much of current pedestrian and AV motion forecasting research, and proposing suggestions for future datasets from these insights. trajdata is permissively licensed (Apache 2.0) and can be accessed online at https://github.com/NVlabs/trajdata