trajdata : Une interface unifiée pour plusieurs ensembles de données de trajectoires humaines

trajdata: A Unified Interface to Multiple Human Trajectory Datasets

July 26, 2023

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

cs.AI

Résumé

Le domaine de la prévision de trajectoires a connu une croissance significative ces dernières années, en partie grâce à la publication de nombreux ensembles de données à grande échelle et en conditions réelles pour les véhicules autonomes (VA) et le suivi des mouvements piétons. Bien que ces ensembles de données aient été une aubaine pour la communauté, chacun utilise des formats de données et des API personnalisés et uniques, rendant fastidieux pour les chercheurs l'entraînement et l'évaluation des méthodes sur plusieurs ensembles de données. Pour remédier à cela, nous présentons trajdata : une interface unifiée pour plusieurs ensembles de données de trajectoires humaines. Au cœur de trajdata se trouve une représentation et une API simples, uniformes et efficaces pour les données de trajectoires et de cartes. Pour démontrer ses capacités, nous menons dans ce travail une évaluation empirique complète des ensembles de trajectoires existants, offrant aux utilisateurs une compréhension approfondie des données sous-jacentes à une grande partie des recherches actuelles sur la prévision des mouvements piétons et des VA, et proposant des suggestions pour les futurs ensembles de données à partir de ces insights. trajdata est sous licence permissive (Apache 2.0) et peut être consulté en ligne à l'adresse 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