trajdata: Унифицированный интерфейс для работы с множеством наборов данных о траекториях движения людей

trajdata: A Unified Interface to Multiple Human Trajectory Datasets

July 26, 2023

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

cs.AI

Аннотация

Область прогнозирования траекторий значительно расширилась в последние годы, отчасти благодаря выпуску многочисленных крупномасштабных наборов данных о реальных траекториях людей для автономных транспортных средств (АТС) и отслеживания движения пешеходов. Хотя такие наборы данных стали большим подспорьем для научного сообщества, каждый из них использует собственные уникальные форматы данных и API, что затрудняет для исследователей обучение и оценку методов на нескольких наборах данных. Чтобы устранить эту проблему, мы представляем trajdata: унифицированный интерфейс для работы с несколькими наборами данных о траекториях людей. В основе trajdata лежит простое, единообразное и эффективное представление данных о траекториях и картах, а также соответствующий API. В качестве демонстрации его возможностей в данной работе мы проводим всестороннее эмпирическое исследование существующих наборов данных о траекториях, предоставляя пользователям глубокое понимание данных, лежащих в основе большей части современных исследований прогнозирования движения пешеходов и АТС, и предлагая рекомендации для будущих наборов данных на основе этих выводов. trajdata распространяется под разрешительной лицензией (Apache 2.0) и доступен онлайн по адресу 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