elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

A collaborative framework for semi-automatic scenario-based mining of big road user data

Irizar Da Silva, Imanol und Zhang, Meng und Gimm, Kay (2023) A collaborative framework for semi-automatic scenario-based mining of big road user data. IEEE-ITSC 2023 Bilbao, 2023-09-24 - 2023-09-28, Bilbao, Spanien. (im Druck)

[img] PDF
5MB

Kurzfassung

Traffic research has benefited from a significant expansion in the amount of available data. Consequently, the need arises for an automatic and efficient method to extract and analyze relevant traffic situations instead of a more traditional and manual approach like manual video annotation. This paper presents a framework to create such a data pipeline. The user must define the target scenarios and the pipeline will abstract the available trajectory data into candidate scenes (groups of interacting trajectories) and select the matches for the target scenarios. These scenes will be mined and modelled automatically for new valuable information. Furthermore, Surrogate Measures of Safety (SMoS) are applied to identify the critical and atypical scenes of the target scenarios. A set of eight scenarios containing interactions between bicycles and MRUs (Motorized Road Users) at the AIM (Application Platform for Intelligent Mobility) Research Intersection in the city of Braunschweig, Germany, was mined by a team of three researchers using the presented framework to validate it with positive results.

elib-URL des Eintrags:https://elib.dlr.de/200723/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:A collaborative framework for semi-automatic scenario-based mining of big road user data
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Irizar Da Silva, ImanolImanol.IrizarDaSilva (at) dlr.dehttps://orcid.org/0009-0002-2375-8079NICHT SPEZIFIZIERT
Zhang, MengMeng.Zhang (at) dlr.dehttps://orcid.org/0000-0003-1655-764XNICHT SPEZIFIZIERT
Gimm, Kaykay.gimm (at) dlr.dehttps://orcid.org/0000-0002-5136-685XNICHT SPEZIFIZIERT
Datum:28 Mai 2023
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:im Druck
Stichwörter:Scenario Mining, Naturalistic Driving Data, Collaborative Data Mining, Map Matching, Interactions, Modelling, Criticality Detection, Anomaly
Veranstaltungstitel:IEEE-ITSC 2023 Bilbao
Veranstaltungsort:Bilbao, Spanien
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:24 September 2023
Veranstaltungsende:28 September 2023
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Straßenverkehr
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V ST Straßenverkehr
DLR - Teilgebiet (Projekt, Vorhaben):V - KoKoVI - Koordinierter kooperativer Verkehr mit verteilter, lernender Intelligenz
Standort: Berlin-Adlershof , Braunschweig
Institute & Einrichtungen:Institut für Verkehrssystemtechnik > Informationsgewinnung und Modellierung, BS
Institut für Verkehrssystemtechnik > Informationsgewinnung und Modellierung, BA
Hinterlegt von: Irizar Da Silva, Imanol
Hinterlegt am:11 Dez 2023 12:35
Letzte Änderung:24 Apr 2024 21:01

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.