對于高度自動化的交通工具來說，基于場景的安全驗證在學界和業界都受到廣泛的重視。但這一任務卻極為依賴于真實場景的數據來獲取用于測試的必要場景信息。質量足夠好的數據集中應該包含道路使用者的自然行為以及與所識別的場景的描述相關的所有數據。然而，目前的測量方法并不能滿足要求。

德國亞琛工業大學汽車工程研究所新近發布的HighD數據集，提出了一種從空中角度測量車輛數據的新方法，用于滿足上述要求的基于場景的驗證。 此外，研究人員還提供了一個名為highD的德國高速公路的大型自然車輛軌跡數據集。他們根據數量、種類和所包含的情景來對數據集進行了評估。數據集包括來自六個地點的11.5小時測量值和110 000車輛，所測量的車輛總行駛里程為45 000 km，還包括了5600條完整的變道記錄。通過使用最先進的計算機視覺算法，定位誤差通常小于十厘米。 雖然數據集創立的初衷是為自動駕駛而創建的，但它也適用于許多其他任務，例如交通模式分析或駕駛員模型的參數化。

采用無人機進行道路交通情況數據集的采集已經逐步成熟。2005年首次出現使用配備有攝像模式的無人機來記錄道路交通情況的設想。后來Stanford Drone Dataset發表了無人機創建的第一個實際可用的多個道路使用者的軌跡視頻公共數據集。本研究使用無人機記錄了德國道路上的交通情況，從而得到High D數據集。通過使用配備相機的無人機，以鳥瞰視角測量每輛車的位置和運動情況。 能夠無遮擋、并可以以較高的分辨率來捕獲車輛縱向和橫向尺寸信息，車輛高度方面的信息不能通過俯視圖直接獲得，可以依照車輛的種類給出相應的預測。

為了應對描述場景所需的復雜性和所需的詳細程度，highD數據集中將高速路的駕駛場景從五個水平（Level）來衡量：

L1道路信息，包括道路尺寸和平整度等

L2交通路牌等基礎建設，包括路標，交通信號燈等

L3道路臨時變更信息，比如說因為前方事故或者道路修理而進行的臨時改道

L4可移動物體

L5環境信息

High D數據集記錄在德國科隆附近的六個不同地點。 位置因車道數量和速度限制而異。 記錄的數據中包括轎車和卡車。研究者們使用了最先進的計算機視覺算法從記錄中提取軌跡，并且使用神經網絡方法檢測車輛，將其定位在每一幀中。 為了從這些檢測獲得平滑的軌跡，使用貝葉斯方法來平滑運動軌跡。

規模與表現

Next Generation SIMulation （NGSIM）是當今最大的自然車輛數據集軌跡，廣泛用于交通流量和研究駕駛員模型。NGSIM從高層建筑捕獲中，以鳥瞰的視角捕獲了高速公路和城市交通道路上的車輛軌跡。 是與本研究重點的HighD數據集最相似的數據集。 因此，我們著重將NGSIM數據集與highD數據集進行比較。

在數據質量方面，NGSIM現有數據集的質量不足，通常包括非精確和誤報檢測兩類誤差。 相比之下，在HighD數據集中，超過99％的車輛被檢測到并精確定位。 對于卡車車輛中心的典型誤差在x和y方向上均為約10厘米，這是像素級精度。 由于在本研究中我們選用一臺4K攝像機記錄流量而不是幾臺低分辨率攝像機，因此與常規數據采集方法相比，本研究在記錄區域之間的過渡處沒有錯誤。

highD數據集相較于NGSIM數據集的數據種類也更多。 這主要是由于：數據集中記錄數量較多，并且包含了一天中不同的時間段和更多的地理位置。

在針對汽車行駛軌跡的平均速度直方圖中，相較于NGSIM數據集，highD數據集記錄了更寬范圍內的平均速度。 80公里/小時和120公里/小時的峰值是記錄站點卡車和轎車的典型速度。 盡管，對于NGSIM數據集來說，其記錄地點限速105公里/小時，但平均速度超過75公里/小時的軌跡完全沒有，依舊證明了其在記錄速度方面有所缺失。 在卡車比率隨時間變化的直方圖中：highD數據集中，卡車比率從0％到50％多的范圍內變化，而在NGSIM數據集中它保持低于10％的占比。

在數據數量方面，下表給出了NGSIM和highD數據集中可用數據量的比較。 雖然NGSIM在兩個不同的站點（每個45分鐘）提供約90分鐘的記錄持續時間的數據，但是High D 數據集中六個不同站點收集的超過16.5小時的記錄的數據。 總共記錄的數據總量是NGSIM方法記錄的轎車數量的十倍，卡車的70多倍。

相信這一數據集將為無人機空中監測特別是交通監測的研究提供較好的數據資料，并將有助于無人駕駛安全驗證的駕駛行為的研究工作。