安全性評価シナリオ作成に向けたドローンデータ処理技術

Abstract

本稿では2台の車両の相対関係を定量的に再現するために，ドイツ国内の交通流を計測したドローンデータセットを用いて2台の車両の相対関係に基づいた特定のシナリオを抽出し，物理パラメータの統計値を計算する手法について述べる．道路ネットワークデータを用いて交差点に関する情報を計算し，マップマッチングによって車両の経路と交差点における進行方向を推定する．交差点における左折対直進，直進対直進のシナリオを抽出する対象とした．抽出処理の結果，それぞれ701件および414件のシナリオを抽出し，安全性評価シナリオ作成に必要な物理パラメータを計算した．将来的には各シナリオにおける車両の安全な走行に必要なパラメータの範囲の決定や，日本国内で同様な計測が行われた場合のデータに適用することで日独データの比較による地域差の検証に本稿の結果を活用する．

1. はじめに

自動運転車両の実用化・普及拡大には，安全性の評価手法の確立が不可欠である．特に，SAE（Society of Automotive Engineers: 米国自動車技術者協会）¹⁾ が定義する自動走行レベル3以上の車両では，特定の領域においてすべての運転操作をシステムが担うため，従来の車両とは異なる安全性の評価手法が必要となる．そのため，特定の状況に応じて安全性を評価するシナリオベースの手法がある²⁾．この手法は，実際の交通状況の計測によって大規模なデータを収集し，車両や歩行者などの特定の相互作用を検証し，安全性の評価に活用している．

データ収集の手法として，車載センサを計装した車両で交通状況を計測する方法や，インフラに設置したセンサで走行車両や歩行者を計測する方法がある．前者の手法では，車両の走行に合わせた比較的広範囲のエリアでデータ収集可能で，車両に計装された他のセンサとの統合や車両情報を活用できる．しかし，周囲の車両に関するデータは制限され，交差点などの特定の道路環境に特化した計測は困難である．後者の手法では，計測範囲はセンサを設置したインフラ周囲に限定されるが，範囲内の車両や歩行者については詳細な計測が可能で，交差点などの特定の道路環境に特化した計測が可能である．シナリオベースの安全性評価においては道路形状でシナリオを分類しており，後者の手法による一般道のデータ収集に期待が高まっている．

しかし，一般道のデータ収集においては，インフラに設置したセンサでは射角によって物体が別の物体に隠れてしまう問題や，設置や撤去に手間がかかる問題などがある．そのため，インフラではなくドローンにセンサを計装し，道路上空に飛ばしたドローンから真下を計測する手法がある．本稿では2台の車両の相対関係を定量的に再現するため，計測済みのドローンデータセット（例えば，後述するInDデータセット）からの特定のシナリオの抽出と，安全性評価シナリオ定義に必要な2台の車両の物理パラメータの計算を目的とする．

2. ドローンデータ概要

InD（Intersection Drone）データセットは，車両工学に関する研究を行っているドイツのアーヘン工科大学のika（自動車技術研究所）が提供するデータで，モビリティに関するさまざまな分野の研究を促進するために制作，公開されている³⁾ ．ドイツ国内の四つの交差点の交通状況を異なる日時ごとに記録したデータセットで，33個の記録データからなる．一つの記録データは平均17分51.2秒（標準偏差2分42.6秒）の長さで，交差点ごとに計測時間は異なる．カメラを計装したドローンを交差点の上空100 mに飛行させ，走行する車両や二輪車，歩行者などを撮影し，ラベルを付与している．撮影カメラの解像度は4K（4096×2160画素）で，フレームレートは最大25 fpsである．

InDは複数のフォーマットのデータからなる．以下に記録データごとのメタデータを示す． $\mathrm{\text{rec}}$ は記録データの固有番号を示し，0から32の値を取る． $\mathrm{\text{loc}}$ は計測地点の固有番号を示し，四つの交差点に対応する1から4の値を取る．

•   

  $\mathrm{\text{rec}}$ 記録データ番号

•   

  $\mathrm{\text{loc}}$ 計測地点番号

•   

  $\mathrm{\text{fr}}$ フレームレート

•   

  $v_{lim}$ 制限速度

•   

  $\mathrm{\text{week}}$ データ計測日の曜日

•   

  $t_o$ データ計測開始時刻

•   

  $T$ データ計測時間

•   

  $n$ 登場したオブジェクトの数（ $n_{\mathrm{\text{Car}}}+n_{\mathrm{\text{VRU}}}$ ）

•   

  $n_{\mathrm{\text{Car}}}$ 登場した車両とトラックまたはバスの数

•   

  $n_{\mathrm{\text{VRU}}}$ 登場した二輪車と歩行者の数

•   

  ${𝐩}_{\mathrm{\text{Lo}}}$ 計測地点のおおまかな緯度経度

•   

  ${𝐩}_{\mathrm{\text{Uo}}}$ 計測地点のUTM（Universal Transverse Mercator）座標のXY方向の位置

•   

  $s_{I-U}$ データ座標系からUTM座標系への変換スケール

記録データに登場するオブジェクトは，オブジェクトごとのメタデータと時系列データを持つ．以下にオブジェクトのメタデータを示す．オブジェクトクラス $c$ は車両，トラックまたはバス，二輪車，歩行者の4種類に割り当てられる．全幅 $w$ および全長 $l$ は車両，トラックまたはバスのみデータを持ち，二輪車および歩行者では0となる．

•   

  $i$ オブジェクトの固有ID

•   

  $t_{\mathrm{\text{start}}}$ データセットの中で最初に登場する時刻

•   

  $t_{\mathrm{\text{end}}}$ データセットの中で最後に登場する時刻

•   

  $t_i$ データセットの中で登場しているフレーム数（ $t_{\mathrm{\text{end}}}-t_{\mathrm{\text{start}}}$ ）

•   

  $c$ オブジェクトクラス（車両，トラックまたはバス，二輪車，歩行者）

•   

  $w$ 全幅（車両，トラックまたはバスのみ）

•   

  $l$ 全長（車両，トラックまたはバスのみ）

以下にオブジェクトの時系列データを示す．時系列データの一部はInDで定義されるデータ座標系での値を持つ．これは，計測地点のUTM座標のXY方向の位置 ${𝐩}_{\mathrm{\text{Uo}}}$ を基準として，画像のXY方向に軸を持つ座標系である．データ座標系からUTM座標系への変換スケール $s_{I-U}$ を ${𝐩}_I\left(t\right)$ に積算し， ${𝐩}_{\mathrm{\text{Uo}}}$ を加算することでUTM座標系に変換できる．

•   

  $f\left(t\right)$ 時刻 $t$ における登場してからのフレーム数（ $t-t_{\mathrm{\text{start}}}$ ）

•   

  ${𝐩}_I\left(t\right)$ 時刻 $t$ におけるデータ座標系のXY方向の位置

•   

  ${𝐯}_I\left(t\right)$ 時刻 $t$ におけるデータ座標系のXY方向の速度

•   

  ${𝐚}_I\left(t\right)$ 時刻 $t$ におけるデータ座標系のXY方向の加速度

•   

  $h_I\left(t\right)$ 時刻 $t$ におけるデータ座標系のヨー角度（反時計回り方向が正）

•   

  ${𝐯}_L\left(t\right)$ 時刻 $t$ における進行方向に対する速度　（右方向が正）

•   

  ${𝐚}_L\left(t\right)$ 時刻 $t$ における進行方向に対する加速度（右方向が正）

InDにおける計測地点 $\mathrm{\text{loc}}$ ごとの総計測時間とオブジェクトクラス数を以下の表1に示す．各計測地点によって総計測時間が異なり，車両や歩行者の交通状況も異なる．全体の計測時間は約9時間50分で，7,876台の車両が含まれている．二輪車および歩行者は計測地点ごとのばらつきが大きく， $\mathrm{\text{loc}}=2$ の交差点には二輪車や歩行者といった比較的多くの交通弱者（VRU: Vulnerable Road Users）が含まれている．

表1 InDデータセットにおける計測地点ごとの総計測時間とオブジェクトクラス数

		総計測時間 [秒]	オブジェクトクラス $c$
			車両	トラック またはバス	二輪車	歩行者
計測地点番号	loc = 1	11,121.0	2,444	59	434	801
	loc = 2	14,553.6	2,420	16	1,700	2,099
	loc = 3	3,063.8	1,137	59	39	44
	loc = 4	6,610.8	1,875	223	86	163
計		35,349.2	7,876	357	2,259	3,107

3. シナリオ抽出手法

本稿では特定のシナリオとして，交差点における左折車両（日本では右折車両となる）と直進車両の相互作用と，交差点における直進車両同士の相互作用を対象とする．これらは一般道における事故発生率が高く，一般道路の安全性評価のために優先度が高いと考えられるためである⁴⁾．このようなシナリオを抽出するためには，交差点で車両が左折，右折，直進のどの行動を取るのかを推定する必要がある．しかし，車両の左折や右折はドライバによって挙動が異なり，速度や加速度，角速度などの取り得る範囲も異なるため，InDで提供される時系列データからのふるまいの判断は困難である．そのため，外部のマップデータを用いて道路ネットワークを構築し，マップマッチングによってInDデータセットに含まれる車両の道路ネットワーク上での経路を推定する．これにより，平面上で自由に動き回る車両の移動を，ノードとエッジで表現されるネットワーク上での移動に変換できるため，交差点内の軌跡からふるまいを推定できる．その後，同時刻で特定のふるまいを示す2台の車両を抽出し，パラメータを計算する．

3.1 道路ネットワーク構築

車両の相互作用に基づいて特定のシナリオを抽出するためには，車両のふるまいを推測する必要がある．InDデータセットでは車両の位置やヨー角度などの詳細なスケールのデータは含まれているが，交差点でのふるまいや各指標の統計値などのデータは含まれていない．そのため，交差点における車両のふるまいは別のデータセットから推測する必要がある．

OSM（Open Street Map）は世界地図をつくる共同のプロジェクトで，自由に編集および利用が可能である．OSMではノードやエッジなどのデータ構造を使用して，道路や建物などの地上の地物を表現でき，任意のタグを追加できる．

まず，OSMデータから使用すべき領域のデータのみを抽出する．これは3.2節で述べるマップマッチングの計算コストを下げるために実施する．InDデータセットの各計測情報データに含まれる計測地点のおおざっぱな緯度経度 ${𝐩}_{\mathrm{\text{Lo}}}$ を含むOSMデータの中から面積が最小のものを選択する．次に，InDデータセットの車両，トラックまたはバスのオブジェクトについて，全時刻におけるデータ座標系のXY方向の位置 ${𝐩}_I\left(t\right)$ の最小値と最大値を計算し，選択したOSMデータからその範囲内の道路ネットワークデータを抽出する．道路ネットワークのエッジデータに一方通行を表す ”oneway” などのタグが追加されているかを確認し，それに基づいて道路の有向グラフを生成する．

次に，道路ネットワークのそれぞれのノードデータについて，交差点かどうかの情報を追加する．各ノードについて，先行ノードが2個以上かつ先行ノードと後継ノードの和が3個以上の場合に交差点を表すノードとして設定した．ただし，あるノードに対して連結しているノードを先行ノードとし，あるノードから連結されているノードを後継ノードとする．得られた交差点ノードについて，先行ノードとで形成されるエッジと，後継ノードとで形成されるエッジのなす角がしきい値 ${\alpha }_{\mathrm{\text{in}}}$ 以上の場合を左折，しきい値の負値以下を右折，それ以外を直進として定義した．すなわち，先行ノードから交差点ノードを通って後継ノードに進むすべての経路について左折，右折，直進を割り当てた．

3.2 マップマッチング

車両の交差点での進行方向を推定するため，InDにおける車両の位置 ${𝐩}_I\left(t\right)$ からなる経路と，OSMの道路ネットワークとのマッチングを行った．まず，道路ネットワークからすべての準オイラーグラフ（スタートとゴールが異なる一筆書きができる図）の集合 $G$ を抽出する．各グラフ $g\in G$ とInDで与えられる車両の経路をマッチングし，最もコストが小さい準オイラーグラフ $g_{min}$ を車両の移動経路として採用する．

マッチングコストは，車両の位置とグラフとの距離に関するコスト $c_D$ と，車両の進行方向とグラフのエッジとの角度に関するコスト $c_{\theta }$ からなる．まず，時刻 $t$ における車両の位置 ${𝐩}_I\left(t\right)$ に対応する準オイラーグラフ $g$ 上の最近傍点 ${𝐩}_g\left(t\right)$ を以下の式(1)を用いて計算する．準オイラーグラフの各ノードの座標の集合 $N_g$ と，位置 ${𝐩}_I\left(t\right)$ から各エッジで表される線分におろした垂線との交点の集合 $E_H$ を求め，これらの点の内， ${𝐩}_I\left(t\right)$ との距離が最も小さい点を最近傍点 ${𝐩}_g\left(t\right)$ とする．ただし， $E_{\mathrm{\text{gH}}}$ は線分と垂線の交点であり，交わらない場合は $E_{\mathrm{\text{gH}}}$ に含まれない．

  

$$\begin{array}{c}\hfill {𝐩}_g\left(t\right)=\underset{𝐩\in \{N_g,E_{\mathrm{\text{gH}}}\}}{\mathrm{\text{argmin}}}\parallel 𝐩-{𝐩}_I\left(t\right)\parallel \#\left(1\right)\hfill \end{array}$$

時刻 $t$ における距離のコスト $c_D\left(t\right)$ と角度のコスト $c_{\theta }\left(t\right)$ は以下の式 (2) および式 (3) で表される．距離のコスト $c_D\left(t\right)$ は最近傍点 ${𝐩}_g\left(t\right)$ と，時刻 $t$ における車両の位置 ${𝐩}_I\left(t\right)$ の誤差を表す．また， ${𝐩}_{\mathrm{\text{pre}}}$ は $𝐩$ の先行ノード， ${𝐩}_{\mathrm{\text{suc}}}$ は $𝐩$ の後継ノードを示し， ${𝐞}_{\mathrm{\text{pg}}\left(t\right)}$ は， ${𝐩}_g\left(t\right)$ を含むエッジの角度を示す．すなわち，角度のコスト $c_{\mathrm{\text{gθ}}}\left(t\right)$ は， ${𝐩}_g\left(t\right)$ がノード上の点の場合， $𝐩$ の前後二つのノードで構成される直線の角度と，時刻 $t$ における車両のヨー角度 $h_I\left(t\right)$ との誤差を表し， ${𝐩}_g\left(t\right)$ がエッジ上の点の場合，最近傍エッジの角度との誤差を表す．

  

$$\begin{array}{c}\hfill c_{\mathrm{\text{gD}}}\left(t\right)=\parallel {𝐩}_g\left(t\right)-{𝐩}_I\left(t\right)\parallel \#\left(2\right)\hfill \end{array}$$

  

$$\begin{array}{c}\hfill c_{\mathrm{\text{gθ}}}\left(t\right)=\{\begin{array}{c}\hfill \&|\frac{{𝐩}_{\mathrm{\text{pre}}}•{𝐩}_{\mathrm{\text{suc}}}}{\parallel {𝐩}_{\mathrm{\text{pre}}}-{𝐩}_{\mathrm{\text{suc}}}\parallel }-h_I\left(t\right)|\mathrm{\text{if}}{E}_{\mathrm{\text{gH}}}=⌀or{𝐩}_g\left(t\right)\in N_g\hfill \\ \hfill \&|h_{{𝐞}_{{𝐩}_g\left(t\right)}}-h_I\left(t\right)|\mathrm{\text{otherwise}}\hfill \end{array}\#\left(3\right)\hfill \end{array}$$

式 (2) および式 (3) は，InDの車両の経路とグラフ $g$ が等しいと仮定したときの距離と角度の誤差を示す．したがって，式 (4) に示すように，これらの誤差を最小とするグラフ $g_{min}$ が求めるべき車両の経路となる．ここで， ${\beta }_D$ と ${\beta }_{\theta }$ は，距離のコストと角度のコストの比率である．このマップマッチングの結果から，各車両が進む経路においてOSMの道路ネットワーク上で経由するノードとエッジを推定可能となる．さらに，3.1節で述べた交差点ノードの情報を組み合わせ，交差点での車両の進行方向を推定可能となる．

  

$$\begin{array}{c}\hfill g_{min}=\underset{g\in G}{\mathrm{\text{argmin}}}\sum _{t=t_{\mathrm{\text{start}}}}^{t_{\mathrm{\text{end}}}}\{{\beta }_D•c_{\mathrm{\text{gD}}}\left(t\right)+{\beta }_{\theta }•c_{\mathrm{\text{gθ}}}\left(t\right)\}\#\left(4\right)\hfill \end{array}$$

3.3 シナリオとパラメータの抽出

まず，各交差点における左折車両と直進車両の組み合わせを求める．記録データのすべての時刻 $0\le t\le T$ について，3.1節および3.2節の結果を用いて交差点を走行している車両をすべて抽出し，直進，左折，右折のふるまいを推定する．

3.3.1 左折車両と直進車両の相互作用によるシナリオ

同時刻に同じ交差点を走行する車両について，左折車両と直進車両の組み合わせをすべて抽出する．それぞれの組み合わせについて，安全性評価に必要なパラメータを抽出する．まず，2台の車両の速度 ${𝐯}_I$ ，加速度 ${𝐚}_I$ ，ヨー角速度 ${\omega }_I$ の統計値を計算する．ヨー角速度 ${\omega }_I$ はヨー角度 $h_I$ の時間微分により計算し，反時計回り方向を正とする．まず，左折車両が交差点に進入してから角速度の絶対値が最初に ${\gamma }_{\omega }$ deg/sを上回った地点から，その車両が距離 ${\gamma }_L$ だけ前後に進んだ地点または戻った地点での時刻 $t_{\pm {\gamma }_L}$ を計算し， $max(t_{-{\gamma }_L},t_{\mathrm{\text{start}}})\le t\le min(t_{+{\gamma }_L},t_{\mathrm{\text{end}}})$ を統計値の計算範囲とする．また，統計値としては最小値，最大値，平均値，分散値，中央値を用いる．また，左折車両が交差点に進入した時刻における直進車両から交差点入口までの距離 $D_{l-s}$ を計算する．ただし，直進車両が先に交差点を通過する場合， $D_{l-s}$ を負値で表す．

3.3.2 直進車両と直進車両の相互作用によるシナリオ

同時刻に同じ交差点を走行する車両について，直進車両同士の組み合わせをすべて計算する．ただし，2台の車両が対向車両ではなく，かつ異なる方向から交差点に進入する組み合わせのみを抽出する．3.3.1項と同様の統計値を計算する．統計値の計算範囲は， $t_{\mathrm{\text{start}}}\le t\le t_{\mathrm{\text{end}}}$ とする．なお，計測地点 $loc=3,4$ の交差点はT字路であり，直進車両と直進車両の相互的な走行はないため除外する．

4. 結果と考察

InDデータセットからシナリオを抽出した結果とパラメータを計算した結果を示す．しきい値はそれぞれ ${\alpha }_{\mathrm{\text{in}}}=15deg$ ， ${\beta }_D={\beta }_{\theta }=0.01$ ， ${\gamma }_{\omega }=15deg/s$ ， ${\gamma }_L=30m$ とした．なお，シナリオの抽出とパラメータの計算に関するしきい値 ${\gamma }_{\omega }$ ， ${\gamma }_L$ は先行研究⁵⁾ にしたがって決定した．ただし，InDでは交差点付近のみを撮影しているため， ${\gamma }_L=30m$ の設定では，多くの状況で計測範囲となった．すなわち，3.3.1項で述べた左折車両と直進車両のシナリオでは，統計値の計測範囲は $max(t_{-{\gamma }_L},t_{\mathrm{\text{start}}})=t_{\mathrm{\text{start}}}$ ， $min(t_{+{\gamma }_L},t_{\mathrm{\text{end}}})=t_{\mathrm{\text{end}}}$ となることが多かった．

計測地点ごとに抽出されたシナリオの数を表2に示す．計測地点 $loc=1$ では表1で示したように車両の往来が多く，比較的シナリオの抽出数も多くなった．反対に，計測地点 $loc=2$ では車両の往来は多いものの，交通量の多い道路と交通量の少ない道路が交差しているため抽出されたシナリオの数が比較的少なかったと考えられる．

表2 シナリオの抽出結果

		左折車両と直進車両の シナリオ数	直進車両と直進車両の シナリオ数
計測地点番号	$$\mathrm{\text{loc}}=1$$	285	318
	$$\mathrm{\text{loc}}=2$$	66	96
	$$\mathrm{\text{loc}}=3$$	174	0
	$$\mathrm{\text{loc}}=4$$	176	0
計		701	414

次に，抽出されたシナリオに基づいて計算された各車両のパラメータの統計値の計算結果を示す．本稿では縦速度に関する抽出結果を示す．まず，1に左折車両と直進車両のシナリオにおける左折車両の縦速度の平均値のヒストグラムを示す．縦速度の平均値は8 km/hから24 km/hに多く見られた．

図1 左折車両と直進車両のシナリオにおける左折車両の縦速度の統計値のヒストグラム

図2に左折車両と直進車両のシナリオにおける直進車両の縦速度の平均値のヒストグラムを示す．縦速度の平均値は36 km/hから60 km/hに多く見られた．今後は，交差点までの距離 $D_{l-s}$ ごとに速度の平均値や加速度の最小値を計算することで，より詳細な分析が可能になると考えられる．

図2 左折車両と直進車両のシナリオにおける直進車両の縦速度の統計値のヒストグラム

図3に直進車両と直進車両のシナリオにおける縦速度の平均値のヒストグラムを示す．ただし，2台の直進車両は区別せずに全体の統計値を計算した．縦速度の平均値を見ると5 km/hから15 km/hにかけての領域と，40 km/hから50 km/hにかけての領域が比較的多くなっている．これは，直進車両と直進車両では優先車両と非優先車両の関係性が生じるため，図2で示した直進車両の結果とは異なる結果になったと考えられる．

図3 直進車両と直進車両のシナリオにおける縦速度の統計値のヒストグラム

5. おわりに

本稿ではドイツ国内で計測されたドローンデータセットを用いて2台の車両の相互的なふるまいに基づいた特定のシナリオを抽出し，車両のパラメータの統計値を計算する手法について述べた．道路ネットワークデータを用いて交差点に関する情報を計算し，マップマッチングによって車両の経路と交差点における進行方向を推定した．シナリオとして，交差点における左折車両と直進車両の相互作用および直進車両と直進車両の相互作用を抽出した．それぞれ701件および414件のシナリオを抽出し，安全性評価に必要な車両のパラメータを計算することができた．

将来的にはパラメータごとの交互作用や，各シナリオにおける車両の安全な走行に必要なパラメータの範囲の決定に活用していきたいと考える．また，日本国内の同様な計測が行われた場合のデータに適用することで日独データの比較による地域差について検証することが考えられる．また，シナリオベースの安全性評価手法であるSAKURAプロジェクト²⁾ で取扱っている国内データにおけるシナリオ抽出や，車両の物理パラメータの妥当な範囲の検討にも応用する予定である．

謝辞

本研究を遂行するにあたり，InDデータセットを提供していただき，シナリオ抽出や物理パラメータ計算や応用先について助言していただいたikaに感謝申し上げます．

References

• 1)  SAE International: Taxonomy and definitions for terms related to on-road motor vehicle automated driving systems, Surface Vehicle Information Report J3016_201401, https://www.sae.org/standards/content/j3016_201401/, (参照 2024-11-7)
• 2)  SAKURA: SAKURA Research Project. https://www.sakura-prj.go.jp/, (参照 2024-11-7)
• 3)   Bock,  Julian et al.: The inD Dataset,: A Drone Dataset of Naturalistic Road User Trajectories at German Intersections, 2020 IEEE Intelligent Vehicles Symposium. p. 1929-1934. (2020), doi:10.1109/IV47402.2020.9304839
• 4)  日本自動車工業会: 自動運転の安全性評価フレームワークVer3.0. (2022) , https://www.jama.or.jp/operation/safety/automated_driving/pdf/framework_ver_3_0.pdf, (参照 2024-11-7)
• 5)   Silvia  Thal et al.: Generic Detection and Search-based Test Case Generation of Urban Scenarios based on Real Driving Data. 2022 IEEE Intelligent Vehicles Symposium. p. 694-701. (2022) , doi:10.1109/IV51971.2022.9827198