Un nuevo dataset – PREVENTION (https://prevention-dataset.uah.es/) – centrado en la predicción de intenciones y movimiento de vehículos ha sido recientemente publicado tras su presentación en el IEEE Intelligent Transportation Systems Conference 2019 (Auckland, New Zealand). Los datos han sido capturados usando el vehículo DRIVERTIVE equipado con 3 radares, 1 LiDAR 360º y 2 cámaras de alta resolución, así como datos de GPS, IMU y bus CAN. El rango de distancia disponible (hasta 80m alrededor del vehículo y 200m en la parte frontal), y el número y variedad de secuencias, cambios de carril, etc., lo posicionan como uno de los dataset públicos más rico en información del momento, para poder entrenar y validar algoritmos de predicción.

Los conductores conducimos de forma predictiva, anticipando los potenciales cambios de carril y movimientos de los vehículos que nos rodean, y actuando en consideración. Esta conducción predictiva mejora la seguridad y la eficiencia de nuestros desplazamientos. Los vehículos autónomos deben disponer de estas capacidades también, y para poder diseñar y validad algoritmos precisos, es necesario disponer de una gran cantidad de datos. Investigadores de la Comunidad de Madrid que participan en el Programa SEGVAUTO 4.0-CM acaban de publicar el PREVENTION dataset, con más de 356 minutos de grabación, correspondientes a 540 kilómetros. Se dispone de un total de 3.000 trayectorias y 1,3 millones de anotaciones etiquetadas mediante un proceso semi-automático que proporciona un identificador único para cada vehículo.

 

Hay más de 900 cambios de carril disponibles, con unos datos que contemplan un rango de distancia de hasta 80m en todas las direcciones, y de hasta 200m en la parte frontal. Las trayectorias disponibles son además de gran precisión gracias a la fusión de datos provenientes de hasta tres tipos de sensores diferentes, tomando lo mejor de cada uno en cada caso.

 

Este dataset mejora por mucho los datos disponibles hasta la fecha para abordar problemas de predicción de movimiento, intenciones y acciones de otros vehículos, algo que es fundamental para desarrollar sistemas autónomos eficientes y seguros. Ya se han desarrollado trabajos preliminares para la predicción de cambios de carril usando imágenes, y predicción de trayectorias futuras usando datos de radar.

 

La base de datos PREVENTION ha sido presentada ante la comunidad científica internacional en el congreso internacional IEEE Intelligent Transportation Systems Conference 2019, que tuvo lugar en Auckland (New Zealand) entre el 27 y el 30 de octubre del 2019, y se encuentra disponible en el siguiente enlace web: https://prevention-dataset.uah.es/.

es_ESSpanish