Short term objectives

[aladinoster]

Short term objectives

Add a new comment for updates on new goals.

09-04-2021

• [x] Data exploration, environment preparation, package installation
  • [x] Environment setup Link
  • [x] Tutorials available Github, Google collab

[aladinoster]

16-04-2021

• [x] Identify relevant scenes according to the labels/videos associated to the scenes
• [x] Ego vehicle trajectory identification
  • [x] Build X-Y trajectory for EGO vehicle
  • [x] Build TravelledDistance - Time trajectory for EGO vehicle
  • [x] Identify the orientation of the camera with time and display the "x,y frame of the embedded referential" on the X-Y trajectory of the EGO vehicle
  • [x] Associate to each point of the EGO vehicle a label defining the type of infrastructue on which it is driving (main lane, stop line, intersection etc)
• [x] Surrounding objects trajectory identification
  • [x] Collect the barycentre of the labelled objects
  • [x] Display it on the "x,y frame of the embedded referential"
  • [x] Display it on the same plot as the X-Y trajectory of the EGO vehicle
• [x] Identify dynamic interaction between EGO vehicle and other objects For a each scene of 20s (40 frames), fill in a dataframe and appply
  • [x] Distance (define distance -> euclidean?) between the EGO vehicle and the token
  • [ ] Scalar product & Cross-product (for 2 successive frames) between the vecor associated to the EGO vehicle and the other token
  • [ ] Assess the amount of NA values for each token
  • [ ] Rank the token according to the interaction degree with the EGO vehicle

[aladinoster]

23-04-2021

• [ ] Read the approaches related to similarities between trajectories.
  • [ ] Archive
  • [ ] IEEE
• [ ] Trace the level of interaction between ego vehicle trajectories and other objects in the scene.

[aladinoster]

27-04-2021

• [ ] Extraction automatiques de trajectoires identifiées comme étant en « interaction » entre elles pour chacune des scènes
  • [ ] Définition d’un degré de similarité entre les trajectoires (Dynamic Time Warping, etc -> analyse biblio sur le sujet)
  • [ ] Définition d'un degré d'interaction entre les trajectoires : (objectif = donner un poids qualifiant le degré d'interaction à un instant donné)
  • [ ] Qualification des interactions entre les trajectoires
    • [ ] Couple de trajectoires de type car-following (exemple : forte similarité entre trajectoires et longue interaction)
    • [ ] Interaction de type sécurité : piéton traversant devant une voiture etc (exemple : interaction forte à un instant donné)

• [ ] Production d'indicateurs statistiques (sur l'ensemble de la base de scènes) de trafic à partir des trajectoires de type car-following par exemple

  • [ ] Définir des sets d'indicateurs de trafic : (i) microscopique, eg Headway gap... (ii) voire macroscopique, eg Diagramme Fondamental
  • [ ] Qualifier le lien entre les indicateurs : headway space vs Speed -> savoir si on est dans un comportement de véhicule suiveur ou non
  • [ ] Différencier l'analyse en fonction du type de véhicule en interaction (Véhicule Automatisé / Véhicule conduit par un humain)
  • [ ] Travaux sur les changements de voie : Détection de changements de voie et

• [ ] Calibrer un modèle de déplacement d'un véhicule (type robotique) pour le véhicule EGO

  • [ ] Exemple de modèle à implémenter (non linéaire): voir [Saxena]Driving in Dense Traffic with model-free reinforcement learning
  • [ ] Caler le modèle sur une trajectoire donnée
  • [ ] Créer un terme d'interaction (avec les autres véhicules) et caler le modèle d'interaction