摘要

本文提出了一种基于数据驱动的轨迹聚类方法，用于从大量观测数据中推断出真实场景中可能存在的行为，以获取不同类型的轨迹。该方法考虑了汽车、行人和自行车等不同类型的弱势道路使用者（VRU），并能够在不使用地图信息的情况下，从原始数据中提取出定义明确的轨迹类别，同时将“异常”或不完整的轨迹与完整且具有代表性的轨迹区分开来。本文在三个不同的交叉口和一个环形交叉口环境中测试了所提出的方法，结果表明，所得到的轨迹簇可以用于预测或学习任务，或者在包含异常值时被丢弃。

原理

本文提出的轨迹聚类方法主要基于动态时间规整（DTW）距离度量和层次聚类、围绕中心点划分（k-medoids）以及不相似矩阵聚类等方法。DTW是一种用于比较不同长度时间序列的算法，通过最小化点之间的欧氏距离来计算最优的点索引序列对。层次聚类从每个样本作为一个聚类开始，逐步合并最相似的聚类，直到达到所需的聚类数量。k-medoids算法使用medoid元素作为聚类中心，适用于元素长度不同的情况。不相似矩阵聚类算法通过在每个行上应用k-means算法，寻找最小的聚类中心，然后移除已分配的元素，重复此过程直到达到所需的聚类数量。

流程

本文提出的聚类过程包括初始聚类和后处理步骤。初始聚类使用DTW距离度量进行，而后处理步骤则根据轨迹的起点和终点进行进一步的聚类，以纠正初始聚类中可能出现的错误。具体流程如算法1所示，首先对数据进行层次聚类，然后根据起点和终点进行分割和合并，最终得到最终的聚类结果。

应用

本文提出的轨迹聚类方法具有广泛的应用前景，可以用于自动驾驶车辆的模拟测试、交通流研究、驾驶员行为分析等多个领域。通过从真实数据中提取可靠和多样化的轨迹，该方法能够为混合模拟方法提供支持，从而提高自动驾驶系统的安全性和可靠性。