Jeu de données urbain fin et léger d’intersections feux de circulation avec trajectoires de conflits denses

Pourquoi les carrefours urbains fréquentés comptent

Quiconque a attendu à un carrefour urbain encombré sait combien la situation peut sembler chaotique, avec voitures, bus, vélos et piétons qui cherchent tous à se déplacer en même temps. Cette étude pose une question simple : comment comprendre réellement ce qui se passe lors de ces moments de quasi-accidents et d’arrêts brusques, afin que les ingénieurs et les futurs véhicules autonomes puissent rendre les intersections plus sûres et plus fluides pour tous ?

Observer le trafic depuis le ciel

Pour répondre à cela, les chercheurs ont constitué un nouveau jeu de données appelé FLUID en filmant trois intersections signalées très fréquentées dans une ville chinoise à l’aide d’un petit drone. À partir de plus de cinq heures de vidéo, ils ont suivi plus de 20 000 usagers de la route, des voitures et camions aux scooters et piétons. Filmant à la verticale depuis 100 à 120 mètres, le drone pouvait voir chaque mouvement sur l’ensemble du carrefour, sans distraire les conducteurs avec des caméras visibles en bord de route ou des véhicules d’essai. Cette vue en plongée leur a permis de suivre qui cédait le passage, qui forçait le passage, et quand différents flux se rapprochaient dangereusement.

Donner du sens à des milliers de déplacements

Collecter la vidéo brute n’est que la première étape ; la transformer en trajectoires précises pour chaque usager est le véritable défi. L’équipe a conçu une chaîne de traitement légère qui détecte chaque personne ou véhicule dans les images, lie ces détections en pistes continues, puis convertit les positions écran en coordonnées réelles sur une carte. Ils ont combiné plusieurs modèles spécialisés de vision par ordinateur de sorte que les objets petits et difficiles à repérer, comme piétons, scooters et tricycles, soient détectés de façon fiable. Une méthode de suivi a ensuite assemblé ces détections en trajectoires fluides, tandis que des traitements supplémentaires ont corrigé les secousses de la caméra, comblé de courtes lacunes et filtré les erreurs évidentes comme les boîtes en double autour d’un même véhicule.

Des trajectoires aux conflits et au risque

Avec des trajectoires nettoyées en main, les chercheurs ont pu rechercher les événements les plus importants : les conflits où deux véhicules, ou un véhicule et un usager vulnérable, se croisent de près dans l’espace et le temps. En utilisant des mesures temporelles, comme le temps restant avant une collision probable si aucune des parties ne change de trajectoire, ils ont repéré des milliers d’interactions risquées et les ont regroupées en modèles de collision arrière, de collision latérale, d’angle et de face-à-face. Les intersections de FLUID ont montré en moyenne 2,8 conflits entre véhicules par minute, et environ 15 % de tous les véhicules motorisés ont été impliqués dans au moins un conflit, bien davantage que dans de nombreux jeux de données drone existants. Les données contiennent aussi des informations détaillées sur les phases de signalisation et les manœuvres de virage, ce qui permet de relier des événements risqués à des phases vertes, jaunes et rouges spécifiques, et de repérer les passages au feu rouge et autres infractions.

Vérifier la précision et partager le tableau complet

Parce que les études de sécurité dépendent de positions et de vitesses précises, l’équipe a soigneusement vérifié la fiabilité de ses données. Ils ont comparé les résultats de FLUID avec ceux d’un outil d’analyse commercial populaire et avec des mesures satellitaires haute précision issues d’une voiture expérimentale équipée d’un récepteur spécialisé. Les positions de cette voiture-test dans les données FLUID étaient à environ un mètre de la vérité terrain, et le système perdait ou identifiait rarement des objets à tort. Fait intéressant, les auteurs ont constaté qu’analyser la vidéo à une fréquence d’images légèrement réduite aidait à lisser le bruit dans les estimations de vitesse sans perdre les comportements importants. Contrairement à de nombreux projets antérieurs, ils publient non seulement les pistes traitées mais aussi les vidéos anonymisées, les cartes, les temps de signalisation et une documentation claire de chaque étape de traitement.

Ce que cela signifie pour la circulation quotidienne

Pour les non-spécialistes, FLUID peut être vu comme un time-lapse ultra-détaillé de la vie aux carrefours fréquentés, où chaque trajectoire de voiture et de piéton est tracée et chaque quasi-accident enregistré. En capturant des conflits denses et réalistes et en les liant aux feux, aux virages et aux infractions, le jeu de données offre aux ingénieurs du trafic, aux urbanistes et aux développeurs de véhicules autonomes un bac à sable puissant pour tester des idées. Il peut soutenir des études sur qui cède habituellement le passage, comment différents plans de signalisation affectent la sécurité, comment cyclistes et piétons gèrent le risque, et comment les voitures pilotées par ordinateur devraient se comporter dans un trafic mixte. En bref, ce travail fournit une vue claire, ouverte et richement annotée du fonctionnement réel des intersections, aidant les systèmes futurs à réduire le danger et les retards là où commencent aujourd’hui de nombreux accidents.

Citation: Chen, Y., Wu, Z., Zheng, G. et al. A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories. Sci Data 13, 766 (2026). https://doi.org/10.1038/s41597-026-07110-9

Mots-clés: trajectoires de trafic, intersections urbaines, jeu de données drone, sécurité routière, conduite autonome