Dokładny, lekkowy zbiór danych z sygnalizowanych skrzyżowań miejskich z gęstymi trajektoriami konfliktów

Dlaczego zatłoczone skrzyżowania miejskie mają znaczenie

Każdy, kto stał na zatłoczonym skrzyżowaniu w mieście, zna uczucie chaosu: samochody, autobusy, rowery i piesi próbują się tu poruszać jednocześnie. Badanie stawia proste pytanie: jak naprawdę zrozumieć, co dzieje się w tych chwilach bliskich zdarzeń i nagłych zatrzymań, aby inżynierowie i przyszłe samochody bez kierowcy mogły uczynić skrzyżowania bezpieczniejszymi i płynniejszymi dla wszystkich?

Obserwacja ruchu z nieba

Aby to ustalić, badacze stworzyli nowy zbiór danych o nazwie FLUID, filmując małym dronem trzy ruchliwe, sygnalizowane skrzyżowania w chińskim mieście. Z ponad pięciu godzin nagrań śledzili ponad 20 000 uczestników ruchu — od samochodów i ciężarówek po motorowery i pieszych. Patrząc pionowo w dół z wysokości 100–120 metrów, dron mógł zarejestrować każdy ruch na całym skrzyżowaniu, nie rozpraszając kierowców widocznymi kamerami przydrożnymi ani pojazdami testowymi. Ten widok z lotu ptaka pozwolił śledzić, kto ustąpił pierwszeństwa, kto wymusił przejazd i kiedy różne strumienie ruchu zbliżały się niebezpiecznie.

Interpretacja tysięcy ruchów

Zebranie surowego materiału wideo to tylko pierwszy krok; prawdziwym wyzwaniem jest przekształcenie go w precyzyjne ścieżki dla każdego uczestnika ruchu. Zespół zaprojektował lekką cyfrową procedurę, która wykrywa każdą osobę lub pojazd na klatkach, łączy te wykrycia w ciągłe ślady, a następnie przelicza pozycje na ekranie na rzeczywiste współrzędne na mapie. Połączyli kilka wyspecjalizowanych modeli widzenia komputerowego, dzięki czemu małe i trudne do zauważenia obiekty, takie jak piesi, motorowery i trójkołowce, były wykrywane niezawodnie. Metoda śledzenia zszywała te wykrycia w płynne trajektorie, a dodatkowe przetwarzanie usuwało drgania kamery, wypełniało krótkie luki i filtrowało oczywiste błędy, takie jak zdublowane ramki wokół tego samego pojazdu.

Od trajektorii do konfliktów i ryzyka

Mając czyste trajektorie, badacze mogli wyszukiwać najważniejsze zdarzenia: konflikty, gdy dwa pojazdy lub pojazd i niechroniony uczestnik ruchu mijają się blisko w przestrzeni i czasie. Używając miar czasu, takich jak ile pozostaje czasu do prawdopodobnej kolizji, jeśli żadna ze stron nie zmieni kursu, wyznaczyli tysiące takich ryzykownych interakcji i pogrupowali je na kolizje tylne, zderzenia boczne, kątowe i czołowe. Skrzyżowania w FLUID wykazywały średnio 2,8 konfliktu pojazd-pojazd na minutę, a około 15 procent wszystkich pojazdów mechanicznych brało udział przynajmniej w jednym konflikcie — znacznie więcej niż w wielu istniejących zestawach danych z dronów. Dane zawierają również szczegółowe informacje o fazach sygnalizacji i manewrach skrętu, co umożliwia powiązanie ryzykownych zdarzeń z konkretnymi fazami zielonego, żółtego i czerwonego oraz wykrywanie przejazdów na czerwonym i innych wykroczeń.

Weryfikacja dokładności i udostępnienie pełnego obrazu

Ponieważ badania nad bezpieczeństwem opierają się na precyzyjnych pozycjach i prędkościach, zespół dokładnie sprawdził, jak wiarygodne są ich dane. Porównali wyniki FLUID z popularnym komercyjnym narzędziem analitycznym oraz z wysokoprecyzyjnymi pomiarami satelitarnymi z samochodu testowego wyposażonego w specjalistyczny odbiornik. Pozycje tego samochodu w danych FLUID mieściły się w przybliżeniu w granicach metra od wartości rzeczywistych, a system rzadko tracił lub błędnie identyfikował obiekty. Co ciekawe, autorzy odkryli, że analiza wideo przy nieco obniżonej liczbie klatek na sekundę pomaga wygładzić szumy w szacunkach prędkości bez utraty istotnych zachowań. W odróżnieniu od wielu wcześniejszych projektów, publikują nie tylko przetworzone ślady, ale też zanonimizowane nagrania wideo, mapy, harmonogramy sygnałów i jasną dokumentację każdego kroku przetwarzania.

Co to oznacza dla codziennego ruchu

Dla osób niebędących ekspertami FLUID można uznać za ultradokładny timelapse życia na zatłoczonych skrzyżowaniach, gdzie śledzona jest każda ścieżka samochodu i pieszego, a każde bliskie zdarzenie jest rejestrowane. Przechwytując gęste, realistyczne konflikty i łącząc je z sygnałami, skrętami i wykroczeniami, zbiór danych daje inżynierom ruchu, planistom miejskim i twórcom pojazdów autonomicznych potężne pole do testowania pomysłów. Może wspierać badania nad tym, kto zwykle ustępuje pierwszeństwa, jak różne plany sygnalizacji wpływają na bezpieczeństwo, jak rowerzyści i piesi poruszają się w strefach ryzyka oraz jak pojazdy sterowane komputerowo powinny zachowywać się w ruchu mieszanym. Krótko mówiąc, praca dostarcza jasny, otwarty i bogato adnotowany obraz funkcjonowania realnych skrzyżowań, pomagając przyszłym systemom zmniejszać zagrożenia i opóźnienia tam, gdzie dziś zaczyna się wiele wypadków.

Cytowanie: 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

Słowa kluczowe: trajektorie ruchu, skrzyżowania miejskie, zbiór danych z drona, bezpieczeństwo drogowe, jazda autonomiczna