Um Conjunto de Dados Leve e de Alta Granularidade sobre Interseções Sinalizadas Urbanas com Trajetórias de Conflito Densas

Por que junções movimentadas da cidade importam

Quem já esperou em uma junção urbana cheia sabe quão caótico isso pode parecer, com carros, ônibus, bicicletas e pedestres tentando se mover ao mesmo tempo. Este estudo faz uma pergunta simples: como podemos realmente entender o que acontece nesses momentos de quase-acidentes e freadas bruscas, para que engenheiros e futuros veículos sem motorista possam tornar as interseções mais seguras e fluídas para todos?

Observando o tráfego do céu

Para responder a isso, os pesquisadores construíram um novo conjunto de dados chamado FLUID ao filmar três interseções sinalizadas movimentadas em uma cidade chinesa usando um pequeno drone. A partir de mais de cinco horas de vídeo, eles rastrearam mais de 20.000 usuários da via, desde carros e caminhões até motos pequenas e pedestres. Olhando diretamente para baixo a 100 a 120 metros de altura, o drone conseguia ver cada movimento em toda a junção, sem distrair os motoristas com câmeras visíveis na beira da rua ou veículos de teste. Essa visão de pássaro permitiu acompanhar quem dava passagem, quem avançava e quando diferentes fluxos chegavam perigosamente perto.

Entendendo milhares de movimentos

Coletar vídeo bruto é apenas o primeiro passo; transformá-lo em trajetórias precisas para cada usuário da via é o verdadeiro desafio. A equipe desenhou um pipeline digital leve que detecta cada pessoa ou veículo nos quadros, liga essas detecções em trajetórias contínuas e então converte posições na tela em coordenadas do mundo real em um mapa. Eles combinaram vários modelos especializados de visão computacional para que objetos pequenos e de difícil detecção, como pedestres, motocicletas e triciclos, fossem captados de forma confiável. Um método de rastreamento então costurou essas detecções em caminhos suaves, enquanto processamento adicional removeu tremores da câmera, preencheu lacunas curtas e filtrou erros óbvios, como caixas duplicadas em torno do mesmo veículo.

De trajetórias a conflitos e risco

Com trajetórias limpas em mãos, os pesquisadores puderam buscar os eventos mais importantes: conflitos onde dois veículos ou um veículo e um usuário vulnerável da via passam próximos no espaço e no tempo. Usando medidas temporais como quanto tempo resta antes de uma colisão provável se nenhuma das partes mudar de curso, eles sinalizaram milhares dessas interações de risco e as agruparam em padrões de colisão traseira, encostamento lateral, ângulo e frontal. As interseções do FLUID mostraram em média 2,8 conflitos de veículos por minuto, e cerca de 15% de todos os veículos motorizados participaram de pelo menos um conflito, bem acima do observado em muitos conjuntos de dados por drone existentes. Os dados também contêm informações detalhadas sobre fases de sinalização e manobras de conversão, tornando possível conectar eventos de risco a fases específicas de verde, amarelo e vermelho, e identificar avanço no sinal e outras infrações.

Checando precisão e compartilhando o quadro completo

Como estudos de segurança dependem de posições e velocidades precisas, a equipe verificou cuidadosamente quão precisos eram seus dados. Eles compararam os resultados do FLUID com os de uma ferramenta comercial de análise popular e com medidas de alta precisão baseadas em satélite de um carro de teste equipado com um receptor especializado. As posições desse carro de teste nos dados do FLUID ficaram a cerca de um metro da verdade de solo, e o sistema raramente perdia ou identificava objetos de forma incorreta. Curiosamente, os autores descobriram que analisar o vídeo a uma taxa de quadros ligeiramente reduzida ajudou a suavizar o ruído nas estimativas de velocidade sem perder comportamentos importantes. Diferentemente de muitos projetos anteriores, eles também publicam não apenas trajetórias processadas, mas os vídeos anonimados, mapas, temporizações dos sinais e documentação clara de cada etapa do processamento.

O que isso significa para o tráfego do dia a dia

Para não especialistas, o FLUID pode ser visto como um time-lapse ultra-detalhado da vida em junções movimentadas, onde cada trajeto de carro e pedestre é traçado e cada quase-acidente é registrado. Ao capturar conflitos densos e realistas e vinculá-los a sinais, conversões e infrações, o conjunto de dados oferece a engenheiros de tráfego, planejadores urbanos e desenvolvedores de veículos autônomos um campo de testes poderoso para experimentar ideias. Ele pode apoiar estudos sobre quem tende a ceder, como diferentes planos de sinalização afetam a segurança, como ciclistas e pedestres navegam pelo risco e como carros dirigidos por computador devem se comportar em tráfego misto. Em suma, o trabalho entrega uma visão clara, aberta e ricamente anotada de como interseções reais operam, ajudando futuros sistemas a reduzir perigo e demora nos locais onde muitos acidentes começam hoje.

Citação: 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

Palavras-chave: trajetórias de tráfego, interseções urbanas, conjunto de dados por drone, segurança no trânsito, direção autônoma