Точный легковесный набор данных по регулируемым городским перекрёсткам с плотными траекториями конфликтов

Почему загруженные городские перекрёстки важны

Каждый, кто когда-либо ждал на многолюдном городском перекрёстке, знает, насколько это может казаться хаотичным: машины, автобусы, велосипеды и пешеходы пытаются двигаться одновременно. В этом исследовании задают простой вопрос: как можно действительно понять, что происходит в моменты близких столкновений и внезапных торможений, чтобы инженеры и будущие беспилотники могли сделать перекрёстки безопаснее и плавнее для всех?

Наблюдение за движением с высоты

Чтобы ответить на него, исследователи создали новый набор данных под названием FLUID, сняв три загруженных регулируемых перекрёстка в китайском городе с помощью небольшого дрона. Из более чем пяти часов видео они отслеживали свыше 20 000 участников движения — от автомобилей и грузовиков до мопедов и пешеходов. Смотря строго сверху с высоты 100–120 метров, дрон видел каждое движение по всему перекрёстку, не отвлекая водителей видимыми камерами на обочине или испытательными машинами. Такой вид с высоты позволил отследить, кто уступал, кто проталкивался и когда разные потоки подходили друг к другу опасно близко.

Как осмыслить тысячи перемещений

Сбор сырого видео — лишь первый шаг; преобразование его в точные траектории для каждого участника движения — настоящая задача. Команда разработала лёгкий цифровой конвейер, который обнаруживает каждого человека или транспортное средство в кадрах, связывает эти обнаружения в непрерывные треки и затем переводит экранные координаты в реальные координаты на карте. Они объединили несколько специализированных моделей компьютерного зрения, чтобы надёжно фиксировать мелкие и тяжело заметные объекты, такие как пешеходы, мопеды и трёхколёсные транспортные средства. Метод слежения затем сшивал эти обнаружения в плавные траектории, а дополнительная обработка устраняла дрожание камеры, заполняла короткие пропуски и фильтровала очевидные ошибки, например дублирующие рамки вокруг одного и того же транспортного средства.

От траекторий к конфликтам и риску

Имея чистые траектории, исследователи могли искать самые важные события: конфликты, где два транспортных средства или транспортное средство и уязвимый участник движения проходят близко по пространству и времени. Используя временные меры, такие как оставшееся время до вероятной коллизии, если ни одна из сторон не изменит курс, они пометили тысячи таких рискованных взаимодействий и сгруппировали их в паттерны заднего удара, бокового касания, угловых и лобовых столкновений. На перекрёстках FLUID в среднем фиксировалось 2,8 конфликтов между транспортными средствами в минуту, и примерно 15 процентов всех моторных транспортных средств входили хотя бы в один конфликт — значительно выше, чем во многих существующих наборах данных с дронов. Данные также содержат подробную информацию о фазах сигналов и манёврах поворота, что позволяет связывать рискованные события с конкретными зелёными, жёлтыми и красными фазами, а также выявлять проезды на красный и другие нарушения.

Проверка точности и открытый доступ к полномасштабной картине

Поскольку исследования безопасности зависят от точных позиций и скоростей, команда тщательно проверила точность своих данных. Они сравнили результаты FLUID с результатами популярного коммерческого аналитического инструмента и с высокоточными спутниковыми измерениями контрольной машины, оснащённой специализированным приёмником. Позиции этой контрольной машины в данных FLUID были примерно в пределах метра от опорной правды, и система редко теряла или неверно идентифицировала объекты. Интересно, что авторы обнаружили: анализ видео с немного пониженной частотой кадров помог сгладить шум в оценках скорости, не теряя важных моделей поведения. В отличие от многих ранних проектов, они также публикуют не только обработанные треки, но и анонимизированные видео, карты, тайминги сигналов и прозрачную документацию каждого этапа обработки.

Что это значит для повседневного движения

Для непрофессионалов FLUID можно рассматривать как ультрадетализированную интервальную съёмку жизни на загруженных перекрёстках, где каждое движение автомобиля и пешехода прослежено, а каждое близкое столкновение зафиксировано. Захватывая плотные, реалистичные конфликты и связывая их с сигналами, поворотами и нарушениями, набор данных предоставляет дорожным инженерам, городским планировщикам и разработчикам автономных автомобилей мощную площадку для тестирования идей. Он может поддержать исследования того, кто обычно уступает, как разные схемы сигнализации влияют на безопасность, как велосипеды и пешеходы обходят риск и как должны вести себя управляемые компьютером машины в смешанном трафике. Короче говоря, работа даёт ясный, открытый и подробно аннотированный взгляд на работу реальных перекрёстков, помогая будущим системам снижать опасность и задержки в местах, где сегодня часто происходят аварии.

Цитирование: 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

Ключевые слова: траектории движения, городские перекрёстки, набор данных с дрона, безопасность дорожного движения, автономное вождение