En detaljerad lättviktsdatamängd för signalreglerade stadskorsningar med täta konfliktbanor

Varför livliga stadskorsningar spelar roll

Den som har väntat vid en fullpackad stadskorsning vet hur kaotiskt det kan kännas, med bilar, bussar, cyklar och fotgängare som alla försöker röra sig samtidigt. Den här studien ställer en enkel fråga: hur kan vi verkligen förstå vad som händer i de ögonblicken av nära-krockar och plötsliga inbromsningar, så att ingenjörer och framtida självkörande fordon kan göra korsningar säkrare och smidigare för alla?

Att iaktta trafiken från skyn

För att svara på detta byggde forskarna en ny datamängd kallad FLUID genom att filma tre trafikerade signalreglerade korsningar i en kinesisk stad med en liten drönare. Från mer än fem timmars video spårade de över 20 000 trafikanter, från personbilar och lastbilar till mopeder och fotgängare. Sedd rakt ovanifrån på 100–120 meters höjd kunde drönaren se varje rörelse över hela korsningen, utan att distrahera förare med synliga vägkameror eller testfordon. Denna fågelperspektiv gjorde det möjligt att följa vem som gav vika, vem som tryckte igenom och när olika strömmar kom farligt nära varandra.

Att göra tusentals rörelser begripliga

Att samla råvideo är bara första steget; att omvandla den till precisa banor för varje trafikant är den verkliga utmaningen. Teamet designade en lättvikts digital pipeline som upptäcker varje person eller fordon i bildrutorna, länkar dessa detektioner till kontinuerliga spår och sedan omvandlar skärmpositioner till verkliga koordinater på en karta. De kombinerade flera specialiserade datorvisionsmodeller så att små och svårupptäckta objekt som fotgängare, mopeder och trehjulingar fångades på ett tillförlitligt sätt. En spårningsmetod sydde sedan ihop dessa detektioner till jämna banor, medan extra bearbetning tog bort kameraskakningar, fyllde igen korta luckor och filtrerade bort uppenbara fel som dubbla rutor runt samma fordon.

Från banor till konflikter och risk

Med rena banor i handen kunde forskarna leta efter de viktigaste händelserna: konflikter där två fordon eller ett fordon och en sårbar trafikant passerar nära varandra i tid och rum. Genom tidmässiga mått, som hur lång tid som återstår till en sannolik kollision om ingen ändrar kurs, flaggade de tusentals sådana riskfyllda interaktioner och grupperade dem i påkörning bakifrån, sidokrock, vinkel- och frontalkrocksmönster. FLUIDs korsningar visade i genomsnitt 2,8 fordonskonflikter per minut, och omkring 15 procent av alla motorfordon var involverade i minst en konflikt, betydligt högre än i många befintliga drönardatamängder. Datamängden innehåller också detaljerad information om signalfaser och svängmanövrar, vilket gör det möjligt att koppla riskfyllda händelser till specifika gröna, gula och röda faser och att upptäcka trafikljusspring och andra överträdelser.

Kontroll av noggrannhet och att dela hela bilden

Eftersom säkerhetsstudier är beroende av precisa positioner och hastigheter kontrollerade teamet noggrant hur korrekta deras data var. De jämförde FLUIDs resultat med en populär kommersiell analysverktyg och med högprecisionssatellitbaserade mätningar från en testbil utrustad med en specialmottagare. Positionerna för den testbilen i FLUID-datan låg inom cirka en meter från referensvärdet, och systemet tappade eller felidentifierade sällan objekt. Intressant nog fann författarna att analys av video i en något lägre bildfrekvens hjälpte till att jämna ut brus i hastighetsuppskattningar utan att förlora viktig beteendeinformation. Till skillnad från många tidigare projekt publicerar de inte bara bearbetade spår utan också de anonymiserade videorna, kartorna, signaltidpunkterna och tydlig dokumentation av varje bearbetningssteg.

Vad detta betyder för vardagstrafiken

För lekman kan FLUID ses som en ultradetaljerad timelapse av livet vid trafiktäta korsningar, där varje bil- och fotgängarbana är upptecknad och varje nära-miss dokumenterad. Genom att fånga täta, realistiska konflikter och koppla dem till signaler, svängar och överträdelser ger datamängden trafikingenjörer, stadsplanerare och utvecklare av autonoma fordon en kraftfull sandlåda för att testa idéer. Den kan stödja studier av vem som vanligtvis ger vika, hur olika signalplaner påverkar säkerheten, hur cyklister och fotgängare navigerar risk, och hur datorstyrda fordon bör bete sig i blandad trafik. Kort sagt levererar arbetet en klar, öppen och rikt annoterad bild av hur verkliga korsningar fungerar, vilket hjälper framtida system att minska fara och förseningar där många olyckor nu börjar.

Citering: 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

Nyckelord: trafikbanor, stadskorsningar, drönardatamängd, trafiksäkerhet, autonom körning