Yoğun Çatışma İzleri İçeren İnce Taneli Hafif Kentsel Trafikli Sinyalli Kavşak Veri Seti

Neden yoğun şehir kavşakları önemli

Kalabalık bir şehir kavşağında beklemiş olan herkes bunun ne kadar kaotik hissedilebileceğini bilir; otomobiller, otobüsler, bisikletler ve yayalar hep bir arada hareket etmeye çalışır. Bu çalışma basit bir soru soruyor: mühendislerin ve geleceğin sürücüsüz araçlarının kavşakları herkes için daha güvenli ve akıcı hâle getirebilmesi için bu yakın kaçış ve ani duruş anlarında gerçekten neler olduğunu nasıl anlayabiliriz?

Gökyüzünden trafiği izlemek

Buna yanıt olarak, araştırmacılar küçük bir drone kullanarak bir Çin kentindeki üç yoğun sinyalli kavşağı filme alıp FLUID adını verdikleri yeni bir veri seti oluşturdular. Beş saatin üzerinde videodan, otomobillerden kamyonlara, elektrikli motorlu scooterlardan yayalara kadar 20.000’den fazla yol kullanıcısını izlediler. 100–120 metre yükseklikten dikey bakışla, drone sürücüleri görünür karayolu kameraları veya test araçlarıyla rahatsız etmeden kavşağın tüm hareketlerini görebiliyordu. Bu kuş bakışı görüntü, kimin yol verdiğini, kimin zorla geçtiğini ve farklı akışların ne zaman tehlikeli şekilde birbirine yaklaştığını takip etmelerini sağladı.

Binlerce hareketi anlamlandırmak

Ham video toplamak sadece ilk adımdır; bunu her yol kullanıcısı için hassas izlere dönüştürmek asıl zorluktur. Ekip, karelerde her kişiyi veya aracı tespit eden, bu tespitleri sürekli izlere bağlayan ve ardından ekran konumlarını haritada gerçek dünya koordinatlarına çeviren hafif bir dijital iş akışı tasarladı. Yayalar, elektrikli scooterlar ve üç tekerlekliler gibi küçük ve fark edilmesi zor nesnelerin güvenilir şekilde yakalanması için birkaç uzman bilgisayarlı görü modeli birleştirildi. Bir izleme yöntemi bu tespitleri düzgün yollar halinde birleştirirken, ek işlemler kamera titremesini giderdi, kısa boşlukları doldurdu ve aynı araç etrafında yinelenen kutular gibi bariz hataları filtreledi.

Yollardan çatışmalara ve riske

Temiz izlere sahip olunca, araştırmacılar en önemli olayları arayabildiler: iki aracın ya da bir araç ile savunmasız bir yol kullanıcısının zaman ve mekânda yakın geçtiği çatışmalar. Taraflardan hiçbiri yönünü değiştirmezse muhtemel bir çarpışmaya ne kadar süre kaldığı gibi zamanlama ölçüleri kullanarak, binlerce riskli etkileşimi işaretlediler ve bunları arkadan çarpma, yan sürtme, açılı ve kafa kafaya desenlerine gruplayarak sınıflandırdılar. FLUID’in kavşakları dakikada ortalama 2,8 araç çatışması gösterdi ve tüm motorlu araçların yaklaşık yüzde 15’i en az bir çatışmaya karışmıştı; bu oran birçok mevcut drone veri setinden çok daha yüksekti. Veri ayrıca sinyal fazları ve dönüş manevraları hakkında ayrıntılı bilgiler içeriyor; bu sayede riskli olayları belirli yeşil, sarı ve kırmızı fazlara bağlamak ve kırmızı ışık ihlali gibi kural ihlallerini tespit etmek mümkün oluyor.

Doğruluğu kontrol etmek ve tam resmi paylaşmak

Güvenlik çalışmalarının hassas konumlar ve hızlara dayandığı düşünüldüğünde, ekip verilerinin ne kadar doğru olduğunu dikkatle kontrol etti. FLUID’in sonuçlarını popüler bir ticari analiz aracıyla ve uzman bir alıcıyla donatılmış test aracından elde edilen yüksek hassasiyetli uydu tabanlı ölçümlerle karşılaştırdılar. FLUID verilerindeki o test aracının konumları gerçek değerlerle yaklaşık bir metre içinde yer alıyordu ve sistem nadiren nesneleri kaybetti veya yanlış tanımladı. İlginç bir şekilde, yazarlar videoyu biraz azaltılmış bir kare hızında analiz etmenin hız tahminlerindeki gürültüyü önemli davranışları kaybetmeden yumuşattığını buldular. Birçok önceki projeden farklı olarak, sadece işlenmiş izleri değil anonimleştirilmiş videoları, haritaları, sinyal zamanlamalarını ve her işlem adımının açık belgelendirmesini de yayımlıyorlar.

Günlük trafik için bunun anlamı nedir

Uzman olmayanlar için FLUID, yoğun kavşaklardaki yaşamın ultra ayrıntılı bir zaman atlaması olarak düşünülebilir; her araç ve yayanın yolu izleniyor ve her yakın tehlike kaydediliyor. Yoğun, gerçekçi çatışmaları yakalayıp bunları sinyaller, dönüşler ve ihlallerle ilişkilendirerek, veri seti trafik mühendisleri, şehir plancıları ve otonom araç geliştiricileri için fikirleri test etmek üzere güçlü bir oyun alanı sağlıyor. Kimlerin genelde yol verdiğini, farklı sinyal planlarının güvenliği nasıl etkilediğini, bisikletçilerin ve yayaların riski nasıl yönettiğini ve bilgisayar kontrollü araçların karışık trafikte nasıl davranması gerektiğini inceleyen çalışmaları destekleyebilir. Kısacası, çalışma gerçek kavşakların nasıl işlediğine dair açık, ayrıntılı ve zengin açıklamalı bir görünüm sunuyor; gelecekteki sistemlerin birçok kazanın şimdi başladığı yerlerde tehlikeyi ve gecikmeyi azaltmasına yardımcı oluyor.

Atıf: 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

Anahtar kelimeler: trafik izleri, kentsel kavşaklar, drone veri seti, trafik güvenliği, otonom sürüş