论文题目：FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories

第一作者：Yiyang Chen 中山大学中山大学智能工程学院学生。

通讯作者：何兆成 中山大学智能工程学院交通工程专业教授，博士生导师，广东省智能交通系统重点实验室主任。研究方向：多网融合交通系统建模与仿真、交通时空大模型、车路云一体化协同、智能交通系统等方面。开发了包括“广东省警民通交通知识图谱系统”、“城市主干道与收费站车辆检测与交通态势分析系统”、“宣城交通大脑系统”、“精细化GIS-T平台”、“TransysLab中观仿真平台”、“交通设施管理系统”在内的多个业务应用系统。E-mail：hezhch@mail.sysu.edu.cn


城市信号交叉口：轻量化交互轨迹数据集FLUID解析

论文摘要

本文介绍了一套面向城市信号交叉口的无人机轨迹数据集FLUID（Fine‑grained Lightweight Urban Intersection Dataset），旨在弥补现有航拍数据集场景单一、信息缺乏及数据精度不足的缺陷。研究者在安徽宣城的三个典型信号交叉口开展了14次航拍实验，记录近5小时的高清视频，并同步地面信号相位。针对现有数据集场景代表性不足、VRU（易受伤道路使用者）识别缺失与冲突标注稀少的问题，研究团队提出了一套全流程的轻量化数据处理框架：从原始航拍视频出发，利用多模型检测与轻量化跟踪生成精确轨迹，再经时间同步、地理参考、运动平滑与数据融合获得高保真度的轨迹数据。FLUID不仅提供多类别交通参与者的轨迹、信号定时和地图，还标注了车辆冲突、转向意图和闯红灯行为，平均每分钟发生2.8次车辆冲突，约15%的车辆参与冲突，VRU在冲突关联车辆中占比高达35%。数据精度通过与商业平台DataFromSky和RTK‑GNSS真值对比得到验证。该数据集为交通行为建模、自动驾驶决策测试和冲突安全分析提供了高质量基础。

一、研究背景与问题

1.1 研究背景

  • 交通轨迹数据的重要性：微观轨迹数据支撑智能交通系统的仿真、行为建模和生成等研究。
  • 观测方式与局限：传统车载或路侧方法存在视野受限、硬件干扰驾驶行为等问题，航拍无人机因视野完整、对驾驶者隐蔽而优势明显。
  • 现有数据集不足：多数航拍数据集场景类型有限、冲突稀少且缺乏细粒度行为信息。VRU类别误判或缺失严重，冲突标注稀缺，缺少转向和违规意图等行为标注。此外，数据质量和处理细节不透明，难以复现。

1.2 核心问题

  1. 如何在实际城市交叉口获得高代表性的航拍轨迹数据？
  2. 如何设计轻量、高精度的数据处理管线，使原始视频转化为标准化轨迹并提供丰富行为标注？
  3. 如何验证所构建数据的空间‑时间精度与行为丰富度？

二、数据采集与处理框架

2.1 场景选择与数据采集

  • 三类典型交叉口：四相位四叉口（FI）、含专用右转道的四叉口（FIDRT）、两相位丁字路口（TI），代表不同控制策略和冲突类型。
  • 航拍与信号同步：使用 DJI Mini 3 无人机以4K@30 FPS拍摄，保持100–120 m高度，配合两台地面摄像机记录信号相位，统一手机时钟同步。
  • 实验规模：14个飞行批次总计约5小时视频，捕获超过2万名交通参与者，涵盖8类对象（大型/小型车辆与VRU）。

2.2 轻量化处理管线

下图展示了数据处理的整体流程：从原始记录→轨迹提取→数据融合。

图1 FLUID数据处理流程（取自 Fig.3）
图1 FLUID数据处理流程（取自 Fig.3）
  • 原始记录：航拍视频先经两阶段稳定化（AKAZE/BRISK特征+运动估计），并定义路口ROI掩模以隐私保护和减少计算。
  • 对象检测：采用 YOLOv8 架构支持水平/定向框；针对类别差异，分别在 DroneVehicle_Revised、CODrone 和 Songdo Vision 三个数据集上训练专用模型，并按类别优劣融合检测结果。
  • 轻量跟踪：利用 SparseTrack 结合伪深度  定义的目标距离
    其中  为包围框底部中心像素纵坐标， 为图像高度。同时引入深度级联匹配策略，配合匈牙利算法实现高效关联。
  • 几何纠正与平滑：通过 RTK-GNSS测量的地面控制点建立像素到WGS84再到UTM的单应矩阵，实现精确地理参考；随后对轨迹进行 Savitzky–Golay 平滑、运动学插值和 Rauch-Tung-Striebel 滤波，补齐缺失点并计算速度/加速度。
  • 异常过滤与融合：利用 2D 替代安全指标 Time-to-Collision 和 Dynamic Gap Time 计算车间残留距离，将重叠或伪目标过滤；根据位置、朝向与车道信息进行空间匹配，并结合信号时序完成时间同步及转向标注。

三、数据集内容与验证

3.1 数据内容

  • 场景特征：FLUID 每分钟平均出现2.8起车辆冲突；在所有冲突半径10 m内，VRU 占比达35.4%，远高于SIND（7.2%）和INTERACTION（4.4%）。
  • 文件结构：数据以视频、信号、地图、轨迹、路线、冲突等模块组织，每条轨迹包含对象类别、图像/世界坐标、速度、方向、信号状态、冲突指标等。
图2 数据文件结构（取自 Fig.8）
图2 数据文件结构（取自 Fig.8）
  • 多模态信息：同时提供隐私处理后的视频、帧率10 FPS的检测轨迹、手工标注的信号相位、地理对齐的航拍图像和 Lanelet2 格式的矢量地图。
  • 场景概览：下图展示了三个交叉口的控制方式和主要冲突方向，并统计各入口车流组成。
图3 场景信息与流量统计（取自 Fig.7）
图3 场景信息与流量统计（取自 Fig.7）

3.2 数据质量与验证

  • 多源对比：通过与 DataFromSky 平台及 RTK‑GNSS 实测轨迹对比，FLUID 的位置误差在直线段小于0.3 m，漏检率近乎为零。表2显示车辆与 VRU 计数的误差均低于6%，优于 DFS。
  • 速度分析：不同采样频率下的速度分布表明，10 FPS 数据得到的速度曲线更平滑，更接近 DFS 的基准值。
  • 冲突识别与分类：基于最小 TTC 和 DGT 判断存在冲突，再按车辆航向角差  分类为追尾、侧擦、角碰和正面四种类型。下图展示了冲突识别流程和分类标准。
图4 冲突识别与分类（取自 Fig.12）
图4 冲突识别与分类（取自 Fig.12）
  • 行为丰富度：热力图和违规率统计表明，各场景冲突类型和违法行为分布差异明显，违反率在低流量时更高，反映了驾驶者根据信号和流量作出的不同决策。

四、应用潜力与创新亮点

4.1 研究应用示例

  • 让行与通行决策分析：在FI场景中计算通过与左转冲突的凸包区域，统计进出时间序列，量化左转让行与直行让行行为，共识别出502次左转让行、415次直行让行。
  • VRU违规行为研究：FIDRT 场景 VRU 到达率高，结合精确的车道拓扑和个体轨迹，可对行人和摩托车的越线模式和闯红灯时空分布进行精细分析。
  • 大车检测优化：TI 场景大型车辆占比超15%，提供原始视频和标注，有助于改进复杂环境下的目标检测算法。

下图展示了FLUID数据集在三方面的独特应用前景：互动决策分析、VRU违规研究与大型车辆检测。

图5 应用前景示意（取自 Fig.16）
图5 应用前景示意（取自 Fig.16）

4.2 数据集与方法创新

  • 高冲突密度：平均每分钟2.8起冲突、约15%车辆参与，且关联VRU比例高，为研究交叉口安全和人机互动提供了罕见样本。
  • 轻量化处理框架：开源的完整流程涵盖稳定化、检测、跟踪、地理参考、平滑与异常过滤，提供原始视频和中间数据，增强可重复性与可扩展性。
  • 多源融合检测：通过多数据集训练YOLOv8并类别融合，使小目标、VRU和特殊车辆得到更精确的识别。
  • 创新冲突指标：在常用 TTC 基础上提出动态间隙时间（DGT）以过滤伪冲突，并采用定向角差统一划分冲突类型，既提高检测精度又便于跨数据集比较。
  • 丰富行为标注：除了基本轨迹和类别信息，还提供转向意图、闯红灯行为及冲突关联对象，为决策建模和交通行为分析提供了精细数据支持。

文章须知 

链上镖师团队：常文婕（AEIC）、祁园园、汪朝杰、王一航、张仁义（EIC）、张晓乐

原文链接：arXiv Preprint: 2509.00497v2 [cs.RO]

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。