bikeped

bikeped Conformance Scenarios 是一个用于评估自行车与行人碰撞预警系统的数据集，包含24个精心设计的行人-自行车交叉路口场景。该数据集作为技术报告《A Real-Time Bike–Pedestrian Safety System with Wide-Angle Perception and Evaluation Testbed for Urban Intersections》的配套资源。数据集采用两种配置格式：1) scenarios配置包含24个场景的原始路径点数据，每个场景记录包含场景ID、名称、预期主导标签、车辆类型、持续时间、代理数量及路径信息等字段；2) frames配置包含12,901帧数据，以30fps的速率对场景进行线性插值，提供每个帧的代理位置、危险评估及相关运动学参数。数据集还附带两种视频渲染（示意图和照片级真实感），并采用保守的运动学安全模型进行逐帧地面真实危险标注。该数据集特别适用于自动驾驶、行人安全、碰撞避免等研究领域，采用CC-BY-4.0许可协议发布。

原始信息汇总

数据集概述：bikeped Conformance Scenarios

基本信息

• 数据集名称: bikeped Conformance Scenarios
• 许可证: CC-BY-4.0
• 数据集大小: n < 1K（少于1000条）
• 任务类别: 其他（碰撞预警系统评估）
• 相关标签: 碰撞避免、行人安全、骑行者、交叉口、一致性测试、自动驾驶

数据集描述

该数据集包含24个脚本化的行人-骑行者交叉口场景，用于评估bikeped碰撞预警系统的性能。每个场景定义了多个代理（行人、骑行者、电动自行车）在地面平面上通过手动编写的路径点序列移动；测试平台以30帧/秒对路径进行插值，并使用保守的运动学安全模型为每帧分配真实危险标签。

该数据集是技术报告《A Real-Time Bike–Pedestrian Safety System with Wide-Angle Perception and Evaluation Testbed for Urban Intersections》的配套资源。

数据集结构

数据集包含两个配置：

1. scenarios — 24行

每行对应一个场景，包含原始路径点数据。

列名	类型	描述
scenario_id	int	基于0的索引
name	string	场景标题（如Bike Approaches Ped）
expected_dominant	string	真实主导标签：idle / safe / warning / alert
vehicle	string	bicycle或ebike（选择制动曲线）
duration_s	float	场景时长（秒）
n_person / n_bike	int	代理数量
agents	list[dict]	每个包含type、agent_id、path
agents[].path	list[dict]	路径点：x和y（米）、t（秒）
sim_video	string?	模拟视频相对路径（如提供）
carla_video	string?	CARLA视频相对路径（如提供）

2. frames — 12901行

非规范化数据：每个(scenario, agent, frame)对应一行，以30帧/秒的速率包含线性插值的地面位置和该帧的场景级真实危险评估。

列名	类型	描述
scenario_id	int	场景ID
scenario_name	string	场景名称
frame_idx	int	帧索引（0到⌊duration·fps⌋）
time_s	float	时间（秒）= frame_idx / fps
agent_id	int	代理ID
agent_type	string	person或bike
x_m, y_m	float	插值的世界坐标位置
is_danger	bool	是否物理危险（碰撞轨迹）
actionable	bool	is_danger为真且警告仍可帮助行人
severity	float	0–1，动能代理值
ttc_s	float?	碰撞时间（秒）；null表示无碰撞
closing_speed_ms	float	接近速度（米/秒）；正值表示接近中
bike_speed_ms	float	自行车速度（米/秒）
stopping_dist_m	float	当前速度下的所需停止距离
warning_budget_s	float?	最接近点之前的预警时间（秒）
distance_m	float?	当前最近的自行车-行人距离

视频文件

每个场景提供两种渲染视频，与JSONL文件一同发布：

• videos/sim/NN_slug.mp4（24/24）— 示意性鸟瞰图视图，由sim_visualizer.py渲染。包含地面平面图、人行横道覆盖、代理标记、轨迹线和决策管线状态（SAFE/WARN/ALERT/IDLE）。
• videos/carla/NN_slug.mp4（24/24）— 照片级真实感的杆上摄像头视图，在CARLA 0.9.16（Town10HD_Opt）中由carla_scenario.py渲染。场景代理沿相同路径点作为CARLA行人和骑行者生成；摄像头从杆位置(x=5, y=-13, z=3.66)以30帧/秒捕获RGB帧。

两个视频使用与scenario_id相同的场景编号（00到23）。

坐标框架

世界坐标系以米为单位。人行横道沿y方向延伸，位于x = 5处（约3米宽）。部署的摄像头位于(x=5, y=-13, z=3.66)，朝向人行横道。代理位置为世界坐标；在实时系统中，鱼眼相机逆投影产生相机相对BEV坐标。

运动学真实模型

一帧被标记为危险的判定条件：骑行者正在接近，最接近点在5米以内，且要么停止距离超过剩余间隙的80%，要么TTC < 3秒。传统自行车使用t_react = 0.84秒、decel = 1.96米/秒²（85百分位现场测量，Martin & Bigazzi 2025，n=302）。电动自行车场景（快速接近、电动滑板车、加速电动自行车）使用decel = 6.0米/秒²（Naude等人2025年盘式制动器轨道测试）。严重度权重为s = min(v²/v_max², 1)，其中v_max = 12米/秒。

场景分类

类别	场景数量
安全交叉口	3
标准接近	5
高速/加速	3
无障碍性	2
多代理	3
边界情况	3
非线性轨迹	4

24个场景中有21个包含真实危险区间。

引用信息

@misc{turkcan2026realtimebikepedestriansafetywideangle, title = {A Real-Time Bike-Pedestrian Safety System with Wide-Angle Perception and Evaluation Testbed for Urban Intersections}, author = {Mehmet Kerem Turkcan}, year = {2026}, eprint = {2604.17046}, archivePrefix = {arXiv}, primaryClass = {cs.CV}, url = {https://arxiv.org/abs/2604.17046} }

代码：github.com/mkturkcan/bikeped

许可证

CC-BY-4.0。场景为手工编写，作为评估行人-骑行者冲突预警系统的数据集分发。

搜集汇总

数据集介绍

构建方式

bikeped数据集包含24个精心编排的行人-自行车路口场景，专为评估碰撞预警系统而设计。每个场景定义了若干智能体（行人、骑行者、电动自行车）在地平面上通过手写路径点序列移动，测试台以30帧/秒进行插值，并依据保守的运动学安全模型为每帧分配地面真实危险标签。数据集以JSONL格式存储，提供两种配置："scenarios"存储24个场景的原始路径点，"frames"则包含12901行密集帧级数据，包括插值位置和危险评估指标。同时，每个场景附带两种视觉渲染视频：鸟瞰示意图和CARLA逼真视图。

特点

数据集涵盖7类场景：安全穿越、标准接近、高速/加速、可访问性、多智能体、边界情况和非线性轨迹，其中21个场景包含真实危险区间。地面真实标签采用保守运动学模型定义：当骑行者正在接近、最近距离点小于5米，且制动距离超过剩余间隙80%或碰撞时间小于3秒时标记为危险。严重度权重依据动能比例计算，普通自行车和电动自行车分别采用不同的反应时间和减速度参数。坐标系统以米为单位，人行横道沿y轴延伸，部署的摄像头位于固定位置。

使用方法

该数据集主要作为行人-自行车冲突预警系统的标准化评估基准。用户可通过加载"scenarios"获得24个场景的原始路径定义，用于离线仿真测试；或使用"frames"配置获取密集帧级数据，包括智能体位置、速度、碰撞距离、碰撞时间等指标，用于训练或验证感知和决策算法。所有数据以JSONL格式提供，便于与Python工具链集成。同时，鸟瞰图和CARLA视频可用于可视化分析，源代码和详细文档可在GitHub仓库获取，便于复现实验或扩展新场景。

背景与挑战

背景概述

bikeped Conformance Scenarios数据集由Mehmet Kerem Turkcan于2026年创建，作为《A Real-Time Bike–Pedestrian Safety System with Wide-Angle Perception and Evaluation Testbed for Urban Intersections》技术报告的配套资源。该数据集聚焦于城市交叉口场景中行人与自行车（含电动自行车）碰撞预警系统的评估，核心研究问题在于构建一套标准化、可重复的测试基准，以量化预警算法在多样化交互情境下的性能。通过24个手写的脚本化场景，涵盖安全穿越、高速接近、多智能体交互及边缘案例等七大类，数据集为自动驾驶与弱势道路使用者保护领域提供了首个针对自行车-行人冲突的共识性测试集，对推动城市交通安全系统的可验证性与鲁棒性研究具有重要参考价值。

当前挑战

该数据集所面临的挑战主要源于领域问题与构建过程的双重复杂性。在领域层面，城市交叉口的自行车-行人交互具有高度多样性与不确定性，现有碰撞预警系统缺乏统一的评估协议，难以比较不同算法在真实危险场景（如突然加速、视线遮挡、非直线轨迹）中的响应能力；同时，不同制动模型（如自行车与电动自行车的减速度差异）导致安全判据复杂化。在构建过程中，困难在于如何通过少量手写脚本（24个场景）覆盖真实世界的关键危险模式，并确保每一帧的物理安全标签（如危险、可干预、碰撞时间）与保守运动学模型（基于实测的感知-反应时间与减速度参数）的精确对齐，避免场景冗余或覆盖偏差。

常用场景

经典使用场景

在智能交通与自动驾驶安全评估领域，bikeped数据集为研究者提供了一组精心编排的行人-自行车交互场景，用于测试碰撞预警系统的性能。该数据集包含24种手写脚本的交叉口场景，覆盖安全穿越、标准接近、高速加速、多智能体互动、边缘案例及非线性轨迹等多种典型工况。每个场景通过航点序列定义行人与骑行者的运动路径，并基于保守的运动学安全模型生成30帧每秒的逐帧危险标签。研究者可借此标准化评估框架，系统性地考察预警算法在复杂城市交叉口环境中的响应准确性与实时性，为后续模型优化奠定可靠基准。

实际应用

在实际部署场景中，bikeped数据集可直接服务于城市智能交通基础设施中的行人-自行车碰撞预警系统开发。例如，安装在交叉口灯杆上的广角感知设备可借助该数据集训练的模型，实时监测靠近人行横道的骑行者和行人，在潜在碰撞发生前通过声光信号发出分级警报。数据集中的CARLA真实感渲染视频为硬件在环测试提供视觉输入，而鸟瞰模拟视频则支持系统级验证，帮助工程团队在部署前评估预警阈值、反应延迟及误报率对用户接受度的综合影响。该方案尤其适合学校、公园及商业区等混合交通密集的复杂路口。

衍生相关工作

围绕bikeped数据集已衍生出一系列推动交叉口安全研究深化的经典工作。其配套技术报告详细阐述了基于鱼眼逆投影的实时感知管线，以及将运动学模型与视觉预警策略耦合的系统架构，为后续研究提供了可复现的实现模板。受数据集场景分类启发，研究者进一步探索了多模态感知融合（如集成雷达与摄像头）在高风险场景下的鲁棒性提升方法。此外，数据集的逐帧危险标签和冲突度量标准已被用作监督信号，训练基于图神经网络或时空Transformer的行人轨迹预测模型，显著提升了非线性和多智能体交互场景下的碰撞概率估算精度。这些工作共同构筑了一个从数据集基准到算法创新再到系统应用的完整研究生态。