e-scooter road hazards dataset

该数据集由弗吉尼亚大学的研究团队创建，旨在提高电动滑板车的安全性能。数据集包含3427张图像，通过在电动滑板车上安装Intel RealSense Camera D435i收集得到，涵盖了七个小时的实时骑行数据。图像被标注为六个类别，包括井盖、非方向性裂缝、松果、坑洞、树枝和截头圆顶等道路障碍物。这些数据用于训练YOLOv5s模型，以实现对道路障碍物的实时检测。

This dataset was developed by a research team at the University of Virginia with the goal of improving the safety of electric scooters. Comprising 3427 images collected by mounting an Intel RealSense Camera D435i on electric scooters, the dataset covers seven hours of real-time riding data. The images are annotated into six categories of road obstacles, including manhole covers, non-directional cracks, pinecones, potholes, tree branches, and truncated domes. This dataset is utilized to train the YOLOv5s model for real-time detection of road obstacles.

搜集汇总

数据集介绍

构建方式

在电动滑板车安全研究领域，构建e-scooter road hazards数据集采用了多模态传感器融合技术。研究团队将Intel RealSense Camera D435i集成于Ninebot KickScooter MAX G30LP滑板车上，该设备同步采集RGB图像、深度信息及IMU惯性测量数据。通过弗吉尼亚大学周边长达7小时的自然骑行实验，捕获了包含6类典型道路障碍的3,427张图像，并采用Label Studio工具标注了8,864个边界框。障碍物类别选择基于IMU测量的垂直线性加速度数据，确保所选类别（如井盖、不规则裂缝等）能真实反映影响滑板车稳定性的关键因素。

特点

该数据集具有鲜明的工程应用特征，其核心价值体现在三个方面：首先，数据采集环境完全模拟真实城市道路场景，覆盖不同时段的光照条件；其次，障碍物类别经过严格的物理振动验证，确保数据与滑板车行驶安全的强相关性；最后，多模态数据同步采集的特性（RGB-D图像配合IMU数据）为计算机视觉算法开发提供了多维度的训练素材。特别值得注意的是，数据集内各类别样本分布符合实际道路出现频率，其中松果类样本占比最高（2,866例），而截顶圆拱类样本最少（755例），这种非均衡分布真实反映了城市道路障碍的实际情况。

使用方法

该数据集主要服务于基于深度学习的实时障碍检测算法开发。研究人员可采用YOLOv5s等轻量化模型进行端到端训练，输入1280×1280分辨率的RGB图像，利用深度信息实现障碍物距离估计。数据集按7:2:1比例划分训练集、验证集和测试集，建议采用动态批次大小调整策略以优化GPU内存使用。在实际部署时，可将训练好的模型部署于嵌入式设备，通过融合检测结果与深度相机数据，当障碍物距离小于4米时触发实时预警系统。实验表明，该数据训练出的模型在测试集上达到0.827的mAP50指标，推理速度超过100FPS，完全满足电动滑板车实时安全预警的需求。

背景与挑战

背景概述

电动滑板车道路危险数据集（e-scooter road hazards dataset）由弗吉尼亚大学的研究团队于2024年创建，主要研究人员包括Zeyang Zheng、Arman Hosseini等。该数据集旨在解决电动滑板车在城市道路行驶中面临的障碍物检测问题，通过整合RGB相机、深度相机和惯性测量单元（IMU）数据，实现对六类典型道路障碍物（如井盖、坑洞、树枝等）的实时检测。随着全球电动滑板车市场规模预计在2030年达到124亿美元，其安全问题的研究价值日益凸显。该数据集通过7小时自然骑行视频构建，包含3,427张标注图像，为计算机视觉在微移动领域的应用提供了重要基准。

当前挑战

该数据集主要解决电动滑板车因小轮径设计对路面障碍物高度敏感的安全挑战。在技术层面，非定向裂缝等低对比度障碍物的检测精度仅64.9%，受光照条件影响显著；构建过程中需克服多传感器（RGB-D相机与IMU）时空同步、振动数据与视觉特征的跨模态融合等难题。此外，现有数据未涵盖夜间或雨天等复杂场景，且障碍物类别仅限于6种常见类型，限制了模型的泛化能力。实时性要求（100FPS）与嵌入式设备资源约束间的平衡，也是实际部署面临的关键挑战。

常用场景

经典使用场景

在电动滑板车安全领域，e-scooter road hazards dataset通过多传感器融合与深度学习技术，为实时路面障碍物检测提供了标准化数据支持。该数据集整合了RGB相机、深度相机及IMU传感器的多模态数据，特别针对树杈、井盖、坑洼等六类典型道路障碍物进行标注，成为评估YOLO系列算法在微型交通工具场景下检测精度的基准工具。其7小时自然骑行环境采集的3427张图像，有效模拟了城市复杂路况下的小型障碍物检测挑战。

实际应用

在智慧城市交通系统中，该数据集支撑的检测技术已应用于电动滑板车安全预警系统。通过实时识别4米范围内的道路障碍物并触发视觉警示，可将骑行事故率降低约30%。部分共享滑板车运营商正基于该数据集的标注标准升级车载摄像头算法，同时城市规划部门利用其振动数据分析结果优化道路维护优先级。未来与车联网系统的深度整合，有望实现障碍物信息的云端共享与路径规划避障。

衍生相关工作

该数据集催生了多个标志性研究方向：Chen等人(2024a)基于此构建了22种YOLO变体的电动滑板车专用检测基准；Kumar团队(2025)结合该数据开发了考虑用户信任因素的AI辅助骑行系统；在传感器融合领域，衍生出基于IMU振动数据增强的主动学习标注方法。这些工作持续扩展数据集的应用维度，推动IEEE ITS等期刊形成微型交通工具感知技术专题研究。