OnSiteVRU|智能交通系统数据集|自动驾驶数据集

OnSiteVRU数据集是由同济大学教育部道路与交通工程重点实验室与同济大学交通运输工程学院共同开发的高分辨率轨迹数据集，包含多种场景如交叉口、路段和城中村等。该数据集提供了机动车、电动自行车和人力自行车的轨迹数据，总计约17429条轨迹，精确到0.04秒。数据集整合了俯视图自然驾驶数据和车载实时动态检测数据，以及交通信号、障碍物和实时地图等环境信息，能够全面重建交互事件。该数据集在易受伤害的道路使用者密度和场景覆盖范围方面优于传统数据集，为交通流建模、轨迹预测和自动驾驶虚拟测试提供了关键支持。

AI搜集汇总

数据集介绍

构建方式

OnSiteVRU数据集的构建采用了多源感知技术和高精度传感器，包括LiDAR和摄像头，以捕捉复杂交通场景中的微观行为。数据采集地点覆盖了多种典型中国交通场景，如交叉口、路段和城中村，确保了场景的代表性和多样性。通过计算机视觉算法（如YOLOv7和DeepSORT）进行目标检测和轨迹跟踪，并结合高精度地图和交通信号数据，实现了对交通参与者行为的全面记录。数据采集时间集中在非机动车流量高峰时段，进一步增强了数据的实用性和真实性。

特点

OnSiteVRU数据集以其高密度和多样性的弱势道路使用者（VRU）轨迹数据著称，涵盖了机动车、电动自行车和人力自行车等多种交通参与者。数据精度高达0.04秒，提供了丰富的微观行为信息，支持详细的交通流建模和风险分析。此外，数据集还整合了交通信号、障碍物和实时地图等环境信息，能够全面重构交互事件，为复杂场景下的行为研究提供了高价值数据。与现有数据集相比，OnSiteVRU在VRU密度和场景覆盖范围上具有显著优势。

使用方法

OnSiteVRU数据集适用于交通流建模、轨迹预测和自动驾驶虚拟测试等多种研究场景。用户可通过Kaggle平台下载数据集，并利用其标准化格式（包括轨迹数据、交通信号状态和高清地图）进行算法开发和验证。数据集还支持在线挑战赛形式，参与者可通过离线部署算法预测缺失轨迹，并提交结果至在线平台进行评估。这种开放和透明的评估机制为自动驾驶算法的优化提供了重要参考。

背景与挑战

背景概述

OnSiteVRU数据集由同济大学交通工程学院的研究团队于2025年开发，旨在解决混合交通流中弱势道路使用者（VRUs，如行人和骑行者）的安全问题。随着城市化进程的加速和交通需求的增长，VRUs在复杂交通环境中的行为多样性和动态性成为研究重点。该数据集通过高精度传感器和多源数据融合技术，覆盖了交叉口、路段和城中村等多种场景，提供了包括机动车、电动自行车和人力自行车在内的约17,429条轨迹数据，时间精度达0.04秒。OnSiteVRU不仅集成了俯视视角的自然驾驶数据和车载实时动态检测数据，还包含交通信号、障碍物和实时地图等环境信息，为交通流建模、轨迹预测和自动驾驶虚拟测试提供了关键支持。

当前挑战

OnSiteVRU数据集面临的挑战主要体现在两个方面：领域问题和构建过程。在领域问题方面，现有数据集难以全面捕捉VRUs在复杂交通环境中的多样性和动态行为，尤其是在极端天气、夜间或高密度交通区域的场景覆盖不足。此外，数据集中特殊群体（如儿童、老年人）或非典型行为（如突然奔跑、乱穿马路）的覆盖有限，限制了自动驾驶系统在现实场景中的应用效果。在构建过程中，高精度的VRU数据采集成本高昂，尤其是在复杂场景中；数据标注的复杂性和主观性可能引入误差，影响模型训练效果；隐私保护问题也限制了数据的开放和共享规模。这些挑战需要通过技术创新和场景适配来逐步解决。

常用场景

经典使用场景

OnSiteVRU数据集在混合交通流研究中展现了其经典应用价值，特别是在高密度复杂交通场景下的微观行为分析。该数据集通过整合多源感知技术，如计算机视觉算法和高精度雷达，捕捉了包括机动车、电动自行车和人力自行车在内的多种交通参与者的轨迹信息。其高时间分辨率（0.04秒）和空间覆盖范围（如交叉口、路段和城中村）使其成为研究交通流动态交互、冲突风险建模以及自动驾驶算法验证的理想选择。数据集的独特之处在于其不仅提供了俯视视角的自然驾驶数据，还融合了车载实时动态检测数据，从而全面重构了交通参与者的交互事件。

解决学术问题

OnSiteVRU数据集有效解决了混合交通流研究中VRU行为多样性与动态性表征不足的学术难题。传统数据集在VRU场景覆盖和数据质量上存在显著缺陷，难以支持复杂交通环境下的安全研究。该数据集通过高精度轨迹数据（如速度、加速度、加加速度等多维参数），为微观行为建模（如变道决策、加减速模式）和宏观交通流分析提供了基础。其包含的信号状态信息与轨迹数据的耦合，进一步解决了信号控制环境下VRU行为量化分析的瓶颈，为自动驾驶协同决策和交通冲突诊断提供了理论支撑。

衍生相关工作

围绕OnSiteVRU数据集，已衍生出多项经典研究工作。在轨迹预测领域，基于其多模态数据开发的生成对抗网络（GAN）模型显著提升了遮挡场景下的轨迹补全精度；在风险分析方面，学者利用数据集的冲突分布特征构建了混合交通流冲突概率模型，为交叉口信号优化提供了新方法。此外，数据集还推动了车载感知算法的改进，如结合YOLOv7和DeepSORT的实时多目标跟踪框架，其性能在数据集的复杂场景中得到了验证。这些工作进一步拓展了数据集在自动驾驶安全评估和智能交通系统中的影响力。