CitySim

CitySim数据集由中佛罗里达大学智能与安全交通实验室创建，旨在支持安全导向的研究和应用。该数据集包含从12个不同地点的无人机视频中提取的1140分钟车辆轨迹数据，覆盖多种道路类型，如高速公路基本段、编织段、信号控制交叉口等。数据集通过五步处理流程确保轨迹的准确性，并提供车辆旋转边界框信息，以增强安全评估。此外，CitySim还支持数字孪生相关的研究，提供高分辨率的三维地图和信号定时信息，为安全研究提供了一个全面的测试环境。The CitySim dataset was developed by the Intelligent and Safe Transportation Lab at the University of Central Florida, aiming to support safety-oriented research and applications. This dataset contains 1140 minutes of vehicle trajectory data extracted from drone videos captured at 12 distinct locations, covering a wide range of road types including freeway basic segments, weaving sections, signalized intersections, and more. The dataset ensures the accuracy of trajectories through a five-step processing pipeline, and provides rotated bounding box information for vehicles to facilitate enhanced safety assessments. Furthermore, CitySim also supports digital twin-related research, offering high-resolution 3D maps and signal timing information, thus providing a comprehensive test environment for safety-related studies.

搜集汇总

数据集介绍

构建方式

CitySim数据集通过一个五步流程构建，确保了车辆轨迹的高精度。该流程包括视频稳定化、对象过滤、多视频拼接、对象检测与跟踪以及增强错误过滤。视频稳定化步骤使用尺度不变特征变换（SIFT）算法提取图像特征，并通过随机帧采样和计算中值像素来构建无车辆的累积加权帧。对象过滤步骤通过前景/背景分割和高斯混合模型（GMM）算法去除道路标记等干扰对象。多视频拼接步骤利用多个无人机视频，通过直方图颜色匹配、SIFT特征提取和图像模糊处理，将视频拼接成一个连贯的视频。对象检测与跟踪步骤采用Mask R-CNN和通道与空间可靠性跟踪器（CSRT）算法，生成车辆的旋转边界框。最后，增强错误过滤步骤通过数据修复工具手动删除错误检测对象并调整边界框，以提高检测精度。

特点

CitySim数据集具有多个显著特点，包括高精度的车辆轨迹、更广泛的车辆轨迹范围、更多的安全关键事件、准确的车辆几何表示以及支持数字孪生研究的功能。该数据集提供了旋转边界框信息，以更准确地表示车辆的几何形状和方向，从而改进安全评估。此外，CitySim包含了丰富的安全关键事件，如切入、合并和分离事件，这些事件在其他视频轨迹数据集中较为罕见。数据集还提供了高分辨率的三维（3D）地图和信号定时信息，支持数字孪生虚拟环境的测试和验证。

使用方法

CitySim数据集适用于多种交通安全研究，包括自动驾驶车辆安全、主动交通安全和连接交通安全应用。研究人员可以使用该数据集进行驾驶员行为分析、自动驾驶车辆虚拟测试、碰撞缓解和避免系统设计、高级自动驾驶控制算法开发以及替代安全措施的评估。数据集的轨迹信息可以作为个性化算法训练和测试的样本，特别是对于轨迹和意图预测以及车辆控制算法的开发。此外，CitySim的3D地图和信号定时信息可以用于数字孪生虚拟环境的构建和测试，支持高保真度的交通模拟和自动驾驶车辆的全面测试。

背景与挑战

背景概述

随着交通安全的研究在过去几年中迅速发展，对车辆轨迹数据集的需求也日益增加。CitySim数据集由中佛罗里达大学智能与安全交通实验室（UCF-SST）的Ou Zheng等人于2023年创建，旨在支持以安全为导向的研究和应用。该数据集通过无人机视频记录提取了1140分钟的车辆轨迹，涵盖了多种道路几何形态，包括高速公路基本路段、匝道、信号灯控制交叉口等。CitySim的生成过程包括视频稳定、对象过滤、多视频拼接、对象检测与跟踪以及增强错误过滤五个步骤，确保了轨迹的高精度。此外，CitySim提供了车辆的旋转边界框信息，这被证明可以提高安全评估的准确性。

当前挑战

尽管CitySim数据集在车辆轨迹的精度和安全关键事件的数量上具有显著优势，但其构建过程中仍面临诸多挑战。首先，无人机飞行高度和视频分辨率的限制使得覆盖范围有限，需要通过多无人机视频拼接来扩展观察区域。其次，环境因素如树木或建筑物的阴影、不可避免的检测错误以及训练数据集中未观察到的车辆类型可能导致提取的边界框存在误差。此外，现有的视频轨迹数据集在设计时并未专门针对安全研究，因此缺乏足够的安全关键事件。CitySim通过提供旋转边界框信息和丰富的安全关键事件，试图弥补这些不足，但其在大规模应用中仍需进一步验证和优化。

常用场景

经典使用场景

CitySim数据集的经典使用场景主要集中在交通安全的研究与应用中。该数据集通过无人机视频记录提取了12个不同地点的车辆轨迹，涵盖了高速公路基本路段、匝道、信号灯交叉口等多种道路几何形态。这些轨迹数据不仅精度高，而且捕捉了大量安全关键事件，如切入、汇入和分流事件。因此，CitySim数据集在自动驾驶车辆安全、主动交通安全和连接交通安全应用等领域具有广泛的应用前景。

解决学术问题

CitySim数据集解决了现有车辆轨迹数据集在安全研究中的局限性问题。传统数据集如NGSIM、HighD、InD和Interaction在安全关键事件的捕捉上存在不足，尤其是缺乏旋转边界框信息，导致安全评估的准确性受限。CitySim通过提供旋转边界框信息和丰富的安全关键事件，显著提升了安全评估的精度和可靠性，为交通安全研究提供了新的数据支持。

衍生相关工作

CitySim数据集的发布催生了一系列相关的经典工作。例如，研究人员利用CitySim数据集进行了碰撞风险评估、轨迹预测和基于计算机视觉的替代安全测量等研究。此外，CitySim还吸引了全球多个研究团队的关注，推动了数字孪生技术在交通领域的应用研究。这些衍生工作不仅丰富了交通安全研究的方法和工具，也为自动驾驶和智能交通系统的发展提供了重要的数据支持。