CITR Dataset

CITR数据集是在俄亥俄州立大学控制与智能交通研究实验室附近的一个停车场进行的受控实验中收集的。实验包括一系列基本的车群交互，旨在分析受车辆影响的交互式行人运动。使用带有下视摄像头的DJI Phantom 3 SE无人机作为记录设备。参与者是OSU CITR实验室的成员。在实验期间，他们被指示从一个小的区域（起点）走到另一个小的区域（目的地）。使用的车辆是由参与者手动驾驶的EZ-GO高尔夫球车。车辆顶部放置了3个标记，以帮助车辆运动跟踪，其中车辆中心位置通过几何计算得出。The CITR dataset was collected during a controlled experiment conducted in a parking lot near the Control and Intelligent Transportation Research Laboratory at The Ohio State University. The experiment involved a series of basic vehicle-pedestrian interactions aimed at analyzing interactive pedestrian movements influenced by vehicles. A DJI Phantom 3 SE drone equipped with a downward-facing camera was used as the recording device. Participants were members of the OSU CITR laboratory. During the experiment, they were instructed to walk from a small area (starting point) to another small area (destination). The vehicle used was an EZ-GO golf cart manually driven by the participants. Three markers were placed on the top of the vehicle to assist in tracking its movement, with the vehicle's center position determined through geometric calculations.

原始信息汇总

数据集概述

数据集名称

• Vehicle-Crowd Intraction (VCI) - CITR Dataset

数据集内容

• Top-view trajectory data of pedestrians in groups under vehicle influence in controlled experiments

数据集更新

• Last updated on 04/19/2019

数据集采集地点

• Controlled experiments conducted in a parking lot near the Control and Intelligent Transportation Research (CITR) Lab at The Ohio State University (OSU)

数据集采集设备

• DJI Phantom 3 SE Drone with a down-facing camera on a gimbal system

数据集参与者

• Members of CITR Lab at OSU

实验车辆

• EZ-GO Golf Cart manually driven by a participant

实验配置

• Vehicle moves back and forth between two blue areas. Pedestrians move back and forth between two green areas. Interaction happens in the orange area.

数据集视频演示

• CITR Dataset Demo

数据集下载

• Stabilized raw videos can be downloaded from Google Drive and Baidu Yun (Code: h5kj)

数据集文件结构

• data folder contains raw rajectories and rajectories_filtered

数据集文件格式

• Filtered Trajectories:
  • .txt: Ratio/scale file for pixel to meter conversion
  • .pdf: Overview plot of trajectories
  • .csv: Pedestrian and vehicle trajectory data with headers
• Raw Trajectories:
  • .csv: Individual object trajectory data with specific headers

数据集统计信息

• 340 pedestrian trajectories
• 38 video clips, each about 20 seconds

数据集实验场景

• 6 different scenarios designed for detailed comparison and analysis

数据集使用建议

• Recommend using data in rajectories_filtered

数据集联系方式

• E-mail: [e-mail]

数据集引用

• If useful, consider citing the paper available at arXiv preprint

搜集汇总

数据集介绍

构建方式

CITR数据集通过在俄亥俄州立大学控制与智能交通研究实验室附近的停车场进行的一系列受控实验构建而成。实验中，参与者在车辆影响下步行，车辆为手动驾驶的EZ-GO高尔夫球车。实验使用DJI Phantom 3 SE无人机搭载的向下摄像头进行记录，车辆顶部放置了三个标记以帮助跟踪车辆运动。轨迹数据通过几何计算得出，并使用扩展卡尔曼滤波器进行车辆轨迹的精炼，输出包括位置、方向和速度的车辆状态信息。

特点

CITR数据集的显著特点在于其受控实验环境，确保了数据的精确性和可重复性。数据集包含了340条行人轨迹和38个视频片段，每个片段约20秒。数据分为原始轨迹和过滤后的轨迹，过滤后的轨迹推荐使用，且已转换为米制单位。此外，数据集提供了详细的场景描述和统计信息，便于深入分析车辆与行人的交互行为。

使用方法

CITR数据集的使用方法包括下载稳定后的原始视频和轨迹数据。推荐使用过滤后的轨迹数据，这些数据已转换为米制单位，并提供了像素与米制之间的转换比例文件。数据集包含两个主要的CSV文件，分别记录行人和车辆的状态信息，包括位置、速度和方向等。用户可以通过提供的Python代码进行数据过滤和统计分析，进一步探索车辆与行人的交互行为。

背景与挑战

背景概述

CITR数据集是由俄亥俄州立大学（OSU）的控制与智能交通研究（CITR）实验室于2019年创建的，旨在通过受控实验研究车辆与人群之间的交互行为。该数据集的核心研究问题在于分析车辆对行人群体运动的影响，特别是在车辆存在的情况下，行人如何调整其运动轨迹。通过使用无人机搭载的摄像头记录实验过程，CITR数据集提供了高精度的行人轨迹数据，为智能交通系统、自动驾驶技术以及行人行为建模等领域的研究提供了宝贵的资源。

当前挑战

CITR数据集在构建过程中面临了多项挑战。首先，如何在受控实验环境中准确捕捉车辆与行人的交互行为，尤其是在复杂的多目标跟踪场景中，确保数据的精确性和一致性。其次，数据集的构建涉及大量的数据处理和过滤工作，特别是通过扩展卡尔曼滤波器对车辆轨迹进行精细化处理，以确保输出数据的准确性。此外，数据集的多样性和场景复杂性也为后续的分析和模型训练带来了挑战，尤其是在处理不同场景下的行人行为变化时，如何确保模型的泛化能力是一个重要的研究方向。

常用场景

经典使用场景

CITR数据集的经典使用场景主要集中在车辆与行人交互行为的分析与建模。通过该数据集，研究者能够深入探讨在受控实验环境下，行人群体在车辆影响下的运动轨迹变化。具体而言，数据集提供了详细的行人轨迹数据，以及车辆的运动状态，使得研究者可以分析行人如何响应车辆的接近、速度变化等情境，从而为智能交通系统中的行人行为预测提供基础数据支持。

实际应用

在实际应用中，CITR数据集为智能交通系统和自动驾驶技术的开发提供了宝贵的数据支持。通过分析数据集中的行人轨迹和车辆交互行为，工程师可以优化自动驾驶车辆的行人检测与避让算法，提升车辆在复杂交通环境中的安全性能。此外，该数据集还可用于开发行人行为预测模型，帮助交通管理系统更好地协调车辆与行人之间的互动，从而提高城市交通的整体效率和安全性。

衍生相关工作

基于CITR数据集，研究者们开展了多项相关工作，涵盖了行人行为建模、车辆与行人交互分析以及智能交通系统的优化等多个领域。例如，有研究利用该数据集开发了行人轨迹预测模型，提升了自动驾驶系统对行人行为的预判能力。此外，还有研究通过分析数据集中的交互模式，提出了新的行人安全策略，为智能交通系统的设计提供了理论依据。这些衍生工作进一步拓展了CITR数据集的应用范围，推动了相关领域的技术发展。