TUM Traffic Accident (TUMTraf-A)

TUM Traffic Accident (TUMTraf-A)数据集由慕尼黑工业大学人工智能与机器人学系的Rui Song等人创建，旨在支持对罕见且危险事件的机器学习。该数据集包含294,924个2D和93,012个3D标注框，以及48,144个已标注的相机和激光雷达帧。数据集提供了真实世界的高速公路事故数据，捕捉了车辆碰撞、车辆翻滚、车辆起火等事故场景，并支持感知相关任务的学习，如检测、跟踪和分割。数据集的创建旨在减少交通网络中的事故发生，并通过自动事故检测系统减少事故发生与医疗援助到达之间的时间差，从而拯救生命。数据集适用于学术界和工业界，并包括一个开发工具包仓库以方便使用。

The TUM Traffic Accident (TUMTraf-A) dataset was created by Rui Song et al. from the Department of Artificial Intelligence and Robotics at the Technical University of Munich, aiming to support machine learning research on rare and hazardous events. This dataset contains 294,924 2D and 93,012 3D annotated bounding boxes, as well as 48,144 annotated camera and LiDAR frames. The dataset provides real-world highway accident data, capturing accident scenarios such as vehicle collisions, vehicle rollovers, and vehicle fires, and supports learning for perception-related tasks including detection, tracking, and segmentation. The dataset was developed to reduce the occurrence of accidents on transportation networks, and to shorten the time gap between accident occurrence and the arrival of medical assistance via automatic accident detection systems, thereby saving lives. The dataset is suitable for both academic and industrial communities, and includes a development toolkit repository for ease of use.

原始信息汇总

TUM Traffic Accident Dataset (TUMTraf-A) 概述

数据集简介

TUM Traffic Accident (TUMTraf-A) 是首个用于自动驾驶中3D物体检测、分割和跟踪任务的高质量真实世界事故数据集。

数据内容

• 标注帧数：8,944帧
• 标注类型：3D边界框、实例分割掩码、轨迹和跟踪ID
• 事故类型：10起真实事故，包括翻车、车辆起火和碰撞
• 地图信息：高速公路高清地图（HD map）
• 标注标准：OpenLABEL标准

传感器配置

• 摄像头：4台Basler ace acA1920-50gc，分辨率1920×1200，配备16 mm和50 mm镜头，帧率50 Hz
• 激光雷达：1台Valeo LiDAR (SCALA B2)，16个垂直层，水平视场角133°，角分辨率0.125° x 0.6°，探测距离200米（@80%反射率），帧率25 Hz

基准测试

• 评估指标：BEV mAP和3D mAP
• 评估模型：AccidentDet3D

许可证信息

数据集采用CC BY-NC-SA 4.0许可证。

支持信息

本研究由德国联邦教育与研究部在AUTOtech.agil项目支持下完成，项目编号：01IS22088U。

搜集汇总

数据集介绍

构建方式

在交通安全研究领域，真实事故数据的稀缺性长期制约着自动驾驶系统的安全性能提升。TUMTraf-A数据集通过部署路边摄像头与激光雷达传感器，以10Hz频率采集高速公路场景下的实际事故序列，涵盖昼夜不同光照条件。数据标注采用3D BAT工具箱，生成48,144帧同步标注数据，包含294,924个2D标注框与93,012个3D标注框，并赋予目标轨迹ID与十类对象分类标签，最终以OpenLABEL标准格式进行组织。

特点

该数据集的核心价值体现在其对高速碰撞事件的真实记录与多模态特性。十段事故序列包含车辆侧翻、追尾、起火等典型场景，且同步提供四路路边传感器的2D图像与3D点云数据。其标注体系不仅包含常规的检测与跟踪标签，还特别标注了应急车辆等特殊对象类型，为研究事故演化规律提供了立体化数据支撑。数据集通过多视角协同感知架构有效减少了遮挡问题，为数字孪生交通场景构建奠定了数据基础。

使用方法

研究者可通过官方开发工具包接入该数据集，支持感知算法开发与验证的多维度应用。在事故检测任务中，可基于车辆轨迹数据实施规则式碰撞判断，或利用标注数据训练YOLOv8等深度学习模型。数据集支持多任务学习范式的拓展，包括3D目标检测、多目标跟踪、传感器融合等方向。通过跨视角数据关联分析，还可开展协同感知与交通场景数字化研究，为自动驾驶系统提供超越单车视角的全局态势理解能力。

背景与挑战

背景概述

自动驾驶系统在提升交通安全方面面临长尾事件数据稀缺的挑战，TUM Traffic Accident (TUMTraf-A) 数据集由慕尼黑工业大学与加州大学圣地亚哥分校的研究团队于2025年联合发布，专注于高速公路真实事故场景的采集与分析。该数据集包含来自路侧摄像头与激光雷达的48,144帧标注数据，涵盖10类交通参与者，旨在支持感知算法在事故检测、轨迹预测及协同感知等关键任务中的研究，为自动驾驶系统的安全可靠性提供实证基础。

当前挑战

该数据集致力于解决真实交通场景中事故检测的泛化性问题，其核心挑战包括长尾事件的数据稀缺性、多传感器融合中的时空对齐精度，以及复杂环境（如夜间、恶劣天气）下的标注一致性。构建过程中需克服真实事故数据采集的高风险性与伦理约束，同时需通过半自动标注工具（如3D BAT）处理大规模点云与图像数据的高复杂度标注任务。

常用场景

经典使用场景

在自动驾驶安全研究领域，TUMTraf-A数据集为高速公路事故检测算法提供了关键验证平台。该数据集通过多视角路侧传感器捕捉真实碰撞场景，支持研究者开发能够识别高速行驶中车辆侧翻、追尾、起火等复杂事故模式的感知模型，显著提升了算法对长尾危险事件的响应能力。

实际应用

在实际智慧交通系统中，TUMTraf-A支撑的路侧事故检测技术可部署于高速公路关键路段。通过实时分析多传感器数据，系统能自动识别碰撞事件并联动应急响应机制，缩短救援抵达时间。其多天气条件适应性进一步保障了在夜间或恶劣气象条件下的监测稳定性。

衍生相关工作

基于该数据集衍生的Accid3nD框架开创了规则与学习融合的事故检测范式，后续研究在此基础上发展了多智能体协同预警系统。相关成果推动了《IEEE智能交通系统汇刊》等多篇顶级论文的研究方向，并为行业标准OpenLABEL格式在事故数据标注中的应用提供了实践范例。