Signalized INtersection Dataset (SIND)

Signalized INtersection Dataset (SIND)是由北京理工大学机械工程学院创建的一个专门针对信号交叉口的数据集。该数据集包含7小时的记录，涵盖超过13,000个交通参与者（TPs），并详细记录了交通灯状态和违规行为。SIND通过无人机搭载的高清摄像头捕捉数据，特别关注了交通灯状态对交通参与者行为的影响。数据集的应用领域包括自动驾驶中的行为建模、运动预测和安全验证等，旨在解决复杂交通环境下的安全挑战。The Signalized INtersection Dataset (SIND) was developed by the School of Mechanical Engineering, Beijing Institute of Technology, as a dataset specifically targeting signalized intersections. It contains 7 hours of recorded data, covering over 13,000 traffic participants (TPs), with detailed records of traffic light states and traffic violations. SIND captures data via high-definition cameras mounted on unmanned aerial vehicles (UAVs), with a particular focus on the impact of traffic light states on the behaviors of traffic participants. Application areas of this dataset include behavior modeling, motion prediction, and safety verification in autonomous driving, among others, aiming to address safety challenges in complex traffic environments.

搜集汇总

数据集介绍

构建方式

SIND数据集的构建过程首先涉及对录制地点的选择。研究团队选取了中国天津市的一个典型两相位信号灯控制的交叉路口作为录制地点，该地点交通流量大，包含多种交通参与者行为，且不在禁飞区。数据录制采用配备4K相机的无人机，在75米的高度对交叉路口进行录制，以捕捉交通参与者的轨迹。同时，为了记录信号灯状态，研究团队在人行道角落安装了另一台相机。数据预处理包括时间同步、降采样和图像稳定化处理。检测和校正环节利用基于YOLOv5的方法识别物体并生成旋转矩形框，并对检测误差进行校正。跟踪和后处理环节使用基于IOU匹配和线性卡尔曼滤波的跟踪方法，并将像素坐标系统中的位置转换为地面坐标系统，最后使用Rauch-Tung-Striebel(RTS)平滑方法对轨迹进行细化。

使用方法

SIND数据集的使用方法主要涉及以下几个方面：首先，用户可以通过访问数据集的GitHub页面下载数据集。其次，用户可以根据需要使用数据集中的轨迹数据、信号灯状态信息和高清地图信息，进行交通参与者行为分析、运动预测、场景建模等研究。此外，用户还可以利用数据集中的交通参与者轨迹和信号灯状态信息，进行交通信号控制策略的研究和评估。最后，用户还可以利用数据集中的交通参与者轨迹和信号灯状态信息，进行交通参与者行为预测和决策算法的研究和评估。

背景与挑战

背景概述

在自动驾驶技术的快速发展的背景下，交叉路口是自动驾驶任务中最具挑战性的场景之一。由于其复杂性和随机性，交叉路口的关键应用（如行为建模、运动预测、安全验证等）高度依赖于数据驱动技术。因此，对交通参与者（TPs）在交叉路口的轨迹数据集的需求极为迫切。目前，城市中的大多数交叉路口都配备了交通信号灯。然而，尚未有一个大规模、高质量、公开可用的信号灯交叉路口轨迹数据集。因此，本文选取了天津的一个典型的两相位信号灯交叉路口，并设计了一个流程来构建一个名为Signalized INtersection Dataset (SIND)的数据集，该数据集包含了7小时的记录，包括超过13,000个TPs的7种类型。此外，SIND还记录了交通灯违规行为。SIND数据集由北京理工大学机械与车辆工程学院的Yanchao Xu, Weida Wang, Hua Huang等人创建，并由清华大学车辆与交通学院、新加坡南洋理工大学、重庆大学机械与车辆工程学院的研究人员共同参与。该数据集的创建得到了中国国家重点研发计划和自然科学基金会的支持。SIND数据集的特点包括提供更全面的信息，包括交通灯状态、运动参数、高精度地图等；TPs种类多样且具有特征，其中易受伤害的道路使用者（VRUs）的比例高达62.6%；展示了多种非机动车的交通灯违规行为。SIND数据集的创建旨在为现有数据集提供有效补充，并促进自动驾驶相关研究。

当前挑战

SIND数据集面临的挑战包括：1) 解决交叉路口自动驾驶任务的挑战；2) 构建过程中遇到的挑战。交叉路口的自动驾驶任务面临复杂的拓扑结构和动态的交通状况，需要全面理解和准确预测交通参与者的运动。目前，运动预测解决方案主要依赖于数据驱动方法，需要大量真实的交通数据。此外，基础设施和交通规则也会显著影响交通参与者的运动，因此需要将交通灯状态等信息集成到运动预测模型中。在构建SIND数据集的过程中，需要克服数据采集、处理、标注等方面的挑战，确保数据的质量和完整性。

常用场景

经典使用场景

SIND数据集主要用于研究自动驾驶在交叉路口的复杂场景中的行为建模、运动预测和安全验证等关键应用。该数据集包含了交通信号灯状态、运动参数、高精度地图等信息，使得研究人员能够更好地理解交通参与者的行为模式，并预测其未来的运动轨迹。此外，SIND数据集中还记录了大量的交通参与者，特别是脆弱道路使用者（VRUs）的行为轨迹，为研究自动驾驶在混合交通环境中的运动预测提供了宝贵的数据支持。

解决学术问题

SIND数据集解决了自动驾驶研究中的一个关键问题：如何在交叉路口这种复杂场景中，准确地预测交通参与者的未来运动轨迹。通过对交通信号灯状态、运动参数、高精度地图等信息的综合分析，SIND数据集为研究人员提供了一个强大的数据支持，使得他们能够更好地理解交通参与者的行为模式，并预测其未来的运动轨迹。此外，SIND数据集中还记录了大量的交通参与者，特别是脆弱道路使用者（VRUs）的行为轨迹，为研究自动驾驶在混合交通环境中的运动预测提供了宝贵的数据支持。

实际应用

SIND数据集的实际应用场景包括自动驾驶车辆的行为建模、运动预测和安全验证等。通过对交通信号灯状态、运动参数、高精度地图等信息的综合分析，SIND数据集为自动驾驶车辆提供了一个强大的数据支持，使得它们能够更好地理解交通参与者的行为模式，并预测其未来的运动轨迹。此外，SIND数据集中还记录了大量的交通参与者，特别是脆弱道路使用者（VRUs）的行为轨迹，为自动驾驶车辆在混合交通环境中的运动预测提供了宝贵的数据支持。

数据集最近研究

最新研究方向

随着自动驾驶技术的快速发展，信号灯路口场景的复杂性给车辆行为建模、运动预测和安全验证等关键任务带来了巨大的挑战。SIND数据集的构建填补了当前公开数据集中缺乏信号灯信息的空白，为自动驾驶领域的研究提供了重要的数据支持。SIND数据集的特点包括：提供交通灯状态、运动参数、高精度地图等全面信息；交通参与者类型多样，弱势道路用户占比高达62.6%；展示了非机动车交通灯违规行为。这些特点使得SIND数据集在运动预测、行为建模、场景构建、测试用例生成、交通仿真等领域具有广泛的应用前景。此外，SIND数据集在自动驾驶研究中还涉及责任敏感安全、安全决策和轨迹规划等关键行为的研究，具有重要的意义。

相关研究论文

• SIND: A Drone Dataset at Signalized Intersection in China

  北京理工大学机械工程学院 · 2022年