ROCO

ROCO数据集是由中国科学技术大学和美国密歇根大学的研究团队共同创建，专注于环形交叉口的交通冲突研究。该数据集包含557个交通冲突样本和17个交通碰撞样本，数据来源于安装在环形交叉口的四个鱼眼摄像头捕捉的视频流。数据集的创建过程涉及使用深度学习算法自动识别潜在的交通冲突，随后进行人工标注和轨迹数据提取。ROCO数据集的应用领域主要集中在交通安全的改进，特别是在环形交叉口的交通冲突分析和预测，旨在通过数据分析指导交通管理和设计，减少交通事故的发生。

The ROCO dataset was co-created by research teams from the University of Science and Technology of China and the University of Michigan, focusing on traffic conflict research at roundabouts. This dataset contains 557 traffic conflict samples and 17 traffic collision samples, with data derived from video streams captured by four fisheye cameras deployed at roundabouts. The dataset creation process involves automatically identifying potential traffic conflicts using deep learning algorithms, followed by manual annotation and trajectory data extraction. The primary application areas of the ROCO dataset center on traffic safety improvement, specifically traffic conflict analysis and prediction at roundabouts, aiming to guide traffic management and design via data analysis to reduce the incidence of traffic accidents.

搜集汇总

数据集介绍

构建方式

ROCO数据集的构建过程始于对密歇根大学安娜堡分校州街与W.Ellsworth Rd.交叉口处的双车道环岛的24小时视频数据流的收集。使用四个鱼眼摄像头捕捉到的原始视频数据作为输入数据源。为了从视频中识别潜在的交通冲突，采用基于学习的冲突识别算法，随后由人工对这些视频片段进行验证和标注。通过这种方式，从2021年8月至10月期间收集了总计557起交通冲突和17起交通事故。此外，还提供了使用路边感知系统提取的交通冲突场景的轨迹数据。

特点

ROCO数据集的特点在于其丰富的上下文信息，包括周围车辆状态和天气条件。该数据集基于交通冲突的严重程度、原因及其对交通流的影响进行了分类。初步统计分析表明，进入环岛时未能礼让正在环岛内行驶的车辆是导致交通冲突的最主要原因。ROCO数据集将为交通研究人员提供一个一致的、标注过的真实世界交通冲突数据集，以便于模型交通冲突以及研究交通事故与冲突之间的关系，从而为提高环岛交通安全性提供指导。

使用方法

使用ROCO数据集时，首先应熟悉数据集的格式和内容，了解交通冲突的严重程度、原因及其对交通流的影响的分类方法。其次，应使用合适的数据分析工具对数据集进行分析，例如使用机器学习算法对交通冲突进行建模，或使用统计方法对交通冲突的分布和趋势进行研究。最后，应根据分析结果制定相应的措施，例如改进交通标志，提高驾驶者的环岛驾驶技能，以提高环岛交通安全性。

背景与挑战

背景概述

在交通研究领域，提高交通安全一直是长期以来的重要目标。交通事故，如碰撞，是造成交通领域死亡、伤害和财产损失的主要原因。为了更好地理解车辆碰撞，需要大量的事故数据。然而，由于事故发生的稀有性（每英里约1.9×10^-6次），以及数据收集方法的有限性（在大多数情况下，事故数据是从警察报告中收集的），在相对较短的时间内获取大量的事故数据变得非常困难。此外，警察报告中包含的信息往往缺乏必要的信息，例如事故发生前的确切车辆速度和操作。 由于事故数据获取的局限性，替代性安全措施，如交通冲突，已被广泛研究和讨论。交通冲突是一个没有普遍定义的术语。在这篇论文中，我们采用了NCHRP 219（3）给出的定义：“交通冲突是一种涉及两个或更多道路使用者的交通事件，其中一个使用者执行某些异常或不寻常的行动，例如方向的改变或速度的变化，这会使另一个使用者处于碰撞的危险之中，除非采取规避行动。”交通冲突是正常交通行为和事故之间的“缺失环节”。已经进行了许多关于交通冲突与事故之间关系的研究，包括金字塔安全连续体（5），病因一致性（6）和因果模型（7）。由于交通冲突发生得更频繁，并且通常没有造成损害，因此在更短的时间内获取大量交通冲突数据变得更容易。已经研究了各种交通冲突应用，包括关键行为分析（8-10），前后研究（11-13），识别高风险地点（14）和实时安全预测（15-17）。 尽管交通冲突数据比事故数据更容易获取，但在交通冲突研究中仍然存在几个数据相关问题。其中最关键的问题是缺乏公开的大型交通冲突数据。正如（18）中提到的，交通研究人员和工程师需要自己收集交通冲突数据。此外，由于每个研究组都使用自己的数据，数据不一致成为一个问题。不同的冲突识别标准导致不同的分析结果，由于这个问题，很难讨论和概括不同研究的发现。大多数交通冲突数据是通过路边摄像头或连接的车辆收集的。一些可能对交通冲突有影响的因素，如周围车辆的状态、天气条件和光照条件，可能在交通冲突数据中未被观察到。这些未被观察到的因素可能导致交通安全的建模和分析不准确。

当前挑战

尽管交通冲突分析具有明显的优势，但交通冲突在数据收集方面仍面临一些问题。首先，交通冲突识别没有普遍标准（18）。这导致研究之间的不一致性。对于算法检测到的冲突，必须有一套规则或标准来指导计算机的决策，但这些几乎完全由研究人员自己决定（18）。因此，比较不同研究的结果和验证结果变得极具挑战性。此外，交通冲突数据，如事故数据，通常是在短时间内收集的。仅仅收集几天甚至几周的数据无法说明驾驶行为和交通量随季节、事件或天气的变化（33）。这导致对不同时间交通冲突量的偏差假设（18）。理解这些缺陷是看到为什么需要更多标准化数据的关键。 通过设定具体标准或组装一个大型的一致数据池，正如本研究中所做的那样，我们为研究人员提供了可以轻松相互比较和参考的数据。这使得模型可以得到验证和交叉引用，从而得到整体改进。此外，它还使我们能够更仔细地研究其他通常被忽略或被认为不那么重要的变量。这些包括照明、天气、一天中的时间、交叉路口或环岛中的车道等。 目前，ROCO数据集仅包含557个交通冲突和17个事故。如数据收集部分所述，在ROCO数据集中识别一个交通冲突的人工作成本约为280秒。由于交通冲突是一种非常专业的事件，我们只能信任具有交通知识的人进行数据注释。我们计划进一步降低数据注释的人工作成本，以便大规模的交通冲突数据可以收集。

常用场景

经典使用场景

在交通冲突研究领域，ROCO数据集被广泛应用于交通冲突的自动检测与识别。该数据集包含了大量的真实世界交通冲突数据，通过深度学习算法进行初步筛选，并结合人工标注，提高了数据收集与标注的效率。研究人员可以利用ROCO数据集，分析交通冲突的原因、严重程度以及对交通流的影响，从而为交通安全的改善提供参考。

实际应用

ROCO数据集在实际应用中，可用于交通安全的评估与改善。通过对交通冲突的分析，可以发现交通冲突的高发区域和高风险行为，从而为交通管理提供依据。此外，ROCO数据集还可以用于自动驾驶车辆的测试与评估，通过模拟交通冲突场景，验证自动驾驶车辆在安全关键场景下的性能。

衍生相关工作

基于ROCO数据集，研究人员可以开展更多相关的研究工作。例如，可以进一步研究交通冲突与交通事故之间的关系，探索交通冲突的预测模型，以及开发更有效的交通冲突识别算法。此外，ROCO数据集还可以与其他交通数据集相结合，构建更全面的交通安全评估体系。