FLUID

FLUID是一个细粒度轻量级城市信号交叉口密集冲突轨迹数据集，包含高密度交通场景下的详细轨迹数据

FLUID is a fine-grained and lightweight dense conflict trajectory dataset for urban signalized intersections, which contains detailed trajectory data in high-density traffic scenarios.

原始信息汇总

FLUID: 细粒度轻量级城市信号交叉口密集冲突轨迹数据集

数据集概述

• 名称：FLUID（A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories）
• 类型：城市信号交叉口轨迹数据集
• 特点：细粒度、轻量级、密集冲突轨迹

数据内容

• 包含密集冲突轨迹数据
• 专注于城市信号交叉口场景

数据处理

• 数据处理代码已上传
• 处理流程按文件名前的数字顺序执行

文档说明

• 字段描述文档已提供：https://github.com/sysu19351014/FLUID/docs/field_descriptions.md

开发状态

• 数据验证代码待上传
• Figshare数据集待公开（修正后）
• 相关研究待发布

引用信息

bibtex @article{chen2025fluid, title = {FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories}, author = {Chen, Yiyang and Wu, Zhigang and Zheng, Guohong and Wu, Xuesong and Xu, Liwen and Tang, Haoyuan and He, Zhaocheng and Zeng, Haipeng}, journal = {arXiv preprint arXiv:2509.00497}, year = {2025}, note = {Guangdong Provincial Key Laboratory of Intelligent Transportation Systems, Sun Yat-sen University}, url = {https://arxiv.org/abs/2509.00497} }

搜集汇总

数据集介绍

构建方式

在城市交通研究领域，FLUID数据集通过高精度传感器网络采集信号交叉口的多模态交通流数据。研究团队采用分布式数据采集架构，对车辆轨迹进行毫秒级采样，并利用冲突点识别算法提取密集冲突轨迹。数据经过时空对齐和噪声过滤处理，确保轨迹数据的连续性和准确性，最终形成轻量化的结构化数据集。

特点

该数据集具备细粒度标注特性，包含车辆加速度、转向灯状态等68个维度的精细特征。其独特价值在于捕捉了高密度冲突场景下的微观交互行为，覆盖多种天气条件与交通流量状态。数据集采用紧凑的存储格式，在保证数据完整性的同时显著降低存储需求，为复杂城市交通场景研究提供高质量基准。

使用方法

研究者可通过提供的标准化数据接口加载轨迹序列，利用内置预处理工具进行数据清洗和特征提取。数据集支持多种分析模式，包括冲突预测模型训练、驾驶行为分析和交通仿真验证。建议先使用验证代码检查数据一致性，再结合领域知识构建特定研究任务的数据管道，确保研究结果的可复现性。

背景与挑战

背景概述

随着智能交通系统的快速发展，高精度城市交通数据成为自动驾驶与交通流建模研究的关键基础。FLUID数据集由中山大学智能交通系统广东省重点实验室研究团队于2025年创建，聚焦信号控制交叉口场景，通过细粒度轨迹数据捕捉密集冲突行为。该数据集填补了传统交通数据集在信号交叉口微观交互表征方面的空白，为自动驾驶决策系统与交通冲突预测模型提供了重要数据支撑。

当前挑战

在交通冲突分析领域，传统数据集难以精确捕捉信号交叉口内多模态交通参与者的高密度交互轨迹。FLUID构建过程中面临三重挑战：一是需要处理大规模原始传感器数据中的噪声与缺失值；二是需设计精细化标注规范以区分车辆、行人等不同主体的冲突模式；三是必须保证轨迹数据的时空同步精度以满足微观行为分析需求。这些挑战对数据采集系统的校准精度与数据处理算法的鲁棒性提出了极高要求。

常用场景

经典使用场景

在城市交通研究领域，FLUID数据集为信号交叉口轨迹分析提供了高精度数据支撑。该数据集通过捕捉密集冲突轨迹的细粒度特征，典型应用于微观交通流建模、驾驶行为模式识别以及交叉口安全评估。研究人员可借助其轻量化结构，深入解析车辆在信号控制下的交互动力学，为智能交通系统优化提供实证基础。

解决学术问题

FLUID数据集有效解决了传统交通数据集在信号交叉口场景中轨迹稀疏性和冲突细节缺失的学术难题。其提供的密集冲突轨迹支持对车辆交互行为的定量分析，促进了交叉口安全预警模型、通行效率优化算法等研究方向的发展，对提升城市交通管理的科学性与精准性具有重要理论价值。

衍生相关工作

基于FLUID数据集已衍生出多项创新研究，包括基于深度学习的冲突预测模型、信号交叉口仿真平台构建以及车辆轨迹生成算法。这些工作不仅拓展了智能交通系统的研究边界，还为多智能体协同控制、交通场景理解等前沿方向提供了可靠的数据基准和验证环境。