U-EASWS

U-EASWS是一个面向城市快速路A型短交织段的无人机车辆轨迹数据集，集成了交互与风险语义标注。该数据集旨在填补该特定道路场景缺乏开源轨迹数据的空白，为复杂几何条件下微观驾驶行为建模提供高保真数据支持。数据集覆盖中国长春7个典型A型短交织段场景，包含自然交通流下的多样化交通状态与几何条件。数据内容分为三个标准化层次：1) 高保真连续车辆轨迹，通过微调YOLOv8模型进行检测与跟踪，经PCHIP插值和sEMA滤波重建，确保运动学参数的物理一致性并有效消除像素抖动与跟踪噪声；2) 同步替代安全指标，计算并与轨迹时间戳对齐，包括碰撞时间(TTC)、侵入后时间(PET)和避撞减速率(DRAC)；3) 空间交互与强度语义，基于邻近阻力理论标注车辆间空间交互关系与交互强度，以捕捉交织区高空间压力下的复杂多车博弈动态。数据集支持微观交通流与驾驶行为研究，具体任务包括：微观驾驶行为建模与验证、自由与强制换道行为分析、交通替代安全评估与冲突识别、多车交互机制与博弈动力学研究、以及交织段交通仿真模型校准。数据通过无人机航拍平台收集，并经过系统技术验证，证实了其在密集交通条件下的检测精度与跟踪稳定性、平滑且物理一致的运动学数据生成能力，以及对传统指标无法完全表征的复杂博弈动态的捕捉能力。U-EASWS is a UAV-based vehicle trajectory dataset targeting Type A short weaving segments on urban expressways, integrated with interaction and risk semantic annotations. This dataset aims to fill the gap of lacking open-source trajectory data for this specific road scenario, providing high-fidelity data support for microscopic driving behavior modeling under complex geometric conditions. The dataset covers 7 typical Type A short weaving segment scenarios in Changchun, China, encompassing diverse traffic states and geometric conditions under natural traffic flow. The dataset content is divided into three standardized layers: 1) High-fidelity continuous vehicle trajectories: reconstructed using a fine-tuned YOLOv8 model for detection and tracking, followed by PCHIP interpolation and sEMA filtering to ensure physical consistency of kinematic parameters and effectively eliminate pixel jitter and tracking noise; 2) Synchronized surrogate safety metrics: calculated and aligned with trajectory timestamps, including Time-to-Collision (TTC), Post-Encroachment Time (PET), and Deceleration Rate to Avoid Crash (DRAC); 3) Spatial interaction and intensity semantics: vehicle-to-vehicle spatial interaction relationships and interaction intensities are annotated based on the Proximity Resistance Theory, to capture complex multi-vehicle game dynamics under high spatial pressure in weaving zones. The dataset supports microscopic traffic flow and driving behavior research, with specific application tasks including: microscopic driving behavior modeling and validation, free and mandatory lane change behavior analysis, traffic surrogate safety assessment and conflict identification, multi-vehicle interaction mechanism and game dynamics research, and traffic simulation model calibration for weaving segments. The data was collected via a UAV aerial photography platform, and has undergone systematic technical validation, which verifies its detection accuracy and tracking stability under dense traffic conditions, its capability to generate smooth and physically consistent kinematic data, and its capacity to capture complex game dynamics that cannot be fully characterized by traditional metrics.

原始信息汇总

数据集名称

U-EASWS：城市快速路A型短交织区无人机车辆轨迹数据集（集成交互与风险语义标注）

数据类型

• 高保真连续车辆轨迹：通过微调YOLOv8检测与跟踪模型提取，经PCHIP插值和sEMA滤波重建，所有运动学参数通过物理一致性校验，消除像素抖动与跟踪噪声。
• 同步替代安全度量：多维度交通风险指标，包括碰撞时间（TTC）、后侵占时间（PET）、避免碰撞减速率（DRAC），并与轨迹时间戳对齐。
• 空间交互与强度语义：基于近距阻力理论标注车辆间空间交互关系与交互强度，刻画交织区高空间压力下的复杂多车博弈动态。

数据采集

• 采集平台：无人机航拍
• 覆盖范围：中国长春市城市快速路7个典型A型短交织区
• 场景：自然交通流，涵盖不同交通状态与几何条件

处理流程

1. 车辆检测与多目标跟踪（微调YOLOv8）
2. 轨迹重建与去噪（PCHIP插值 + sEMA滤波）
3. 运动学参数计算与物理一致性校验
4. 替代安全度量计算与时间戳对齐
5. 基于近距阻力理论的空间交互语义标注

支持任务

• 微观驾驶行为建模与模型验证
• 自由型与强制型换道行为分析
• 交通替代安全评估与冲突识别
• 多车交互机制与博弈动力学研究
• 交织区交通仿真模型标定

技术验证

• 密集交通条件下车辆检测精度与身份跟踪稳定性优异
• 有效消除像素抖动与跟踪噪声，获得平滑、物理一致的车辆运动数据
• 成功捕捉高空间压力下的波动驾驶行为，揭示常规指标无法完全描述的复杂多车博弈动态

许可证

CC BY 4.0

搜集汇总

数据集介绍

构建方式

U-EASWS数据集通过无人机航拍技术，采集了中国长春市城市快速路上7个典型A型短交织区的自然交通流视频。随后，利用微调后的YOLOv8模型进行车辆检测与多目标跟踪，并结合PCHIP插值与sEMA滤波算法对轨迹进行重构与降噪，确保运动学参数的物理一致性。在此基础上，计算了碰撞时间（TTC）、后侵占时间（PET）及避免碰撞的减速率（DRAC）等多维替代安全指标，并基于临近抵抗理论标注了车辆间的空间交互关系与强度，最终形成了一套标准化、多层次的语义标注数据集。

特点

该数据集的核心优势在于其高保真度与多维度语义标注的有机结合。它不仅提供了连续、平滑且经物理一致性验证的车辆轨迹数据，还同步对齐了全面的交通风险指标，如TTC、PET与DRAC。尤为独特的是，基于临近抵抗理论的空间交互与强度语义标注，能够精准捕捉交织区高空间压力下复杂的多车博弈动态，弥补了传统仅关注个体车辆行为的不足，为微观驾驶行为建模提供了丰富的极端环境证据。

使用方法

研究人员可通过HuggingFace平台直接下载U-EASWS数据集，并依据其层级化结构灵活使用。每一帧数据均包含高精度轨迹坐标、同步的替代安全度量值以及车辆间的空间交互标签。该数据集适用于微观交通流模型验证、强制与自由换道行为分析、交通冲突识别及多车交互博弈研究。用户可直接调用轨迹与语义标注训练或校准驾驶行为模型，或利用安全指标进行交织区交通安全评估与仿真参数标定。

背景与挑战

背景概述

U-EASWS数据集于2024年由长春理工大学等机构的研究团队创建，旨在填补城市快速路A型短交织区微观驾驶行为建模领域缺乏开源高保真轨迹数据的空白。该区域作为典型交通瓶颈，车辆冲突密集且强制与自由换道行为并存，传统数据集难以支撑极端环境下的模型验证。U-EASWS基于无人机航拍，覆盖长春7个典型交织场景，通过标准化自动化流水线处理，提供包含车辆轨迹、替代安全指标及空间交互语义的多层标注，为微观交通流模型、换道行为分析及冲突识别等研究奠定了坚实基础，显著推动了复杂道路几何条件下的驾驶行为理解。

当前挑战

U-EASWS主要应对两大挑战。领域挑战方面，A型短交织区因几何约束强、车辆互动复杂，导致传统轨迹数据集无法准确捕捉强制换道与多车博弈的突发动态，制约了微观驾驶模型在极端场景下的校准与验证。构建挑战方面，无人机航拍需在密集交通流中实现高精度车辆检测与身份跟踪，需克服像素抖动与跟踪噪声；同时，基于接近阻力理论的空间交互语义标注需量化高空间压力下的多车游戏动力学，而同步计算TTC、PET等替代安全指标并确保时间对齐，进一步增加了数据处理的复杂性。

常用场景

经典使用场景

U-EASWS数据集专为城市快速路A型短交织区设计，提供了高保真的车辆轨迹数据。其经典使用场景包括微观驾驶行为建模与验证，如自由换道与强制换道行为的精细分析，以及多车交互机制与博弈动力学研究。此外，该数据集还广泛用于交通代理安全评估，通过时间碰撞时间（TTC）、后侵入时间（PET）和避免碰撞减速率（DRAC）等指标进行冲突识别，成为研究复杂几何条件下密集交通流极端环境的理想基准。

实际应用

在实际应用中，U-EASWS可用于城市快速路交织区的交通仿真模型标定，提升仿真软件对真实交通流的复现精度。它支持自动驾驶系统在复杂交织场景中的决策算法开发与测试，例如识别高冲突风险区域并优化换道策略。此外，该数据集还可服务于智能交通系统（ITS）中的实时安全预警，通过解析多车交互语义，为动态交通管控和事故预防提供数据驱动的方法支撑。

衍生相关工作

U-EASWS的发布催生了一系列衍生研究工作，包括基于深度学习的交织区车辆轨迹预测模型，如融合交互注意力机制的LSTM或Transformer架构。研究者利用其交互语义标注，开发了考虑空间竞争的多车博弈强化学习框架，用于模拟强制换道行为。同时，该数据集也推动了安全度量优化工作，例如结合DRAC和PET构建复合风险评估指标，以及用于校准微观交通仿真软件（如SUMO）中换道模型的参数校准方法。