Risk Image of Pedestrian-Vehicle Interaction

This project furnishes a dataset comprising risk images and pedestrian crossing action labels, derived using a comprehensive multi-path risk assessment methodology. The foundational data originates from the Euro-PVI dataset. Moreover, Python code for the algorithm responsible for creating risk images from trajectory data is also made available.

本项目提供了一套包含风险图像与行人过街行为标签的数据集，该数据集基于完整的多路径风险评估方法生成。其基础数据源自Euro-PVI数据集。此外，还公开了用于从轨迹数据生成风险图像的算法对应的Python代码。

原始信息汇总

数据集概述

数据集名称

Risk Image of Pedestrian-Vehicle Interaction

数据集内容

1. 风险图像：包含街头行人过街的风险图像。
2. 过街动作标签：使用综合多路径风险评估方法得出的过街动作标签。
3. 算法代码：提供Python代码，用于从轨迹数据创建风险图像。

原始数据来源

• Euro-PVI数据集：包含6,177名行人在布鲁塞尔和鲁汶的1,077个密集城市场景中的数据。
• 数据特点：记录行人和车辆的轨迹点，采样频率为10Hz，场景主要在无信号交叉口或路段中段。

数据处理

• 预处理步骤：包括行人过滤、轨迹剪辑和地面实况标注。
• 行人过滤：通过实验确定具有过街意图的行人，排除未参与行人-车辆交互的行人。
• 轨迹剪辑：根据行人和车辆交互的初始和结束点进行。

数据统计

• 选定行人数量：从Euro-PVI数据集中选定494名行人。
• 数据提供：提供行人的全局标识符，以及过街方向、领导者和群体成员等信息。

风险图像生成

• 算法位置：位于algorithm目录。
• 运行脚本：运行action_annatation_and_risk_image.py生成风险图像。
• 图像生成：使用多运动碰撞检查方法估计碰撞结果，并通过区域兴趣过滤方法捕捉影响目标行人的周围行人。

过街动作标签

• 分类：分为让行、风险过街和安全过街三类。
• 数据结构示例：包含行人ID、过街状态、行人和车辆的位置及速度等详细信息。

数据结构

• 示例数据结构：包含行人ID、过街状态、行人和车辆的位置及速度等详细信息。

数据集目录结构

• traj_pic：包含每个场景的轨迹图。
• traj_pic_after_process：包含每个行人-车辆交互的轨迹图。
• selected_PVI_videoes：包含每个行人-车辆交互的从车辆视角的视频。
• risk_images：包含所有风险图像。
• data_with_action_labels：包含带有动作标签的轨迹数据。

搜集汇总

数据集介绍

构建方式

该数据集通过综合多路径风险评估方法构建，基于Euro-PVI数据集的原始轨迹数据，经过行人筛选、轨迹剪裁和地面真实标注等预处理步骤，最终生成包含行人过街行为标签的风险图像。具体而言，行人筛选通过实验设计，邀请不同驾驶经验的参与者观看视频并识别可能影响驾驶行为的行人，结合轨迹特征进一步筛选。轨迹剪裁则根据行人与车辆的交互起点和终点进行，确保每条轨迹与车辆轨迹配对。最终，数据集包含494名行人的全局标识符及其过街行为标签。

特点

该数据集的显著特点在于其多路径风险评估方法和风险图像的生成。通过建立可行穿越运动域（FCMD），数据集能够可视化行人的潜在运动范围，并采用多路径碰撞检查方法评估行人与车辆的交互风险。此外，数据集还通过区域兴趣过滤方法捕捉影响目标行人的周围行人，确保风险评估的全面性。生成的风险图像不仅平衡了信息密度与图像分辨率，还嵌入了影响行人的运动信息，建立了信息重要性的层次结构。

使用方法

使用该数据集时，用户可通过提供的Python代码运行`action_annatation_and_risk_image.py`脚本，生成风险图像并获取相应的动作标签。数据集的结构包括行人的全局标识符、过街行为标签、轨迹数据等，用户可根据需求提取相关信息进行分析。此外，数据集还提供了行人与车辆交互的视频和轨迹图，便于用户直观理解交互场景。通过这些数据，研究人员可以深入分析行人-车辆交互中的风险因素，并为自动驾驶和交通安全领域的研究提供支持。

背景与挑战

背景概述

行人-车辆交互风险图像数据集（Risk Image of Pedestrian-Vehicle Interaction）聚焦于城市交通环境中行人过街行为的风险评估。该数据集由一系列基于欧洲行人-车辆交互数据集（Euro-PVI）的预处理数据构成，涵盖了比利时布鲁塞尔和鲁汶的1,077个密集城市场景中的6,177名行人。通过多路径风险评估方法，数据集不仅提供了行人的轨迹数据和车辆视角图像，还生成了风险图像，并附带了过街行为的标签。该数据集的核心研究问题在于如何通过轨迹数据和图像信息，准确评估行人过街行为的风险，并为自动驾驶和交通安全研究提供支持。

当前挑战

该数据集在构建过程中面临多项挑战。首先，原始数据缺乏意图和行为标签，需通过行人过滤、轨迹裁剪和地面真值标注等预处理步骤来弥补这一不足。其次，行人过滤实验涉及复杂的主观判断，需通过多层次的筛选确保数据的准确性。此外，生成风险图像的算法需在信息密度与图像分辨率之间取得平衡，同时嵌入影响行人决策的周围行人运动信息。最后，数据集的多样性和复杂性要求研究者设计有效的多路径碰撞检查方法，以准确评估不同行人过街行为的风险。

常用场景

经典使用场景

该数据集的核心应用场景在于通过风险图像和行人-车辆交互的轨迹数据，评估和预测行人在过街时的行为模式及其潜在风险。具体而言，研究者可以利用该数据集中的风险图像和动作标签，结合多路径风险评估方法，分析行人在不同交通场景下的行为选择，如是否让行、冒险过街或安全过街。此外，数据集还提供了车辆和行人的轨迹数据，便于研究者模拟和预测行人与车辆的交互过程，从而为自动驾驶系统或交通管理策略提供数据支持。

衍生相关工作

基于该数据集，已衍生出多项经典工作，特别是在行人行为预测和自动驾驶领域。例如，研究者利用数据集中的风险图像和轨迹数据，开发了基于深度学习的行人行为预测模型，显著提升了预测的准确性。此外，该数据集还启发了多路径风险评估方法在其他交通场景中的应用，如自行车与车辆的交互、行人群体行为分析等。在学术界，该数据集已成为行人-车辆交互研究的重要基准，推动了相关领域的技术进步和理论创新。

数据集最近研究

最新研究方向

在行人-车辆交互领域，Risk Image of Pedestrian-Vehicle Interaction数据集的研究方向主要集中在通过多路径风险评估方法来分析和预测行人与车辆之间的交互行为。该数据集通过引入风险图像的概念，结合轨迹数据和行为标签，为研究行人过街行为的风险评估提供了新的视角。当前的研究热点包括如何通过多模态数据融合（如轨迹数据和车辆视角图像）来提高风险预测的准确性，以及如何利用深度学习模型对复杂的行人-车辆交互场景进行建模。此外，该数据集还为自动驾驶系统中的行人行为预测和决策提供了重要的数据支持，尤其是在非信号化交叉口和密集城市环境中，具有重要的实际应用价值。