FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories

Dit paper introduceert FLUID, een fijnkorrelig en lichtgewicht dataset- en verwerkingsframework voor drone-opnames van dichte verkeersconflicten op stedelijke kruispunten, dat nauwkeurige trajecten en interactiegegevens biedt voor onderzoek naar verkeersgedrag en autonoom rijden.

De kern

🚦 FLUID: De "Google Maps" voor het gedrag van auto's en fietsers

Stel je voor dat je een regisseur bent die een film draait over een drukke kruising. Je wilt precies zien hoe iedereen zich gedraagt: wie remt, wie gaat door rood, en wie botst bijna. In het verleden was dit lastig. Je kon alleen kijken vanuit de auto (te beperkt), vanaf de kant van de weg (te veel obstakels) of met dure camera's die de bestuurders zenuwachtig maakten.

De onderzoekers van deze studie hebben een nieuwe manier bedacht: FLUID.

1. Wat is FLUID eigenlijk?

FLUID staat voor Fine-Grained Lightweight Urban Signalized-Intersection Dataset. Dat klinkt als een tongbreker, maar het is simpel:
Het is een grote verzameling video's en data van drie drukke kruisingen in China, opgenomen met een drone.

• De Drone als "God van Boven": In plaats van camera's op palen, vlogen ze met een drone op 100 meter hoogte. Dit is als een vogel die boven de stad zweeft. De drone ziet alles, zonder dat de bestuurders er last van hebben (ze zien de drone niet eens).
• De "Dichte" Drukte: De kruisingen waren niet rustig. Het was hier zo druk dat er gemiddeld 2,8 bijna-ongelukken per minuut plaatsvonden. Het is alsof je een film draait van een drukke markt, waar iedereen elkaar net niet aanrijdt.

2. Waarom is dit zo speciaal? (De "Superkrachten")

Bestaande datasets waren vaak onvolledig. FLUID heeft drie superkrachten:

• Kracht 1: Alles zien (De "Dikke Lijst")
  Veel datasets zien alleen auto's. FLUID ziet alles: auto's, vrachtwagens, tricycles, brommers, fietsers én voetgangers. Het is alsof je een lijst hebt met elke speler in een voetbalwedstrijd, niet alleen de doelpuntenmakers.
• Kracht 2: De "Bliksemsnelle" Verwerking
  De onderzoekers hebben een slimme, lichte software bedacht om de video's om te zetten in data.
  • De Analogie: Stel je voor dat je een rommelige kast moet opruimen. Andere methodes zijn als iemand die alles één voor één vastpakt en uren doet. FLUID is als een slimme robot die in een paar seconden alle kleding, schoenen en dozen perfect sorteert en in de juiste lades legt.
• Kracht 3: De "Waarheidsgetrouwe" Data
  Ze hebben gecontroleerd of hun data klopt door het te vergelijken met een dure commerciële software (DataFromSky) en met een auto die een super-nauwkeurige GPS had. Het resultaat? Hun data is net zo goed, maar dan gratis en transparant.

3. Wat leert het ons? (De "Detective Werk")

Met deze data kunnen wetenschappers en auto-ontwikkelaars dingen doen die voorheen onmogelijk waren:

• Het "Bijna-ongeluk" Ontdekken: Ze kunnen precies zien waar en waarom mensen bijna botsen. Is het omdat de fietsers te snel gaan? Of omdat de auto's te dicht op elkaar rijden?
• De "Gedragstest" voor Zelfrijdende Auto's: Zelfrijdende auto's moeten leren hoe ze zich moeten gedragen in de chaos van een kruising. FLUID is als een trainingskamp voor deze auto's. Ze kunnen oefenen met duizenden situaties waarin mensen zich irrationeel gedragen, zodat de auto later in het echt niet verrast wordt.
• Het "Gedrag van Mensen" begrijpen: Waarom remt iemand plotseling? Waarom gaat iemand door rood? De dataset helpt ons de menselijke psychologie achter het stuur te begrijpen.

4. Hoe werkt het technisch? (Kort en Krachtig)

1. Opnemen: Een drone filmt de kruising.
2. Stabiliseren: De video wordt gladgestreken (alsof je een trillende handbeweging corrigeert).
3. Herkennen: Een slimme computer (AI) kijkt naar elke frame en zegt: "Dat is een rode bus, dat is een fietser."
4. Volgen: De computer houdt elke persoon bij, van het moment dat ze de kruising binnenkomen tot ze wegrijden.
5. Filteren: De computer verwijdert fouten (bijvoorbeeld als de computer twee keer dezelfde auto ziet).
6. Koppelen: Ze koppelen de bewegingen aan het verkeerslicht. "Wist de auto dat het licht op rood sprong?"

Conclusie

FLUID is als een gigantische, onthullende spiegel voor het verkeer. Het laat ons zien hoe drukke kruisingen echt werken, met alle chaos, bijna-ongelukken en menselijke fouten erbij. Het is een gratis cadeau voor de wereld, zodat we in de toekomst veiligere straten en slimmere auto's kunnen bouwen.

Kortom: Het is de ultieme "repetitie" voor de verkeerswereld van morgen. 🚗🚲🚶‍♂️✨

Technische samenvatting

Probleemstelling

Trajectdata van verkeersdeelnemers (TP's) is essentieel voor het evalueren van verkeersomstandigheden en het optimaliseren van beleidsmaatregelen, vooral op drukke stedelijke kruispunten. Bestaande datasets hebben echter aanzienlijke beperkingen:

1. Beperkte representativiteit: Veel datasets dekken slechts een klein aantal kruisingstypen of ontbreken in de variatie van verkeersstromen en conflictdichtheid.
2. Gebrek aan informatie: Er is vaak onvoldoende gedetailleerde informatie over objectattributen (zoals voertuigtypes) en gedrag (zoals intenties of overtredingen).
3. Data-integriteit en transparantie: Veel datasets bieden geen ruwe data (video's) of transparante verwerkingspipelines, wat reproduceerbaarheid en validatie bemoeilijkt. Commerciële platforms (zoals DataFromSky) zijn vaak te duur of bieden geen toegang tot de onderliggende methodologie.
4. Conflictdichtheid: Bestaande datasets bevatten vaak te weinig daadwerkelijke verkeersconflicten voor robuuste veiligheidsanalyses.

Methodologie

De auteurs introduceren FLUID, een dataset en een lichtgewicht verwerkingsframework voor drone-opnames van stedelijke kruispunten.

1. Dataverzameling:

• Locatie: 14 vluchtcampagnes op drie verschillende signalen-gereguleerde kruispunten in Xuancheng, China (een vierwegaansluiting, een T-kruising en een vierwegaansluiting met gespecialiseerde rechtsafslaande rijstroken).
• Apparatuur: DJI Mini 3 drone (4K video, ~30 FPS) op een hoogte van 100-120 meter.
• Synchronisatie: Drone en grondcamera's (voor verkeerslichten) zijn gesynchroniseerd via een mobiele telefoonklok.

2. Light-weight Verwerkingspipeline:
De pipeline bestaat uit drie hoofdfasen:

• Video-voorverwerking:
  • Stabilisatie van de beelden (gebaseerd op AKAZE/BRISK en RANSAC) om trillingen te elimineren.
  • Maskering van gebieden buiten het wegennet (voor privacy en rekenkracht), behalve bij de FIDRT-scenario's waar VRU's (kwetsbare verkeersdeelnemers) volledig zichtbaar moeten blijven.
  • Downsamplen naar 10 FPS, wat voldoende is voor menselijke besluitvorming en VRU-beweging.
• Trajectacquisitie:
  • Objectdetectie: Een ensemble-strategie met drie gespecialiseerde YOLOv8-modellen (getraind op DroneVehicle_Revised, CODrone, en Songdo Vision) die elk hun sterke punten benutten. Er wordt gebruikgemaakt van OBB (Oriented Bounding Boxes) voor betere nauwkeurigheid vanuit een vogelperspectief.
  • Tracking: Gebruik van SparseTrack (een verbetering van ByteTrack) met pseudo-diepteschatting en Deep Cascade Matching (DCM) om occlusies in dichte verkeerssituaties aan te pakken.
  • Georeferencing: Correctie van lensvervorming en projectie van pixelcoördinaten naar een lokaal Cartesisch coördinatenstelsel (meters) via homografie, gekalibreerd met RTK-GNSS-punten.
• Datafusie en Validatie:
  • Bewegingsverfijning: Toepassing van Savitzky-Golay filters, kinematische interpolatie en RTS-smoothing voor ruisreductie.
  • Filtering: Verwijdering van dubbele detecties en fouten met behulp van 2D-Surrogate Safety Measures (SSMs): Time-to-Collision (TTC) en Dynamic Gap Time (DGT).
  • Spatio-temporele matching: Koppeling van trajecten aan verkeerslichten, kaartgegevens (Lanelet2/OSM) en het toekennen van bewegingsrichtingen (linksaf, rechtdoor, etc.).

3. Conflictdetectie:
Conflicten worden gedefinieerd en geklasseerd op basis van TTC (≤ 2s) en DGT (≤ 4s). Conflicten worden onderverdeeld in vier types: achtervolging (rear-end), zijdelingse botsing (sideswipe), hoek (angle) en frontaal (head-on), gebaseerd op het hoekverschil tussen voertuigen.

Belangrijkste Bijdragen

1. FLUID Dataset: Een dataset met ongeveer 5 uur opname, meer dan 20.000 verkeersdeelnemers (8 categorieën, inclusief voertuigen, bromfietsen en voetgangers) en een hoge dichtheid aan conflicten.
2. Dichtheid van conflicten: De dataset registreert gemiddeld 2,8 conflicten per minuut, waarbij ongeveer 15% van alle gemotoriseerde voertuigen direct betrokken is bij een conflict. Dit is aanzienlijk hoger dan in vergelijkbare datasets.
3. Rijke annotaties: Inclusief gedetailleerde verkeerssignalen, kaarten, ruwe video's, en fijnmazige annotaties van conflicten en overtredingen (bijv. roodlicht overtredingen).
4. Transparante Pipeline: De volledige verwerkingscode is openbaar beschikbaar, in tegenstelling tot veel bestaande datasets die alleen "gepoetste" data leveren zonder de onderliggende methodologie.
5. Validatie: De nauwkeurigheid is gevalideerd tegen de DataFromSky (DFS) platform en grondtruth-metingen met RTK-GNSS.

Resultaten

• Nauwkeurigheid: FLUID-trajecten tonen een hoge ruimtelijke nauwkeurigheid (Hausdorff-afstand < 0,97m ten opzichte van GNSS-ground truth, met fouten < 0,3m op rechte stukken).
• Detectieprestaties: FLUID behaalde een hogere recall (minder gemiste detecties) en een lager ID-switch percentage (2-5%) vergeleken met DFS. DFS negeerde vaak statische of korte trajecten, wat leidde tot een miss-rate van 5-6%.
• Snelheidsprofielen: De verwerking van 10 FPS-video resulteerde in stabielere snelheidsprofielen dan verwerking van hogere frame rates, wat suggereert dat jitter bij hoge frame rates de snelheidsberekening kan verstoren.
• Conflictdichtheid: FLUID heeft een significant hoger percentage conflicterende voertuigen (15,14%) vergeleken met andere datasets (bijv. INTERACTION: 1,80%, inD: 3,72%).
• VRU-betrokkenheid: 35,4% van de agenten binnen een straal van 10 meter rondom een conflictpaar in FLUID zijn VRU's, wat veel hoger is dan in bestaande datasets (bijv. SIND: 7,2%).

Betekenis en Toepassingsgebied

De FLUID-dataset is van groot belang voor diverse onderzoeksdomeinen:

• Autonoom rijden: Biedt realistische, dichte scenario's voor het testen van interactieve rijalgoritmes en het voorspellen van menselijk gedrag.
• Verkeersveiligheid: De hoge dichtheid aan conflicten en de gedetailleerde classificatie maken het ideaal voor het analyseren van ongevalsrisico's en het ontwikkelen van veiligheidsinterventies.
• Gedragsmodellering: De rijke annotaties van overtredingen en wachttijden (yielding) ondersteunen onderzoek naar menselijke voorkeuren en sociale interacties in het verkeer.
• Reproduceerbaarheid: Door het openbaar maken van de ruwe data en de verwerkingscode, stelt de dataset de gemeenschap in staat om methoden te valideren en te verbeteren, wat een gat opvult in de huidige literatuur.

Kortom, FLUID biedt een uniek, hoogwaardig en transparant fundament voor onderzoek naar stedelijk verkeersdynamiek, met name gericht op complexe interacties en conflicten tussen gemotoriseerde voertuigen en kwetsbare verkeersdeelnemers.