面向长尾事件的安全关键学习：TUM交通事故数据集
计算机视觉与模式识别
2025-08-21 v1
摘要
尽管为提高交通网络安全性已开展了大量工作，事故仍时有发生。它们必须被理解为交通网络中不可避免的偶发结果。我们提出了TUM交通事故（TUMTraf-A）数据集，这是一个真实世界高速公路事故的集合。它包含十段高速驾驶下的车辆碰撞序列，在由四个路边摄像头和激光雷达以10 Hz记录的48,144个标记帧中，包含294,924个标记的2D边界框和93,012个标记的3D边界框以及跟踪ID。该数据集包含十个对象类别，并以OpenLABEL格式提供。我们提出了Accid3nD，一种结合了基于规则方法与基于学习方法的交通事故检测模型。在我们的数据集上进行的实验和消融研究显示了我们所提方法的鲁棒性。数据集、模型和代码可在我们的项目网站上获取：https://tum-traffic-dataset.github.io/tumtraf-a。
引用
@article{arxiv.2508.14567,
title = {Safety-Critical Learning for Long-Tail Events: The TUM Traffic Accident Dataset},
author = {Walter Zimmer and Ross Greer and Xingcheng Zhou and Rui Song and Marc Pavel and Daniel Lehmberg and Ahmed Ghita and Akshay Gopalkrishnan and Mohan Trivedi and Alois Knoll},
journal= {arXiv preprint arXiv:2508.14567},
year = {2025}
}
备注
Accepted for ICRA 40 Year Anniversary (ICRA40)