交通事故数据新标杆：TUMTrafficAccident数据集及实时检测框

交通事故数据新标杆：TUM Traffic Accident 数据集及实时检测框架Accid3nD

• 汇集慕尼黑A9高速路真实长尾事故场景，含48,144帧、294,924个2D与93,012个3D标注，覆盖10类对象（车、人、摩托等），支持多视角路侧摄像头与LiDAR协同感知。

• 数据涵盖昼夜、不同天气，事故类型丰富，包括高速变道未察觉静止车、车辆翻覆、起火等，真实场景助力模型泛化与安全关键事件学习。

• 提出结合规则与深度学习的Accid3nD框架：先基于轨迹规则实时筛查事故候选，再用训练于该数据集的YOLOv8模型做图像级判定，连续帧检测与多摄像头融合显著降低误报。

• 实验验证该方法在真实高速公路环境下效果优异，规则方法可达95 FPS高效运行，兼顾准确率与实时性，推动自动驾驶安全感知向前迈进。

• 全套数据集、模型与开发工具包开源，促进学术与产业界共享，助力更可靠的事故检测与交通安全系统研发。

论文🔗 arxiv.org/abs/2508.14567

更多信息请访问项目主页🔗 tum-traffic-dataset.github.io/tumtraf-a

自动驾驶 交通安全 计算机视觉 长尾事件 多传感器融合