Ein dynamisches Risiko-Vorhersagerahmenwerk für Spurwechselverhalten basierend auf der Erkennung der Fahrabsicht auf vereisten und verschneiten Fahrbahnen

Warum Spurwechsel im Winter wichtig sind

Für alle, die auf einer verschneiten Autobahn den Lenkradgriff etwas fester machen, können Spurwechsel der beängstigendste Teil des winterlichen Fahrens sein. Glatte Fahrbahnen, längere Bremswege und nervöse Reaktionen erhöhen die Wahrscheinlichkeit, dass eine vermeintlich einfache Überholbewegung schlimm ausgeht. Diese Studie untersucht, wie sich die Gefahr eines Spurwechsels mehrere Sekunden im Voraus vorhersagen lässt — wobei nicht nur das Fahrzeugverhalten auf der Straße berücksichtigt wird, sondern auch, wie der Fahrer im Fahrzeug schaut und reagiert. Ziel ist es, künftigen Fahrzeugen und Fahrerassistenzsystemen rechtzeitig genug Warnungen zu geben, um Unfälle auf vereisten und verschneiten Straßen zu verhindern.

Ein genauer Blick auf das Fahren im Winter

Um riskante Situationen sicher zu untersuchen, bauten die Forschenden einen hochrealistischen Fahrsimulator, statt Personen auf reale vereiste Autobahnen zu schicken. Freiwillige saßen in einer vollständigen Fahrzeugkabine auf einer Bewegungsplattform vor einer breiten, gekrümmten Leinwand, die eine echte chinesische Schnellstraße in Normal- und Schneebedingungen nachstellte. Die virtuelle Autobahn hatte mäßigen Verkehr, wobei umgebende Pkw und Lkw sich natürlich bewegten. Gleichzeitig wurden drei Arten von Daten mit hoher Frequenz aufgezeichnet: die Fahrzeugbewegungen auf der Straße, die Augen- und Kopfbewegungen des Fahrers sowie Körpersignale wie Herz- und Hautaktivität. Diese reiche Informationsmischung erfasste nicht nur, wo sich das Fahrzeug befand und wie schnell es fuhr, sondern auch, wie angespannt, fokussiert und aktiv der Fahrer beim Vorbereiten des Spurwechsels war.

Von der Fahrabsicht zur Frühwarnung

Eine zentrale Erkenntnis dieser Arbeit ist, dass die Gefahr nicht erst beginnt, wenn das Fahrzeug tatsächlich in die nächste Spur zu driftet. Sie beginnt, wenn der Fahrer erstmals darüber nachdenkt, die Bewegung auszuführen. Auf vereisten Fahrbahnen wurde diese „Absichtsphase" im Schnitt auf etwa 6,1 Sekunden geschätzt — über ein Drittel länger als auf trockenem Asphalt —, weil Fahrer mehr Zeit benötigen, Spiegel zu prüfen, Lücken einzuschätzen und Vertrauen aufzubauen. Das Team verwendete eine fortgeschrittene Form rekurrenter neuronaler Netze, um diese versteckte Absicht aus zeitlich aufgelösten Daten zu erkennen. Indem Lenkradbewegungen, Augenbewegungen, Körpersignale und die Bewegung benachbarter Fahrzeuge eingespeist wurden, konnte ihr Multi‑BiLSTM‑Modell unterscheiden, ob der Fahrer einen Links‑ oder Rechtsspurwechsel plant oder in der Spur bleiben will, mit einer Genauigkeit von rund 96–98 % selbst unter Winterbedingungen.

Komplexe Bewegungen in einen Risikoscore überführen

Die Erkennung der Absicht ist nur die halbe Geschichte; die andere Hälfte besteht darin, einzuschätzen, wie riskant der geplante Spurwechsel tatsächlich ist. Die Forschenden kombinierten zwei Konzepte, die Gefahr auf unterschiedliche Weise erfassen. Das eine beschreibt, wie bald zwei Fahrzeuge kollidieren würden, wenn sie ihre aktuellen Geschwindigkeiten und Bahnen beibehalten; das andere vergleicht die zum sicheren Anhalten benötigte Distanz mit der tatsächlich verfügbaren Strecke und berücksichtigt dabei die verringerte Haftung auf Eis und Schnee. Diese Maße, die sowohl Timing als auch Abstand widerspiegeln, wurden in Wahrscheinlichkeiten für Exposition und Schweregrad umgewandelt und dann zu einem einzigen Spurwechsel‑Risikowert verschmolzen. Statt von Menschen festgelegter Schwellenwerte ließ das Team einen Clustering‑Algorithmus Millionen simulierte Momente in drei natürliche Kategorien gruppieren: niedriges, mittleres und hohes Risiko. Die meisten Situationen fielen in die Kategorie niedriges Risiko, doch auf vereisten Straßen traten deutlich mehr mittlere und hohe Risikofälle auf als auf normalen Straßen.

Intelligente Modelle für Entscheidungen in Bruchteilen einer Sekunde

Um vorherzusagen, in welche Risikokategorie ein Spurwechsel fallen würde, trainierten die Autorinnen und Autoren ein schnelles, baumbasiertes Machine‑Learning‑Modell namens LightGBM. Es nutzte nur eine sorgfältig ausgewählte Menge an Merkmalen aus der Absichtsphase des Fahrers — wie Lenkradaktivität, Körperspannungssignale, Fahrzeugbewegung und Abstände zu umgebenden Fahrzeugen — zusammen mit dem vorab berechneten Risikolabel aus der späteren Ausführungsphase der Manövers. Im Vergleich mit anderen populären Methoden wie Random Forests, Support Vector Machines und XGBoost setzte sich das LightGBM‑Modell durch. Es klassifizierte das winterliche Spurwechselrisiko mit etwa 97,5 % richtig und war besonders gut darin, den kritischsten Fehler zu vermeiden: ein tatsächlich hohes Risiko fälschlich als „niedriges Risiko“ einzustufen. Das Modell ist so gestaltet, dass Ingenieurinnen und Ingenieure leicht erkennen können, welche Faktoren eine Situation am stärksten in Richtung Gefahr treiben, was zur Transparenz des Systems beiträgt.

Was das für sicherere Winterstraßen bedeutet

Schlicht gesagt zeigt diese Studie, dass Fahrzeuge so „trainiert" werden können, nicht nur die Rutschigkeit der Straße und die Nähe anderer Fahrzeuge zu erfassen, sondern auch zu erkennen, wann ein Fahrer im Begriff ist zu manövrieren und ob dieses Manöver voraussichtlich sicher ist. Durch die Kombination von früher Absichtserkennung mit einer detaillierten Risikobewertung könnte das vorgeschlagene Rahmenwerk künftige Fahrerassistenzsysteme antreiben, die Fahrer warnen, die Geschwindigkeit anpassen oder einen Spurwechsel verzögern, wenn die Bedingungen ungünstig sind. Obwohl die Arbeit auf Simulator‑Daten basiert und sich auf Autobahn‑Szenarien mit einer begrenzten Anzahl nahegelegener Fahrzeuge konzentriert, schafft sie wichtige Grundlagen für intelligente und vernetzte Fahrzeuge, die sich gegenseitig beim Navigieren durch vereiste und verschneite Straßen mit weniger Überraschungen und weniger Unfällen unterstützen.

Zitation: Zhao, W., Du, X., Wang, Z. et al. A dynamic risk prediction framework of lane-changing behavior based on driving intention recognition on icy and snowy surfaces. Sci Rep 16, 9572 (2026). https://doi.org/10.1038/s41598-025-21369-9

Schlüsselwörter: Sicherheit beim Fahren im Winter, Spurwechselrisiko, Fahrerabsicht, intelligente Fahrzeuge, Maschinelles Lernen im Verkehr