Identifizierung dynamischer Fahrstile basierend auf Verhaltensprimitiven

Warum Ihre Fahrgewohnheiten eine Rolle spielen

Wer schon mit verschiedenen Fahrerinnen und Fahrern mitgefahren ist, weiß: Manche gleiten geschmeidig durch den Verkehr, andere halten, legen an und zu an, und flitzen zwischen den Spuren hin und her. Diese Muster sind mehr als Marotten; sie beeinflussen Komfort, Sicherheit und wie sich künftige Assistenz‑ und autonome Fahrzeuge in unserer Nähe verhalten sollten. In dieser Studie wird genau untersucht, wie alltägliches Lenken, Bremsen und Beschleunigen in winzige Bausteine zerlegt werden kann, um zu zeigen, ob ein Fahrer in einem bestimmten Moment eher vorsichtig, durchschnittlich oder aggressiv handelt.

Fahrten in winzige Bausteine zerlegen

Die Forschenden gehen davon aus, dass eine Fahrt kein durchgehend gleichförmiges Verhalten ist. Stattdessen besteht sie aus kurzen Segmenten oder „Primitiven“, etwa konstantes Geradeausfahren mit gleichmäßiger Geschwindigkeit, starkes Abbremsen oder Kurvenfahren bei Beschleunigung. In einem Fahrsimulator sammelten sie rund fünf Stunden Daten von 17 Fahrern, die dieselbe Strecke bei moderatem Verkehr und mit einigen vorgegebenen Überraschungen fuhren. Aus dem kontinuierlichen Strom von Geschwindigkeits-, Beschleunigungs- und Lenkinformationen schnitten sie 2.763 kurze Segmente heraus, von denen jedes ein knappes, physikalisch sinnvolles Bewegungsmuster repräsentiert.

Gemeinsame Muster im Chaos finden

Um die vielen Segmente zu ordnen, nutzte das Team unüberwachte Datenmethoden, die nicht auf menschliche Etiketten oder Fragebögen angewiesen sind. Zuerst trennten sie Bewegungen quer zur Straße von Bewegungen entlang der Straße und wandten dann einen zweistufigen Prozess an, um zu bestimmen, wo ein Muster endet und ein anderes beginnt. Anschließend gruppierten sie die entstehenden Segmente in fünf Haupt‑Primitiventypen mit unterschiedlichen Bedeutungen: zum Beispiel Geradeausfahren mit mittlerer Geschwindigkeit und sanften Änderungen, Linksabbiegen bei mittlerer Geschwindigkeit, langsames Geradeauskriechen bei niedriger Geschwindigkeit mit sanftem Verzögern, schnelles Geradeausfahren mit starkem Bremsen und Rechtskurve mit schnellem Beschleunigen. Obwohl einzelne Segmente in Länge und genauen Werten variierten, hatten diejenigen derselben Gruppe ähnliche zeitliche Formen.

Verhalten in Risikostufen verwandeln

Sobald die Primitiventypen feststanden, untersuchten die Forschenden, wie riskant jeder Typ im Durchschnitt ist. Sie fassten jede Gruppe durch einfache Statistiken zusammen, etwa mittlere Geschwindigkeit, wie stark das Fahrzeug lenkte und wie stark diese Werte schwankten. Aus diesen acht einfachen Merkmalen berechneten sie für jeden Primitiventyp einen „Risiko‑Index“. Dann analysierten sie, wie Fahrer von einem Primitiv zum nächsten wechselten, etwa vom langsamen Geradeausfahren in starkes Bremsen, und wie häufig solche Übergänge vorkamen. Übergänge, die einen großen Risikoanstieg, ein riskantes folgendes Segment und einen selten genutzten Sprung kombinierten, wurden als besonders gefährlich eingestuft. Auf diese Weise trugen sowohl das aktuelle Verhalten als auch der Weg dorthin zu einem umfassenden Moment‑für‑Moment‑Sicherheitsbild bei.

Bewertung von vorsichtigen, normalen und aggressiven Momenten

Um den Fahrstil für jedes Zeitsegment zu bewerten, entwickelten die Autorinnen und Autoren eine einfache Bewertungsformel, die drei Bestandteile kombiniert: das Risiko des aktuellen Primitivs, das Risiko des vorhergehenden Übergangs und das Risiko des folgenden Übergangs. Objektive Statistiken bestimmten, wie stark jeder Bestandteil gewichtet wird. Das Ergebnis war ein Stil‑Score für jeden Moment, auf einer Skala, bei der höhere Werte aggressiveres Verhalten anzeigen. Ein schwarminspirierter Suchalgorithmus wählte dann automatisch zwei Schwellen auf dieser Skala, die die Daten in vorsichtig, normal und aggressiv unterteilen, sodass sich die Gruppen möglichst deutlich unterscheiden.

Was die Muster über reale Fahrer verraten

Die Anwendung dieses Rahmens auf die 17 Fahrer zeigte, dass die meiste Zeit im normalen Bereich lag, mit weniger vorsichtigen Momenten und den wenigsten aggressiven. Viele Fahrer waren beim Start und Ende der Route vorsichtig und wurden mittendrin, sobald sie sich wohlfühlten, durchsetzungsfähiger. Einige Fahrer, die häufig hochriskante Primitiventypen und riskante Übergänge nutzten, beendeten die Strecke deutlich schneller und wurden langfristig als aggressiv eingestuft. Andere setzten stark auf niedrigriskante Muster und hatten längere Fahrzeiten, was einem insgesamt vorsichtigen Stil entsprach. Zwar konnten Ereignisse auf der Straße kurzzeitig jeden zu kraftvolleren Manövern treiben, doch blieb der zugrundeliegende Stil einer Person über eine gesamte Fahrt hinweg relativ stabil.

Warum das für zukünftige Autos wichtig ist

Indem Fahren in kleine, aussagekräftige Einheiten zerteilt und ihre Änderung über die Zeit beobachtet wird, zeigt diese Studie einen Weg, Fahrstil Sekunde für Sekunde zu verfolgen, statt auf breite, feste Labels zu setzen. Für Laien bedeutet das: Fahrzeuge und Fahrerassistenzsysteme könnten sich eines Tages nicht nur danach richten, wo ein Fahrzeug auf der Straße ist, sondern auch danach, wie dessen Fahrer typischerweise handelt und wie sich dieses Verhalten gerade verändert. Solche Sensibilität könnte gemeinsam genutzte Straßen sicherer machen und automatisierten Fahrzeugen helfen, sich natürlicher in den Verkehr mit menschlichen Fahrern einzufügen.

Zitation: Zheng, X., Kang, W., Ren, Y. et al. Identification of dynamic driving styles based on behavioral primitives. Sci Rep 16, 15144 (2026). https://doi.org/10.1038/s41598-026-38787-y

Schlüsselwörter: Fahrstil, Fahrerverhalten, Verkehrssicherheit, autonome Fahrzeuge, Risikobewertung