Un marco dinámico de predicción de riesgo del cambio de carril basado en el reconocimiento de la intención de conducción en superficies heladas y nevadas

Por qué importan los cambios de carril en invierno

Para cualquiera que haya apretado un poco más el volante en una autopista nevada, los cambios de carril pueden sentirse como la parte más aterradora de la conducción invernal. El pavimento resbaladizo, las mayores distancias de frenado y las reacciones nerviosas aumentan la probabilidad de que una maniobra sencilla para adelantar a un vehículo más lento termine mal. Este estudio explora cómo predecir el peligro de un cambio de carril varios segundos antes de que ocurra, utilizando no solo lo que el coche hace en la carretera, sino también cómo el conductor mira y reacciona dentro del vehículo. El objetivo es proporcionar a los futuros coches y sistemas de asistencia al conductor suficiente anticipación para evitar choques en carreteras con hielo y nieve.

Un examen detallado de la conducción invernal

Para estudiar con seguridad las situaciones de riesgo, los investigadores construyeron un simulador de conducción altamente realista en lugar de enviar a personas a autopistas heladas reales. Voluntarios se sentaron en una cabina completa de vehículo montada sobre una plataforma de movimiento, frente a una amplia pantalla curva que recreaba una autopista china real en condiciones normales y cubiertas de nieve. La autopista virtual tenía tráfico moderado, con coches y camiones alrededor moviéndose de forma natural. Al mismo tiempo, se registraron a alta velocidad tres tipos de datos: el movimiento de los vehículos en la vía, los movimientos oculares y de la cabeza del conductor, y señales corporales como la actividad cardíaca y de la piel. Esta rica mezcla de información capturó no solo dónde estaba el coche y a qué velocidad se movía, sino también cuán tenso, concentrado y activo estaba el conductor mientras se preparaba para cambiar de carril.

De la intención del conductor a la alerta temprana

Una idea clave en este trabajo es que el peligro no comienza cuando el coche realmente empieza a invadir el carril contiguo. Comienza cuando el conductor piensa por primera vez en hacer la maniobra. En carreteras heladas, se encontró que este “periodo de intención” duraba aproximadamente 6,1 segundos de media—más de un tercio más que en pavimento seco—porque los conductores necesitan más tiempo para mirar los espejos, juzgar huecos y ganar confianza. El equipo utilizó un tipo avanzado de red neuronal recurrente para reconocer esta intención oculta a partir de datos temporales. Alimentando al modelo con el comportamiento de la dirección, movimientos oculares, señales corporales y el movimiento de los vehículos cercanos, su modelo Multi‑BiLSTM pudo identificar si el conductor se preparaba para un cambio de carril a la izquierda, a la derecha o simplemente permanecer en el carril, con una precisión alrededor del 96–98% incluso en condiciones invernales.

Convertir el movimiento complejo en una puntuación de riesgo

Reconocer la intención es solo la mitad de la historia; la otra mitad es juzgar cuán arriesgado será ese cambio de carril planeado. Los investigadores combinaron dos ideas que capturan el peligro de maneras diferentes. Una describe cuánto tiempo tardarían dos vehículos en colisionar si mantuvieran sus velocidades y trayectorias actuales, mientras que la otra compara la distancia necesaria para detenerse con seguridad con la distancia disponible realmente, teniendo en cuenta la menor adherencia por hielo y nieve. Estas medidas, que reflejan tanto el tiempo como el espacio, se transformaron en probabilidades de exposición y severidad y luego se fusionaron en un único índice de riesgo de cambio de carril. En lugar de escoger umbrales hechos por humanos, el equipo permitió que un algoritmo de clustering agrupase millones de instantes simulados en tres bandas naturales: bajo, medio y alto riesgo. La mayoría de las situaciones fueron de bajo riesgo, pero las carreteras heladas produjeron muchas más situaciones de riesgo medio y alto que las carreteras normales.

Modelos inteligentes para decisiones en fracciones de segundo

Para predecir en qué banda de riesgo caería un cambio de carril, los autores entrenaron un modelo de aprendizaje automático rápido basado en árboles llamado LightGBM. Usó únicamente un conjunto cuidadosamente seleccionado de características del periodo de intención del conductor—como la actividad de la dirección, señales de estrés corporal, movimiento del vehículo y distancias a vehículos cercanos—junto con la etiqueta de riesgo precomputada a partir de la ejecución posterior de la maniobra. Al compararlo con otros métodos populares como random forests, máquinas de vectores de soporte y XGBoost, el modelo LightGBM resultó superior. Clasificó correctamente el riesgo de cambio de carril en invierno alrededor del 97,5% de las veces y fue especialmente bueno evitando el error más peligroso: catalogar una maniobra verdaderamente de alto riesgo como “bajo riesgo”. El diseño del modelo también permite a los ingenieros ver qué factores empujan más fuertemente una situación hacia el peligro, ayudando a mantener la transparencia del sistema.

Qué significa esto para carreteras invernales más seguras

En términos sencillos, este estudio muestra que se puede enseñar a los coches a “percibir” no solo cuán resbaladiza está la carretera y cuán cerca están otros vehículos, sino también cuándo un conductor está a punto de hacer una maniobra y si esa maniobra probablemente será segura. Combinando el reconocimiento temprano de la intención con una visión detallada del riesgo, el marco propuesto podría impulsar futuros sistemas de asistencia al conductor que adviertan al conductor, ajusten la velocidad o incluso retrasen un cambio de carril cuando las condiciones sean adversas. Aunque el trabajo se basa en datos de simulador y se centra en escenarios de autopista con un número limitado de vehículos cercanos, sienta una base importante para vehículos inteligentes y conectados que se ayuden mutuamente a navegar carreteras heladas y nevadas con menos sorpresas y menos accidentes.

Cita: 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

Palabras clave: seguridad en la conducción invernal, riesgo de cambio de carril, intención del conductor, vehículos inteligentes, aprendizaje automático en el tráfico