מסגרת חיזוי סיכונים דינמית להתנהגות החלפת נתיבים המבוססת על זיהוי כוונת הנהג על משטחים קפואים ומושלגים

מדוע החלפות נתיבים בחורף חשובות

למי שאוחז בהגה בחוזקה יותר על אוטובאן מושלג, החלפות נתיבים יכולות להרגיש כחלק המסוכן ביותר בנהיגה בחורף. אספלט חלקלק, מרחקי עצירה ארוכים יותר ותגובות לחוצות מעלים את הסיכוי שמהלך פשוט לעקיפת רכב איטי יסיים בצורה רעה. במחקר זה בודקים כיצד ניתן לחזות את סכנת ההחלפה כמה שניות לפני שהיא מתרחשת, תוך שימוש לא רק במה שהרכב עושה על הכביש, אלא גם באופן שבו הנהג מסתכל ומגיב בתוך הרכב. המטרה היא לספק לרכבים העתידיים ולמערכות סיוע לנהג התרעה מספקת כדי למנוע תאונות על כבישים קפואים ומושלגים.

בחינה מקרוב של נהיגה בחורף

כדי לחקור באופן בטוח מצבי סיכון, החוקרים בנו סימולטור נהיגה בעל רמת מציאות גבוהה במקום לשלוח אנשים לכבישים קפואים אמיתיים. מתנדבים ישבו בתא נהיגה מלא המותקן על פלטפורמת תנועה, מול מסך רחב מעוקל ששחזר אוטוסטרדה סינית אמיתית בתנאים רגילים ובמצבי שלג. הכביש הווירטואלי כלל תנועה מתונה, כאשר כלי רכב משני הצדדים נעים באופן טבעי. במקביל, נרשמו שלושה סוגי נתונים בקצב גבוה: תנועת כלי הרכב על הכביש, תנועות העיניים והראש של הנהג, ואיתותים גוףיים כגון פעילות לב ועור. תערובת עשירה זו של מידע תיעדה לא רק היכן נמצא הרכב ובאיזו מהירות הוא נע, אלא גם כמה מתוח, מרוכז ופעיל היה הנהג כשהתכונן להחלפת נתיב.

מכוונת הנהג להתרעה מוקדמת

מסקנה מרכזית בעבודה זו היא שהסכנה אינה מתחילה כאשר הרכב מתחיל להסטות בפועל אל הנתיב הבא. היא מתחילה כאשר הנהג לראשונה חושב על ביצוע המהלך. על כבישים מושלגים, נמצא ש"תקופת הכוונה" הזאת נמשכת בממוצע כ־6.1 שניות—יותר משליש מאורך התקופה על אספלט יבש—מכיוון שהנהגים זקוקים לזמן נוסף לבדוק מראות, לשפוט מרווחים ולצבור ביטחון. הצוות השתמש בסוג מתקדם של רשת עצבית חוזרת כדי לזהות כוונה חבויה זו מתוך נתוני סדרות‑זמן. באמצעות הזנת התנהגות ההגה, תנועות העיניים, איתותים גופניים ותנועת כלי הרכב הסמוכים, מודל ה‑Multi‑BiLSTM שלהם יכל לזהות אם הנהג מתכונן להחלפת נתיב שמאלה, להחלפה ימינה או להישאר בנתיב, בדיוק של כ‑96–98% אפילו בתנאי חורף.

הפיכת תנועה מורכבת לציון סיכון

זיהוי הכוונה הוא רק חצי מהסיפור; החצי הנותר הוא לשפוט עד כמה מסוכן המהלך המתוכנן יהיה. החוקרים שילבו שתי גישות הלכודות בסכנה בדרכים שונות. אחת מתארת כמה מהר שני כלי רכב יתנגשו אם ישמרו על המהירויות והמסלולים הנוכחיים, בעוד השנייה משווה את המרחק הדרוש לעצירה בטוחה עם המרחק הזמין בפועל, תוך התחשבות באחיזה המופחתת על קרח ושלג. מדדים אלה, המשקפים גם תזמון וגם מרחקים, הומרו להסתברויות של חשיפה וחומרה ואז אוחדו למדד סיכון יחיד להחלפת נתיב. במקום להגדיר ספי חיתוך ידניים, הצוות נתן לאלגוריתם אשכולות לקבץ מיליוני רגעים מדומים לשלוש רמות טבעיות: סיכון נמוך, בינוני וגבוה. ברוב המצבים הסיכון היה נמוך, אך כבישים מושלגים הפיקו הרבה יותר אירועי סיכון בינוני וגבוה מאשר כבישים רגילים.

מודלים חכמים להחלטות שבחלקיקי שנייה

כדי לחזות לאיזו רמת סיכון תיפול החלפת נתיב, המחברים אימנו מודל מהיר מבוסס עצים של למידת מכונה בשם LightGBM. הוא השתמש רק בקבוצת תכונות שנבחרה בקפידה מתקופת הכוונה של הנהג—כמו פעילות הגה, אותות לחץ גופני, תנועת הרכב ומרחקים לרכבים סביב—לצד תווית הסיכון המחושבת מראש מהביצוע המאוחר יותר של המניפולציה. בהשוואה לשיטות פופולריות אחרות כמו יערות אקראיים, מכונות וקטור תומך ו‑XGBoost, מודל ה‑LightGBM יצא כמצטיין. הוא סיווג נכונה את סיכון החלפת הנתיב בחורף בכ־97.5% מהמקרים והיה מצוין במיוחד במניעת הטעות המסוכנת ביותר: לסווג מהלך בסיכון גבוה כאילו היה "סיכון נמוך". העיצוב של המודל מאפשר גם למהנדסים לראות אילו גורמים דוחפים מצב חזקות לעבר סכנה, ובכך לשמור על שקיפות המערכת.

מה המשמעות של זה לכבישים בטוחים יותר בחורף

במילים פשוטות, המחקר מצביע על כך שניתן ללמד רכבים "להרגיש" לא רק כמה החלקלק הכביש וכמה קרובים כלי הרכב האחרים, אלא גם מתי הנהג עומד לבצע מהלך והאם מהלך זה צפוי להיות בטוח. על ידי שילוב זיהוי כוונה מוקדם עם מבט מפורט על הסיכון, המסגרת המוצעת יכולה להניע מערכות סיוע נהג עתידיות שיפריעו לנהג, יתאימו מהירות או אף ידחו החלפת נתיב כשהתנאים נראים מסוכנים. אף על פי שהעבודה מבוססת על נתוני סימולטור ומתמקדת בתרחישי אוטוסטרדה עם מספר מוגבל של כלי רכב סמוכים, היא מניחה בסיס חשוב לרכבים חכמים ולרכבים מקושרים שעוזרים זה לזה לנווט בכבישים מושלגים וקפואים עם פחות הפתעות ופחות תאונות.

ציטוט: 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

מילות מפתח: בטיחות בנהיגה בחורף, סיכון בהחלפת נתיב, כוונת הנהג, רכבים חכמים, למידת מכונה בתנועה