Un quadro dinamico per la previsione del rischio nei cambi di corsia basato sul riconoscimento dell’intenzione di guida su superfici ghiacciate e innevate

Perché i cambi di corsia in inverno contano

Per chi ha serrato un po’ di più il volante su un’autostrada innevata, i cambi di corsia possono sembrare la parte più spaventosa della guida invernale. Pavimentazione scivolosa, distanze di arresto maggiori e reazioni nervose aumentano la probabilità che una semplice manovra per sorpassare un veicolo più lento possa finire male. Questo studio esplora come prevedere il pericolo di un cambio di corsia alcuni secondi prima che avvenga, usando non solo ciò che l’auto fa sulla strada, ma anche come il conducente guarda e reagisce all’interno del veicolo. L’obiettivo è fornire a future automobili e sistemi di assistenza alla guida un preavviso sufficiente per prevenire incidenti su strade ghiacciate e innevate.

Uno sguardo ravvicinato alla guida invernale

Per studiare in sicurezza le situazioni a rischio, i ricercatori hanno costruito un simulatore di guida altamente realistico invece di mandare persone su autostrade ghiacciate reali. I volontari si sono seduti in una cabina completa montata su una piattaforma di movimento, di fronte a uno schermo curvo ampio che ricreava un’autostrada cinese reale sia in condizioni normali sia con innevamento. L’autostrada virtuale presentava traffico moderato, con auto e camion circostanti che si muovevano in modo naturale. Allo stesso tempo sono stati registrati ad alta velocità tre tipi di dati: il movimento dei veicoli sulla strada, i movimenti oculari e della testa del conducente e segnali corporei come attività cardiaca e cutanea. Questa ricca combinazione di informazioni ha catturato non solo dove si trovava l’auto e quanto velocemente si muoveva, ma anche quanto il conducente fosse teso, concentrato e reattivo mentre si preparava a cambiare corsia.

Dall’intenzione del conducente all’allerta precoce

Un insight chiave di questo lavoro è che il pericolo non inizia quando l’auto comincia effettivamente a spostarsi nella corsia adiacente. Inizia quando il conducente pensa per la prima volta di effettuare la manovra. Su strade ghiacciate questo “periodo di intenzione” è risultato durare in media circa 6,1 secondi—oltre un terzo in più rispetto all’asfalto asciutto—perché i conducenti necessitano di più tempo per controllare gli specchietti, valutare i gap e acquisire fiducia. Il team ha usato una versione avanzata di reti neurali ricorrenti per riconoscere questa intenzione nascosta dai dati temporali. Alimentando il modello con comportamenti dello sterzo, movimenti oculari, segnali corporei e il movimento dei veicoli vicini, il loro modello Multi‑BiLSTM è stato in grado di distinguere se il conducente stesse preparando un cambio a sinistra, a destra o rimanere in corsia, con un’accuratezza intorno al 96–98% anche in condizioni invernali.

Trasformare movimenti complessi in un punteggio di rischio

Riconoscere l’intenzione è solo metà della storia; l’altra metà è valutare quanto rischioso sarà quel cambio di corsia pianificato. I ricercatori hanno combinato due idee che catturano il pericolo in modi diversi. Una descrive quanto presto due veicoli colliderebbero se mantenessero velocità e traiettorie correnti, mentre l’altra confronta la distanza necessaria per fermarsi in sicurezza con la distanza effettivamente disponibile, tenendo conto dell’aderenza ridotta di ghiaccio e neve. Queste misure, che riflettono sia il tempismo sia lo spazio disponibile, sono state trasformate in probabilità di esposizione e gravità e poi fuse in un unico indice di rischio per il cambio di corsia. Invece di scegliere soglie definite dall’uomo, il team ha lasciato che un algoritmo di clustering raggruppasse milioni di momenti simulati in tre fasce naturali: basso, medio e alto rischio. La maggior parte delle situazioni risultava a basso rischio, ma le strade ghiacciate producevano molti più eventi a rischio medio e alto rispetto alle strade normali.

Modelli intelligenti per decisioni in frazioni di secondo

Per prevedere in quale fascia di rischio sarebbe ricaduto un cambio di corsia, gli autori hanno addestrato un modello di machine learning veloce basato su alberi chiamato LightGBM. Ha usato solo un insieme accuratamente selezionato di caratteristiche dal periodo di intenzione del conducente—come l’attività dello sterzo, i segnali di stress corporeo, il movimento del veicolo e le distanze dai veicoli circostanti—insieme all’etichetta di rischio precomputata dall’esecuzione successiva della manovra. Confrontato con altri metodi popolari come random forest, support vector machine e XGBoost, il modello LightGBM è risultato il migliore. Ha classificato correttamente il rischio del cambio di corsia invernale circa il 97,5% delle volte ed è stato particolarmente efficace nell’evitare l’errore più pericoloso: definire “basso rischio” una manovra realmente ad alto rischio. Il design del modello permette anche agli ingegneri di vedere quali fattori spingono maggiormente una situazione verso il pericolo, contribuendo a mantenere il sistema trasparente.

Cosa significa per strade invernali più sicure

In termini semplici, questo studio dimostra che le auto possono essere addestrate a “percepire” non solo quanto sia scivolosa la strada e quanto siano vicini gli altri veicoli, ma anche quando un conducente sta per effettuare una manovra e se quella manovra sarà probabilmente sicura. Combinando il riconoscimento precoce dell’intenzione con una visione dettagliata del rischio, il quadro proposto potrebbe alimentare futuri sistemi di assistenza alla guida che avvisano il conducente, regolano la velocità o addirittura ritardano un cambio di corsia quando le condizioni sono avverse. Sebbene il lavoro si basi su dati di simulatore e si concentri su scenari autostradali con un numero limitato di veicoli nelle vicinanze, pone basi importanti per veicoli intelligenti e connessi che si aiutano a vicenda a percorrere strade ghiacciate e innevate con meno sorprese e meno incidenti.

Citazione: 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

Parole chiave: sicurezza nella guida invernale, rischio di cambio di corsia, intenzione del conducente, veicoli intelligenti, machine learning nel traffico