凍結・降雪路面における運転意図認識に基づく車線変更行動の動的リスク予測フレームワーク

なぜ冬の車線変更が重要か

雪の高速道路でハンドルをぎゅっと握ったことがある人なら、車線変更が冬の運転で最も緊張する場面になり得ることを実感しているはずです。滑りやすい路面、長くなる制動距離、そして神経質な反応が相まって、遅い車を追い越そうとする単純な操作が重大な結果を招く可能性が高まります。本研究は、車両の動きだけでなく、車内での運転者の視線や反応も利用して、車線変更が実際に起こる数秒前にその危険性を予測する方法を探ります。目的は、凍結や降雪の路面で衝突を未然に防ぐために、将来の車両や運転支援システムに十分な早期警告を与えることです。

冬季運転を詳細に観察する

危険な状況を安全に研究するために、研究者たちは実際の凍結路に人を送る代わりに高精度の運転シミュレータを構築しました。被験者はモーションプラットフォームに据えられた実車のキャビンに座り、広い湾曲スクリーンに映し出された中国の高速道路（通常路面と雪覆いの両方）を体験しました。仮想の高速道路は中程度の交通量で、周囲の車やトラックは自然に動いていました。同時に、高速で記録された3種類のデータが収集されました：路上の車両の運動、運転者の目や頭の動き、心拍や皮膚活動などの身体信号です。この豊富な情報により、車両の位置や速度だけでなく、車線変更を準備する際の運転者の緊張度、集中度、活動性まで捉えることができました。

運転者の意図から早期警告へ

本研究の重要な洞察の一つは、危険が始まるのは車両が実際に隣の車線へ移り始めた瞬間ではないという点です。それは運転者が最初にその動きを考え始めた時点から始まります。凍結路では、この「意図期間」は平均で約6.1秒続くことが分かりました。これは乾いた路面に比べて3分の1以上長く、運転者がミラー確認、隙間の判断、そして自信の構築により多くの時間を要するためです。研究チームは時系列データからこの隠れた意図を認識するために高度な再帰型ニューラルネットワークを用いました。操舵の挙動、眼球運動、身体信号、周辺車両の動きを入力として与えることで、彼らのMulti‑BiLSTMモデルは、左車線変更、右車線変更、または車線維持のいずれかを、冬期条件下でも約96〜98％の精度で識別できました。

複雑な運動をリスクスコアに変換する

意図の認識は物語の半分に過ぎません。残りの半分は、その意図された車線変更がどれほど危険かを評価することです。研究者たちは危険性を異なる角度から捉える2つの考え方を組み合わせました。一つは、両車両が現在の速度と進路を維持した場合にどれくらい早く衝突するかを示すもの、もう一つは氷雪によるグリップ低下を考慮して、安全に停止するために必要な距離を実際に利用可能な距離と比較するものです。これらの時間的・空間的指標は、曝露確率と重大度の確率に変換され、単一の車線変更リスク指標に統合されました。人為的な閾値を決める代わりに、チームはクラスタリングアルゴリズムにより数百万のシミュレーション時点を3つの自然な帯（低・中・高リスク）に分類させました。ほとんどの状況は低リスクでしたが、凍結路では中・高リスクの事象が通常路面よりもはるかに多く発生しました。

秒を争う判断のための賢いモデル

どのリスク帯に車線変更が該当するかを予測するために、著者らはLightGBMと呼ばれる高速なツリー系機械学習モデルを訓練しました。このモデルは、運転者の意図期間から慎重に選択された特徴量—操舵活動、身体的ストレス信号、車両の運動、周囲車両までの距離など—と、後の操作実行時に事前に算出されたリスクラベルのみを用いました。ランダムフォレスト、サポートベクターマシン、XGBoostといった他の一般的な手法と比較すると、LightGBMモデルが最良の結果を示しました。冬期の車線変更リスクを約97.5％の精度で正しく分類し、特に致命的な誤分類（真に高リスクな操作を「低リスク」と判断するミス）を回避する点で優れていました。モデル設計はまた、どの要因が状況を危険側に強く押しやるかを可視化できるため、システムの透明性維持にも寄与します。

より安全な冬季道路に向けて

平たく言えば、本研究は車が路面の滑りやすさや周囲車両の接近だけでなく、運転者が今まさに動こうとしているか、そしてその動きが安全かどうかを「感知」できるように教えられることを示しています。早期の意図認識と詳細なリスク評価を組み合わせることで、提案フレームワークは運転者に警告を発したり、速度を調整したり、状況が悪ければ車線変更を遅らせたりする将来の運転支援システムを支える可能性があります。本研究はシミュレータデータに基づき、周辺車両数が限定された高速道路シナリオに焦点を当てていますが、凍結や降雪の路上で互いに支援し合い、驚きや事故を減らすインテリジェント車両やコネクテッドカーの重要な基盤を築くものです。

引用: 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

キーワード: 冬季運転の安全性, 車線変更リスク, 運転者の意図, インテリジェントビークル, 交通における機械学習