Een dynamisch voorspellingskader voor het risico van rijstrookwissels, gebaseerd op herkenning van rijintentie op ijzige en besneeuwde oppervlakken

Waarom rijstrookwissels in de winter ertoe doen

Voor wie het stuur in sneeuwachtige omstandigheden iets vaster heeft vastgeklemd, kunnen rijstrookwissels aanvoelen als het engste onderdeel van winterrijden. Glad wegdek, langere remwegen en nerveuze reacties verhogen allemaal de kans dat een simpele inhaalactie slecht afloopt. Deze studie onderzoekt hoe het gevaar van een rijstrookwissel enkele seconden vóór de uitvoering kan worden voorspeld, waarbij niet alleen gekeken wordt naar het voertuiggedrag op de weg, maar ook naar hoe de bestuurder binnenin kijkt en reageert. Het doel is om toekomstige auto’s en bestuurdersassistentiesystemen voldoende waarschuwing te geven om ongevallen op ijzige en besneeuwde wegen te voorkomen.

Nauwkeuriger kijken naar winterrijden

Om risicovolle situaties op een veilige manier te bestuderen, bouwden de onderzoekers een zeer realistische rijsimulator in plaats van proefpersonen op echte ijzige snelwegen te sturen. Vrijwilligers namen plaats in een volledige auto-inrichting op een bewegingsplatform, voor een brede, gebogen schermopstelling die een echte Chinese snelweg nabootste in zowel normale als met sneeuw bedekte omstandigheden. De virtuele snelweg had matige verkeersintensiteit, met omringende auto’s en vrachtwagens die natuurlijk bewogen. Tegelijkertijd werden drie soorten gegevens op hoge snelheid vastgelegd: de beweging van de voertuigen op de weg, de oog- en hoofdbewegingen van de bestuurder, en lichaamssignalen zoals hart- en huidactiviteit. Deze rijke mix aan informatie legde niet alleen vast waar de auto zich bevond en hoe snel deze reed, maar ook hoe gespannen, gefocust en actief de bestuurder was tijdens het voorbereiden van een rijstrookwissel.

Van rijderintentie naar vroegtijdige waarschuwing

Een belangrijke conclusie van dit werk is dat het gevaar niet begint wanneer de auto daadwerkelijk begint te schuiven naar de volgende rijstrook. Het begint wanneer de bestuurder voor het eerst overweegt die manoeuvre uit te voeren. Op ijzige wegen bleek deze "intentieperiode" gemiddeld ongeveer 6,1 seconden te duren—ruim een derde langer dan op droog wegdek—omdat bestuurders meer tijd nodig hebben om spiegels te controleren, gaps te beoordelen en zelfvertrouwen op te bouwen. Het team gebruikte een geavanceerd type recurrent neuraal netwerk om deze verborgen intentie te herkennen uit tijdreeksgegevens. Door stuurroutines, oogbewegingen, lichaamsignalen en de beweging van nabije voertuigen in te voeren, kon hun Multi‑BiLSTM-model bepalen of de bestuurder een linker- of rechterrijstrookwissel voorbereidde of gewoon in de rijstrook bleef, met een nauwkeurigheid van ongeveer 96–98% zelfs onder winterse omstandigheden.

Complexe beweging omzetten in een risicoscore

Het herkennen van intentie is slechts de helft van het verhaal; de andere helft is het inschatten hoe risicovol die beoogde rijstrookwissel zal zijn. De onderzoekers combineerden twee ideeën die gevaar op verschillende manieren vastleggen. De ene beschrijft hoe snel twee voertuigen zouden botsen als ze hun huidige snelheden en trajecten aanhouden, terwijl de andere de afstand vergelijkt die nodig is om veilig tot stilstand te komen met de afstand die daadwerkelijk beschikbaar is, rekening houdend met de verminderde grip op ijs en sneeuw. Deze maatregelen, die zowel timing als afstand weerspiegelen, werden omgezet in waarschijnlijkheden van blootstelling en ernst en vervolgens samengevoegd tot één risicowaarde voor rijstrookwissels. In plaats van menselijke drempels te kiezen, liet het team een clusteringsalgoritme miljoenen gesimuleerde momenten in drie natuurlijke categorieën indelen: laag, gemiddeld en hoog risico. De meeste situaties vielen onder laag risico, maar ijzige wegen leverden veel meer middel- en hoogrisicoscenario’s op dan normale wegen.

Slimme modellen voor beslissingen in een fractie van een seconde

Om te voorspellen in welke risicocategorie een rijstrookwissel zou vallen, trainden de auteurs een snel, boomgebaseerd machine-learningmodel genaamd LightGBM. Het gebruikte alleen een zorgvuldig geselecteerde set kenmerken uit de intentieperiode van de bestuurder—zoals stuuractiviteit, lichamelijke stresssignalen, voertuigbeweging en afstanden tot omringende voertuigen—samen met het vooraf berekende risicolabel van de latere uitvoering van de manoeuvre. In vergelijking met andere gangbare methoden zoals random forests, support vector machines en XGBoost bleek het LightGBM-model het beste. Het classificeerde het winterse risico van rijstrookwissels ongeveer 97,5% correct en was vooral goed in het vermijden van de meest gevaarlijke fout: een werkelijk hoogrisico-manouvre als "laag risico" aanduiden. Het ontwerp van het model maakt het ook mogelijk voor ingenieurs om te zien welke factoren een situatie het sterkst naar gevaar duwen, wat helpt om het systeem transparant te houden.

Wat dit betekent voor veiligere winterwegen

In gewone bewoordingen toont deze studie aan dat auto’s kunnen worden geleerd om niet alleen te "voelen" hoe glad de weg is en hoe dicht andere voertuigen zijn, maar ook wanneer een bestuurder op het punt staat een manoeuvre uit te voeren en of die manoeuvre waarschijnlijk veilig zal zijn. Door vroege intentieherkenning te combineren met een gedetailleerd risicobeeld, kan het voorgestelde kader toekomstige bestuurdersassistentiesystemen aandrijven die bestuurders waarschuwen, de snelheid aanpassen of zelfs een rijstrookwissel uitstellen wanneer de omstandigheden slecht lijken. Hoewel het werk is gebaseerd op simulatorgegevens en zich richt op snelwegsituaties met een beperkt aantal nabijgelegen voertuigen, legt het belangrijk fundament voor intelligente voertuigen en verbonden auto’s die elkaar helpen ijzige en besneeuwde wegen met minder verrassingen en minder ongevallen te bevaren.

Bronvermelding: 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

Trefwoorden: veiligheid bij winterrijden, risico bij rijstrookwissel, rijderintentie, intelligente voertuigen, machinaal leren in verkeer