Identificatie van dynamische rijstijlen op basis van gedragsprimitieven

Waarom je rijgewoonten ertoe doen

Wie met verschillende bestuurders heeft meereden, weet dat sommige mensen soepel door het verkeer glijden terwijl anderen stoppen, optrekken en tussen rijstroken schieten. Die patronen zijn meer dan eigenaardigheden; ze beïnvloeden comfort, veiligheid en hoe toekomstige rijhulpen en zelfrijdende auto’s zich om ons heen zouden moeten gedragen. Deze studie bekijkt nauwkeurig hoe alledaags sturen, remmen en accelereren in kleine stukjes kan worden gesplitst om te laten zien of een bestuurder op een gegeven moment voorzichtig, gemiddeld of agressief is.

Ritten opdelen in kleine bouwstenen

De onderzoekers vertrekken van het idee dat een rit geen lange, uniforme handeling is. In plaats daarvan bestaat die uit korte segmenten, of “primitieven”, zoals rechtdoor rijden met constante snelheid, scherp afremmen of sturen tijdens accelereren. Met een rijsimulator verzamelden ze ongeveer vijf uur aan data van 17 bestuurders die dezelfde route reden met rustig verkeer en een paar gescripte verrassingen. Uit de continue stroom van snelheid, versnelling en stuurinformatie splitsten ze 2.763 kleine segmenten, elk representatief voor een kort, fysiek betekenisvol bewegingspatroon.

Gemeenschappelijke patronen vinden in de chaos

Om al die segmenten te ordenen, gebruikte het team ongecontroleerde datamethoden die niet afhankelijk zijn van menselijke labels of vragenlijsten. Eerst scheidden ze bewegingen dwars op de weg van bewegingen langs de weg, en vervolgens pasten ze een tweestapsproces toe om te bepalen waar het ene patroon eindigde en het andere begon. Daarna groepeerden ze de resulterende segmenten in vijf hoofdtypen primitieven met onderscheidende betekenissen: bijvoorbeeld rechtdoor bij gemiddelde snelheid met milde variaties, linksaf slaan bij gemiddelde snelheid, langzaam kruipen terwijl zacht wordt afgeremd, hard rijden met hevig remmen, en rechtsaf slaan tijdens snel accelereren. Hoewel individuele segmenten varieerden in lengte en exacte waarden, deelden segmenten binnen dezelfde groep vergelijkbare tijdsprofielen.

Gedrag omzetten in risiconiveaus

Zodra de primitieve typen waren vastgesteld, onderzochten de onderzoekers hoe riskant elk type gewoonlijk was. Ze vatten elke groep samen met basisstatistieken zoals gemiddelde snelheid, hoe scherp werd gestuurd en hoe sterk die waarden fluctueerden. Uit deze acht eenvoudige kenmerken berekenden ze een "risico-index" voor elk primitief type. Vervolgens bestudeerden ze hoe bestuurders van het ene primitief naar het andere overgingen, bijvoorbeeld van langzaam rechtdoor rijden naar hard remmen, en hoe vaak zulke overgangen voorkwamen. Overgangen die gepaard gingen met een grote sprong in risico, een riskant volgend segment en een zelden gebruikte sprong werden als bijzonder riskant beschouwd. Op deze manier droegen zowel wat de bestuurder deed als hoe hij daar kwam bij aan een moment-tot-moment beeld van de veiligheid.

Momenten scoren als voorzichtig, normaal of agressief

Om de rijstijl op elk tijdsegment te beoordelen, bouwde de studie een eenvoudige scoreformule die drie ingrediënten combineert: het risico van het huidige primitief, het risico van de overgang die ertoe leidde, en het risico van de overgang die erop volgt. Objectieve statistieken bepaalden hoeveel gewicht elk ingrediënt kreeg. Het resultaat was een stijlscore voor elk moment, op een schaal waarbij hogere waarden meer agressief gedrag aanduidden. Een zwermgeïnspireerde zoekmethode koos vervolgens automatisch twee afkapwaarden op deze schaal, waardoor de data werden opgesplitst in voorzichtig, normaal en agressief zodat elke groep zo onderscheidend mogelijk werd.

Wat de patronen over echte bestuurders onthullen

Toepassing van dit raamwerk op de 17 bestuurders liet zien dat het grootste deel van hun tijd in het normale bereik viel, met minder voorzichtige momenten en het minst aantal agressieve momenten. Veel bestuurders waren voorzichtig bij het begin en einde van de route en werden assertiever halverwege zodra ze zich op hun gemak voelden. Sommige bestuurders, die vaak gebruikmaakten van hoog-risico primitieve typen en risicovolle overgangen, voltooiden de route veel sneller en werden op lange termijn als agressief bestempeld. Anderen vertrouwden sterk op laag-risicopatronen en hadden langere reistijden, wat overeenkomt met een overwegend voorzichtige stijl. Hoewel wegsituaties iedereen tijdelijk tot krachtigere acties konden aanzetten, bleef ieders onderliggende stijl redelijk stabiel wanneer die over een hele rit werd bekeken.

Waarom dit belangrijk is voor toekomstige auto’s

Door rijden op te delen in kleine, betekenisvolle eenheden en te volgen hoe die in de loop van de tijd veranderen, toont deze studie een manier om rijstijl seconde-voor-seconde te volgen in plaats van te vertrouwen op brede, vaste labels. Voor leken betekent dit dat auto’s en rijhulpsystemen op termijn niet alleen kunnen reageren op waar een voertuig zich op de weg bevindt, maar ook op hoe de bestuurder geneigd is te handelen en hoe dat gedrag op dat moment verandert. Zulke bewustzijn kan gemeenschappelijke wegen veiliger maken en helpen dat geautomatiseerde voertuigen zich natuurlijker in menselijke verkeersstromen voegen.

Bronvermelding: Zheng, X., Kang, W., Ren, Y. et al. Identification of dynamic driving styles based on behavioral primitives. Sci Rep 16, 15144 (2026). https://doi.org/10.1038/s41598-026-38787-y

Trefwoorden: rijstijl, bestuurdersgedrag, verkeersveiligheid, autonome voertuigen, risicobeoordeling