Dynamiczne ramy prognozowania ryzyka zmiany pasa ruchu oparte na rozpoznawaniu intencji kierowcy na nawierzchniach oblodzonych i zaśnieżonych

Dlaczego zmiany pasa zimą mają znaczenie

Dla każdego, kto mocniej ściskał kierownicę na zaśnieżonej autostradzie, zmiany pasa mogą wydawać się najbardziej przerażającym aspektem jazdy zimą. Śliska nawierzchnia, wydłużone drogi hamowania i nerwowe reakcje zwiększają prawdopodobieństwo, że proste manewry wyprzedzania wolniejszego samochodu mogą skończyć się źle. W tym badaniu analizuje się, jak przewidzieć niebezpieczeństwo zmiany pasa na kilka sekund przed jej wykonaniem, wykorzystując nie tylko zachowanie pojazdu na drodze, lecz także to, jak kierowca patrzy i reaguje wewnątrz kabiny. Celem jest dostarczenie przyszłym samochodom i systemom wspomagania kierowcy wystarczającego ostrzeżenia, aby zapobiec wypadkom na oblodzonych i zaśnieżonych drogach.

Dokładne badanie jazdy zimą

Aby bezpiecznie badać sytuacje ryzykowne, badacze zbudowali wysoce realistyczny symulator jazdy zamiast wysyłać ochotników na prawdziwe oblodzone autostrady. Ochotnicy siedzieli w pełnej kabinie samochodu zamontowanej na platformie ruchomej, przed szerokim, zakrzywionym ekranem odtwarzającym rzeczywistą chińską ekspresówkę w warunkach suchych i pokrytych śniegiem. Wirtualna autostrada miała umiarkowany ruch, z otaczającymi samochodami i ciężarówkami poruszającymi się naturalnie. Jednocześnie rejestrowano trzy rodzaje danych z dużą prędkością: ruch pojazdów na drodze, ruchy oczu i głowy kierowcy oraz sygnały ciała, takie jak aktywność serca i skóry. Ten bogaty zbiór informacji uchwycił nie tylko pozycję i prędkość samochodu, lecz także poziom napięcia, skupienia i aktywności kierowcy podczas przygotowań do zmiany pasa.

Od intencji kierowcy do wczesnego ostrzegania

Jednym z kluczowych wniosków jest to, że niebezpieczeństwo nie zaczyna się w momencie, gdy samochód faktycznie zaczyna zjeżdżać na sąsiedni pas. Zaczyna się, gdy kierowca po raz pierwszy myśli o wykonaniu manewru. Na oblodzonych drogach okres tej „intencji” trwał średnio około 6,1 sekundy — o ponad jedną trzecią dłużej niż na suchej nawierzchni — ponieważ kierowcy potrzebują więcej czasu na sprawdzenie lusterek, ocenę luk i nabranie pewności. Zespół użył zaawansowanej odmiany rekurencyjnej sieci neuronowej do rozpoznawania tej ukrytej intencji z danych szeregów czasowych. Podając informacje o zachowaniu kierownicy, ruchach oczu, sygnałach ciała i ruchu pobliskich pojazdów, ich model Multi-BiLSTM potrafił określić, czy kierowca przygotowuje manewr zmiany pasa w lewo, w prawo, czy pozostanie na pasie, z dokładnością około 96–98% nawet w warunkach zimowych.

Przekształcanie złożonego ruchu w ocenę ryzyka

Rozpoznanie intencji to tylko połowa historii; druga połowa to ocena, jak ryzykowna będzie zamierzona zmiana pasa. Badacze połączyli dwa podejścia, które uchwycają niebezpieczeństwo z różnych perspektyw. Jedno opisuje, jak szybko dwa pojazdy zderzyłyby się, gdyby utrzymały obecne prędkości i trajektorie, natomiast drugie porównuje odległość potrzebną do bezpiecznego zatrzymania z odległością faktycznie dostępną, uwzględniając zmniejszoną przyczepność lodu i śniegu. Te miary, odzwierciedlające zarówno timing, jak i odstępy, zamieniono na prawdopodobieństwa narażenia i ciężkości, a następnie zintegrowano w jedyny indeks ryzyka zmiany pasa. Zamiast stosować ręcznie ustalone progi, zespół pozwolił algorytmowi grupującemu podzielić miliony symulowanych momentów na trzy naturalne kategorie: niskie, średnie i wysokie ryzyko. Większość sytuacji okazała się o niskim ryzyku, ale drogi oblodzone generowały znacznie więcej zdarzeń o średnim i wysokim ryzyku niż drogi normalne.

Inteligentne modele dla decyzji w ułamku sekundy

Aby przewidzieć, do którego przedziału ryzyka trafi zmiana pasa, autorzy wytrenowali szybki, oparty na drzewach model uczenia maszynowego o nazwie LightGBM. Korzystał on jedynie ze starannie dobranego zestawu cech z okresu intencji kierowcy — takich jak aktywność kierownicy, sygnały stresu ciała, ruch pojazdu i odległości do otaczających aut — wraz z wcześniej obliczoną etykietą ryzyka z późniejszego wykonania manewru. W porównaniu z innymi popularnymi metodami, takimi jak random forests, maszyny wektorów nośnych czy XGBoost, model LightGBM okazał się najlepszy. Poprawnie klasyfikował zimowe ryzyko zmiany pasa w około 97,5% przypadków i szczególnie dobrze unikał najgroźniejszego błędu: zaklasyfikowania rzeczywiście wysokiego ryzyka jako niskiego. Konstrukcja modelu pozwala też inżynierom zobaczyć, które czynniki najsilniej przesuwają sytuację w kierunku niebezpieczeństwa, co zwiększa przejrzystość systemu.

Co to oznacza dla bezpieczniejszych dróg zimą

Mówiąc prosto, badanie pokazuje, że samochody można nauczyć „wyczuwać” nie tylko to, jak śliska jest droga i jak blisko znajdują się inne pojazdy, lecz także kiedy kierowca zamierza wykonać manewr i czy ten manewr prawdopodobnie będzie bezpieczny. Łącząc wczesne rozpoznawanie intencji z szczegółową oceną ryzyka, proponowane ramy mogą zasilać przyszłe systemy wspomagania kierowcy, które będą ostrzegać kierowców, dostosowywać prędkość lub nawet opóźniać zmianę pasa, gdy warunki będą niekorzystne. Chociaż praca opiera się na danych z symulatora i koncentruje się na scenariuszach autostradowych z ograniczoną liczbą pobliskich pojazdów, stanowi ważny fundament dla inteligentnych i połączonych pojazdów, które pomogą nawzajem poruszać się po oblodzonych i zaśnieżonych drogach z mniejszą liczbą niespodzianek i wypadków.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo jazdy zimą, ryzyko zmiany pasa, intencja kierowcy, pojazdy inteligentne, uczenie maszynowe w ruchu drogowym