Um quadro dinâmico de previsão de risco de mudança de faixa baseado no reconhecimento da intenção de dirigir em superfícies com gelo e neve

Por que as mudanças de faixa no inverno importam

Para quem já apertou o volante um pouco mais forte em uma rodovia coberta de neve, mudar de faixa pode parecer a parte mais assustadora da condução no inverno. Pavimento escorregadio, maiores distâncias de frenagem e reações nervosas elevam a probabilidade de que uma simples manobra para ultrapassar um carro mais lento termine mal. Este estudo investiga como prever o perigo de uma mudança de faixa alguns segundos antes de ela ocorrer, usando não apenas o comportamento do veículo na via, mas também como o motorista olha e reage dentro do carro. O objetivo é dar a carros futuros e sistemas de assistência ao condutor aviso suficiente para prevenir acidentes em estradas com gelo e neve.

Analisando de perto a condução no inverno

Para estudar situações de risco com segurança, os pesquisadores construíram um simulador de direção altamente realista em vez de enviar pessoas para rodovias geladas reais. Voluntários sentaram-se em uma cabine de carro completa montada sobre uma plataforma de movimento, diante de uma ampla tela curva que recriou uma rodovia expressa chinesa real em condições normais e cobertas de neve. A rodovia virtual tinha tráfego moderado, com carros e caminhões ao redor movendo‑se naturalmente. Ao mesmo tempo, três tipos de dados foram registrados em alta velocidade: o movimento dos veículos na via, os movimentos dos olhos e da cabeça do motorista, e sinais corporais como atividade cardíaca e da pele. Essa mistura rica de informações capturou não só onde o carro estava e quão rápido se movia, mas também quão tenso, concentrado e ativo o motorista estava enquanto se preparava para mudar de faixa.

Da intenção do motorista ao aviso precoce

Um insight-chave deste trabalho é que o perigo não começa quando o carro efetivamente começa a se deslocar para a faixa seguinte. Ele começa quando o motorista pensa pela primeira vez em fazer a manobra. Em estradas geladas, esse “período de intenção” durou em média cerca de 6,1 segundos—mais de um terço a mais do que em pavimento seco—porque os motoristas precisam de mais tempo para verificar espelhos, julgar espaços e ganhar confiança. A equipe usou um tipo avançado de rede neural recorrente para reconhecer essa intenção oculta a partir de dados em série temporal. Ao alimentar comportamentos de direção, movimentos oculares, sinais corporais e o movimento dos veículos próximos, seu modelo Multi‑BiLSTM conseguiu identificar se o motorista estava preparando uma mudança de faixa à esquerda, à direita ou apenas permanecendo na faixa, com precisão em torno de 96–98% mesmo em condições de inverno.

Transformando movimento complexo em um índice de risco

Reconhecer a intenção é apenas metade da história; a outra metade é avaliar quão arriscada será a mudança de faixa pretendida. Os pesquisadores combinaram duas ideias que capturam o perigo de maneiras diferentes. Uma descreve quão cedo dois veículos colidiriam se mantivessem suas velocidades e trajetórias atuais, enquanto a outra compara a distância necessária para parar com segurança com a distância realmente disponível, levando em conta a aderência reduzida por gelo e neve. Essas medidas, refletindo tanto o tempo quanto o espaçamento, foram transformadas em probabilidades de exposição e severidade e então fundidas em um único índice de risco de mudança de faixa. Em vez de escolher limites impostos por humanos, a equipe deixou um algoritmo de cluster agrupar milhões de momentos simulados em três faixas naturais: baixo, médio e alto risco. A maioria das situações foi de baixo risco, mas estradas geladas produziram muito mais eventos de risco médio e alto do que estradas normais.

Modelos inteligentes para decisões em frações de segundo

Para prever em qual faixa de risco uma mudança de faixa cairia, os autores treinaram um modelo de aprendizado de máquina rápido baseado em árvores chamado LightGBM. Ele usou apenas um conjunto cuidadosamente selecionado de características do período de intenção do motorista—como atividade de direção, sinais de estresse corporal, movimento do veículo e distâncias até veículos ao redor—junto com o rótulo de risco pré‑computado da execução posterior da manobra. Quando comparado com outros métodos populares como florestas aleatórias, máquinas de vetor de suporte e XGBoost, o modelo LightGBM se destacou. Ele classificou corretamente o risco de mudança de faixa no inverno em cerca de 97,5% das vezes e foi especialmente bom em evitar o erro mais perigoso: rotular uma manobra realmente de alto risco como “baixo risco”. O projeto do modelo também permite que engenheiros vejam quais fatores mais fortemente empurram uma situação em direção ao perigo, ajudando a manter o sistema transparente.

O que isso significa para estradas de inverno mais seguras

Em termos simples, este estudo mostra que carros podem ser ensinados a “sentir” não apenas quão escorregadia é a via e quão próximos estão outros veículos, mas também quando um motorista está prestes a fazer uma manobra e se essa manobra provavelmente será segura. Ao combinar o reconhecimento precoce da intenção com uma visão detalhada do risco, o quadro proposto poderia alimentar futuros sistemas de assistência ao condutor que alertem motoristas, ajustem a velocidade ou até atrasem uma mudança de faixa quando as condições parecerem ruins. Embora o trabalho seja baseado em dados de simulador e foque em cenários rodoviários com um número limitado de veículos próximos, ele estabelece uma base importante para veículos inteligentes e conectados que ajudam uns aos outros a navegar por estradas com gelo e neve com menos surpresas e menos acidentes.

Citação: 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

Palavras-chave: segurança na condução no inverno, risco de mudança de faixa, intenção do motorista, veículos inteligentes, aprendizado de máquina no trânsito