Динамическая модель прогнозирования риска перестроения на основе распознавания намерений водителя на обледенелых и заснеженных покрытиях

Почему перестроения зимой важны

Для тех, кто сжимал руль чуть крепче на заснеженной трассе, перестроения могут казаться самой пугающей частью зимнего вождения. Скользкое покрытие, увеличенные тормозные пути и нервные реакции повышают вероятность того, что простый маневр обгона медленной машины может закончиться плохо. В этом исследовании рассматривается, как предсказать опасность перестроения за несколько секунд до его начала, используя не только поведение автомобиля на дороге, но и то, как водитель смотрит и реагирует внутри салона. Цель — дать будущим автомобилям и системам помощи водителю достаточно раннего предупреждения, чтобы предотвратить аварии на льду и снегу.

Тщательное изучение зимнего вождения

Чтобы безопасно изучать рискованные ситуации, исследователи построили высокореалистичный тренажёр вместо того, чтобы отправлять людей на настоящие заснеженные трассы. Добровольцы сидели в полноценной кабине автомобиля, установленной на платформе с движением, перед широким изогнутым экраном, который воспроизводил реальную китайскую автомагистраль в обычных и заснеженных условиях. На виртуальной трассе было умеренное движение: окружающие автомобили и грузовики двигались естественно. Одновременно с этим три типа данных записывались с высокой частотой: движение транспортных средств на дороге, движения глаз и головы водителя, а также телесные сигналы, такие как активность сердца и кожи. Такое богатое сочетание информации фиксировало не только положение и скорость автомобиля, но и степень напряжённости, сосредоточенности и активности водителя в процессе подготовки к перестроению.

От намерения водителя к раннему предупреждению

Один из ключевых выводов этой работы состоит в том, что опасность начинается не тогда, когда автомобиль фактически начинает уходить в соседнюю полосу. Она начинается тогда, когда водитель впервые задумывается о маневре. На обледенелых дорогах этот «период намерения» в среднем длился около 6,1 секунды — более чем на треть дольше, чем на сухом покрытии — поскольку водителям требуется больше времени, чтобы проверить зеркала, оценить разрыв и набраться уверенности. Команда использовала продвинутую разновидность рекуррентной нейронной сети для распознавания скрытого намерения по временным рядам. Подавая на вход данные о рулевом управлении, движениях глаз, телесных сигналах и движении ближайших автомобилей, их модель Multi‑BiLSTM могла определить, готовится ли водитель к перестроению влево, вправо или остаётся в полосе, с точностью около 96–98% даже в зимних условиях.

Преобразование сложного движения в оценку риска

Распознавание намерения — это только половина задачи; вторая половина — оценка того, насколько рискованным будет предполагаемое перестроение. Исследователи объединили две идеи, которые по‑разному отражают опасность. Одна описывает, как скоро два транспортных средства столкнутся, если сохранят текущие скорости и траектории, а другая сопоставляет расстояние, необходимое для безопасной остановки, с фактически доступным запасом тормозного пути, учитывая уменьшенное сцепление на льду и снегу. Эти показатели, отражающие и временной фактор, и дистанцию, были преобразованы в вероятности экспозиции и тяжести, а затем объединены в единый индекс риска перестроения. Вместо выбора искусственных порогов команда позволила алгоритму кластеризации сгруппировать миллионы смоделированных моментов в три естественных диапазона: низкий, средний и высокий риск. Большинство ситуаций оказалось низкорисковыми, но на скользких дорогах возникало значительно больше событий со средней и высокой степенью риска, чем на обычных покрытиях.

Умные модели для решений за доли секунды

Для прогнозирования того, в какой диапазон риска попадет перестроение, авторы обучили быстрый деревоподобный модельный алгоритм машинного обучения LightGBM. Он использовал лишь тщательно отобранный набор признаков из периода намерения водителя — такие как активность рулевого управления, телесные сигналы стресса, динамика автомобиля и расстояния до ближайших машин — вместе с заранее вычисленной меткой риска на этапе исполнения маневра. По сравнению с другими популярными методами, такими как случайные леса, опорные векторы и XGBoost, модель LightGBM показала лучшие результаты. Она правильно классифицировала риск зимних перестроений примерно в 97,5% случаев и особенно хорошо избегала самой опасной ошибки: определения по-настоящему высокого риска как «низкий». Конструкция модели также позволяет инженерам увидеть, какие факторы сильнее всего тянут ситуацию к опасности, что повышает прозрачность системы.

Что это значит для более безопасных зимних дорог

Проще говоря, это исследование показывает, что автомобили можно научить «чувствовать» не только насколько скользко покрытие и как близко находятся другие машины, но и когда водитель собирается совершить маневр и насколько этот маневр вероятно будет безопасен. Объединив раннее распознавание намерений с детальной оценкой риска, предложенная структура может обеспечить будущие системы помощи водителю, которые предупреждают водителя, корректируют скорость или даже задерживают перестроение, когда условия неблагоприятны. Хотя работа основана на данных симулятора и сосредоточена на шоссейных сценариях с ограниченным числом ближайших транспортных средств, она закладывает важную основу для интеллектуальных и взаимосвязанных автомобилей, которые помогут друг другу безопаснее двигаться по льду и снегу, снижая количество сюрпризов и аварий.

Цитирование: 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

Ключевые слова: безопасность зимнего вождения, риск перестроения, намерение водителя, интеллектуальные автомобили, машинное обучение в дорожном движении