En dynamisk ram för riskprediktion vid filbyten baserad på igenkänning av köravsikt på isiga och snöiga ytor

Varför filbyten vintertid är viktiga

För den som håller ratten lite hårdare på en snötäckt motorväg kan filbyten kännas som den mest skrämmande delen av vinterkörningen. Hal väg, längre stoppsträckor och nervösa reaktioner ökar alla risken för att en enkel manöver för att köra om en långsammare bil ska sluta illa. Denna studie undersöker hur man kan förutsäga faran vid ett filbyte flera sekunder innan det inträffar, genom att använda inte bara vad fordonet gör på vägen utan också hur föraren ser ut och reagerar inne i bilen. Målet är att ge framtida fordon och förarassistanssystem tillräcklig varning för att förhindra olyckor på isiga och snöiga vägar.

En noggrann titt på vinterkörning

För att säkert studera riskfyllda situationer byggde forskarna en mycket realistisk körrsimulator i stället för att skicka människor ut på riktiga isiga motorvägar. Försökspersoner satt i en fullständig bilhytt monterad på en rörelseplattform, vända mot en bred böjd skärm som återskapade en verklig kinesisk motorväg både i normala och snötäckta förhållanden. Den virtuella motorvägen hade måttlig trafik, med omkringliggande bilar och lastbilar som rörde sig naturligt. Samtidigt spelades tre typer av data in med hög hastighet: fordonens rörelser på vägen, förarens ögon‑ och huvudrörelser samt kroppssignaler som hjärt‑ och hudaktivitet. Denna rika informationsmix fångade inte bara var bilen befann sig och hur snabbt den rörde sig, utan också hur spänd, fokuserad och aktiv föraren var när hen förberedde sig för att byta fil.

Från föraravsikt till tidig varning

Ett viktigt insikts i detta arbete är att faran inte börjar när bilen faktiskt börjar glida in i nästa fil. Den börjar när föraren först tänker på att göra manövern. På isiga vägar visade sig denna »avsiktsperiod« i genomsnitt vara ungefär 6,1 sekunder lång—över en tredjedel längre än på torrt underlag—eftersom förare behöver mer tid för att kontrollera speglar, bedöma luckor och bygga upp förtroende. Teamet använde en avancerad typ av återkommande neuralt nätverk för att känna igen denna dolda avsikt från tidsseriedata. Genom att mata in styrbeteende, ögonrörelser, kroppssignaler och rörelser hos närliggande fordon kunde deras Multi‑BiLSTM‑modell avgöra om föraren förberedde ett vänsterfilbyte, högerfilbyte eller att stanna i filen, med en noggrannhet på omkring 96–98 % även under vinterförhållanden.

Att omvandla komplex rörelse till ett riskscore

Att känna igen avsikt är bara halva historien; den andra halvan är att bedöma hur riskfyllt det avsedda filbytet kommer att vara. Forskarna kombinerade två idéer som fångar fara på olika sätt. Den ena beskriver hur snart två fordon skulle kollidera om de behöll sina nuvarande hastigheter och banor, medan den andra jämför den sträcka som krävs för att stanna säkert med den sträcka som faktiskt finns tillgänglig, med hänsyn till det minskade väggreppet på is och snö. Dessa mått, som speglar både tidsaspekten och avståndet, omvandlades till sannolikheter för exponering och allvarlighetsgrad och fusionerades sedan till ett enda riskindex för filbyte. I stället för att välja människoskaptad gräns lät teamet en klustringsalgoritm gruppera miljontals simulerade ögonblick i tre naturliga band: låg, medel och hög risk. De flesta situationer var lågrisk, men isiga vägar gav betydligt fler medel‑ och högriskhändelser än normala vägar.

Smarta modeller för avgöranden i bråkdelen av en sekund

För att förutsäga i vilket riskband ett filbyte skulle hamna tränade författarna en snabb träd‑baserad maskininlärningsmodell kallad LightGBM. Den använde endast ett noggrant urval av funktioner från föraravsiktsperioden—såsom styraktivitet, kroppens stressignaler, fordonsrörelser och avstånd till omgivande bilar—tillsammans med den förhandsberäknade risketiketten från den senare utförandet av manövern. Jämfört med andra populära metoder som slumpmässiga skogar, supportvektormaskiner och XGBoost presterade LightGBM‑modellen bäst. Den klassificerade vinterfilbytesrisk korrekt i cirka 97,5 % av fallen och var särskilt bra på att undvika det farligaste misstaget: att kalla en verkligt högriskmanöver för »lågrisk«. Modellens design gör det också möjligt för ingenjörer att se vilka faktorer som starkast driver en situation mot fara, vilket bidrar till systemets transparens.

Vad detta betyder för säkrare vintervägar

Enkelt uttryckt visar denna studie att bilar kan läras att »känna av« inte bara hur hal vägen är och hur nära andra fordon ligger, utan också när en förare är på väg att göra en manöver och om den manövern sannolikt är säker. Genom att kombinera tidig avsiktsigenkänning med en detaljerad riskbild kan den föreslagna ramen driva framtida förarassistanssystem som varnar förare, justerar hastigheten eller till och med fördröjer ett filbyte när förhållandena ser dåliga ut. Även om arbetet bygger på simulatordata och fokuserar på motorvägsscenarier med ett begränsat antal närliggande fordon, lägger det viktig grund för intelligenta fordon och uppkopplade bilar som hjälper varandra att navigera isiga och snöiga vägar med färre överraskningar och färre olyckor.

Citering: 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

Nyckelord: vinterkörsäkerhet, risk vid filbyte, föraravsikt, intelligenta fordon, maskininlärning i trafik