Identifiering av dynamiska körstilar baserat på beteendeprimitiver

Varför dina körvanor spelar roll

Alla som kört med olika förare vet att vissa glider smidigt genom trafiken medan andra stannar, startar och skuttar mellan körfält. Dessa mönster är mer än egenheter; de påverkar komfort, säkerhet och hur framtida assisterade och självkörande bilar bör bete sig runt oss. Denna studie granskar noggrant hur vardaglig styrning, inbromsning och acceleration kan delas upp i små beståndsdelar för att avslöja om en förare är försiktig, genomsnittlig eller aggressiv vid ett givet ögonblick.

Att dela upp resor i små byggstenar

Forskarna utgår från idén att en körning inte är ett långt, enhetligt beteende. Istället består den av korta segment, eller ”primitiver”, såsom att köra rakt i jämn hastighet, bromsa kraftigt eller svänga samtidigt som man accelererar. Med en körsimulator samlade de cirka fem timmars data från 17 förare som färdades samma rutt med lugn trafik och några förutbestämda överraskningar. Från den kontinuerliga strömmen av hastighets-, accelerations- och styrdata skar de ut 2 763 små segment, där varje segment representerar ett kort, fysiskt meningsfullt rörelsemönster.

Hitta gemensamma mönster i kaoset

För att organisera dessa många segment använde teamet osuperviserade datametoder som inte förlitar sig på mänskliga etiketter eller enkäter. Först separerade de rörelser tvärs över vägen från rörelser längs vägen, och sedan tillämpade de en tvåstegsprocess för att lokalisera var ett mönster slutade och ett annat började. Därefter grupperade de segmenten i fem huvudtyper av primitiver med distinkta betydelser: till exempel köra rakt i medelhastighet med mjuka förändringar, svänga vänster i medelhastighet, sakta krypkörning rakt fram med lätt inbromsning, köra snabbt rakt fram samtidigt som man bromsar hårt, och svänga höger medan man accelererar kraftigt. Även om individuella segment varierade i längd och exakta värden delade de inom samma grupp liknande former över tiden.

Att omvandla beteende till risknivåer

När primitivtyperna var etablerade frågade sig forskarna hur riskfyllda var och en tenderade att vara. De sammanfattade varje grupp med grundläggande statistik som genomsnittshastighet, hur kraftigt fordonet svängde och hur mycket dessa värden fluktuerade. Utifrån dessa åtta enkla features beräknade de ett ”riskindex” för varje primitivtyp. De studerade sedan hur förare gick från en primitiv till en annan, till exempel från långsam rakt körning till hård inbromsning, och hur ofta varje övergång inträffade. Övergångar som kombinerade ett stort hopp i risk, ett riskfyllt nästa segment och en sällan använd övergång behandlades som särskilt riskfyllda. På detta sätt bidrog både vad föraren gjorde och hur denne kom dit till en övergripande bild av säkerhet ögonblick för ögonblick.

Poängsättning av försiktiga, normala och aggressiva ögonblick

För att bedöma körstil för varje segment i tiden byggde studien en enkel poängformel som blandar tre komponenter: risken för den aktuella primitiva, risken för övergången som ledde in i den, och risken för övergången som följer. Objektiva statistiska metoder bestämde hur stor vikt varje ingrediens skulle ha. Resultatet blev en stilpoäng för varje ögonblick, på en skala där högre värden betydde mer aggressivt beteende. En svärm-inspirerad sökmetod valde sedan automatiskt två gränspunkter på denna skala och delade in data i försiktig, normal och aggressiv stil så att varje grupp blev så distinkt som möjligt.

Vad mönstren avslöjar om verkliga förare

Tillämpningen av detta ramverk på de 17 förarna visade att det mesta av deras tid tillbringades i det normala intervallet, med färre försiktiga ögonblick och allra minst aggressiva. Många förare var försiktiga vid start och slut av rutten och blev mer bestämda mitt under resan när de kände sig bekväma. Vissa förare, som ofta använde hög-risk-primitiver och riskfyllda övergångar, avslutade rutten mycket snabbare och klassificerades som aggressiva över tid. Andra förlitade sig tungt på låg-risk-mönster och hade längre restider, vilket stämde överens med en övergripande försiktig stil. Även om väg-händelser kunde pressa vem som helst till mer kraftfulla handlingar under korta perioder, förblev varje persons grundläggande stil relativt stabil när den betraktades över hela körningen.

Varför detta har betydelse för framtidens bilar

Genom att skiva upp körning i små, meningsfulla enheter och observera hur de förändras över tiden visar denna studie ett sätt att följa körstil sekund för sekund, istället för att förlita sig på breda, fasta etiketter. För en lekman innebär detta att bilar och förarstödsystem en dag skulle kunna reagera inte bara på var ett fordon befinner sig på vägen, utan också på hur dess förare tenderar att bete sig och hur det beteendet förändras i ögonblicket. En sådan medvetenhet skulle kunna göra gemensamma vägar säkrare och hjälpa automatiserade fordon att smälta in mer naturligt med mänskliga förare.

Citering: 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

Nyckelord: körstil, förares beteende, trafiksäkerhet, autonoma fordon, riskbedömning