Buzlu ve karlı yüzeylerde sürüş niyeti tanıma temelinde şerit değiştirme davranışının dinamik risk tahmin çerçevesi

Neden kışın şerit değişimleri önemlidir

Karla kaplı bir otoyolda direksiyonu biraz daha sıkı tutmuş olan herkes için şerit değişimleri kış sürüşünün en ürkütücü kısmı gibi gelebilir. Kaygan yol yüzeyi, artan durma mesafeleri ve gergin tepkiler, daha yavaş bir aracı sollama amacıyla yapılan basit bir hamlenin kötü sonuçlanma olasılığını artırır. Bu çalışma, sadece aracın yoldaki davranışını değil, aynı zamanda sürücünün içte nasıl baktığını ve reaksiyon verdiğini kullanarak, bir şerit değişiminin birkaç saniye öncesinde tehlikeyi nasıl tahmin edebileceğini araştırıyor. Amaç, geleceğin araçlarına ve sürücü yardımı sistemlerine buzlu ve karlı yollarda kazaları önleyecek kadar erken uyarı verebilme imkânı sağlamaktır.

Kış sürüşünü yakından incelemek

Riskli durumları güvenli şekilde çalışabilmek için araştırmacılar gerçek buzlu otoyollara insan göndermek yerine son derece gerçekçi bir sürüş simülatörü kurdular. Gönüllüler, hareket platformuna yerleştirilmiş tam bir araç kabininde oturdular ve hem normal hem de karla kaplı koşulları yeniden oluşturan geniş, kavisli bir ekrana bakarak gerçek bir Çin otoyolunu deneyimlediler. Sanal otoyol orta yoğunlukta trafik içeriyordu; çevredeki otomobiller ve kamyonlar doğal şekilde hareket ediyordu. Aynı anda üç tür veri yüksek hızda kaydedildi: yoldaki araçların hareketleri, sürücünün göz ve baş hareketleri ve kalp ile cilt aktivitesi gibi vücut sinyalleri. Bu zengin bilgi karışımı yalnızca aracın nerede ve nasıl hızlandığını değil, aynı zamanda sürücünün şerit değiştirmeye hazırlanırken ne kadar gergin, odaklanmış ve aktif olduğunu da yakaladı.

Sürücü niyetinden erken uyarıya

Bu çalışmadaki kilit çıkarımlardan biri, tehlikenin aracın gerçekten bir sonraki şeride kaymaya başlamasıyla değil, sürücünün ilk kez hamleyi yapmayı düşünmeye başladığı anda başladığıdır. Buzlu yollarda bu “niyet dönemi”nin ortalama yaklaşık 6,1 saniye sürdüğü bulundu—kuru zemine göre üçte birden fazla daha uzun—çünkü sürücüler aynaları kontrol etmek, boşlukları değerlendirmek ve güven kazanmak için daha fazla zamana ihtiyaç duyuyor. Ekip, bu gizli niyeti zaman serisi verilerinden tanımak için ileri düzey bir tekrarlayan sinir ağı türü kullandı. Direksiyon davranışı, göz hareketleri, vücut sinyalleri ve çevredeki araçların hareketleri modele verildiğinde, Multi‑BiLSTM modelleri sürücünün sol şerit değişikliğine, sağ şerit değişikliğine hazırlanıp hazırlanmadığını ya da şeritte kalmayı tercih ettiğini kış koşullarında dahi yaklaşık %96–%98 doğrulukla ayırt edebildi.

Karmaşık hareketi risk puanına dönüştürmek

Niyeti tanımak hikâyenin yalnızca yarısıdır; diğer yarısı ise amaçlanan şerit değişiminin ne kadar riskli olacağını değerlendirmektir. Araştırmacılar tehlikeyi farklı açılardan yakalayan iki fikri birleştirdiler. Biri, iki aracın mevcut hız ve yollarını koruması halinde ne kadar sürede çarpışacaklarını tanımlarken, diğeri güvenli bir şekilde durmak için gerekli mesafeyi mevcut mesafe ile karşılaştırır; bu, buz ve karın sürtünme azalmasını dikkate alır. Zamanlama ve mesafe unsurlarını yansıtan bu ölçümler maruz kalma ve şiddet olasılıklarına dönüştürüldü ve ardından tek bir şerit değiştirme risk indeksinde birleştirildi. İnsan yapımı eşik değerler seçmek yerine, ekip milyonlarca simüle edilmiş anı üç doğal banda ayırmak için bir kümeleme algoritmasına izin verdi: düşük, orta ve yüksek risk. Çoğu durum düşük risk grubundaydı, ancak buzlu yollar normal yollara göre çok daha fazla orta ve yüksek risk olayı üretti.

Anlık kararlar için akıllı modeller

Bir şerit değişiminin hangi risk bandına düşeceğini tahmin etmek için yazarlar LightGBM adlı hızlı, ağaç tabanlı bir makine öğrenimi modeli eğittiler. Model, yalnızca sürücünün niyet döneminden dikkatle seçilmiş özellikler—direksiyon etkinliği, vücut stres sinyalleri, araç hareketleri ve çevredeki araçlara olan mesafeler gibi—ve manevranın daha sonraki yürütülmesinden önceden hesaplanmış risk etiketiyle beslendi. Rastgele ormanlar, destek vektör makineleri ve XGBoost gibi diğer popüler yöntemlerle karşılaştırıldığında LightGBM modeli üstün çıktı. Kış şerit değişimi riskini yaklaşık %97,5 oranında doğru sınıflandırdı ve gerçek yüksek riskli bir manevrayı “düşük risk” olarak etiketleme gibi en tehlikeli hatalardan kaçınmada özellikle başarılı oldu. Modelin tasarımı ayrıca mühendislerin bir durumu tehlikeye doğru en güçlü şekilde iten faktörleri görmesine olanak vererek sistemi şeffaf tutmaya yardımcı oluyor.

Daha güvenli kış yolları için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma araçlara yalnızca yolun ne kadar kaygan olduğunu ve diğer araçların ne kadar yakın olduğunu “hissetmeyi” değil, aynı zamanda sürücünün ne zaman hamle yapmaya niyetlendiğini ve bu hamlenin muhtemelen güvenli olup olmadığını da öğretebileceğini gösteriyor. Erken niyet tanımayı ayrıntılı risk görünümü ile birleştirerek önerilen çerçeve, kötü koşullar görüldüğünde sürücüleri uyaran, hızı ayarlayan veya hatta şerit değişimini erteleyen geleceğin sürücü yardımı sistemlerini destekleyebilir. Çalışma simülatör verilerine dayanmakta ve sınırlı sayıda çevre aracı olan otoyol senaryolarına odaklansa da, akıllı araçlar ve birbirine bağlı araçların buzlu ve karlı yollarda daha az sürpriz ve daha az kaza ile birbirlerine yardımcı olmasına yönelik önemli bir temel oluşturuyor.

Atıf: 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

Anahtar kelimeler: kış sürüş güvenliği, şerit değiştirme riski, sürücü niyeti, akıllı araçlar, trafikte makine öğrenimi