基于驾驶意图识别的冰雪路面变道行为动态风险预测框架

为什么冬季变道很重要

对于在雪天高速上紧握方向盘的人来说，变道常常是最令人紧张的驾驶环节。路面打滑、制动距离延长以及紧张的反应都会增加一个简单超车动作变成事故的风险。本研究探讨如何在变道发生前数秒预测其危险性，不仅基于车辆在路上的运动情况，还结合驾驶员在车内的注视与反应。目标是为未来车辆和驾驶辅助系统提供足够预警，以在冰雪道路上避免碰撞。

深入研究冬季驾驶

为了安全地研究高风险情境，研究者构建了高度逼真的驾驶模拟器，而不是将人置于真实结冰的高速路上。志愿者坐在安装在运动平台上的完整车舱里，面对一块宽大的弧形屏幕，重建了真实中国高速公路在普通与积雪条件下的场景。虚拟高速上交通流量适中，周围的轿车和卡车按自然方式移动。与此同时，三类高速记录的数据被同步采集：道路上车辆的运动、驾驶员的眼睛与头部动作，以及诸如心率和皮肤电等身体信号。这种丰富的信息组合不仅捕捉了车辆位置与速度，还反映了驾驶员在准备变道时的紧张程度、注意力和活跃度。

从驾驶意图到早期预警

本研究的一个关键认识是，危险并非从车辆实际偏离车道开始，而是从驾驶员首次产生变道想法时就已存在。在冰雪路面上，这一“意图期”平均持续约6.1秒——比干燥路面长出三分之一以上——因为驾驶员需要更多时间查看后视镜、判断车隙并建立信心。研究团队使用一种高级的循环神经网络来从时间序列数据中识别这一隐藏的意图。通过输入转向行为、眼动、身体信号以及周围车辆的运动，他们的Multi‑BiLSTM模型即便在冬季条件下，也能以约96–98%的准确率判断驾驶员是在准备左变道、右变道还是继续直行。

将复杂运动转化为风险评分

识别意图只是故事的一半；另一半是评估该意图变道的风险。研究者结合了两种从不同角度捕捉危险性的指标。一种描述如果双方保持当前速度和轨迹，两车多快会发生碰撞；另一种将安全停车所需距离与实际可用距离进行比较，并考虑冰雪导致的附着力降低。这些反映时机与间隔的度量被转化为暴露概率和严重性概率，随后融合为单一的变道风险指数。研究团队未采用人为设定的阈值，而是让聚类算法把数百万个模拟时刻自然分为低、中、高三档风险。大多数情形属于低风险，但冰雪路面产生的中高风险事件明显多于正常路面。

用于瞬间决策的智能模型

为预测变道会落入哪个风险等级，作者训练了一种快速的基于树的机器学习模型LightGBM。该模型仅使用来自驾驶意图期的精心筛选特征——如转向活动、身体应激信号、车辆运动以及与周围车辆的距离——再加上从后续变道执行中预先计算出的风险标签。与其它常见方法如随机森林、支持向量机和XGBoost比较时，LightGBM表现最佳。在冬季变道风险判定上其总体正确率约为97.5%，并且在避免最危险的错误（即将真实高风险操作判定为低风险）方面尤为出色。该模型的设计还使工程师可以看到哪些因素最强烈地将情形推向危险，从而保持系统的透明性。

对更安全冬季道路的意义

简而言之，本研究表明车辆可以被教会“不仅感知”路面打滑程度和周围车辆距离，还能感知驾驶员即将做出动作以及该动作是否可能安全。通过将早期意图识别与详细的风险评估相结合，所提出的框架可为未来的驾驶辅助系统提供动力，比如对驾驶员发出警示、调整车速或在条件恶劣时延迟变道。尽管该工作基于模拟器数据且主要聚焦于车辆不多的高速场景，但它为智能车辆与车联网在冰雪路况中互相协助、减少突发情况与事故奠定了重要基础。

引用: 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

关键词: 冬季行车安全, 变道风险, 驾驶员意图, 智能车辆, 机器学习在交通中的应用