基于行为原语识别动态驾驶风格

为什么你的驾驶习惯很重要

和不同司机同乘的人都会注意到，有些人平稳穿行于车流之间，而另一些人则频繁停走、变道并快速穿插。这些模式不仅仅是个人习性；它们影响舒适性、安全性，以及未来辅助驾驶和自动驾驶车辆在我们周围应如何行动。本研究细致考察日常的转向、制动和加速如何被拆解为微小片段，以便揭示司机在任一时刻是更谨慎、处于平均水平，还是更具侵略性的行为。

把行程拆成微小构建块

研究者从这样一个想法出发：一次驾驶并非单一、均质的行为，而是由短小的片段或“原语”组成，例如以稳定速度直行、急剧减速，或在加速时转弯。借助驾驶模拟器，他们收集了17名驾驶员在相同路线、轻度车流与若干预设突发情况中的约五小时数据。从速度、加速度和转向的连续流中，他们切分出2,763个小片段，每个片段代表一个简短且具有物理意义的运动模式。

在混乱中发现共性模式

为组织这些大量片段，团队采用了不依赖人工标注或问卷的无监督数据方法。首先，他们将横向（横穿车道）运动和纵向（沿车道）运动分开，然后应用两步法来定位一个模式何处结束、另一个模式何处开始。接着，他们将得到的片段归为五类主要原语，每类都有不同含义：例如，中速平稳直行且变化温和、以中速左转、低速爬行同时轻微减速、高速直行同时急刹，以及加速时右转等。尽管单个片段在时长和具体数值上有差异，但同一组内的片段在随时间变化的形状上具有相似性。

将行为转化为风险等级

确定原语类型后，研究者评估每类通常有多危险。他们用平均速度、转向激烈程度以及这些数值的波动等基本统计量来概括每一组。基于这八个简单特征，他们为每种原语计算了一个“风险指数”。随后研究了驾驶员如何从一种原语过渡到另一种，例如从低速直行到急刹，以及每种跃迁发生的频率。那些同时包含风险大幅跃升、后续片段高风险且罕见的跃迁被视为特别危险。通过这种方式，既考虑了司机当前的行为，也考虑了他们到达这一行为的路径，从而形成了逐时的整体安全画面。

为谨慎、正常和激进时刻打分

为了对时间序列中的每个片段评定驾驶风格，研究建立了一个简单的评分公式，融合三项要素：当前原语的风险、导致该原语的过渡风险，以及随后过渡的风险。各要素的权重由客观统计确定。结果是每一时刻都有一个风格得分，得分越高表示行为越激进。随后，一种受群体行为启发的搜索方法自动在该刻度上选择两个分界点，将数据划分为谨慎、正常和激进三类，使每组之间尽可能明确区分。

这些模式对真实驾驶员揭示了什么

将该框架应用于17名驾驶员的数据后发现，大多数时间他们处于正常范围，谨慎时刻较少，激进时刻最少。许多司机在出发和结束路段表现更谨慎，在行程中段随着熟悉环境变得更为果断。部分司机经常使用高风险原语和危险跃迁，完成路线的时间更短，并在长期上被标记为激进；另一些司机则大量依赖低风险模式，行程时间更长，整体风格更偏谨慎。尽管路面事件可能短暂推动任何人采取更强硬的操作，但从整段驾驶来看，每个人的潜在风格相对稳定。

这对未来汽车意味着什么

通过将驾驶切成小而有意义的单元并观察它们随时间的变化，本研究展示了一种能够逐秒追踪驾驶风格的方法，而不仅依赖宽泛的固定标签。对普通人而言，这意味着未来的车辆和驾驶辅助系统或许不仅能响应车辆在道路上的位置，还能根据驾驶者的行为倾向以及该行为当前如何变化作出反应。这种感知能力有望提高共享道路的安全性，并帮助自动化车辆更自然地融入与人类驾驶员的互动中。

引用: 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

关键词: 驾驶风格, 驾驶员行为, 交通安全, 自动驾驶车辆, 风险评估