扫描上方二维码获取原文

变道是车辆行驶中最常见、也最关键的驾驶操作之一。据统计，美国国家公路交通安全管理局（NHTSA）数据显示，每年约5%的交通事故和7%的死亡事故与变道直接相关，每年至少造成6万人在变道事故中受伤。2020年，中国近14,500起交通事故与变道相关，占事故总数的5.89%。而在冰雪路面上，由于路面摩擦系数降低、车辆操控难度增加，变道的风险会显著上升。然而，现有的变道风险预测模型大多针对正常路面，且未能纳入驾驶意图识别，限制了预测精度和实际适用性。一项发表于2026年的研究，正是从这个缺口出发，提出了一个融合驾驶意图识别的冰雪路面变道动态风险预测框架。

变道行为会加剧车辆间交互、扰乱交通流稳定性，从而显著提升事故风险。在冰雪路面上，摩擦系数降低导致车辆稳定性变差，驾驶员的反应时间、操作精度和车辆动态响应都会受到影响——这不仅增加了事故可能性，也使变道风险的预测变得更为复杂。

现有模型的主要不足：

• 研究对象单一：多数研究聚焦正常路面的变道风险，针对冰雪等恶劣条件的研究稀缺；

• 输入特征不足：传统意图识别多基于车辆轨迹数据，未能充分纳入驾驶员在冰雪条件下特有的行为特征与生理指标；

• 意图与风险割裂：现有模型常通过增加输入参数和优化结构来提升精度，却忽略了驾驶意图识别在风险预测中的关键作用，导致在极端场景下预测失准。

传统方法（如间隙接受模型、替代安全度量）依赖线性假设和简化交互模式，难以捕捉真实场景中的非线性动态变化。为此，本研究采用数据驱动方法，将深度学习与机器学习结合，构建了从驾驶意图识别到风险预测的完整动态框架。

共招募65名参与者（48男、17女），年龄25～55岁（平均34.8岁，标准差6.3），均持有有效驾照、驾龄超过5年，身体状况良好、无影响驾驶行为的生理或心理问题。

实验选取京哈高速双城至石家段，全长33 km，双向两车道，每车道宽3.75 m，两侧设应急车道。道路主要包括直线段和大半径曲线段，曲线半径均大于1500 m。研究采用高速公路上常见的积雪结冰薄膜路面和正常路面。为准确确定路面摩擦系数，使用摆式摩擦仪进行现场测量，沿测试路段每3 km选取测量点，每点测量三次取平均值。积雪结冰薄膜路面和正常路面的平均摩擦系数分别为0.45和0.76。

研究聚焦五车变道场景（变道车、原车道前后车、目标车道前后车），分为变道意图阶段和变道执行阶段两阶段提取数据。通过车道编号变化、横向位移单调变化等规则，结合车辆中心距车道线距离≥半个车宽的限制条件，确保提取清晰的变道行为。最终从冰雪路面提取到1790个有效变道样本（1054个左变道、736个右变道）及1762个车道保持样本。

研究方法框架如图2所示，主要包括两部分：（1）驾驶意图识别模块；（2）动态变道风险预测模块，包括变道风险量化和动态风险预测模型。

图2 基于驾驶意图识别的车道变换风险预测研究框架

变道意图识别特征构建：冰雪路面反射特性导致视觉疲劳，阻碍驾驶员获取环境信息。变道时，驾驶员需要更长反应时间应对各种突发情况，情绪波动和心理负担增加。此外，冰的存在降低路面摩擦系数，增加变道时的打滑风险并延长制动距离，显著影响车辆控制。复杂驾驶环境和驾驶员紧张情绪导致交互数据（如速度差、车间距）呈现显著各向异性，与正常路面差异较大。因此，提取冰雪路面有效的变道意图特征指标对准确预测变道意图至关重要。

本研究选取多维特征指标全面反映冰雪路面变道意图特征，包括驾驶员操控行为、生理测量、车辆运动学、车辆交互和基本信息（表1）。这些特征指标不仅涵盖车辆动态特性，还考虑冰雪路面车辆间交互特性以及驾驶员生理心理状态。

表1 变道意图识别中提取特征的描述

变道意图识别可归类为多维时间序列分类问题。为此，研究提出基于深度学习的Multi-BiLSTM框架用于意图识别，该模型由输入层、多个BiLSTM层、全连接层、Softmax层和输出层组成，如图3所示。

图3 基于Multi-BiLSTM 的驾驶意图识别框架

为降低计算复杂度并提高预测精度，研究从变道意图阶段的车辆轨迹数据中提取关键特征指标，采用基于决策树的特征提取方法（C4.5算法，通过信息增益比衡量特征重要性）筛选关键指标，并用Pearson相关系数剔除强相关（>0.6）的冗余特征。经筛选保留24个特征指标用于变道风险预测，包括4个操控行为指标、2个生理测量、10个车辆运动学指标和8个车辆交互指标。

变道风险标注分两个阶段：第一阶段使用替代安全度量（SSMs）和故障树分析（FTA）量化变道风险，第二阶段应用k-means无监督聚类将数据分类为低、中、高风险等级。

风险预测采用微软研究院开发的LightGBM框架。与传统梯度提升算法（如XGBoost）相比，LightGBM采用基于直方图的决策树算法和叶-wise生长策略，在处理大规模高维数据方面具有显著优势，同时提高训练速度和预测精度。

研究统计了冰雪路面与正常路面的变道意图时长（定义为驾驶员首次观察后视镜到车辆横向位移开始变化之间的时间）：

● 冰雪路面平均意图时长为6.12秒，正常路面为4.32秒，增幅达36.3%；

● 单因素方差分析（F(1, 3973) = 754.86, p < 0.001）证实差异显著。

这一结果反映出：冰雪路面摩擦系数低、车辆稳定性差，驾驶员需要更谨慎，必须花费更多时间观察交通环境、选择最佳变道时机——这既是冰雪驾驶安全的体现，也为意图识别与风险预测的时间窗口设定提供了依据。

图4 不同道路上变道意图的持续时间

采用双向多层长短期记忆网络（Multi-BiLSTM）识别驾驶员换道意图，识别准确率：

• 左换道：98.22%

• 右换道：97.74%

• 车道保持：96.31%

表2 各模型的评估结果

三类识别准确率均超过96%，表明Multi-BiLSTM能够有效捕捉冰雪路面上驾驶员的变道意图信号，为后续风险预测提供了可靠的前置判断。

换道风险从时间与空间两个维度进行分析，利用故障树分析（FTA）与换道风险指数进行量化，并通过k-means聚类算法将风险样本划分为低、中、高三个等级，为风险预测模型的训练与评估奠定了标注基础。聚类结果如表3所示。

表3 聚类结果

LightGBM模型在换道风险预测中表现最优，总体准确率达97.49%，显著优于其他机器学习算法。

表2 变道意图识别中提取特征的描述

进一步观察不同风险等级的预测表现（F1分数）：

• 左变道：低风险98.92%、中风险95.65%、高风险93.33%；

• 右变道：低风险98.49%、中风险95.89%、高风险90.91%。

图5 四种风险预测模型的混淆矩阵

尤为关键的是，从图5的混淆矩阵可以看出，LightGBM在避免将高风险样本误判为中、低风险方面表现突出——相比其余三种模型，它有效避免了"将高风险样本误报为低风险"这一最危险的分类错误，从而显著提升了预测安全性，这对于冰雪路面预警系统而言至关重要。

这些结果表明：将驾驶意图识别融入变道风险预测框架，配合LightGBM的高精度分类能力，能够为冰雪路面变道提供可靠、安全的风险预警基础。

• 冰雪路面换道意图时长显著延长：平均6.12 s，较正常路面增加36.3%，反映驾驶员在低摩擦系数环境下更谨慎的决策行为；

• Multi-BiLSTM高效识别驾驶意图：左换道、右换道、车道保持的识别准确率分别达98.22%、97.74%和96.31%；

• LightGBM实现高精度风险预测：总体准确率97.49%，优于随机森林、SVM和XGBoost等对比模型；

• 框架将意图识别与风险预测衔接：研究将驾驶意图识别结果与变道意图阶段的轨迹数据和关键特征相结合，为冰雪路面风险预警提供了新路径。

• 为冰雪路面智能车辆的换道风险预警系统和控制策略的研发提供了理论支持；

• 验证了深度学习（意图识别）＋机器学习（风险预测）组合框架在恶劣天气驾驶场景中的可行性；

• 研究将生理指标、眼动数据与车辆轨迹数据共同纳入特征体系，为捕捉冰雪条件下驾驶员行为特征提供了更全面的输入。

• 场景单一：仅考虑高速公路上五车换道场景，未来应扩展到多道路类型与多车集群，提升模型泛化能力；

• 样本规模有限：基于驾驶模拟数据训练与测试，未来需采集大规模实车轨迹数据与换道碰撞数据；

• 智能化扩展空间：在智能网联汽车背景下，可进一步融入更多车辆动态、交互等特征，优化模型结构与参数。

本研究依托高仿真驾驶模拟测试平台，核心设备亮点包括：

• 高保真驾驶舱：基于真实大众Polo车型改装，结合6自由度运动平台与210°环屏显示系统，能够模拟x/y/z方向的平移与旋转运动，精确还原冰雪路面驾驶体验；

• SILAB高精度仿真软件：精确控制发动机、变速箱、传动系、悬架、转向等动力学参数，支持冰雪路面动态调整，并可通过脚本灵活控制场景，规避实车测试的安全隐患与误差；

• Smarteye Pro眼动仪：60 Hz非侵入式眼动追踪，采集注视位置、头部方向、瞳孔直径等视觉数据，被试可自由移动头部，减少实验干扰；

• PhysioLAB无线生理监测仪：8通道同步记录ECG、EMG、EDA等生理信号，蓝牙无线传输，保障数据有效性与实验灵活性。

从“看见变道”到“预判风险”，本研究提出的融合驾驶意图识别的动态风险预测框架，为冰雪路面变道安全研究提供了新的思路。通过Multi-BiLSTM精准识别驾驶意图、LightGBM高效预测风险等级，该框架不仅提升了冰雪路面变道风险预测的准确性，也为智能车辆高级驾驶辅助系统和车联网应用提供了理论支撑。

作为本论文研究设备的供应商，赢富集团子公司赢富仪器和科驰智能为该研究提供了包括驾驶模拟器和驾驶模拟软件等关键科研设备与技术保障。