多情景高速车道变更意图预测：基于物理信息驱动的人工智能框架的三分类
人工智能
2025-12-02 v4 机器学习
摘要
车道变更 maneuver 是导致高速公路事故的主要原因，凸显了准确意图预测对提高自动驾驶系统安全性和决策能力的必要性。虽然先前使用机器学习和深度学习方法（如 SVM、CNN、LSTM、Transformer）的研究显示出前景，但大多数方法受限于二分类、情景选择不足以及在更长预测时程下的性能下降。本研究提出一种物理信息驱动的人工智能框架，显式将车辆动力学、相互可行性和交通安全指标（如距离跟车、时间跟车、碰撞时间、收窄间隙时间）集成到学习过程中。将车道变更预测形式化为三分类问题，区分左变更、右变更和无变更，并在直线高速段（highD）和复杂坡道情景（exiD）上进行评估。通过将车辆动力学与相互特征相结合，我们的机器学习模型，特别是 LightGBM，实现了最先进的精度和强大的泛化能力。在 highD 上以 1 秒时程实现最高可达 99.8% 的准确率和 93.6% 的宏 F1，在 exiD 上实现 96.1% 的准确率和 88.7% 的宏 F1，显著优于两层堆叠 LSTM 基线。这些发现表明，物理信息驱动和特征丰富的机器学习框架在实际应用中为自动驾驶系统的实时车道变更意图预测提供了实际优势。
引用
@article{arxiv.2509.17354,
title = {Multi-Scenario Highway Lane-Change Intention Prediction: A Physics-Informed AI Framework for Three-Class Classification},
author = {Jiazhao Shi and Yichen Lin and Yiheng Hua and Ziyu Wang and Zijian Zhang and Wenjia Zheng and Yun Song and Kuan Lu and Shoufeng Lu},
journal= {arXiv preprint arXiv:2509.17354},
year = {2025}
}