理解驾驶员何时以及如何变道是提升高速公路交通流量、安全性和自动驾驶汽车性能的关键。据外媒报道，密西根大学（the University of Michigan）开发出新方法，仅使用GPS数据，其性能已超越现有技术。

图片来源：密西根大学

此前车道变换预测主要依赖车载摄像头或车道级高精度地图，后者能提供几何结构、车道标线及连接关系。但这两种方法成本高昂且可靠性不足：摄像头在车道线模糊或被遮挡时失效，而地图难以大规模更新。

密西根大学交通研究所（UMTRI）助理研究科学家、该项研究论文的资深作者Arpan Kusari指出：“过去十年间销售的汽车几乎都具备GPS数据采集功能，但此前无法在脱离地图的情况下利用这些数据解析驾驶行为特征，例如驾驶者的激进程度或对交通状况的反应模式。”“通过利用这些持续流数据，我们开发出可靠检测车道变换的方法，为研究驾驶行为、提升交通安全及自动驾驶性能提供了简单且经济高效的途径。”

该研究成果发表在《IEEE智能交通系统汇刊（IEEE Transactions on Intelligent Transportation Systems）》期刊上。

解锁“暗”GPS轨迹数据

研究人员利用了UMTRI安全驾驶员模型部署项目中130名参与者的真实车辆轨迹数据。Kusari表示，为挖掘海量GPS轨迹数据的价值，他们提出了一种全新的非参数无监督方法，该方法与现有技术完全不同。该方法将每辆车的GPS轨迹概念化为两个要素：对应道路弯曲度的大尺度变化，以及主要代表车道变换的小尺度变化。

为区分小尺度与大尺度变化，每条轨迹均通过数学函数进行转换——该函数分析100至500米不等的行驶路段，计算各点偏离预期路径的程度。经转换的数据被称为基准对齐坐标系统（BACS），能使车道变换行为作为明显偏离常规高速公路行驶模式的特征突显出来。

Kusari指出：“这项创新不仅释放了海量此前无法利用的‘暗’轨迹数据潜力，使其可应用于高级驾驶辅助或自动驾驶系统标注等领域，更在传统方法失效时提供了计算简单且高度稳健的解决方案。”BACS方法具有极强的普适性，可应用于几乎所有类型的GPS轨迹，且不受地理位置限制。

为验证新方法，研究人员将BACS从GPS轨迹中提取的变道事件与基于地图和摄像头的地面实测数据进行对比。结果表明BACS在捕捉变道事件方面表现卓越：其误报率低于摄像头基准方法，且与基于地图的方法表现相当。尽管BACS方法未直接采用偏航角（绕车辆垂直轴的旋转，在弯道中尤为明显），但可以非常精确地估算偏航角。这进一步验证了该数学模型对物理空间的合理建模能力。

BACS系统确实存在较高的误报率，尤其在苜蓿叶形立体交叉处，这源于系统将道路突发弯曲（如急转弯）误判为车道变换。为降低后续版本的误报率，研究人员计划分析同一路段的多辆车轨迹数据，这有助于区分真实车道变换与迷惑系统的道路几何特征。

GPS数据如何提升安全性

总体而言，这种经济高效的方法可用于再自然高速公路驾驶数据集中标注车道变换行为（如UMTRI收集的数据）。后续分析既能深入解析驾驶员变道模式，又能识别危险行为。政策制定者可据此优化交通与道路安全；自动驾驶开发者则可借此提升车辆对周边车辆变道的预测能力，并更深入地理解共享道路的人类驾驶员行为。例如，该方法可为自动驾驶汽车提供低成本的驾驶员状态监测方案——传统方案通常依赖车内摄像头判断驾驶员视线是否集中于道路。Kusari指出，车辆有望根据变道和急转弯的频率提供实时预警。

该技术还可用于分析时间因素（作为疲劳程度的替代指标）与光照条件如何影响群体层面的驾驶风格（同时保护个人隐私）。通过匿名化驾驶数据获得的洞察，可为法规制定、安全宣传活动及算法提供依据，这些算法能预测危险的人类驾驶行为并调整车辆响应。

Kusari表示：“我们新开发的非参数无监督方法可实现稳健的变道估计，这从根本上改变了智能交通系统中驾驶行为分析与数据利用的方式。”