基于物理约束的决策条件自回归Transformer实现信号交叉口驾驶员行为预测

摘要：本研究提出了一种基于物理约束的决策条件自回归Transformer模型，用于预测信号交叉口处驾驶员的行为决策与纵向轨迹。该模型通过分析减速需求和峰值减速度的异方差高斯建模，识别出五种基于人类停车行为的舒适范围，并实现了对驾驶员未来停车舒适度的预测。实验结果表明，该方法在加速误差和距离误差方面均优于基线方法，展示了其在交通管理中的潜力。

---

研究背景与动机

在信号交叉口处，闯红灯和急刹车是导致交通事故的主要原因之一。为了提高交通安全性，本研究旨在通过分析驾驶员在交通信号转换期间的行为决策和纵向轨迹行为，开发一种更精准的预测模型。

数据集与实验方法

研究团队收集了一个包含449次接近运行的数据集，涵盖了不同的速度和距离条件。车辆运动数据通过RTK校正的GNSS以厘米级精度记录，同时监测驾驶员的实时心率和多级舒适度评分。通过时空校准，确保了车辆状态与信号时间的精确对齐。

模型架构与创新点

1. 两阶段建模框架：

   • 第一阶段：预测二值化的操作决策（停车或继续行驶）。
   • 第二阶段：使用决策条件自回归Transformer生成纵向加速度轨迹，并引入物理约束，包括目标状态条件和急动度限制。

2. 关键性能指标：

   • 加速度平均绝对误差（MAE）：0.49 m/s²。
   • 距离平均绝对误差（MAE）：0.62 m。

3. 技术亮点：

   • 通过异方差高斯建模识别出五种基于人类停车行为的舒适范围。
   • 从单个黄灯快照快照预测驾驶员的未来停车舒适度。

实验结果与讨论

实验结果表明，该模型在预测精度和人类行为模拟方面均优于传统方法。定性分析显示，模型生成的制动行为具有高度的真实感。

行业影响与未来展望

该研究为交通管理与自动驾驶系统提供了新的思路，特别是在提高驾驶安全性方面具有重要意义。未来研究方向包括扩展模型以适应更复杂的交通场景，并结合多模态数据（如摄像头和雷达数据）以提升预测性能。

开发者建议

• 数据收集与处理：建议使用高精度传感器和校准技术，以确保数据的准确性和一致性。
• 模型优化：在资源受限的环境中，可以考虑使用轻量级模型或模型压缩技术。
• 多模态融合：结合多模态数据（如视觉和传感器数据）以提升模型的鲁棒性和预测精度。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-09-16)

—— 完 ——

主题标签： #自动驾驶 关注 #智能交通 关注 #Transformer模型 关注 #行为预测 关注 #物理约束 关注