基于物理约束决策条件自回归Transformer的信号交叉口驾驶员行为估计

# 基于物理约束决策条件自回归Transformer的信号交叉口驾驶行为估计
来源：https://arxiv.org/html/2609.16058
Mohammad Khoshkdahan 附属信息：Mohammad Khoshkdahan是德国卡尔斯鲁厄理工学院(KIT)的博士生，Alexey Vinel是该学院教授。[[email protected]](mailto:[email protected]) Pavel Laskov Alexey Vinel 附属信息：Mohammad Khoshkdahan是德国卡尔斯鲁厄理工学院(KIT)的博士生，Alexey Vinel是该学院教授。[[email protected]](mailto:[email protected]) 附属信息：Alexey Vinel同时也是瑞典哈尔姆斯塔德大学教授。

###### 摘要

信号交叉口的闯红灯和急刹车是导致交通事故的主要因素。本文分析并预测了交通信号灯切换期间人类驾驶员的决策行为及纵向轨迹特征。我们收集了涵盖449次接近过程的多样化真实世界数据集，实验覆盖了不同的速度与距离条件。车辆运动状态通过具有厘米级精度的RTK校正GNSS进行记录，同时监测了驾驶员心率和多级舒适度评级。通过空间与时间校准确保了车辆状态与信号时序的精确对齐。统计分析表明，所需减速度是决定“停-行”决策的主导单一预测因子，而对峰值减速度进行的异方差高斯建模揭示了基于人类停车行为推导出的五个经验性舒适区间。基于此洞见，我们提出了一个两阶段建模框架：第一阶段预测二元操作决策，第二阶段使用具备物理约束（包括目标状态条件和急动度限制）的决策条件自回归Transformer生成纵向加速度轨迹。所提出的架构优于基线方法，实现了0.49 m/s²的加速度平均绝对误差和0.62 m的距离平均绝对误差。它还能从单一的黄灯起始快照中估算出人类驾驶员未来的停车舒适水平。定性结果展示了逼真的类人制动行为。数据集和源代码已公开提供。*** https://github.com/mohammadkhsh/driver-2s-transformer

## I 引言

信号交叉口是城市交通网络中的关键节点，其信号时序与驾驶员反应直接影响交通安全。在绿灯转黄灯期间的不当反应会引发两大风险：急刹车可能导致追尾碰撞，而在红灯期间迟缓通过则可能造成严重的路口冲突。因此，驾驶员必须要么平滑减速并在信号灯前停车，要么在黄灯期间安全通过交叉口。由于此决策涉及时间压力下的不确定性、感知与车辆动力学，准确建模需要对操作选择与轨迹执行进行联合理解。

捕捉“停-行”决策与完整制动轨迹的预测模型，对于减少激进停车和闯红灯行为至关重要。此类模型可支持自适应信号配时或车辆-基础设施（V2I）系统，以预测不安全操作\[1 (https://arxiv.org/html/2609.16058#bib.bib22)\]。如果能结合车辆动力学与人口统计学、信号时序、环境条件等背景因素，估算驾驶员的生理反应和感知制动压力，就能更精确地规划干预措施。速度调节可以提前平稳开始，甚至可能在信号灯仍为绿色时启动。这降低了因迟缓急刹导致违规的风险，并避免了可能引发追尾冲突的过早减速。因此，准确的轨迹预测能够协调地提升安全性与舒适性。

图1：实验配置概览。该图展示了路侧信号灯单元、车载传感与通信系统，以及无线数据交换架构。上图展示了一次典型的停车过程，显示了纵向加速度和速度相对于与信号灯距离的曲线。我们的贡献从三个方向应对这些挑战。据我们所知，这是首个结合厘米级车辆运动数据、同步驾驶员生理信息和停车舒适度反馈的信号交叉口驾驶行为真实世界数据集（图1 (https://arxiv.org/html/2609.16058#S1.F1)）。数据使用配备RTK校正GNSS的量产车辆采集，并开发了专用软件系统，根据车辆距离和动力学控制信号灯时序，同时同步记录所有信号。我们通过统计分析驾驶员行为，识别出决定制动动力学的主要因素，并利用这些发现设计了一个高效的生成模型。我们提出了一种两阶段决策条件自回归（DCAR）Transformer\[2 (https://arxiv.org/html/2609.16058#bib.bib23)\]，它首先预测操作决策，然后生成直至停车或通过的完整减速轨迹。基于物理的约束确保了逼真的加速度曲线。跨多种配置的实验表明，单一的黄灯起始快照足以生成完整的停车轨迹并估算驾驶员的舒适水平。

## II 相关工作

当前驾驶文献对面向舒适性的减速研究有所涉及。研究表明乘客可容忍约-3.5至3.5 m/s²的纵向减速度\[3 (https://arxiv.org/html/2609.16058#bib.bib15)\]，而-4至4 m/s²被视为自动碰撞避让期间可接受的舒适极限\[4 (https://arxiv.org/html/2609.16058#bib.bib16)\]。尽管有这些发现，但明确为闯红灯减速建立量化、多级别的舒适度剖面，仍是一个尚未解决的空白。

信号交叉口驾驶员行为的研究涉及决策和轨迹两个早期现场研究统计描述了黄灯起始时的减速度和停车概率，但未进行预测建模\[5 (https://arxiv.org/html/2609.16058#bib.bib1), 6 (https://arxiv.org/html/2609.16058#bib.bib2)\]。“停/行”行为研究使用了二元选择和概率回归模型，将接近速度、到停止线的距离、到达时间与停车概率和违规风险联系起来\[7 (https://arxiv.org/html/2609.16058#bib.bib3), 8 (https://arxiv.org/html/2609.16058#bib.bib4), 9 (https://arxiv.org/html/2609.16058#bib.bib5), 10 (https://arxiv.org/html/2609.16058#bib.bib6), 11 (https://arxiv.org/html/2609.16058#bib.bib19)\]。早期的回归框架提供了可解释的决策边界，但通常依赖基于摄像头或路侧的传感，缺乏RTK-GNSS的空间和时间精度，且通常忽略了详细的人口统计数据。使用支持向量机、随机森林、自适应提升和分类树的机器学习模型提高了预测精度，并能捕捉非线性运动学相互作用\[12 (https://arxiv.org/html/2609.16058#bib.bib7), 13 (https://arxiv.org/html/2609.16058#bib.bib8), 14 (https://arxiv.org/html/2609.16058#bib.bib9)\]，但仍局限于离散决策预测，无法生成连续的减速轨迹。随机和状态转移方法通过以下方式引入时间演化：对困境区所需加速度进行蒙特卡洛模拟\[15 (https://arxiv.org/html/2609.16058#bib.bib10)\]、黄灯起始期间基于危险的冲突概率\[16 (https://arxiv.org/html/2609.16058#bib.bib11)\]，以及从顺序速度和信号数据推断驾驶员未来状态的隐马尔可夫模型\[9 (https://arxiv.org/html/2609.16058#bib.bib5)\]。虽然这些模型包含了时间结构，但大多未明确表示决策形成的认知动态。近期工作强调黄灯阶段决策的连续性\[17 (https://arxiv.org/html/2609.16058#bib.bib12)\]，并使用可解释机器学习进行驾驶风格分类\[18 (https://arxiv.org/html/2609.16058#bib.bib13)\]或使用结构方程方法研究抢行行为\[19 (https://arxiv.org/html/2609.16058#bib.bib14)\]，尽管将决策逻辑与物理一致的减速轨迹生成相结合仍有待探索。

虽然SIND等数据集\[20 (https://arxiv.org/html/2609.16058#bib.bib17)\]使用无人机捕捉了宝贵的车辆动力学数据，但缺乏长距离跟踪、驾驶员特定特征以及RTK-GNSS的厘米级精度。精度的缺乏是一个关键限制，因为当前V2I系统所依赖的仅GNSS精度不足以进行高保真跟踪，尤其是在建筑物进一步削弱信号质量的城市环境中\[21 (https://arxiv.org/html/2609.16058#bib.bib18)\]。此外，尽管基于仿真的轨迹估计\[22 (https://arxiv.org/html/2609.16058#bib.bib20)\]能生成具有丰富参与者数据的各种场景，但虚拟环境中的人类受试者无法物理体验减速的真实力感，也无法感受真实世界车辆中的真实速度感。

因此，为了弥补这一差距，仍迫切需要一个专门的、高精度的信号交叉口数据集，该数据集需包含全面的参与者概况、生理反应以及停车时的多级舒适度评级。此外，将自回归Transformer架构\[2 (https://arxiv.org/html/2609.16058#bib.bib23)\]应用于这种精确而全面的数据，能够实现更真实的车辆轨迹和人类驾驶员决策估计。

## III 实验设置

### III-A 数据采集

研究在真实驾驶条件下捕捉黄灯起始时行为的三个相互关联的方面：黄灯起始时的停/行决策、由此产生的车辆轨迹，以及驾驶员报告的由加速度引起的压力感和生理反应。

三十名持有不同年龄和性别的持照驾驶员参与了实验。每位参与者在相同条件下独立完成全部协议。数据采集持续了八天。在每次运行中，参与者沿着一条超过300米的无交通直道行驶，并接近一个装有仪器的信号灯。信号灯后有超过80米的畅通道路，因此周围交通不会在停/行决策期间影响或分散驾驶员的注意力。在正式试验前，参与者进行了约5-10分钟的适应阶段，以熟悉刹车灵敏度和车辆控制。随后进行一到两次练习运行以确认理解任务。所有参与者收到相同的书面说明，并被要求遵守正常的交通规则。为减少预期偏差，随机插入一次仅绿灯运行，该次运行不纳入数据集。所有实验均在白天使用同一车辆在同一地点进行。每位参与者按指示的速度（40、50或60 km/h）进行十二次主要运行。部分被选中的参与者还额外完成了70 km/h的运行。告知驾驶员允许约±5 km/h的速度偏差，以消除分心效应。这产生了连续分布的实际黄灯起始速度（v_{onset}），这比离散的标称速度更适合行为建模。除了自愿决策运行外，每次实验结束时还进行了两次强制停车运行。参与者被指示无论意图如何都必须停车。这些运行捕捉到了在自然决策中较少出现的较大幅度减速。每次停车操作后，驾驶员在五点量表上对所施加加速度引起的压力感进行评分，其中1表示压力非常高，5表示非常舒适和平稳的减速。

信号灯在预设的上游距离阈值（D_{thr}，12米至79米之间）自动从绿灯切换为黄灯。在正式研究之前，两位作者进行了多次试验性驾驶，以确定停与行之间犹豫区域的速度-距离组合。最终设计在增加该区域采样密度的同时，仍包含了通常导致明确决策的更短和更长距离。

每次运行记录了车辆位置、速度、纵向加速度和信号灯状态。心率通过可穿戴传感器持续测量。记录在车辆停止后继续约12秒，以捕捉延迟的心血管反应。

### III-B 车辆、传感器和信号灯设置

实验使用标准乘用车（奥迪A6，自动挡，柴油车）进行，以确保一致的制动特性，并避免传动系相关效应（如再生制动）。在路侧安装了一个便携式三色信号灯，并通过继电器接口连接到NVIDIA Jetson Orin进行控制。Jetson从车载系统接收UDP命令并执行信号切换。车-路通信使用室外无线接入点（TP-Link EAP215）提供稳定的长距离、低延迟连接。车辆运动学（位置、速度、纵向加速度）使用Racelogic VBOX Touch数据记录仪\[23 (https://arxiv.org/html/2609.16058#bib.bib21)\]记录，并通过NTRIP调制解调器进行RTK校正。运行仅在RTK固定后开始。与米级独立GNSS误差相比，RTK提供了厘米级精度。GNSS天线安装在引擎盖上，并配有金属接地面。数据以10 Hz频率记录并流式传输到笔记本电脑。心率使用Polar Verity Sense传感器测量（通过BLE传输到笔记本电脑）。作者开发的定制软件接口管理实时数据采集、信号灯控制、校准和实验配置。运行开始时激活绿灯。当车辆达到预设的接近距离时，通过UDP命令向路侧控制器触发黄灯。为复现典型的欧洲与速度相关的信号时序，黄灯后红灯跟随的时间为：3秒（≤50 km/h）、4秒（60 km/h）和5秒（70 km/h）。

### III-C 距离校准与纵向修正

设t时刻的GNSS测量值为\(\mathbf{p}(t) = [\varphi(t), \lambda(t), h(t)]^\top\)，采用大地坐标。设\(\mathbf{p}_{\mathrm{TL}}\)为信号灯参考位置，\(\mathbf{p}_{0}\)为位于道路上游200米处道路中心线的参考点。由于车辆可能不完全沿中心线行驶，直接大地距离会引入横向偏差。因此，纵向距离通过投影到连接\(\mathbf{p}_{0}\)和\(\mathbf{p}_{\mathrm{TL}}\)的线段定义的道路轴上获得。

大地坐标映射到以\(\mathbf{p}_{\mathrm{TL}}\)为中心的局部东-北坐标系。设地球平均半径为\(R\)，进行一阶线性化得到：

\[
\Pi(\mathbf{p}(t)) = 
\begin{bmatrix}
R \cos(\varphi_{\mathrm{TL}}) \big( \lambda(t) - \lambda_{\mathrm{TL}} \big) \\
R \big( \varphi(t) - \varphi_{\mathrm{TL}} \big)
\end{bmatrix}
\]