自动驾驶还是人工驾驶？一种基于运动学和时间累积风险指标的无干扰识别方法

《Safety Science》：Automated or human driving? A non-intrusive identification method based on kinematics and time-accumulated risk indicator

　　侯宁浩|张辉|金洁玲|田凯|丁乃康|何燕杰|张义军|马振锋|罗瑞毅中国武汉理工大学智能交通系统研究中心，武汉430063摘要在自动驾驶车辆中识别动态驾驶任务执行者对于安全监控、事故后分析以及技术事件解读至关重要。然而，实时获取内部记录器数据仍然受到限制。与跟车操作相比，变道操作涉及纵向和横向控制的协同作用，因此能为区分人类驾驶员与二级自动驾驶系统的行为差异提供更丰富的背景信息。本研究提出了一种非侵入式框架，利用车辆运动学特征以及基于安全势场理论得出的时间累积风险指标，在变道过程中识别动态驾驶任务执行者。通过从20辆配备二级自动驾驶系统的车辆上收集的20小时自然驾驶数据，共提取出150次变道事件，并将其标记为人类驾驶或系统控制。为解决数据集中固有的类别不平衡问题，研究对比了包括极端梯度提升法和分类提升法在内的六种机器学习模型，同时采用了合成少数类过采样技术和成本敏感学习方法。结果表明，成本敏感学习-分类提升法模型取得了最均衡的整体性能，系统控制场景的召回率为78.8%。为提高可解释性，研究还使用了SHapley加性解释方法来量化各特征的影响程度，发现最大纵向速度、平均左车道偏移量以及初始左车道偏移量是最具影响力的特征，这些特征凸显了驾驶员在速度控制和车道保持方面的行为差异。这些研究结果证明了基于行为的动态驾驶任务执行者识别方法的可行性，也为混合交通环境中的安全相关事件分析提供了技术依据。引言智能互联汽车技术的快速发展显著推动了高级驾驶辅助系统的全球应用，同时也给人机协作驾驶带来了复杂的安全挑战（Noy等人，2018）。二级自动驾驶系统的日益普及带来了更为复杂的安全问题，需要建立完善的保障体系（Ballingall等人，2025）。市场数据显示，2024年上半年，全球范围内配备二级或更高级别自动驾驶系统的车辆占比已超过40%（iCV TA&K，2024）。这一趋势在中国尤为明显，2025年1月至7月间，中国市场上配备二级自动驾驶系统的新乘用车累计销量达到了776万辆，占比达62.58%（中国日报，2025）。然而，“人机协同驾驶”的日益普及使得交通事故的成因变得更加复杂，给事故责任认定带来了前所未有的挑战（Liao等人，2025a）。虽然根据SAE J3016标准，人类驾驶员仍是主要责任方，但随着自动驾驶系统操作权限的不断扩大，有必要对传统的责任划分体系进行重新评估（Donà等人，2024，SAE International，2014）。尽管先进的自动化技术减轻了人类的工作负担，逐步将传统手动驾驶转变为监督控制模式，但人为错误引发的事故仍然是人机协作驾驶中导致安全隐患的主要原因之一（Liu等人，2025）。因此，准确识别事故发生时是人类驾驶还是系统在执行动态驾驶任务，已成为事故后分析的重要课题（Shen等人，2025，Xu等人，2024）。智能互联汽车通常配备事件数据记录器和远程信息处理单元，用于记录二级自动驾驶系统的运行状态。但由于设备损坏、电源故障或数据加密等原因，往往难以获取这些内部数据（Gupta等人，2025b）。为克服这一难题，道路监控视频和车载摄像头录像等外部数据源成为了一种可行的非侵入式替代方案。这些数据源有助于重建车辆的运动轨迹，进而提取驾驶行为特征，为判断系统状态提供有效依据（Hu等人，2025，Huang等人，2022）。这种方法的有效性源于人类驾驶员与二级自动驾驶系统在感知、决策和控制流程上的本质差异（Liang等人，2025）。这些差异表现为不同的行为特征，反映在车辆的行驶轨迹及其与道路环境的交互中。通过训练模型识别这些潜在的差异模式，无需直接访问车辆内部数据，即可确定动态驾驶任务的执行者。在交通环境中，常见的交互场景主要分为纵向跟车和横向变道两种。与以被动响应为主的跟车操作相比，变道操作需要主动且全面地考虑多种信息，包括周围车辆状况和道路几何条件。这种复杂性导致了人类驾驶和系统控制下的驾驶行为存在更大差异，体现在车道选择、操作时长以及横向控制逻辑等方面都有明显不同（Chen等人，2025，Yi等人，2024，Yuan等人，2025）。正因如此，本研究选择以变道场景作为研究对象，用于识别动态驾驶任务执行者。基于上述分析，本研究旨在构建一种强大的非侵入式框架，用于识别变道场景中的动态驾驶任务执行者。该框架专为内部数据不可用的实际情况设计，整合了基于安全势场理论开发的时间累积风险指标。与传统运动学指标不同，这一基于安全势场理论的指标能够量化车辆与车道边界之间的持续互动，从而体现人类驾驶和系统控制在不同风险应对及车道保持精度方面的差异。此外，研究还系统地评估了成本敏感学习技术和合成少数类过采样技术，以解决类别不平衡问题。最终确定了最优模型。鉴于高性能集成学习模型具有黑箱特性，研究还引入了SHAP方法以提高模型的可解释性。该方法能够量化每个特征对识别结果的贡献，从而揭示背后的行为机制，确保模型决策符合实际的驾驶逻辑。本文的其余部分结构如下：第二部分回顾了与人机驾驶差异性及行为分类相关的文献；第三部分详细介绍实验设计和特征构建过程；第四部分报告模型性能及行为分析结果；第五部分探讨该研究在变道行为分析方面的实际应用价值；最后，第六部分对研究内容进行总结，并指出其局限性及未来研究方向。片段摘录人机变道行为的差异性由于感知、决策和控制逻辑上的结构差异，人类驾驶员与二级自动驾驶系统表现出截然不同的行为模式（Liang等人，2025）。现有文献将人类驾驶行为描述为具有较强情境适应能力和随机变异性的经验驱动型循环模式。人类驾驶员通常通过主观风险评估来理解复杂的交通环境，并动态调整自己的驾驶方式。方法论如图1所示，该方法论框架包含四个连续的阶段：（1）从二级自动驾驶车辆收集的自然驾驶数据中提取并标记变道事件；（2）构建融合运动学特征与时间累积风险指标的特征集，以体现人机行为差异；（3）结合SMOTE和CSL技术，对六种机器学习模型进行评估，以解决类别不平衡问题；（4）对模型进行性能评估。变道行为的特征提取与统计分析根据第三部分收集的数据，从每次变道事件中提取出了47个候选指标，具体见表3。这些指标来源于对车辆运动、转向行为以及整个变道过程中与车道相关交互的时序信号的重构，它们是根据变道操作所涉及的主要行为维度来分类的，包括纵向运动、横向运动、转向控制以及时间相关因素。讨论研究结果表明，在二级自动驾驶场景中，可以通过外部可观察的车辆特征在一定程度上区分人类驾驶和系统控制的变道事件。这一发现表明，人类驾驶与系统控制下的操作差异不仅体现在传统的运动学变量中，还体现在从变道过程提取的过程相关特征中。从这个意义上说，所提出的框架证明了非侵入式识别方法的可行性。结论本研究提出了一种非侵入式框架，可通过外部可观察的车辆特征来判断二级自动驾驶车辆中的变道事件是由人类驾驶还是系统控制。该框架通过整合典型的运动学变量、基于安全势场理论得出的时间累积风险指标，以及针对类别不平衡问题的机器学习策略，为分析自然驾驶环境中的人类驾驶与系统控制差异提供了系统化的方法。结果CRediT作者贡献声明侯宁浩：撰写——初稿、可视化、方法论、数据整理、概念构建。张辉：监督、项目管理、调研、资金筹集。金洁玲：撰写——审阅与编辑、撰写——初稿、验证、监督、项目管理、方法论。田凯：撰写——审阅与编辑、调研。丁乃康：撰写——审阅与编辑、调研。何燕杰：撰写——审阅与编辑、形式分析。张义军：撰写。利益冲突声明作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金（项目编号52372341、52502427）、国家重点研发计划（项目编号2023YFC3009700）、湖北省自然科学基金及中国智能交通创新发展联合基金（项目编号2025AFD745）、湖北省自然科学基金及中国智慧城市创新与发展联合基金（2026AFC1193S），以及湖北省科技项目的支持。