《Transportation Research Interdisciplinary Perspectives》：How pedestrians actually jaywalk: fine-grained adaptive strategies revealed by roadside LiDAR
编辑推荐：
乱穿马路（jaywalking）通常被作为交通合规性问题进行研究，然而乱穿马路过程中的实际行为细节仍缺乏充分探讨。本研究在德国慕尼黑的两处城市交叉口布设路边激光雷达（roadside LiDAR），将乱穿马路行为分解为离散运动学状态（kinematic sta
乱穿马路（jaywalking）通常被作为交通合规性问题进行研究，然而乱穿马路过程中的实际行为细节仍缺乏充分探讨。本研究在德国慕尼黑的两处城市交叉口布设路边激光雷达（roadside LiDAR），将乱穿马路行为分解为离散运动学状态（kinematic states），考察了红灯违规的时间模式、视线受限条件下的空间适应，以及对危险遭遇的行为响应。红灯违规行为集中出现在红灯相位（red phase）的两端，且对应显著不同的步行速度，这表明行人并非随机违规，而是针对信号周期动态表现出结构化的时间适应策略。值得注意的是，在停车车辆遮挡视线的无信号交叉口，行人站立位置距路缘的中位数距离约为信号交叉口的2.4倍（1.86 m对0.78 m，p < 0.001），且包含停止和空间重定位行为的穿越比例显著高于信号交叉口。上述两种模式均与交通信息受限条件下的信息寻求行为（information-seeking behavior）一致。同时，无信号交叉口每小时危险遭遇（hazardous encounter）发生率约为信号交叉口的4倍；在汽车遭遇中行人停止的几率（odds）是自行车遭遇中的4.7倍，表明乱穿马路过程中的行为响应随威胁类型而变化。研究结果将乱穿马路刻画为一个结构化的、情境依赖的过程，并展示了高分辨率自然主义轨迹（high-resolution naturalistic trajectories）如何为交叉口设计、行人安全评估和自动驾驶汽车开发提供支撑。
**乱穿马路行为的过程解构与情境适应：基于路边激光雷达的精细运动学证据**
**一、研究背景与问题提出**
行人穿越道路的行为长期以来被学术界广泛研究，但既有工作大多将乱穿马路（jaywalking）视为一个单一的决策问题，即行人是否违规、何时决定穿越，而对行人从路缘出发到抵达对侧这一完整穿越过程中所发生的连续行为适应缺乏系统考察。事实上，当行人违反信号灯或在无标记路段穿越时，其后续行为包含一系列快速、连续的自适应动作：停下来观察、调整站位以寻求穿越机会、加速穿过车流间隙、在来车逼近时做出反应等。现有研究在以下三个关键问题上存在明显空白：其一，红灯违规行为已被观察到集中在红灯相位（red phase）的开始和结束两端，且违规者倾向于以更高速度穿越，但违规时机与步行速度之间的系统关联、以及这种关联是否反映对信号周期时间结构的策略性利用，尚未得到直接验证。其二，当视觉遮挡客观存在时，行人是否会主动调整自身位置以补偿信息缺失，这一问题缺乏自然情境下的直接经验证据。其三，观测数据虽表明乱穿马路的风险频率和严重程度随交通条件变化，但行人在实时冲突情境中究竟经历了什么、如何做出行为响应，在很大程度上仍未被量化。
上述研究空白共享同一个方法论瓶颈。既有研究主要依赖视频录制、人工观测和受控模拟实验。视频方法受透视畸变和空间精度限制，难以解析构成自适应行为关键特征的亚米级位置变化；模拟实验虽能隔离变量，却无法复现真实城市乱穿马路所特有的视线约束、间隙不确定性和真实风险感知。为突破这一瓶颈，本研究部署路边激光雷达（roadside LiDAR）技术，将乱穿马路分解为可观测的运动学状态（kinematic states），并追踪这些状态在真实交通和真实约束条件下的动态演化过程。研究具体回答三个问题：（1）红灯违规者在信号周期内的时间分布呈现何种结构，这种结构与步行速度有何关联？（2）当来车信息受限时，行人在穿越前和穿越中如何进行行为调整？（3）在危险遭遇中，行人如何响应？遭遇频率和不同道路使用者类型之间的行为差异如何体现？
**二、研究设计与技术方法**
研究区域位于德国慕尼黑市中心一所大学校园附近，该区域行人活动密集，多模式交通连续运行。数据采集于2024年6月学期内的三个工作日进行，天气和光照条件良好。研究人员使用移动式路边激光雷达传感平台，该平台配备Ouster OS1 Rev 6和RoboSense Bpearl Version 4两个传感器，均以10 Hz频率运行，搭载于最大高度4.5 m的可伸缩升降杆上，感知半径约70 m。系统自动检测、分类和跟踪目标物体，生成包含唯一物体ID、类型、时间戳、三维位置、包围框尺寸和朝向的轨迹数据集。物体分类采用LD_Net模型，跟踪流程集成基于Fast-LIO和LIO-SAM改进版本的SLAM定位。研究选取同一条街道上的两个点位：Site A为信号控制交叉口，设有专用人行横道和独立的行人信号灯；Site B为相距约150 m的无信号T型交叉口，无任何穿越设施。Site A采集约8小时数据，Site B采集约3小时数据。
研究构建了四阶段分析框架。第一阶段，对行人轨迹进行多级增强处理，包括噪声滤波、基于运动一致性的轨迹重连、间隙插值和短轨迹剔除，增强后平均轨迹长度从约4-5 m提升至32-34 m。第二阶段，将信号相位数据与轨迹数据同步，提取目标方向穿越轨迹，排除低于0.4 m/s的低速帧后计算穿越速度，并分析红灯违规发起时间在信号周期内的分布。第三阶段，将瞬时速度分解为横穿街道分量（V
cross）和沿街道分量（V
along），基于两个经验导出的速度阈值T
Stop = 0.4 m/s和T
Move = 1.0 m/s，采用规则分类方案将每一帧标记为特定行为状态，经一秒时间平滑后合并为行为片段，进而依据主导非穿越行为将乱穿马路案例划分为三种策略类型：谨慎穿越型（C1，以Standing和Yielding为主）、自适应重定位型（C2，以Lateral Moving为主）和连续穿越型（C3，无停止或让行行为）。第四阶段，采用碰撞时间（Time to Collision, TTC）作为替代安全指标，以TTC ≤ 2.0 s为阈值识别危险遭遇事件，将时间相邻的危险帧聚合为单一事件，并记录交互物体类型和主导行人行为。
**三、主要研究结果**
**信号交叉口乱穿马路的时间模式。** Site A共记录3,273次有效穿越，其中517次（16%）在红灯相位期间发起。红灯违规者的中位行走速度为1.60 m/s，高于绿灯穿越者（1.52 m/s）和 sidewalk 步行者（1.42 m/s），其中红灯穿越者相对于人行道步行的速度增幅约13%，显著高于绿灯穿越者约7%的增幅。红灯违规发起时间呈现两个集中区间：约15%的违规发生在信号变红后最初3秒内，表现为利用车辆尚未启动的残余安全窗口的“刚好及时”尝试；另一更高峰值出现在红灯相位约40秒处，对应长时间等待后对即将到来的信号变化的预期。当发起时间按完整红灯相位时长归一化后，多数违规集中在相位最后10%区间。步行速度同样随违规时机呈现系统性差异：在红灯相位早期发起乱穿马路的行人显著快于中期（p < 0.01）和晚期（p < 0.001）违规者，表明红灯违规在时间上高度结构化、在运动学上呈现差异化特征。
**交通信息受限条件下的空间适应行为。** Site A共识别198个有效乱穿马路案例，Site B识别168个。在信号控制且视线基本无遮挡的Site A，C3（连续穿越）为主导策略，占76.1%；C1（谨慎穿越）和C2（自适应重定位）分别占6.0%和17.9%。在停车车辆遮挡视线且无信号结构的Site B，C3比例降至59.5%，C1和C2分别升至18.5%和22.0%。空间分布分析显示，Site A的Standing行为集中在路缘附近，距路缘中位距离为0.78 m；Site B的Standing行为沿两侧停车道延伸，聚类间隙对应停车车辆位置——恰为视线受阻最严重的区域，距路缘中位距离达1.86 m，显著大于Site A（Mann-Whitney U检验，p < 0.001）。若干Standing点位于街道更内侧，特别是T型交叉口交汇处附近，行人可越过停车道边界获得更广阔的来车视野。Lateral Moving的空间分布同样呈现位点差异：Site A主要局限于大学入口和公交站台前的行人可及区域，呈连续高密度带，平行于路缘，与目的地导向的路线优化一致；Site B则更分散，最强聚类位于车道内部呈条带状延伸，另有散布于两侧停车道外侧的狭窄聚类，活动区域整体向街道中心偏移。
**危险遭遇中的行为响应。** Site A和Site B分别识别出75次和139次危险遭遇，对应每小时10.7次和46.3次。尽管Site A的交通量更高（自行车1,348辆/小时对838辆/小时；汽车1,219辆/小时对1,116辆/小时），按乱穿马路发生率归一化后，Site B每次乱穿马路遭遇危险事件的比率仍为Site A的两倍以上（0.83对0.38）。汽车和自行车是两处点位最主要的交互对象。在Site B，面对汽车时行人表现出Standing行为的比例（32.4%）显著高于面对自行车时的比例（9.2%）（Fisher精确检验，p < 0.01；OR = 4.70）。Site A呈现相同方向但未达统计显著的模式。穿越阶段分析进一步显示，Site B中面对汽车且保持Crossing行为的事件发生在显著更晚的穿越阶段（中位穿越进度0.845对0.515，p < 0.05），表明在信息不确定性更高的环境下，行人仅在接近完成穿越时才更倾向于在汽车威胁下继续前行。
**四、讨论与结论**
研究结果表明，乱穿马路并非随机、冲动的违规行为，而是一个行为学上连贯、情境依赖的自适应过程。红灯违规的时间结构反映了行人对信号周期动态的学习和利用：早期违规者利用车辆启动前的安全窗口并快速通过，晚期违规者通过接受较低风险换取减少等待时间，两种策略对应系统不同的行走速度。空间层面，行人在视线受限时不会被动停留在路缘，而是主动向街道内部重定位以恢复视线，这种信息寻求行为的空间精度在自然情境下被首次大规模记录。威胁响应层面，行人面对汽车时比面对自行车时更倾向于停止，且对车辆威胁的响应随穿越剩余距离而变化，表明行人根据威胁类型和自身穿越阶段实施差异化的实时风险评估。
上述发现对交叉口设计、信号配时和行人安全评估具有直接启示。红灯违规的时间结构化特征表明，使信号配时更加透明的干预措施（如行人倒计时信号）可有效减少因不确定性引发的违规行为。Standing和Lateral Moving在停车道边界附近的空间聚集提示，路内停车可能是无信号交叉口行人危险暴露的结构性诱因，设置停车退距或改造停车道为自行车基础设施可直接改善视线条件。危险遭遇中行人行为的威胁特异性和阶段依赖性表明，仅以碰撞次数评估安全水平存在系统性盲区，按道路使用者类型和穿越阶段分类的危险遭遇密度可作为更具可操作性的安全指标。本研究的分析框架具有可转移性、可自动化和可扩展性，为连续安全监测和自动驾驶汽车行人行为建模提供了自然主义行为数据集基础。研究存在一定局限性，包括两个点位在信号化、几何形状、交通运行和视线条件等多方面存在差异，无法隔离单一因素的影响；观测时段不完全匹配；样本以校园周边年轻行人为主，泛化需谨慎。未来研究应采用匹配观测窗口、扩展交叉口类型和城市环境范围，并集成眼动追踪或问卷调查等方法，以建立主观风险感知与可观测行为响应之间的关联。
