由于微信推送机制改版，是不是经常看不到论文推送啦？

如果你也在做交通+机器学习相关研究，别再让优质论文分享从指尖溜走了。

👉给「交通遇上机器学习」点个⭐️星标

第一时间获取最新论文解读、前沿方向，不再错过任何一次灵感碰撞。

把时间留给真正有价值的内容，我们帮你筛选好。

导读

理解自动驾驶场景中周围车辆的换道意图，不仅要判断“它会不会换道”，更关键的是判断“这个预测结果是否值得相信”。现有深度学习换道预测方法虽然在分类准确率上表现较好，但大多缺少实时不确定性量化能力，难以为自动驾驶规划与控制模块提供连续、可解释的置信度信号。本文提出了一种物理信息驱动的不确定性量化框架，将经验概率分布图、场景感知动态分布融合方法（SADI）和车辆运动学约束结合起来，为深度学习换道意图预测模型输出实时可靠性评分。该框架重点解决了自然驾驶数据中的类别不平衡、缺乏真实不确定性标签、时间上下文差异和物理不可行预测等问题。实验表明，相比 Monte Carlo Dropout 和 Ensemble CNN 等传统不确定性量化方法，SADI 能更有效地区分可靠与不可靠预测，在高置信阈值下显著过滤误报，并能在 AD4CHE 数据集上实现无需重新调参的零样本迁移。

1

基本信息

标题：A physics-informed uncertainty quantification framework for deep learning-based real-time lane-change intention prediction

期刊：Transportation Research Part C

作者：Zhuo Cao, Zuduo Zheng, Mehmet Yildirimoglu, Shimul Md. Mazharul Haque

单位：澳大利亚昆士兰大学、澳大利亚昆士兰科技大学

发表时间：2026 年 3 月

关键词：Lane-change prediction；Uncertainty quantification；Physics informed；Deep learning；Autonomous vehicles

2

研究动机

1. 准确率不足以支撑自动驾驶决策：换道预测发生在连续、安全关键的自动驾驶决策闭环中，每一次预测都会影响后续规划和控制。因此，系统不仅需要知道预测类别，还需要知道当前预测是否可靠。

2. 传统评估指标具有滞后性：Precision、Recall、F1-score 等指标只能在离线评估中衡量总体性能，无法在车辆运行过程中为每个时间步提供实时置信度信号。

3. 自然驾驶数据缺乏真实不确定性标签：真实道路数据通常只记录最终发生的行为，而不是所有可能行为的概率分布，因此难以直接监督不确定性模型。

4. 类别不平衡严重影响可靠性估计：车道保持行为占自然驾驶数据的大多数，而换道行为稀少但安全关键，统一概率分布容易被 LK 样本主导，导致换道相关区域数据稀疏。

5. 现有不确定性方法缺乏物理约束：MC Dropout 和 Deep Ensemble 主要基于统计波动估计不确定性，可能给出与车辆横向运动规律相矛盾的可靠性判断，缺少对车辆动力学和场景上下文的解释。

3

核心创新点

1、问题创新：从“预测准确率”转向“实时可靠性评估”

现有换道意图预测研究多关注 Precision、Recall、F1-score 等事后统计指标，但自动驾驶系统需要在每个时间步判断当前预测是否可信。本文将换道意图预测中的核心问题从单纯分类扩展为实时不确定性量化，使模型不仅输出 LK、LCL、LCR 等类别，还输出对应的可靠性评分。

2、方法创新：类别分离的经验概率分布图

针对自然驾驶数据中车道保持（LK）远多于换道（LC）的严重类别不平衡问题，本文不再构建一个统一经验分布，而是分别为 LK 和 LC 构建class-wise empirical probability distribution maps。这种做法减少了 LK 样本对概率空间的“淹没”，提升了少数类换道行为的不确定性刻画能力。

3、结构创新：SADI 场景感知动态分布融合

本文提出 Scenario-Aware Dynamic Distribution Integration（SADI），将多尺度动态时间规整（DTW）、横向速度阈值、状态持续机制和动态权重融合起来。它不是只看模型概率，而是进一步判断预测是否符合车辆运动学规律，从而识别“概率很高但物理上不合理”的不可靠预测。

4、应用创新：面向自动驾驶实时控制的可靠性评分

SADI 输出的 reliability score 可直接作为规划控制模块的风险触发信号。当预测不可靠时，自动驾驶车辆可以采取更保守的策略，如增大安全间距、减速或切换到鲁棒规划模式。相比传统 dropout 或 ensemble 方法，该框架更适合安全关键场景中的实时部署。

4

论文摘要

换道意图预测是自动驾驶中的关键任务，尤其是在自动驾驶车辆与人工驾驶车辆混行的复杂交通环境中。虽然深度学习方法已经显著提升了换道预测性能，但缺乏实时不确定性量化限制了其在安全关键系统中的可靠应用。本文提出一种物理信息驱动的不确定性量化框架，该框架可以与已有预测模型无缝结合，为自动驾驶车辆提供可靠且可解释的换道意图评估。具体而言，论文通过类别分离的经验概率分布图解决自然驾驶数据类别不平衡和精确换道标签依赖问题，并提出 SADI 方法，自适应捕捉多尺度时间驾驶模式，同时引入横向速度、状态持续性等车辆物理约束。实验基于 highD 数据集，并在 AD4CHE 数据集上验证泛化能力。结果表明，该框架相比 dropout 和 ensemble 等传统不确定性量化方法，能提供更稳定、更具物理合理性的实时可靠性评分，并能在不重新调参的情况下迁移到不同交通环境。

5

研究方法

将换道意图预测建模为多变量时间序列分类

论文将目标车辆及周围车辆状态表示为多变量时间序列输入，包括目标车辆横向位置、速度、加速度，以及前车、后车的位置和速度等特征。模型输出 LK、LCL、LCR 三类概率，并在此基础上进一步计算预测可靠性。

构建类别分离的经验概率分布图

首先使用训练好的 1D-CNN 换道预测器对离线轨迹生成类别概率，然后利用概率和为 1 的约束，将三维概率空间压缩为二维网格空间。不同于统一建图方式，本文分别为 LK 和 LC 构建经验概率分布图，并保留样本数超过阈值的网格单元，从而保证统计可靠性。

SADI：多尺度 DTW 捕捉时间模式变化

SADI 使用短期、中期、长期三个尺度的 Dynamic Time Warping 比较当前轨迹窗口与历史参考窗口的差异，分别捕捉即时换道启动信号、意图发展过程和较长时间上下文。多个尺度的 DTW 差异通过加权融合得到综合时间相似性指标。

引入物理约束：横向速度阈值与状态持续机制

论文将横向速度作为物理约束，设定阈值 θlat = 0.2 m/s，用于区分真实横向运动和传感器噪声或轻微摆动。同时引入 LK/LC 状态持续机制，避免模型因短时噪声在状态之间频繁跳变。

可靠性评分计算

在线阶段，模型将当前预测概率映射到 LK 和 LC 两张经验分布图中，提取对应密度值，并分别进行归一化变换。最终可靠性分数由绝对密度支持项和 LK/LC 相对密度比值项共同组成，使评分既考虑经验统计频率，也考虑两类行为之间的相对支持关系。

6

实验结果

经验分布图对类别比例的敏感性分析

实验比较了 LK:LC 轨迹比例从 1:1 到 10:1 时经验概率分布图的变化。结果显示，随着 LK 占比增加，平均熵从 0.5878 降至 0.1321，高熵单元比例从 33.82% 降至 1.53%，说明真实类别比例虽然让模型更“自信”，但也会使概率空间被 LK 主导，削弱对稀有换道行为的刻画能力。因此，单一经验分布图并不适合严重类别不平衡的换道预测任务。

换道执行时间标签敏感性分析

实验改变 LC 轨迹中被标注为换道的时间步长度，从 25 到 100 个时间步。结果表明，LC 标注窗口越长，平均熵越高，过短会导致换道信息不足，过长又会产生大面积高不确定区域、降低区分能力。论文据此说明，经验分布图对标签时间窗口非常敏感，因此需要类别分离建图和更稳健的动态融合机制。

类别分离经验分布图构建结果

最终方法分别使用 2051 条 LK 轨迹和 2069 条 LC 轨迹构建经验分布图，其中 LK map 覆盖 1166 个有效网格，LC map 覆盖 813 个有效网格，两图之间 Pearson 相关系数仅为 0.2569。这说明 LK 与 LC 在概率空间中的分布模式差异明显，单独建模能够更好捕捉两类行为的统计特征。

SADI 单轨迹可视化分析

论文以一条复杂换道轨迹为例展示 SADI 的在线可靠性评分过程。模型在早期出现错误 LCR 预测时，SADI 给出低可靠性评分；当后续预测稳定为 LCL 且车辆横向速度开始明显增加时，可靠性评分逐步升高。这说明 SADI 能将模型概率、时间模式变化和物理运动证据结合起来，对预测过程中的不确定阶段作出合理判断。

不同预测情形下的可靠性分布

实验统计 TP、FP、FN、TN 四类预测的可靠性分数分布。结果显示，TP 和 TN 多集中在高可靠性区间，而 FP 明显集中在低可靠性区间，FN 多处于中低可靠性区间。这表明 SADI 可以较清晰地区分正确预测和错误预测，尤其能识别错误换道预测，适合用于自动驾驶中的风险过滤。

预测时域分析

论文进一步考察 0 到 2 秒不同预测时域下的可靠性表现。TP 可靠性均值在 0.5 秒时最高，随后随预测时域延长而下降，反映出长期预测天然更不确定；FP 可靠性始终保持较低，说明 SADI 对错误换道预测的过滤能力在不同时间范围内较稳定。

可靠性阈值过滤效果

当可靠性阈值设为 0.6 且预测时域为 0 秒时，SADI 能过滤掉 98% 的 FP，同时保留 66% 的 TP。随着预测时域延长，TP 保留率下降，但 FP 仍几乎被完全过滤。这说明 SADI 在安全关键任务中可作为有效的“预测筛选器”，在减少误报和保持召回之间提供可调节的权衡。

与 Ensemble CNN 的对比

Ensemble CNN 虽然能通过多个模型输出方差估计不确定性，但其 TP 与 FP 可靠性分布重叠明显，在相近阈值下 FP 保留率远高于 SADI。论文指出，这是因为 Ensemble 只反映模型间统计差异，缺乏车辆运动学和时间上下文约束，难以判断预测是否物理合理。

与 Monte Carlo Dropout 的对比

MC Dropout 在 TP 平均可靠性上与 SADI 接近，但对 FP 的区分能力较弱，在可靠性阈值 0.6 时仍保留约 30% 的 FP，而 SADI 仅约 2%。这说明单纯基于随机 dropout 的贝叶斯近似难以满足自动驾驶中对错误换道预测强过滤的需求。

AD4CHE 零样本迁移验证

在不重新调参的情况下，SADI 被迁移到中国拥堵高速场景 AD4CHE 数据集。结果显示，在可靠性阈值 0.6 下仍能消除约 71% 的 FP，尽管该数据集交通密度更高、交互更复杂。这说明 SADI 的物理约束和动态分布融合并非只适用于 highD 数据集，而具有一定跨场景泛化能力。

7

结语

本文提出的物理信息驱动不确定性量化框架，将换道意图预测从传统的“输出一个类别”推进到“输出类别 + 实时可靠性评分”。其核心价值在于：通过类别分离的经验概率分布图缓解自然驾驶数据中的类别不平衡，通过 SADI 融合多尺度时间模式、横向速度约束和状态持续机制，使预测可靠性既有统计依据，又符合车辆运动学逻辑。

从实验结果看，SADI 最突出的优势不是单纯提升分类准确率，而是显著提升错误预测识别能力，特别是对 false positive 换道预测的过滤。这一点对自动驾驶尤为重要，因为错误地认为周围车辆将换道，可能导致不必要制动、错误避让或保守驾驶；而对预测可靠性的实时判断，可以帮助自动驾驶系统在不确定时采取更安全的策略。

未来工作可围绕两方面展开：一是将可靠性评分进一步接入自动驾驶规划与控制模块，形成闭环的 uncertainty-aware decision-making；二是扩展到更多安全关键预测任务，如并道、碰撞预警、紧急避让和复杂交互场景，从而验证物理信息驱动不确定性量化框架的通用性。

期待你的

分享

点赞

在看

END

欢迎关注微信公众号《当交通遇上机器学习》！如果你和我一样是轨道交通、道路交通、城市规划相关领域的，也可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！

· 往期推荐

TR-B | 同济大学：面向网格锁死感知的过饱和交通网络学习型 MPC 框架

TR-C | 美国加州大学：基于视觉语言模型的铁路车辆识别自动知识提取

Nature | 只有24%的论文愿共享数据？Nature研究揭开社会与行为科学的“计算可重现”窘境

Nature | 大规模复现研究揭示社会与行为科学的可重复性挑战

TR-C | 同济&新国立：基于多智能体强化学习的大规模计划运营车辆准点性导向交通信号控制