场景上下文下的城市减速行为模式：基于Argoverse 2多智能体轨迹的早期运动学分类器

城市道路中的减速行为一直是车辆跟驰研究的重点，然而长期以来缺乏系统的分类体系。随着搭载感知系统的自动驾驶车辆数据集的出现，研究者得以从轨迹数据中挖掘行为模式。近期，一项基于Argoverse 2传感器数据集的研究提取了234个城市驾驶记录中的1219次持续减速事件，为每个事件编码了19维运动学特征向量，并通过K-means聚类结合自举稳定性分析，发现了四种稳定的减速模式：预期性软减速（62.8%）、反应性接近（30.6%）、刹车式急动（4.8%）以及一个异常类别（1.8%），自举调整兰德指数高达0.897，表明聚类结果高度可靠。这些模式反映了驾驶员在不同情境下的典型减速策略，其中预期性软减速最为常见，通常发生在驾驶员提前感知到前方路况变化时，而反应性接近则多出现在交通流中需要应对前车突然减速的情况。刹车式急动虽然占比不高，但往往与紧急情况相关，异常类别则可能包含数据噪声或特殊事件。

研究进一步分析了11种场景上下文变量对模式的影响，包括道路几何形状、交通信号、弱势道路使用者（如行人、骑行者）的接近程度以及配对年龄（即车辆间交互持续时间）等。结果发现，仅配对年龄显示出中等效应（ε²=0.085），而其他变量的影响均可忽略。这表明在减速行为中，交互的动态持续时间比静态场景特征更关键。例如，长时间跟随前车的驾驶员更可能表现出预期性软减速，而短暂交互时则更倾向于反应性接近。这一发现对自动驾驶系统的意图推断具有重要意义，提示系统应关注交互历史而非仅仅依赖当前场景。

基于运动学特征和场景上下文，团队训练了一个直方图梯度提升分类器（HistGradientBoosting），利用事件最初1.0秒的运动学数据预测模式归属。该分类器在1.0秒时达到宏F1=0.758，其中仅使用运动学特征时F1为0.699，加入场景上下文后提升至0.758，说明场景上下文仅贡献了+0.059 F1。这意味着早期运动学特征，尤其是急动度（jerk），已经包含了大部分预测信息。此外，模式在不同速度区间下表现出不同的稳定性：在中速行驶（约30-60 km/h）时，模式几乎不随速度变化（ARI=0.817），但在低速（低于30 km/h）时，模式高度依赖具体速度范围（ARI=0.166），表明低速场景下减速策略更加多样化。

这些发现对自动驾驶系统的行为预测和决策具有重要启示：首先，仅通过短时运动学特征即可有效区分减速意图，这降低了传感器融合的复杂性；其次，配对年龄作为关键调节因素，提示系统应关注车对交互的持续时长，以更准确地预测后续行为；最后，模式在低速下的速度依赖性要求系统在低速场景中采用更精细化的模型。未来研究可进一步扩展至更丰富的场景（如十字路口、环形交叉口）和高速工况，以验证模式的普遍性。该工作发表于2026年6月，相关代码和数据已通过Argoverse 2平台公开。