場景上下文下的城市減速行為模式：基於Argoverse 2多智慧體軌跡的早期運動學分類器

城市道路中的減速行為一直是車輛跟馳研究的重點，然而長期以來缺乏系統的分類體系。隨著搭載感知系統的自動駕駛車輛資料集的出現，研究者得以從軌跡資料中挖掘行為模式。近期，一項基於Argoverse 2感測器資料集的研究提取了234個城市駕駛記錄中的1219次持續減速事件，為每個事件編碼了19維運動學特徵向量，並透過K-means聚類結合自舉穩定性分析，發現了四種穩定的減速模式：預期性軟減速（62.8%）、反應性接近（30.6%）、剎車式急動（4.8%）以及一個異常類別（1.8%），自舉調整蘭德指數高達0.897，表明聚類結果高度可靠。這些模式反映了駕駛員在不同情境下的典型減速策略，其中預期性軟減速最為常見，通常發生在駕駛員提前感知到前方路況變化時，而反應性接近則多出現在交通流中需要應對前車突然減速的情況。剎車式急動雖然佔比不高，但往往與緊急情況相關，異常類別則可能包含資料噪聲或特殊事件。

研究進一步分析了11種場景上下文變數對模式的影響，包括道路幾何形狀、交通訊號、弱勢道路使用者（如行人、騎行者）的接近程度以及配對年齡（即車輛間互動持續時間）等。結果發現，僅配對年齡顯示出中等效應（ε²=0.085），而其他變數的影響均可忽略。這表明在減速行為中，互動的動態持續時間比靜態場景特徵更關鍵。例如，長時間跟隨前車的駕駛員更可能表現出預期性軟減速，而短暫互動時則更傾向於反應性接近。這一發現對自動駕駛系統的意圖推斷具有重要意義，提示系統應關注互動歷史而非僅僅依賴當前場景。

基於運動學特徵和場景上下文，團隊訓練了一個直方圖梯度提升分類器（HistGradientBoosting），利用事件最初1.0秒的運動學資料預測模式歸屬。該分類器在1.0秒時達到宏F1=0.758，其中僅使用運動學特徵時F1為0.699，加入場景上下文後提升至0.758，說明場景上下文僅貢獻了+0.059 F1。這意味著早期運動學特徵，尤其是急動度（jerk），已經包含了大部分預測資訊。此外，模式在不同速度區間下表現出不同的穩定性：在中速行駛（約30-60 km/h）時，模式幾乎不隨速度變化（ARI=0.817），但在低速（低於30 km/h）時，模式高度依賴具體速度範圍（ARI=0.166），表明低速場景下減速策略更加多樣化。

這些發現對自動駕駛系統的行為預測和決策具有重要啟示：首先，僅透過短時運動學特徵即可有效區分減速意圖，這降低了感測器融合的複雜性；其次，配對年齡作為關鍵調節因素，提示系統應關注車對互動的持續時長，以更準確地預測後續行為；最後，模式在低速下的速度依賴性要求系統在低速場景中採用更精細化的模型。未來研究可進一步擴充套件至更豐富的場景（如十字路口、環形交叉口）和高速工況，以驗證模式的普遍性。該工作發表於2026年6月，相關程式碼和資料已透過Argoverse 2平臺公開。