一种基于驾驶人意图识别的桥梁运行风险靶向防控方法

本发明属于智能交通系统和桥梁安全防控，涉及一种基于驾驶人意图识别的桥梁运行风险靶向防控方法，具体涉及一种利用深度学习模型识别驾驶人意图，并对未意识到桥梁特定风险的车辆驾驶人进行靶向预警的主动防控方法。

背景技术：

1、桥梁作为道路交通的关键节点，直接影响线路的畅通与安全。传统的桥梁安全防控手段主要依赖于固定点监控以及可变信息标志进行宏观层面的信息发布，但存在以下明显缺陷：

2、1）被动响应：系统通常在事故、拥堵等事件发生后才进行预警，缺乏针对风险的主动防御能力；2）忽视驾驶人状态：现有系统极少考虑驾驶人的实时意图和行为；3）防控缺乏针对性：传统vms面向所有车辆广播，无法对特定高风险车辆进行精准预警。

3、若能在面向交通流一次预警的基础上，对风险度最高的驾驶人进行二次靶向预警，则可有效提升预警有效性。其中二次靶向预警需对未注意到风险的驾驶人进行预警，即未表现出减速意图或换道意图。尽管长短期记忆网络（long short term memory，lstm）、transformer等在时间序列数据处理方面展现出强大能力，已被用于识别驾驶意图，如换道、超车。然而，现有技术更多是集中于车辆辅助驾驶（advanceddriver assist system，adas）或行为分析，尚未见将其与道路基础设施的主动安全防控系统深度融合，实现对特定风险场景下“失察”车辆的靶向干预。

4、中国专利文献（申请号为202510776648.6，公开日为2025.07.08）公开了一种换道轨迹预测模型，其对车辆当前运动轨迹与历史轨迹进行分析，并且将预测结果反馈到周围车辆进行安全预警。此预测模型能够给让周围车辆知晓自车的换道意图，从而实现安全驾驶预警。但要实现桥梁运行风险靶向防控，该对比文献仍存在以下不足：1）该预警方案仅关注车辆间的交互风险，未考虑桥梁存在的固有风险（如能见度不足、路面积水/积雪/结冰、横风干扰等）和叠加风险（如事故占道、施工、抛洒物等），无法实现“人-车-路-环境”风险识别，导致桥梁风险预警策略失效；2）该方案不具备靶向预警能力，靶向型桥梁运行风险防控不仅需要获取驾驶人的换道意图，还需要获取减速意图，其中换道意图用于评估驾驶人对前方车道封闭等车道级风险的响应能力，减速意图用于评估驾驶人对桥面能见度不足、强侧风（横风）突变，桥面结冰/湿滑导致路面附着系数降低，桥面交通事故或车辆故障、桥面施工、桥面抛洒物引发车道关闭、前方存在多车缓行或拥堵排队等路段级风险的响应能力，仅依赖换道意图无法全面评估驾驶人对风险的认知状态；3）考虑到现有预警手段针对的是驾驶人，因而需要通过轨迹分析剔除自动驾驶车辆，减少靶向预警对象，但该专利未公开该方面的信息。

5、因此，迫切需要一种能够精准识别驾驶人意图、动态评估桥梁运行风险、并对特定车辆进行靶向预警的桥梁主动防控方法，以解决现有技术存在的问题。

技术实现思路

1、本发明的目的在于克服上述现有技术的缺点，提供一种基于驾驶人意图识别的桥梁运行风险靶向防控方法。

2、为实现上述目的，本发明提供了如下技术方案：

3、一方面，本发明提供一种基于驾驶人意图识别的桥梁运行风险靶向防控系统，包括：用于获取车辆视觉图像数据与雷达点云数据的雷视一体机、可变信息情报板、发出定向声波的音柱、无线广播、雾灯、气象站，以及利用雷视一体机的精准识别定位以及气象站获取的天气情况，结合可变信息情报板、音柱以及无线广播，对“失察”的高风险车辆进行“一对一”精准预警的控制单元；其中，所述雷视一体机、可变信息情报板、音柱均在桥前、桥中每隔150-200m布置，以满足系统100%覆盖，雾灯在桥中每间隔5-10m布置，无线广播与气象站根据桥梁实际情况在桥前或者桥中布置，所述控制单元分别与雷视一体机、可变信息情报板、音柱、无线广播、雾灯、气象站电连接。

4、另一方面，本发明提供一种基于如上所述桥梁运行风险靶向防控系统的防控方法，包括如下步骤：

5、步骤1、利用雷视一体机实时采集目标路段车辆的视觉图像数据与雷达点云数据，控制单元将获取到的数据实时进行车辆的动态数据序列提取、视觉图像与雷达点云时空对齐、视觉图像与雷达点云目标级融合；

6、步骤2、控制单元将步骤1获取的车辆动态数据通过分析行为模式特征来区分车辆属于自动驾驶车辆还是人工驾驶车辆，并对动态数据实施差异化过滤，保留人工驾驶车辆的动态数据；

7、步骤3、将经过车辆类型处理后的动态数据序列输入至预先训练好的lstm神经网络模型中，以识别驾驶人实时意图；

8、步骤4、控制单元实时获取桥梁的运行风险信息，将识别到的驾驶人实时意图与当前车辆所在车道面临的运行风险信息进行匹配，判断车辆处于安全状态还是风险状态；对于处于风险状态的车辆进行风险量化评估，得到车辆得不同风险等级；

9、步骤5、控制单元遵循“先全局告知，后靶向干预”的递进式管控预警原则，先对桥梁上的车辆进行全局基础风险告知，如果控制单元识别到车辆风险没有消除，再根据步骤4得到的车辆风险等级，针对有风险的车辆进行不同级别的靶向预警。

10、具体的，步骤1具体为：

11、步骤1.1、控制单元基于视觉图像数据与雷达点云数据，连续提取车辆的动态数据序列；所述动态数据序列综合了视觉特征与雷达特征，包括但不限于：由视觉特征提取的纵向位移、与车道线的相对距离、转向灯状态，以及由雷达特征提取的车辆速度和纵向距离；

12、步骤1.2、对所述视觉图像与雷达点云进行时空对齐：在时间维度上，通过时间戳插值实现数据的时间同步；在时间对齐的基础上进行空间对齐：利用预先标定的相机内外参矩阵、以及雷达到世界坐标系的投影矩阵，将雷达目标投影至视觉像素坐标系中，将视觉模型识别的车辆二维边界框与雷达提取的三维运动目标投影后的边界框进行交并比匹配；

13、步骤1.3、对匹配后的视觉图像与雷达点云进行目标级融合：采用融合策略整合两类传感器的优势数据，对于目标位置信息，结合雷达三维定位的高精度与视觉图像的像素级细节，通过卡尔曼滤波算法对位置坐标进行融合估计，降低定位误差；对于目标运动状态（速度、方向），以雷达点云数据为主要依据，结合连续帧视觉图像进行修正，提升运动状态估计的平滑性与准确性；对于目标属性（类别、尺寸），以视觉图像识别结果为核心，利用雷达点云数据补充目标三维尺寸信息，完善目标描述。

14、具体的，步骤2还包括：对所有车辆轨迹进行实时监测，若某一车辆在上一时间段内表现出强自动驾驶特征（如极高的车道居中稳定性），但在短时间内突然出现横向位移剧烈波动或加速度断崖式异常，控制单元则判定该车辆为自动驾驶系统退出，正处于人工紧急接管过渡期，对于此类接管失效高危车辆，控制单元对其进行预警标记。

15、具体的，步骤2中，控制单元通过分析以下行为模式特征来区分自动驾驶车辆与人工驾驶车辆，具体为：

16、步骤2.1、计算车辆巡航过程速度和横向位置的稳定性：利用车辆动态数据选取车辆未换道的稳定巡航轨迹片段，计算车辆中心与车道中心线的横向距离的变化，速度的变化；自动驾驶系统凭借精准的控制能力，能保持极低且稳定的居中误差和速度波动，而人工驾驶则表现为持续的微小修正与较高波动；具体计算公式如下：

17、 （1）

18、 （2）

19、其中为第

i采样点车辆中心与车道中心线的横向距离，

v

i为第

i采样点车辆速度，n为采样总数且，为横向距离标准差，为速度标准差；或时认为处于自动驾驶状态，或时认为处于人工驾驶状态；

20、步骤2.2、评估转向灯使用与转向行为的匹配程度：通过统计在有明确横向移动意图、且转向灯未激活的车辆比例，以及转向灯亮到转向开始的时间差稳定性进行判断，自动驾驶行为通常严格遵循“先提示后行动”的规则且时间差固定，人工驾驶行为则存在较高比例的遗忘或滞后；具体计算公式如下：

21、 （3）

22、其中r表示发生转向动作且未打转向灯的概率；表示转向灯状态，为1时表示已打转向灯，为0表示未打转向灯；表示转向行为状态，=1表示开始偏离车道，=0表示没有偏离车道；时认为车辆处于自动驾驶状态，时认为车辆处于人工驾驶状态；

23、步骤2.3、分析跟车过程的一致性：在跟驰场景下提取车辆的纵向控制特征，计算车头时距的变异系数、加速度变化率的均方根；acc系统通过闭环控制可稳定维持预设时距，其车头时距变异系数通常小于0.05，且加速度变化率的均方根值低、高频分量（加速度变化率的变化程度）极少；而人工驾驶因感知延迟与操作粗糙性，车头时距变异系数多大于0.15，误差修正存在过冲和低频振荡，加速度均方根值显著偏大；控制单元基于上述多维特征构建分类模型，将表现出典型acc稳定跟车特征的车辆判定为自动驾驶（含acc）车辆，并从后续预警流程中过滤；具体计算公式如下：

24、 （4）

25、 （5）

26、 （6）

27、其中表示第

i采样点的车头时距，，为第

i个采样点的车头间距，为第

i个采样点瞬时速度，为变异系数，为车头间距标准差，为加速度变化率的均方根，表示第

i个采样点的加速度；时认为该车处于自动驾驶状态，时认为处于人工驾驶状态。

28、进一步，在进行全局基础风险告知时，只针对二次预警，控制单元设置为2种模式：（1）对确信的人工驾驶车辆进行预警，则只将上述符合人工驾驶的车辆进行预警标记；（2）对确信的自动驾驶车辆不进行预警，则将上述符合自动驾驶的车辆从检测车辆集中删除，剩余的进行预警标记。

29、具体的，步骤3中，所述驾驶意图包括换道意图和减速意图；所述lstm神经网络模型通过大量历史驾驶数据训练得到，能够根据车辆短时间内的行为序列高精度预测其未来数秒内的驾驶意图；

30、lstm输入特征序列构建：对于一个目标车辆，控制单元通过步骤1得到的车辆动态数据，提取一个预先设定长度t的时间窗口内的多维特征，构成了含有多个时间步n的输入序列，且每个时间步包含的特征有横向运动特征、纵向运动特征、状态特征；其中横向运动特征包括车辆的横向速度、横向加速度和车辆中心与车道中心线的距离；纵向运动特征包括车辆纵向速度、纵向加速度；状态特征包括车辆转向灯的状态、与前方车辆的车头时距和碰撞时间

31、lstm网络结构如下：

32、输入层：接收尺寸为（t，nl）的特征序列，t为序列长度，nl为每个时间步的特征维度。

33、第一层lstm：设定128个隐藏单元，返回完整的时间步序列，该层主要负责学习驾驶行为的底层动态模式，如加速、制动、转向等短时动作的时序组合。

34、第二层lstm：设定64个隐藏单元，返回最后一个时间步的输出，该层是在第一层的基础上，学习更高阶意图的时序逻辑，如识别一组动作组合最终是为了换道还是制动减速。

35、dropout层：在每层lstm之后都设定一个dropout，这个值需要通过多次训练调整之后得到，其作用是在训练时随机失活部分神经元，防止模型出现过拟合的同时增强模型的鲁棒性。

36、全连接层：将第二层lstm的最终隐藏状态映射到一个双任务分类器。任务一输出横向意图概率：左、右换道和车道保持；任务二输出纵向意图概率：加速、减速和匀速。

37、损失函数：模型采用的是双任务加权损失函数进行优化，总损失为横向意图损失与纵向意图损失之和，两个任务均使用交叉熵损失函数，公式如下：

38、 （7）

39、其中为计算的损失值，为类别总数且，为真实标签编码向量，为模型预测概率。

40、具体的，步骤4中，所述运行风险信息包括：桥面能见度不足、强侧风（横风）突变、桥面结冰/湿滑导致路面附着系数降低、桥面交通事故、车辆故障、桥面施工、桥面抛洒物引发车道关闭、前方存在多车缓行或拥堵排队。

41、具体的，步骤4中，将识别到的驾驶人意图与当前车辆所在车道面临的风险进行匹配判断，具体为：

42、步骤4.1、风险意图初筛与状态定性

43、安全状态：车辆的驾驶意图符合客观安全避险逻辑，此状态下，主客观风险处于安全平衡态，控制单元仅保持后台监控，不触发预警；安全状态匹配情形包括：

44、纵向避险匹配：当本车道前方存在静态占道（事故、故障、施工、抛洒物）或低速移动瓶颈（多车缓行、拥堵排队）时，检测到明确的换道意图或及时的减速制动意图。

45、横向避险匹配：当面临桥面能见度不足、横风、结冰/湿滑等导致驾驶人视距不足、车辆横向稳定性下降时，检测到主动减速且保持车道稳定行驶的意图（无激烈变道或急转向意图）。

46、风险状态：车辆的驾驶意图与客观安全逻辑相悖，针对此类失配车辆，控制单元将其锁定为目标高风险车辆，并立即触发后续的量化评估机制；高风险状态匹配情形包括：

47、纵向风险无视：本车道前方存在静态占道（事故、故障、施工、抛洒物）或低速移动瓶颈（多车缓行、拥堵排队）时，但驾驶人未表现出减速或换道意图，仍保持原车速及原车道行驶，甚至表现出加速跟驰意图。

48、横向失控诱发：在桥面能见度不足、横风、结冰/积水路段，驾驶人仍表现出急加速、急减速或激烈的连续换道意图，极易诱发车辆侧滑或侧翻。

49、错误避险方向：前方发生单侧车道阻断，驾驶人却向受阻车道一侧表现出换道意图。

50、步骤4.2、实时风险量化评估

51、针对高风险车辆，控制单元立即启动基于运动学模型的实时高频递推计算机制；在量化评估过程中，控制单元基于底层的动态数据序列，在每一时间步逐帧读取目标车辆的自车速度、加速度与其他目标相对速度、加速度，并结合其与前方物理危险源的相对距离，实时计算并更新碰撞时间ttc（ttc, time to collision）与安全余量sm（sm, safetymargin）；

52、ttc侧重于表征时间维度上的碰撞紧迫程度，计算方式为：

53、 （8）

54、其中，为自车与前方目标的相对距离；为自车速度与前方目标车辆速度的差。

55、sm作为空间维度的补充指标，用于表征车辆当前位置与理论极限安全停止位置之间的物理距离差值，以弥补ttc在低速或两车速度接近场景下趋于无穷大的计算问题，直观反映当前是否还有实施紧急避险转向或制动的空间裕度；计算方式为：

56、 （9）

57、其中，自车与前方目标（如事故车辆、静止障碍物、缓行车辆）的相对距离：自车当前的行驶速度；前车的行驶速度；制动系统协同延迟时间，通常包含驾驶人的反应时间以及机械制动系统的建压响应时间；为在当前路面附着系数下，车辆能够达到的最大减速度。

58、进一步，步骤4中，根据每种风险状态可能采取的应对方式（如表1所示）进行风险等级的划分：若包含减速和换道，有换道意图，则判定为零级风险；否则按照只包含减速的情形进行等级划分，依据ttc与sm的动态衰减程度，控制单元将失配车辆的风险等级连续量化为三个层级，使不同层级的风险预判具备高实时性与区分度：

59、零级风险：ttc大于等于预设的一级安全阈值；一级安全阈值定义为舒适制动所需时间，其计算公式如下：

60、 （10）

61、其中，取值约为2.5m/s2；

62、潜在风险（一级风险）：ttc小于预设的一级安全阈值；

63、高危风险（二级风险）：ttc小于二级安全阈值，且驾驶人意图仍未改变，碰撞概率显著增加；二级安全阈值定义为车辆fcm制动所需时间，其计算公式如下：

64、 （11）

65、其中，取值约为5m/s2；

66、临界碰撞风险（三级风险）：ttc小于三级安全阈值，且安全余量；此时目标距离已小于极限物理制动距离，车辆处于极度危险的碰撞前夕，依靠常规制动已无法避免事故，控制单元判定为最高危险等级；三级安全阈值定义为车辆aeb制动所需时间，其计算公式如下：

67、 （12）

68、其中，取值约为10m/s2；

69、注：若车辆为重载货车，则依据公式（10-12）将判定的一级风险自动升级为二级风险、二级风险自动升级为三级风险。

70、具体的，步骤5中，预警触发严格分为基础风险广播与高危靶向干预两个阶段：

71、步骤5.1、预警策略与播报内容映射：控制单元首先根据获取到的当前桥梁具体风险诱因，提取对应的标准应对方式；随后，控制单元将预警策略划分为两个递进阶段，并映射不同的播报内容：

72、一次预警全局风险告知：针对进入危险源上游影响区内的所有车辆，提取基础播报内容模板进行广域发布，旨在消除信息不对称，引导驾驶人主动调整驾驶行为；

73、二次预警专属指令生成：针对未能按一次预警提醒调整驾驶行为的车辆，控制单元提取该目标车辆的特征与高危模板进行动态拼接，生成针对该高风险车辆的专属预警指令集；

74、桥梁典型风险场景与两步预警播报内容的具体映射关系如表1所示。一次预警采用视觉和听觉预警结合的方式，其中视觉预警按照表1的一次预警内容在vms上进行播报；听觉预警基于定向声波阵列和无线广播向该特定区域精准下发语音警报，且无线广播提升了预警信息的穿透性。

75、步骤5.2、靶向预警：控制单元持续追踪经过步骤5.1的一次预警全局风险告知后的车辆轨迹与运动状态；当判定某车辆未表现出合理的避险意图（即处于风险状态），且经过实时风险量化评估仍被锁定为高危风险、临界碰撞风险目标（如ttc小于二级安全阈值）时，则将该车纳入靶向预警车辆集合中；在上一靶向预警车辆经过预警设备时，控制单元对靶向预警车辆集合中风险最高的车辆进行靶向预警；预警执行方式包括：

76、视觉预警：强制控制目标车辆前方最接近的可变信息标志（vms），按照表1二次预警内容高亮显示针对该车辆的专属预警信息；

77、听觉预警：启动部署在桥梁路侧的定向声波阵列，朝向目标车辆所在车道进行高分贝定向声波预警。

78、需要说明的是，雾灯的使用，雾灯包括黄灯和红色尾迹灯，参见表2所示，根据气象站识别得到的能见度，将能见度归纳为四个风险等级，识别到能见度为100-200m时，控制单元判定为四级风险，则黄灯常亮；识别到能见度为50-100m，控制单元判定为三级风险，则黄灯闪烁；识别到能见度为30-50m，控制单元判定为二级风险，则黄灯闪烁+红色尾迹；识别到能见度为<30m，控制单元判定为一级风险，则黄灯闪烁+红色尾迹，提醒人工驾驶注意大雾天气。

79、与现有技术相比，本发明提供的技术方案包括以下有益效果：

80、1、防控的主动性：本发明依托lstm时序深度学习模型精准预判驾驶人减速、换道两类关键驾驶意图，结合桥梁路面、气象、路况等多维度环境风险提前预判车辆风险态势，摒弃传统桥梁预警事故发生后被动告警的滞后模式，在驾驶人尚未察觉桥面隐患、即将产生危险驾驶行为前完成干预，真正落地桥梁交通风险主动防御，从根源缩短风险处置响应窗口期。

81、2、预警的靶向性：依托雷视一体机完成路面车辆精准定位，同步联动vms可变信息标志、现场音柱等多路预警终端；通过识别驾驶人无减速、无换道的失察状态筛选高风险目标车辆，同时剔除自动驾驶车辆避免无效预警，区别于传统vms全路段无差别广播的粗放模式，仅针对对桥面各类风险未做出响应的特定车辆定向推送预警信息，大幅削减无效预警损耗，显著提升预警触达实效。

82、3、识别的智能化：采用具备优异时序数据处理能力的lstm深度学习网络挖掘车辆行驶时序特征，完整识别减速意图与换道意图两类驾驶行为，依托海量实桥交通数据完成模型迭代优化，驾驶意图识别精度更高；可兼容桥面横风突变、结冰湿滑、能见度骤降、占道事故、占道施工、路面抛洒等多类叠加复杂风险场景，适配桥梁差异化环境与车流变化，保障多工况下驾驶人风险感知状态评估稳定可靠。

83、4、系统融合性：打破传统车辆端adas驾驶分析与道路桥梁基础设施预警系统相互割裂的技术壁垒，深度融合路面雷视感知采集、桥梁环境风险监测、路侧设施通信传输、多路预警终端执行全链路模块，打通人（驾驶人意图）、车（车辆运行状态）、路（桥面道路条件）、环境（气象、突发事件）四类风险要素的数据交互，构建“感知-认知-决策-执行”闭环式桥梁主动安全防护体系，补齐现有技术无法统筹多源风险的短板。