Controlled Experiments on Lane Changing by Transitional Autonomous Vehicle: Dataset and Behavioral Insights
作者: Abhinav Sharma, Md Abdullah Al Hasan, Danjue Chen, George F. List
分类: cs.RO, eess.SY
发布日期: 2026-07-29
💡 一句话要点
提出NC-tALC数据集以研究过渡自动驾驶车辆的变道行为
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 过渡自动驾驶 变道行为 安全评估 数据集 实证研究 交通安全 智能交通系统
📋 核心要点
- 现有方法在分析过渡自动驾驶车辆的变道行为时缺乏系统的实证数据，尤其是在强制变道场景下。
- 论文通过构建NC-tALC数据集，采用受控实验的方法，系统性地分析了变道过程中的间隙演变和碰撞风险。
- 实验结果表明，尽管初始条件不同，变道过程中的前后间隙趋于一致，且潜在碰撞风险在变道接近时显著增加。
📝 摘要（中文）
本文介绍了北卡罗来纳州过渡自动驾驶车辆变道（NC-tALC）数据集，并利用该数据集对过渡自动驾驶车辆（tAVs）的强制变道行为进行了特征化。研究量化了变道过程中的前后间隙演变，并考察了在该操作过程中潜在碰撞风险的发展。通过在北卡罗来纳州Apex的公共道路上进行的78次强制变道试验，研究团队创建了可重复的交通条件，并在变道者的初始位置上进行了变化。高分辨率RTK-GNSS/INS轨迹被处理以识别关键时间戳，计算前后间隙，并使用基于时间间隔和速度的替代安全措施来估计交互作用。尽管初始条件存在显著差异，前后间隙在变道接近时始终收敛到相对狭窄的范围内。潜在碰撞风险在操作过程中增加，并在物理车道进入附近达到峰值，主要受目标车道领头车辆的影响。变道完成并不一定与碰撞风险的消失同时发生。该研究为tAVs的强制变道过程提供了首次受控的实证特征化。
🔬 方法详解
问题定义：本文旨在解决过渡自动驾驶车辆在强制变道过程中缺乏系统性实证数据的问题，现有方法未能全面分析变道行为的演变及其安全性。
核心思路：通过构建NC-tALC数据集并进行受控场地实验，论文系统性地量化了变道过程中的关键参数，如前后间隙和碰撞风险，提供了实证基础。
技术框架：研究采用了受控实验设计，包含四辆仪器化车辆以创建可重复的交通条件，使用高分辨率RTK-GNSS/INS系统记录变道过程中的关键时间戳和间隙数据。
关键创新：该研究首次通过受控实验对tAVs的强制变道过程进行全面的实证特征化，填补了现有文献的空白，提供了新的分析视角。
关键设计：实验中设置了不同的初始位置和交通条件，使用时间间隔和速度作为替代安全措施，确保了数据的准确性和可靠性。数据处理过程中，重点分析了变道接近时的前后间隙和潜在碰撞风险。
🖼️ 关键图片
📊 实验亮点
实验结果显示，尽管初始条件差异显著，变道过程中的前后间隙在接近车道时收敛到相对狭窄的范围，潜在碰撞风险在物理车道进入附近达到峰值。这些发现为自动驾驶车辆的安全性评估提供了重要依据。
🎯 应用场景
该研究的结果可广泛应用于自动驾驶技术的安全评估和行为建模，尤其是在强制变道场景下。通过提供实证数据，研究为未来的自动驾驶系统设计和交通安全政策制定提供了重要参考，推动了智能交通系统的发展。
📄 摘要（原文）
This paper presents the North Carolina Transitional Autonomous Vehicle Lane-Changing (NC-tALC) dataset and uses it to characterize mandatory lane-changing behavior of transitional automated vehicles (tAVs). It quantifies the evolution of lead--lag gaps throughout the lane-change process and examines how potential collision risk develops during the maneuver. A controlled field experiment comprising 78 mandatory lane-change trials was conducted on a public roadway in Apex, North Carolina. Four instrumented vehicles created repeatable traffic conditions while varying the lane changer's initial position within the candidate target gap. High-resolution RTK-GNSS/INS trajectories were processed to identify key timestamps, calculate lead, lag, and lane-change gaps, and estimate interactions using time-gap- and speed-based surrogate safety measures. Despite substantial differences in initial conditions, lead and lag gaps consistently converged toward a relatively narrow range near lane crossing. Potential collision risk increased as the maneuver progressed, peaked near physical lane entry, and was dominated by interactions with the target-lane leader. Lane-change completion did not necessarily coincide with the disappearance of collision risk. This study provides one of the first controlled empirical characterizations of the complete mandatory lane-change process of tAVs using repeatable public-road experiments. The NC-tALC dataset supports analysis of behavioral and safety evolution throughout the maneuver rather than only at the gap-acceptance instant. The dataset and findings provide empirical benchmarks for evaluating automated lane-changing behavior, calibrating behavioral models, and validating simulation and safety assessment methods for mandatory lane-change scenarios.