【编者按】为了更好地营造校园学术氛围，传播我校学术科研动态，学校在校园网开辟“科技前沿”专栏，定期总结、回顾学校师生取得的科研成果。欢迎广大师生及时把自己的学术科研成果以邮件的形式告诉我们，我们希望获得您以下成果信息：为政府、企业、媒体进行了专业咨询；科技成果通过了相关鉴定；科技成果落地、实现产业化；发表了高水平的学术论文；获得了专利授权；出版、编著了专著、教材；获得了科技奖励；在重要学术会议上进行了发言……

我们愿意为有学术追求的师生搭建一个交流的平台，希望在师生的努力下，学校的学术氛围日益浓厚，让我们为实现电子信息特色鲜明的高水平大学而奋斗。联系邮箱：dwxcb@guet.edu.cn。

日前，我校建筑与交通工程学院王涛教授团队在车辆智能化技术应用领域取得进展，其科研成果发表于工程技术领域TOP期刊《Accident Analysis & Prevention》（IF：5.9，中科院分区：1区），论文题为“Lane-change intention recognition considering oncoming traffic: Novel insights revealed by advances in deep learning”。我校建筑与交通工程学院硕士研究生刘浩为第一作者，王涛教授为通讯作者，广西交通职业技术学院李文勇、宁波大学叶晓飞、清华大学袁泉为本论文合作者，广西交通职业技术学院、宁波大学、清华大学为本论文合作单位。该研究工作得到了国家自然科学基金（52262047）的资助。

换道（Lane Change，LC）意图识别技术是车辆高级辅助驾驶系统（Advanced Driving Assistance System，ADAS）的重要组成部分之一，但由于缺乏对双车道双向道路环境的研究，换道意图识别技术目前应用十分有限。因此，研究团队提出利用高保真驾驶模拟器构建双车道双向道路，以开发一种能准确识别换道意图的Transformer模型。该研究提出了一种结合车辆动力学和眼动跟踪（combining Vehicle dynamics and Eye-tracking Labelling methods，VEL）的新型LC时间窗标记算法，针对不同类型的驾驶人都可取得高稳健性的LC意图数据。此外，该研究提出改进的LIME算法以解决深度学习模型的“黑盒子”缺陷。研究结果表明：（1）在LC意图识别数据集中加入对向车流的车辆特征后，LC意图识别的准确性会进一步提高；（2）与传统深度模型相比，结合VEL标记算法的Transformer模型可在换道前平均4.59秒准确识别LC，准确率高达92.6%，表现出了最先进的性能；（3）LIME模型的解释则发现，眼动追踪特征对LC事件的贡献最大，而LC车辆与初始车道前车以及目标车道跟随车的交互特征对LC也有着重要的影响。本研究成果扩展了LC意图识别技术的应用场景，为高级辅助驾驶系统的发展提供了新的思路，对智能车辆的大众化普及和实际应用做出贡献。

图为研究框架

文章DOI:https://doi.org/10.1016/j.aap.2024.107476