技术摘要：NOVA —— 发现可解释跟车与换道模型的符号回归技术

1. 问题陈述

本文旨在解决从原始轨迹数据中发现描述人类驾驶行为的、具有可解释性且紧凑的数学结构的挑战。传统的跟车模型（如 IDM、Krauss）依赖于研究者预设的固定函数形式，而非由数据驱动；而深度学习方法虽然提供了极高的预测精度，但缺乏可解释性（表现为“黑盒”）。因此，目前仍存在一个空白，即如何开发一种能够无需结构先验即可自主恢复符号方程的方法。

具体的科学问题在于：确定人类的跟车与换道行为是否包含低复杂度的符号结构，并且这种结构能否在不预先假设特定函数形式（如线性、多项式或特定的饱和函数）的情况下，从高维噪声轨迹数据（具体为 NGSIM 数据集）中被恢复出来。

2. 研究方法

2.1. NOVA 框架

NOVA 是一个使用 Rust 实现的自主符号回归框架，旨在实现高性能和确定性执行。与随机遗传编程方法不同，NOVA 采用针对有限代数结构库的确定性穷举组合搜索。

• 搜索空间： 该引擎对超过 10,000 个候选代数结构进行评估，这些结构源自基础运动学原子（速度 $v$、前车速度 $v_l$、前车加速度 $a_l$、相对速度 $\Delta v$、间距/gap）及其时间滞后项。
• 约束条件： 搜索被限制在多项式阶数 $\le 2$ 以防止对传感器噪声过拟合，并符合物理运动学原理。至关重要的是，没有注入任何遗留模型结构（例如 IDM 的自由路段项）。更高阶的认知指标，如时间车头间距 (THW) 或碰撞时间 (TTC)，并未预先包含在内；引擎必须从原始原子中合成它们（例如通过发现 $gap/v$）。
• 优化： 系数通过使用预分解奇异值分解 (SVD) 的闭式普通最小二乘法 (OLS) 进行计算，以确保稳定性。

2.2. 数据与预处理

本研究利用了来自 NGSIM I-80 和 US-101 数据集的 4,765,788 条活跃驾驶观测数据。

• 过滤： 严格的质量过滤器剔除了滑行/怠速状态（$|a| < 0.2$ m/s²）以及超出范围的运动学数据。
• 平滑处理： 为了减轻 10 Hz 追踪抖动（这会导致二次微分产生非物理性的加速度峰值），使用了两种互补的预处理流水线：
  1. 流水线 R： 滚动平均（中心化 15 帧）配合 0.8 s 前移的目标值。
  2. 流水线 S： Savitzky–Golay 滤波器（3 阶，窗口 15）配合 1.0 s 均值目标。
• 评估协议： 执行严格的 80/20 车辆 ID 留出法，以确保对未见驾驶员的泛化能力，而非对特定轨迹的记忆。

2.3. 发现过程

发现过程遵循多阶段“残差级联”模式：

1. 第一阶段（全局规律）： 从原始数据中发现主要结构。
2. 第二阶段（异质性）： 对驾驶员个性（攻击性）和速度区间（起停、过渡、自由流）进行建模。
3. 第三阶段（残差）： 对第二阶段的残差进行第二次搜索，以识别剩余的结构信号（例如碰撞规避）。

3. 核心贡献与发现

3.1. 跟车行为：不变的骨干

主要发现是，相对速度的双曲正切函数 $\tanh(\Delta v)$ 是人类跟车行为中不变且占主导地位的项。

• Rank-4 定律： 排名前列的模型是一个两项方程：$\hat{a} = -0.468 + 1.266 \tanh(\Delta v) + 0.194 \text{THW}$。
• 解释： $\tanh(\Delta v)$ 项捕捉了对相对速度的有界且饱和的响应。对于较小的相对速度，响应是线性的；对于较大的速度，加速度在 $\approx \pm 1.266$ m/s² 处饱和，这与心理物理学中的韦伯-费希纳定律（Weber–Fechner principles）一致。这一结构在先前的模型（如 OVM 将饱和应用于间距而非闭合速度）中并不存在。
• 鲁棒性： 该骨干结构在八种不同的实验配置（包括不同的流水线、时界、驾驶员群体和特征时序）中被独立恢复，证实其并非预处理产生的伪影。
• 驾驶员异质性： 通过高斯混合模型 (GMM) 得到的连续攻击性指数 ($\kappa$) 会调节 $\tanh(\Delta v)$ 的系数。攻击型驾驶员在“过渡”速度区间内对相对速度表现出更强的响应。
• 残差发现 (TTC)： 对残差进行的第二阶段搜索识别出 $\tanh(\text{TTC})$ 为主要的剩余项。这使数据驱动的发现与 Lee 的 $\tau$ 理论（关于光学扩张/optical looming 的理论）相联系，提供了一个有界的碰撞风险表达，而无需预先提供光学流模型作为先验。

3.2. 换道建模

NOVA 被扩展到多项逻辑回归 (MNL) 框架中，用于发现换道效用函数。

• 性能： 在严格的车辆 ID 留出测试下，发现的 16 特征模型在 502 名未见驾驶员上的平衡准确率达到了 67.4%。这比标准的 MOBIL 基准（37.6%）高出 29.8 个百分点，也比手工设计的 MNL 基准高出约 17 个百分点。
• 结构： 效用函数在方向上是解耦的。关键特征包括反向间距 ($1/gap$) 和**反向碰撞时间** ($1/\text{TTC}$)，这证实了光学扩张（optical looming）是纵向（制动）与横向（换道）决策中共同的安全信号。
• 局限性： 特征增强（添加更复杂的间距接受物理量）和残差提升未能提高对驾驶员的预测准确率。论文指出，单快照运动学特征在区分“保持”与“换道”决策方面存在结构性天花板，这表明未来的工作需要引入时间序列历史特征。

3.3. 跨地点迁移

发现的符号算子展示了在 I-80 和 US-101 站点之间的零样本迁移能力。

• 将在一个站点训练的模型迁移到另一个站点时，$R^2$ 的损失仅为 2.5–2.8 个百分点，恢复了局部最优性能的 97–99%。这表明所发现的结构是人类高速公路驾驶的属性，而非特定数据集的拟合结果。

4. 结果与基准测试

• 跟车准确度： 在流水线 S（Savitzky–Golay）下，NOVA 实现了 RMSE = 1.376 m/s² ($R^2 = 15.57\%$)，在相同的协议下，其 RMSE 比表现最好的重新校准符号回归基准 (SR-LLM) 低了 0.135 m/s²。
• 与经典模型对比： 经典模型（如 IDM 和 Krauss）在瞬时经验快照上的表现很差（IDM 在流水线 R 下的 $R^2 = -68\%$），因为它们的固定函数形式无法匹配 NGSIM 数据中的瞬时加速度动力学。
• 模拟稳定性：
  • 开环： 带有安全干预（TTC < 1.5s）时，三层法则在 30 秒时界内的碰撞率仅为 2.5%，在长时界速度误差方面优于校准后的 IDM。
  • 串联稳定性： 13 辆车的队列模拟显示稳定性比 $\Lambda = 1.064$，且后向波速为 35.4 m/s，这与 NGSIM 观测到的起停波现象相吻合。这种稳定性是一种涌现属性，而非设计约束。

5. 意义与主张

本文声称，NOVA 成功证明了自主符号回归可以从带有噪声的人类行为数据中恢复出具有可解释性的结构规律。

• 科学发现： 该框架自主识别了 $\tanh(\Delta v)$ 非线性项和 $\tanh(\text{TTC})$ 光学扩张信号，而无需预先提供这些函数形式作为先验。这表明人类驾驶行为包含低复杂度的符号结构，而这些结构此前被传统模型的固定假设所掩盖。
• 理论与数据的融合： 在跟车和换道背景下对光学扩张（TTC）的数据驱动发现，为支持 Lee 的 $\tau$ 理论提供了大规模实证证据，统一了纵向与横向的安全信号。
• 方法论严谨性： 通过强制执行严格的车辆 ID 留出法、多种预处理流水线以及零样本迁移测试，本文论证了所发现的结构是稳健的行为不变性，而非统计伪影或对特定数据集的过拟合。
• 承认局限性： 作者坦诚地指出，该模型特定于高速公路间距跟随（在城市路口数据上表现不佳），换道判别受限于单快照特征的局限性，且目前的研究结果受限于 2005 年的美国高速公路数据。

总之，NOVA 呈现了一种范式转变：从“校准”固定模型转向“发现”可解释方程，揭示了人类驾驶行为受控于对相对速度和光学扩张的有界且饱和的响应，并且这些响应可以通过原始数据进行数学恢复。