Urban Deceleration Behavior Modes Under Scene Context: An Early-Kinematic Classifier from Argoverse 2 Multi-Agent Trajectories

技术摘要：场景语境下的城市减速行为模式

问题陈述
城市减速行为是车辆跟随研究中经过大量实证研究但分类逻辑仍显混乱的行为之一。尽管现有文献已建立了减速剖面（时间展开过程）和机制（滑行与制动）的概念框架，且大规模感知型自动驾驶汽车（AV）数据集现已提供地面真值的多智能体轨迹，但这些特定的分析模块尚未被整合进一个统一的城市环境处理流程中。本研究旨在解决如何通过一组稳定的运动学模式来表征城市减速、量化场景语境如何调节这些模式，并确定在无需踏板传感器或视线数据的情况下，仅凭早期事件观察窗口实现模式成员身份预测的可行性。

研究方法
本研究利用 Argoverse 2 感知数据集，从 234 个城市驾驶日志中提取了 1,219 个持续减速事件。研究方法遵循八阶段流程：

1. 数据处理： 利用 Savitzky–Golay 滤波法，从长方体标注（10 Hz）中重建轨迹。识别 50 米纵向走廊内的前车-后车对，并基于 $a_{long} \le -0.5$ m/s² 的阈值检测持续减速事件。
2. 特征工程： 每个事件被编码为 19 维运动学特征向量（家族 A 和 B）以及一组独立的场景语境变量（家族 C）。
   • 家族 A（强度/时序）： 包括峰值/平均减速度、加加速度（jerk）、事件持续时间、初始间距/时间车头间距、视觉逼近率（$\lambda = \dot{g}/g$）、DRAC（距离减速度相关系数）和 MTTC（碰撞时间）。
   • 家族 B（剖面/机制）： 包括减速剖面的函数主成分，以及一个用于区分滑行与制动的机制代理变量（$m = |j_{peak}|/|a_{peak}|$），从而在没有踏板传感器的情况下进行辨别。
   • 家族 C（语境）： 包括配对时长（前车-后车形成后的时间）、弱势道路使用者（VRU）接近度、车辆密度和场景几何结构。
3. 模式发现： 使用 K-means、HDBSCAN 和高斯混合模型（GMM）进行无监督聚类。通过 50 次重采样下的自助法调整兰德指数（Adjusted Rand Index, ARI）评估稳定性。在聚类过程中剔除家族 C 变量，以确保分类体系纯粹基于运动学特征。
4. 语境调节： 使用卡方检验（针对分类变量）和 Kruskal–Wallis 检验（针对连续变量）测试聚类成员身份与场景语境之间的关联，并使用 Cramér's V 和 epsilon-squared ($\varepsilon^2$) 测量效应量。
5. 状态分层： 按初始速度（低速：<5 m/s，中速：5–15 m/s，高速：$\ge$15 m/s）对事件进行分层，以测试状态不变性。
6. 早期事件分类： 使用 HistGradientBoosting 分类器，在 0.5 秒、1.0 秒和 1.5 秒的观察窗口内预测模式成员身份。对比三种模型变体：仅运动学模型（M1）、运动学 + 语境模型（M2）以及仅语境模型（M3）。

关键结果

• 稳定模式： K-means 在 $K=4$ 时得出最稳定的解（Bootstrap ARI = 0.897）。HDBSCAN 未能识别出密度可分的簇，表明存在连续梯度结构。四种模式如下：
  1. 预判性软减速 (62.8%)： 轻微减速，间距收缩率低，DRAC 低。
  2. 反应性收缩 (30.6%)： 强烈的间距收缩动态，高逼近率，较高的 DRAC。
  3. 制动式冲击 (4.8%)： 极高的加加速度幅值，其机制代理显示存在剧烈的制动应用。
  4. 离群值 (1.8%)： 在多个变量上表现出极端统计特性。
• 语境调节： 在 11 个场景语境变量中，仅配对时长显示出中等效应（$\varepsilon^2 = 0.085$）。簇 0（反应性收缩）对应于最短的配对时长（中位数 1.0 秒），支持了“切入（cut-in）”的解释；而簇 3（制动式冲击）对应于最长的配对时长（中位数 4.7 秒）。场景几何、VRU 接近度和交叉口距离的影响可以忽略不计。
• 状态依赖性： 模式在中速驾驶（MSR）中具有状态不变性（ARI = 0.817），但在低速驾驶（LSR）中具有状态依赖性（ARI = 0.166），即全数据集的分类体系无法与低速特定模式对齐。
• 分类性能： 在 1.0 秒观察时界下，组合模型（M2）实现的宏 F1 分数为 0.758，高于仅运动学模型（M1）的 0.699。加入场景语境带来的增益较小（+0.059 F1）。早期窗口的加加速度（RMS 和峰值）是主要的预测特征，其重要性远超语境变量。

意义与主张
本文声称首次将成熟的概念工具（逼近率、滑行与制动辨析、切入与连续跟随辨析、小基数聚类以及基于归因的可解释性）整合进一个统一的流程，并应用于城市感知型自动驾驶汽车数据。

研究结论认为，城市减速由一组稳定的运动学模式构成。研究证明了：

1. 仅凭轨迹即可进行机制推断： 通过基于加加速度的机制代理，可以在没有仪表化踏板数据的情况下实现滑行与制动的辨析。
2. 配对时长是主要的语境调节因子： 与场景几何或 VRU 接近度不同，前车-后车关系的持续时间显著构成了减速行为的结构。
3. 早期预测是可行的： 模式成员身份可以通过前 1.0 秒的事件进行预测，其中早期窗口的加加速度提供了主要信号。
4. 状态特异性至关重要： 在混合速度下训练的单一模型可能会在低速城市场景中失效，因此需要采用基于状态分层的处理方法。

作者将这项工作定位为一种可迁移的方法论，它将减速模式的发现从早期的基于 NGSIM 的高速公路场景扩展到了城市感知型自动驾驶场景，为改进 ADAS 评估和行为模仿建模奠定了基础。