一项在公共道路上开展的实地实验显示，一辆过渡型自动驾驶车辆（tAV）执行78次强制换道时，前向间隙和后向间隙会在车辆越过车道边界前，持续收敛到一个狭窄区间。数据还表明，碰撞风险会随着换道过程稳步上升，并在车辆真正驶入目标车道的瞬间达到峰值。
目录
研究人员构建了什么
北卡罗来纳州过渡型自动驾驶车辆换道（NC-tALC）数据集，记录了在北卡罗来纳州阿佩克斯一条公共四车道道路上完成的78次受控强制换道试验。四辆经过仪器化改装的车辆——执行换道的tAV（记为X）、目标车道上的两辆跟车（A和B），以及一辆目标车道前车（C）——构成了可重复的初始交通场景。所有车辆均运行在过渡型自动驾驶模式（tAV）下：系统负责纵向和横向控制，但仍由人类驾驶员监控周围环境。
研究人员将X分别放置在A、B两车间隙的三个初始位置：靠近A、接近间隙中央，以及靠近B。每种条件都进行了多次重复试验，以获取具有统计意义的行为数据。每辆车都安装了高分辨率RTK-GNSS/INS设备，以20 Hz的频率记录位置、速度、航向和加速度，定位精度达到厘米级。
该数据集提供了完整换道过程的时间同步轨迹：从X决定并入目标车道，到接受间隙、越过车道边界，再到并入后的稳定阶段，均有连续记录。这远远超出了以往研究通常只提供的间隙接受瞬间快照。
关键结果
最引人注目的发现是，无论初始间距如何，前向间隙和后向间隙——也就是换道车辆与目标车道前车、后车之间的时间车头时距——都会在越过车道边界前后收敛到0.5至1.5秒的狭窄区间。这表明，tAV换道存在一种具有稳定性的可预测行为模式。
通过修正碰撞时间和避免碰撞所需减速度（DRAC）衡量的碰撞风险，会随着换道推进而持续升高。风险在车辆真正驶入目标车道的瞬间达到峰值，即车辆前轮越过车道边界时；换道完成后，风险仍处于较高水平。始终占主导地位的威胁来自目标车道前车，而非后车。
在78次试验中，换道车辆有52次选择A与B之间的间隙（间隙1），16次选择A前方的间隙（间隙0），10次选择B与C之间的间隙（间隙2）。没有一次试验选择并入C后方的间隙（间隙3）。这一分布体现出车辆对紧邻目标间隙的明显偏好。
研究方法
每辆车都搭载了一套安装在车身中心位置的INS设备，将RTK-GNSS与加速度计、陀螺仪结合起来。研究人员依据WGS‑84模型，将原始地理坐标转换为局部笛卡尔坐标系，再投影到参考车道中心线上，并采用20个采样点（1秒）的移动平均滤除GNSS噪声。
研究人员根据横向轨迹曲线，确定了换道的关键时间点——横向运动开始、越过车道边界，以及换道完全结束。随后计算了三类时间间隙变量：
- 前向间隙：换道车辆与目标车道前车之间的时间车头时距（换道车辆位于前车前方时为负值）
- 后向间隙：换道车辆与目标车道后车之间的时间车头时距（换道车辆位于后车后方时为负值）
- LC间隙：目标车道前车与后车之间的时间车头时距，即可供换入的间隙
下表汇总了目标间隙的选择结果：
| 候选间隙 | 说明 | 试验次数 |
|---|---|---|
| 间隙0 | A前方 | 16 |
| 间隙1 | A与B之间 | 52 |
| 间隙2 | B与C之间 | 10 |
| 间隙3 | C后方 | 0 |
研究人员根据轨迹数据，在每个时间点计算了替代性安全指标，包括碰撞时间和DRAC。分析显示，换道完成并不意味着风险消失：车辆仍需相对于新的前车稳定其纵向位置，而安全裕度在此后数秒内仍然受到压缩。
这对机器人技术意味着什么
过渡型自动驾驶车辆代表着当前已经能够量产的自动驾驶系统。要理解这类系统在真实强制换道场景中的实际表现，对于仿真验证、安全认证和公众接受度都至关重要。NC-tALC数据集提供了实证基准，可直接用于运动规划算法和行为模型的标定。
对于管理仓储机器人或自动导引车的车队运营商而言，碰撞风险在驶入车道时达到峰值，而不只是在接受间隙时达到峰值，这一发现具有实际意义。安全系统应监测完整换道过程，而不能只关注是否作出并线决策。
前向与后向间隙的收敛表明，tAV的换道行为可能比人类驾驶更具可预测性，从而有助于简化交通流建模和V2X协同策略。该数据集及其研究结果能够加快构建更安全、更可靠的自动驾驶技术栈。
局限性与待解问题
实验在一条笔直、干燥的公共道路上进行，除四辆仪器化车辆外没有其他交通参与者。在弯道、恶劣天气或周围存在人类驾驶车辆的情况下，结果可能有所不同。所有车辆都运行在tAV模式下，因此研究结论未必适用于完全自动驾驶系统（L4/L5），也未必适用于搭载不同传感器组合的车辆。
78次试验对于受控实地研究而言已是相当可观的样本量，但对于罕见事件或极端情况，统计效力仍然有限。此外，研究只控制了换道车辆在间隙中的初始位置；车辆间速度差、驾驶员注意力等因素并未单独改变。未来研究应进一步考察这些结果在更复杂多车场景中的适用范围。
常见问题
什么是过渡型自动驾驶车辆（tAV）？ tAV能够同时执行纵向和横向控制，但仍要求人类驾驶员监控周围环境，并在必要时进行干预；这与目前道路上部分接近SAE L3或L4的系统相似。
如何测量间隙收敛？ 研究人员在每个时间点计算换道车辆与目标车道前车、后车之间的时间车头时距，随后绘制间隙变化曲线。结果显示，无论初始间距如何，两类间隙都会在越过车道边界前后稳定收窄至0.5至1.5秒。
为什么碰撞风险在驶入车道时达到峰值，而不是在接受间隙时达到峰值？ 换道车辆的横向运动会在越过车道边界时压缩有效安全裕度。虽然车辆更早已经接受了该间隙，但实际侵入新车道会暂时缩短碰撞时间，直到车辆完成纵向稳定，风险才会缓解。
我可以获取NC-tALC数据集用于自己的研究吗？ 论文称该数据集可用于研究；如需访问，请联系作者。数据集包含78次试验的高分辨率轨迹以及计算得到的安全指标。
结论
NC-tALC数据集及其分析，首次对过渡型自动驾驶车辆完整的强制换道过程进行了受控、实证性的刻画。前向与后向间隙的收敛，以及驶入车道时达到峰值的碰撞风险，为开发者和安全评估人员提供了具体基准。这项研究强调，换道安全必须覆盖整个操作过程，而不能只评估间隙接受这一决策。
自动驾驶系统应如何调整风险评估，才能将驶入车道后仍未消失的危险纳入考量？