hia-gat：面向高速公路帧级交通冲突风险预测的异质交互感知图注意力网络

背景

高速公路交通安全监测的核心挑战在于如何从复杂的动态交通流中，实时、准确地识别潜在的碰撞风险。传统的交通冲突技术（Traffic Conflict Technique, TCT）主要依赖后碰撞时间（Time-to-Collision, TTC）和后碰撞距离（Post-Encroachment Time, PET）等指标来量化车辆间的危险程度。然而，现有方法在处理多智能体（Multi-agent）场景时存在局限：

1. 静态阈值依赖：多数模型依赖固定的 TTC 或 PET 阈值来判断风险，难以适应不同交通密度和驾驶行为下的动态变化。
2. 交互关系缺失：传统机器学习或深度学习模型往往将车辆视为独立个体，忽略了车辆间复杂的纵向（同车道）和横向（相邻车道）交互关系。
3. 缺乏可解释性：黑盒模型难以指出具体是哪辆车、哪种交互类型（如追尾还是变道）导致了高风险，限制了其在实时安全监控中的落地应用。

在此背景下，本文提出将帧级高速公路风险评估形式化为一个多智能体场景图级别的二分类问题。通过构建包含物理信息增强的异质图结构，并设计专门的图神经网络架构，旨在解决上述问题，实现对帧级风险的精准预测与归因。

核心内容

本文提出了 HIA-GAT（Heterogeneous Interaction-Aware Graph Attention Network，异质交互感知图注意力网络），这是一种专门用于高速公路帧级交通冲突风险预测的双流图注意力网络。其核心工作流程和技术细节如下：

1. 问题定义与数据建模

• 帧级风险标签：每一帧视频或轨迹数据被标记为“高风险”或“低风险”。如果该帧中任何车辆间的 TTC 或 PET 冲突违反了指定的严重程度阈值，则该帧被标记为高风险。
• 场景图构建：针对每一帧，构建一个关系感知图（Relation-aware Graph）：
  • 节点（Nodes）：代表场景中的车辆。
  • 边（Edges）：代表车辆间的交互关系，分为两种类型：
    • 同车道边（Same-lane）：代表纵向交互，主要关联追尾冲突机制。
    • 相邻车道边（Adjacent-lane）：代表横向交互，主要关联变道冲突机制。
• 物理信息增强：在边的特征中融入了物理信息（Physics-informed edge features），这些特征与追尾和变道冲突的物理机制对齐，增强了模型对潜在风险的感知能力。

2. HIA-GAT 架构设计

HIA-GAT 采用双流（Dual-stream）架构，专门处理不同类型的交互：

• 专用注意力路径：模型通过两条独立的注意力路径分别处理纵向交互和横向交互。这种设计允许模型针对不同方向的冲突机制学习特定的注意力权重。
• 冲突类型感知门控机制（Conflict-type-aware Gating Mechanism）：两条路径的输出通过一个门控机制进行融合。
• 事件级门控监督（Event-level Gate Supervision）：为了指导门控机制的学习，作者利用 SSM（Surrogate Safety Measure，替代安全性指标）冲突归因推导出的事件级标签作为监督信号。这使得模型不仅能预测风险，还能学习区分主导冲突类型。

3. 实验设置与基准测试

• 数据集：使用两个经典的高速公路数据集：NGSIM I-80 和 US-101。
• 基准对比：建立了一套结构化的基准测试套件，包括非图模型（Non-graph models）和图基线模型（Graph baselines），以全面评估 HIA-GAT 的性能。
• 评估配置：在九种不同的 TTC 和 PET 阈值配置下进行实验，以验证模型的鲁棒性。

4. 主要实验结果

• 性能优势：HIA-GAT 在平均风险排序性能上取得了最佳结果。
  • 在 I-80 数据集上，AUC（曲线下面积）达到 0.835。
  • 在 US-101 数据集上，AUC 达到 0.867。
• 横向交互的重要性：在仅使用 PET（主要反映变道冲突）的设置中，HIA-GAT 的性能提升最大。这表明在涉及横向交互（如变道）的场景中，关系结构（Graph Structure）对于建模风险至关重要。
• 纵向交互的简化：实验还发现，纵向风险（追尾）通常可以通过非关系聚合（Non-relational aggregation）方法捕捉，说明并非所有风险都需要复杂的图结构建模。

关键要点

• 创新架构：提出 HIA-GAT，一种双流异质图注意力网络，专门分离并处理纵向（同车道）和横向（相邻车道）的车辆交互。
• 物理增强特征：在图边特征中引入物理信息，使其与追尾和变道的物理机制对齐，提升了特征表示的有效性。
• 可解释性归因：通过冲突类型感知的门控机制和事件级监督，模型能够输出每个车辆的主导冲突类型归因，提供了“谁导致了风险”的可解释性洞察。
• 横向交互的关键作用：实验证明，图结构对于捕捉横向冲突风险（如变道）至关重要，而在某些纵向风险场景中，简单的非关系聚合可能足够。
• SOTA 性能：在 NGSIM I-80 和 US-101 数据集上，HIA-GAT 在多种 TTC/PET 阈值配置下均取得了最高的 AUC 评分（最高 0.867），显著优于现有基线模型。
• 实际应用价值：模型不仅提供风险评分，还能提供实时的、可操作的车辆级归因，支持高速公路实时安全监控系统的部署。

意义与影响

HIA-GAT 的研究成果在智能交通系统（ITS）和自动驾驶安全领域具有重要的理论和实践意义：

1. 推动图神经网络在交通领域的应用：本文证明了将交通场景建模为异质图，并区分不同交互类型（纵向/横向），能够显著提升风险预测的准确性。这为后续研究如何利用图结构捕捉复杂的多智能体交互提供了新的范式。
2. 提升安全监控的可解释性：传统的风险预测模型往往只给出一个风险分数，而 HIA-GAT 通过门控机制提供了每辆车的冲突类型归因。这意味着交通管理中心或自动驾驶系统不仅可以知道“有危险”，还能知道“危险来自哪里”（例如，是后方车辆追尾风险大，还是侧方车辆变道风险大），从而采取更精准的干预措施。
3. 优化资源配置：实验发现纵向风险可通过非关系方法捕捉，而横向风险依赖图结构。这一发现提示在实际系统设计中，可以根据计算资源和对不同冲突类型的关注重点，灵活选择模型复杂度，例如在计算受限场景下对纵向交互采用简化模型，而对横向交互保留图结构。
4. 为实时安全预警提供技术支撑：HIA-GAT 在标准数据集上的优异表现及其帧级处理能力，表明其具备应用于实时高速公路安全监控系统的潜力，有助于减少交通事故，提升道路通行效率。

总之，HIA-GAT 不仅是一个性能更强的风险预测模型，更是一个提供丰富语义信息（冲突类型归因）的可解释性框架，为下一代智能交通安全系统的设计提供了重要参考。