模型只凭黄灯亮起一瞬，就预测出司机整段刹车——先判停冲、再算轨迹

黄灯亮起的 3 秒：司机是在看距离，还是在算"刹多狠"？

你正以接近 60 km/h 的速度开向路口，绿灯突然变成黄灯，三秒后就变红。停车线还隔着一小段距离：现在全力踩刹车，刚好能停住；狠踩油门，也刚好能冲过去。你会在零点几秒内做出选择，而选错的结果，不是一次闯红灯，就是一次狼狈的急刹。

这个场景每天都在无数路口上演，正是交通工程里著名的 dilemma zone（两难区）：离得太远，冲不过去；离得太近，刹不住车，中间地带没有标准答案。几十年来信号灯配时都在围着这个区间打转，但很少有人问一个更基本的问题：司机在那一瞬间，到底在看什么做决定？

这篇论文给出的答案反直觉到值得停一下：既不是单独看距离，也不是单独看速度。数据表明，a_req 是最强的决策预测线索，作者据此推测司机可能在估算所需制动努力。物理上这个量叫所需减速度 a_req（required deceleration），等于速度的平方除以两倍刹车距离，即 $a_{req} = v^2/(2D)$。车速越快、离停车线越近，这个数就越大，代表你得踩得越狠。距离和速度在这个公式里被压成了一个量。

为了验证这个猜想，作者请来 30 名持证司机，在真实路口做了 449 次受控实验，用厘米级差分定位记录每辆车在黄灯瞬间的状态。他们把六个候选特征（速度、距离、剩余时间、a_req、年龄、性别）塞进一个贝叶斯层次逻辑回归模型，计算每个特征对"冲过去"概率的平均边际效应（AME），也就是某个特征每变化一单位、决策概率平均跟着动多少。结果悬殊得不像话：a_req 的解释力占全部特征的 50.8%，距离排在第二只有 14.1%，性别 12.5%，剩余时间 10.2%，速度 9.4%，年龄只剩 3.0%。驾驶员的性别、年龄这些人口学特征，在速度、距离这些运动学量和个体随机效应面前几乎被洗掉了。DCAR

图注：黄灯瞬间的决策曲面。背景色带是贝叶斯模型估计的"冲过去"概率 P(go)（红=倾向停，绿=倾向冲），粗线是 P(go)=0.5 的决策边界，阴影带是 0.4 到 0.6 之间的犹豫区；绿点是实际冲过的 run、红点是停下来的 run，点大小正比于归一化年龄；浅到深紫的平滑曲线是等所需减速度线。图源： DCAR。

这张图真正的信息量在决策边界的走向上。它不是"距离超过某个值就停"的竖直线，也不是"速度超过某个值就冲"的水平线，而是斜着穿过图面、近似贴着等减速度线移动。距离远的时候，边界偏向更高的速度一侧，因为同样的速度在远处刹得住。换言之，司机的"停还是冲"分界线是跟着"刹多狠"走的，这正是论文的核心实证发现。作者的原话是：司机可能无意识地估算黄灯亮起后所需的制动努力，并把它当作主要决策线索，而不是分别盯着距离和速度看。

这个发现背后是一条完整的证据链：a_req 解释力 50.8%，决策边界沿等减速度线移动，双特征（速度加 a_req）就够用。这个结论在第 5 章还会以消融实验的形式再次出现。为什么现在值得认真读它？因为信号交叉口是交通安全最密集的场景，而任何 ADAS、V2I 预警系统，第一步都必须预测"这个司机要停还是要冲"。猜错一次，就是一次差点发生的碰撞。

在驾驶员行为建模的领域全景里，这个问题横跨两个经典任务：意图估计要看司机的内部状态，运动预测要推未来的物理轨迹，两者在领域综述里被分得清清楚楚。行为建模综述 本篇要做的，就是先判意图、再在意图之下生成轨迹，把这两件事串成一条流水线。

但到这里，机器只回答了半个问题：它知道了"他要不要停"。知道他要停，不等于知道他会怎么踩刹车。轨迹从哪来？这是全篇真正的战场。

先判断题，再做计算题：两阶段拆分与推理期物理约束

停还是冲，是一个离散的二元选择。该怎么踩刹车，却是一段连续的加速度曲线。如果让一个网络端到端同时扛这两件事，两团不确定性就会搅在同一个损失里互相拖累：一类是分类的，他到底停不停；一类是回归的，加速度差多少。论文的拆法很干净：先由一个决策模块判"停还是冲"，再把"他决定停了"当作显式条件，交给一个自回归 Transformer 逐帧生成加速度轨迹。这就是两阶段决策条件化（decision-conditioned）的意思。

先澄清一个容易误会的点：这里的 decision 不是自然语言处理里那种抽象的"决策"，就是黄灯一瞬间的二元选择。"先给条件、再自回归生成"这个范式，最著名的先例是 Decision Transformer，它把强化学习改写成条件序列生成：用期望回报（return-to-go）当条件，让因果 Transformer 生成一串能达成这个回报的动作序列。Decision Transformer 本篇把条件换成了 (ŷ, p_go)，也就是"停还是冲"的标签和它对应的概率。条件变量按驾驶的物理意义重新设计，这是它与 Decision Transformer 最本质的差别：不是"我要拿高分"，而是"这趟是停"。

Transformer 承载物理约束这件事本身不新鲜，但约束怎么写进去，是两条截然不同的方法论路线。先看对照的那条。PINNsFormer 把物理残差写进训练期的损失函数，让模型靠惩罚学会满足物理规律，属于"软约束"形态。PINNsFormer

图注：PINNsFormer 的架构。点输入 (x,t) 被 Pseudo Sequence Generator 扩展成伪时间序列，经 Spatio-Temporal Mixer 投影到高维 embedding，再过 Encoder-Decoder（decoder 无 self-attention）与输出层，得到序列近似解；物理残差通过 sequential loss 进入训练损失，是"靠惩罚学"的软约束代表。图源： PINNsFormer。

本篇选的是另一条路：物理约束被做成推理期的确定性后处理管线，模型输出的原始加速度必须经过这道管线逐条检查修正才算数。按 PINN 领域综述的三分类，前一种叫 soft constraint，本篇属于 hard constraint 与 model embedding 的范畴，约束不靠罚出来，靠结构保证。PINN 综述 为什么选后处理而不是损失？理由很实际：每一环可解释、可单独验证，输出天然满足运动学关系，还省掉了为残差权重调参的麻烦。这个选择对不对，第 5 章的消融实验会给数字。

但"确定性管线"听着抽象，它具体在拦什么？下一章把每个零件拧开。

逐帧算刹车：Stage 1 定停冲，Stage 2 生成加速度

上一章立了框架，现在看这张图，它是全篇唯一的架构锚，看懂它，整篇论文就懂了一半。

图注：两阶段决策条件化自回归轨迹生成器全貌。左：黄灯 onset 快照的六个输入（速度、距离、剩余时间、a_req、年龄、性别）进入 Stage 1 决策 MLP，输出停/冲标签 ŷ 与概率 p_go；中：11 维输入 token 经 embedding（d_model=96）进入带 causal mask 的四头 self-attention，逐帧输出原始加速度，a_t 反馈回输入作为下一步的上一步加速度，构成自回归闭环；右：terminal gate、jerk clip、actuator clamp、离散运动学积分四个确定性约束节点。图源： DCAR。

Stage 1 小得不像主角：一个 3 层 MLP，输入黄灯瞬间的六个特征，输出穿过 sigmoid 得到 p_go，也就是冲过去的概率，再阈值化成离散标签 ŷ。它没有任何时序结构，因为决策发生在单一时间点。别看它小，后面会看到，它单独就扛下了 92.4% 的决策准确率。

Stage 2 是因果自回归 Transformer，和 GPT 同族。每一步的 token 是 11 维向量：当前速度、剩余距离、当前时刻的 a_req、剩余时间、上一步生成的加速度、年龄、决策标签 ŷ、冲的概率 p_go、性别、目标速度 0、目标距离 0.5 米。最后两个目标状态把"停在停车线附近"写进了每一步的输入。token 经 embedding 升到 96 维，进入 4 头 self-attention，每头 24 维。causal mask 把对未来步的 attention 屏蔽为负无穷，保证生成第 t 步时看不到第 t+1 步的信息，这正是原始 Transformer 的 decoder 保持自回归性质的做法；因为 attention 本身没有循环结构，还得给每个时间步注入位置编码，否则模型分不清第 3 步和第 10 步。Attention Is All You Need 于是模型从第一步开始逐帧吐出原始加速度，再把这一步的输出当作下一步的输入，像写文章一样一路写到停车。原始的 Transformer 是 encoder-decoder 结构，解码时要靠 cross-attention 去另一侧取信息；这个任务是从已生成的历史里续写未来，没有别处可取，所以只需要 decoder 那一半。

模型吐出的原始加速度还不能直接用，得先过四道确定性关卡，每道拦下一类"物理上不可能"的输出。打个比方：Transformer 是交初稿的作者，后处理管线是把关的编辑，交出去的必须是一份自洽的终稿。第一关 terminal gate 在接近停车线或速度趋零时把输出软化，防止终端附近的加速度抖动；第二关 jerk clip 把加速度的每秒变化率限制在 J_max=15 m/s³ 以内，这个数字不是拍脑袋定的，是数据集里观测到的最大值 12.69 往上留的余量；第三关 actuator clamp 按决策锁加速度区间，停车轨迹只能落在 [-10, 0] m/s²、冲的轨迹放宽到 [-10, +3] m/s²，专门拦"明明说要停、却先给一脚正的"这种自相矛盾；第四关是离散运动学积分，把加速度积成速度和位置，保证三者自洽，最后在停车线前后 0.5 到 1.5 米的死区内冻结终态。

图注：推理期约束管线的四步顺序：软化终端输出、限制加速度变化率、按停/冲锁定区间、运动学积分并冻结终态。示意流程，按论文对四步管线的描述重绘。

还有一处容易被忽略的细节：模型训练时喂的就是经过这条管线修正后的轨迹，等于让作者在学徒阶段就反复研读改好的稿子，把纠正规则内化成写作习惯。推理时编辑依然在场，双保险。再划一条线：a_req 从头到尾是输入特征，不是被拟合的动力学模型。Stage 2 学的全部是司机的真实脚法，a_req 只是它众多线索里的一条。

为什么这些数字可信：厘米级定位加毫秒级校准

模型讲完了，该问一句：前面那些结论站得住吗？答案藏在实验设置的工程细节里。为了不引入再生制动的干扰，测试车特意选了柴油自动挡的 Audi A6。30 名持证司机、8 天、同一路口，直道超过 300 米，信号灯后方清空 80 米以上。每人按 40、50、60 km/h（部分人 70 km/h）的指令速度各跑 12 趟，中间随机插入绿灯 run 防止司机预判，每场末尾加 2 趟高减速度的 forced-stop（强制急停）。最终得到 449 次 run，其中 392 次是正常停/冲、57 次是强制急停，共 185 109 个 GNSS 采样点，10 Hz 记录。黄灯时长按欧洲规程随速度取 3 秒（50 km/h 以下）、4 秒（60 km/h）、5 秒（70 km/h），黄灯瞬间的位置覆盖 12 米到 79 米。还有一个耐人寻味的统计：78.8% 的 run 实际速度低于指令速度，平均低 2.26 km/h，说明司机在按自己的习惯开，不是机械地执行限速。

图注：实验总览。主面板是仪器化路口的系统拓扑：车辆接近由 Jetson Orin 继电器控制的路侧移动信号灯，距离参考点有标注，图上标明 Racelogic VBOX（RTK 差分定位）、Polar 心率带、TP-Link AP（V2I 链路）等部件；顶部 inset 展示一条代表性停车 run 的加速度与速度随距离的曲线，标出黄灯 onset 与决策窗口。图源： DCAR。

真正的功夫在"准"字上。定位用 RTK 差分 GNSS，精度做到厘米级，而且只有锁定 RTK fix 才开始跑；黄灯由 Jetson Orin 通过继电器控制路侧移动信号灯，车辆系统经 Wi-Fi V2I 链路向其发送 UDP 指令。最麻烦的是时序：从发指令到灯真正亮起，中间隔着继电器切换、I2C 与 Jetson 执行、光学上升时间和接收机内部缓冲，整套固定延迟实测 142 毫秒（车辆与路侧之间的通信延迟则单独按 ping 逐时测定）。论文把这 142 毫秒加进发射时刻的计算里，校正之后，黄灯亮起瞬间车辆所在位置的误差小于 30 厘米。

为什么要抠到 30 厘米？因为"黄灯瞬间"是全文唯一的决策入口，起点差一点，后面算的 a_req、剩余时间全部跟着偏。数据精度不够，任何模型结论都立不住。这一章的细节不需要读者会复现，它存在的意义是给下一章的每个数字背书：那套"成本"很高的实验，换来的是一块能托住定量结论的高精度真值。

真的比基线好吗：误差减半、去掉决策信号翻 2.6 倍

先上主菜：Stage 2 与四条基线的对比。指标有三个，加速度误差 ε_a、距离误差 ε_d、速度误差 ε_v（都是 MAE，越小越好），外加一个"能否停进停车带"的成功率。DCAR

表格第一行最反直觉：恒定减速度基线的停带成功率是满分 100%，加速度误差却高达 0.865，在五个模型里仅次于 Neural ODE。反常在哪？它先写死"按 a_req 匀减速"的解析式，当然每次都停得进带里，但代价是完全不拟合真实脚法。Neural ODE 反过来，纯数据驱动、不碰物理，停不进带的比例全场最高。完整 DCAR 在四个学习模型里加速度误差最低，同时保持 95.5% 的停带成功率；把加速度误差从 Neural ODE 的 1.058 压到 0.499，砍掉一半还多。"物理先验要两者兼顾"这句话就落在这张表上：不是保证停进带里，也不是拟合得多像，而是既物理可行、又像真人刹的车。

再看两组消融，每一组都证明一个设计决策不是拍脑袋。Stage 1 的特征消融：只用速度和 a_req 两个特征就拿到 92.4% 的决策准确率，加回年龄和性别反而略降。这是"a_req 主导决策"在特征选择层面的独立证据。Stage 2 的输入消融更狠：把决策信号 ŷ 和 p_go 从输入里拿掉，加速度误差最多涨到约 2.6 倍。决策条件化不是装饰，是两阶段拆分存在的全部理由。

论文还往前走了一步，把生成质量对齐到"司机主观舒不舒服"这个软指标上。30 名司机给每次 run 打 5 档舒适评分，作者用异方差高斯模型拟合出相邻分值之间的 Bayes 最优减速度边界：4.07、5.15、7.54、9.11 m/s²。峰值减速度越高、评分越低：所有停车 run 的 Spearman ρ=-0.675，强制急停时相关性更强，达到 ρ=-0.806；心率也随减速度升高，大约每 1 m/s² 多跳 1.173 bpm。模型生成的轨迹与司机主观舒适评级的匹配率达到 84.5%。

三条证据链到这里咬合：a_req 两个特征就够、决策条件化值约 2.6 倍误差、而彻底放弃物理先验的 Neural ODE 误差是完整模型的两倍多。每一个设计决策背后都站着一个消融实验，数字之间互相印证。

值得关注，但别急着上车：边界在哪，下一步往哪走

先把话说清楚它值什么。这篇论文的实操命题很克制但很有分量：黄灯瞬间的单点快照，足够生成完整的停车轨迹并估计司机的舒适度。DCAR 对 ADAS 和 V2I 来说，这意味着能在司机踩刹车之前就预知整段刹车，提前预警、提前干预，甚至让智能信号灯预判"这辆车会不会闯红灯"。而且代码和数据集公开在 GitHub 仓库，别人可以直接复现、继续做。

再泼一盆冷水。数据只在德国一个路口、30 名司机；只建模纵向运动，不碰变道和转弯；不建模他车、行人和天气；乘客侧的舒适度也没测。最扎眼的缺口在泛化：把训练和测试的司机完全分开做 participant-disjoint 测试，Stage 1 的准确率从 92.4% 掉到 87.9%。通用模型对"没见过的新司机"存在系统性偏差。论文自己开出的后续药方也顺着这条线：绿灯期用路侧高精度雷达做预警、跨地区采集数据、在乘客侧布置生理传感。

这个缺口恰好是同期另一条路线的出发点。VISTA-DZ 走的是个性化：把司机的历史轨迹画成图，让 VLM（视觉语言模型）读图、生成一段行为描述，再用 sentence-transformer 编码成 384 维的"语义画像"，作为条件去调制预测网络。在留一司机（LODO）测试下，它拿到 90.22% 的平均准确率，补的正是一般模型的"新司机"短板。两条工作实验设置完全不同，谈不上谁赢谁输，但"个性化是显然的下一步"这件事一目了然。VISTA-DZ

图注：VISTA-DZ 框架。左栏：历史轨迹经 overlay 可视化，由 VLM 生成行为描述，经 sentence-transformer 编码成 384 维司机画像；右栏：当前 3 秒 pre-yellow 轨迹经 BiGRU 编码，画像作为 query 走 4 头 cross-attention，再经 FiLM 调制，送入共享预测层联合输出 stop/go 与决策时刻。图源： VISTA-DZ。

同一个 dilemma zone 问题，2026 年至少还有第三套答案：Intention Transformer 把路侧雷达、视频、高精地图和实时信号配时全揉进一个 Transformer，在中国宁波的真实路口（据论文公开摘要与可见正文片段）部署多套雷达视觉一体机采集数据，联合预测意图与轨迹。Intention Transformer 三条路线、三种数据栈：车端厘米级测量加硬约束、路侧多模态融合、语义画像个性化，各自补不同的短板。

回头审视这篇论文，它的边界不在方法，而在数据广度。物理先验加两阶段拆分，已经被真实路口的高精度数据证明有效；真正没解决的，是更多人和更多场景。黄灯亮起的那一瞬，机器现在能读懂刹车了。让它读懂每一个不同的司机，是接下来要补的课。

想深入可以读原文：Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer — arXiv:2609.16058

参考文献

1. Khoshkdahan, Laskov, Vinel. Driver Behavior Estimation at Signalized Intersections Using a Physics-Constrained Decision-Conditioned Autoregressive Transformer. arXiv:2609.16058（按 arXiv 声明已接收于 ITSC 2026）。代码与数据：https://github.com/mohammadkhsh/driver-2s-transformer。https://arxiv.org/abs/2609.16058
2. Vaswani et al. Attention Is All You Need. arXiv:1706.03762，2017。https://arxiv.org/abs/1706.03762
3. Chen et al. Decision Transformer: Reinforcement Learning via Sequence Modeling. arXiv:2106.01345，NeurIPS 2021。https://arxiv.org/abs/2106.01345
4. Zhao, Ding, Prakash. PINNsFormer: A Transformer-Based Framework For Physics-Informed Neural Networks. arXiv:2307.11833，ICLR 2024。https://arxiv.org/abs/2307.11833
5. Liang et al. Survey on Physics-Informed Neural Networks for Vehicle Dynamics Modeling in Autonomous Driving. QRS-C 2025，pp. 311-319。https://doi.org/10.1109/qrs-c65679.2025.00046
6. Bhattacharyya et al. A Taxonomy and Review of Algorithms for Modeling and Predicting Human Driver Behavior. arXiv:2006.08832。https://arxiv.org/abs/2006.08832
7. Wei, Qin, Wang, Wu. VISTA-DZ: Visual Semantic Trajectory Adaptation for Personalized Dilemma Zone Prediction. arXiv:2606.29548（审稿中）。https://arxiv.org/abs/2606.29548
8. Zhong et al. Intention Transformer for driving intention and trajectory prediction in dilemma zones of signalized intersection. Transportation Research Part C，Vol. 185，Art. 105571，2026。https://doi.org/10.1016/j.trc.2026.105571