2025年11月19日~22日，2025中国智能交通大会在海口隆重召开。2025年11月20日的“人工智能+交通运输”创新发展大会上，清华大学土木水利学院副院长、可持续交通研究院院长李萌就《AI赋能交通安全：从风险感知到主动预警》做主题分享，本文系现场演讲整理而来，未经本人审核，如有错漏，敬请谅解。

01

道路交通安全整体现状

在道路交通安全领域，交通安全无疑是交通系统中最高、最重要的目标，“安全第一”。中国智能交通协会在过去的二十多年里，在公安部、交通运输部、科技部等部门的支持下开展了大量工作，在道路交通安全领域取得了多项重大突破。从下图中可以看到，在某一统计口径下——例如每万辆机动车的死亡人数——我国目前已与美国基本处于同一水平线。

这一数据背后存在诸多值得探讨的问题，例如死亡统计的时间口径差异等，可能使得数据之间存在差异性。但无论如何，必须看到我国在交通安全方面所取得的显著进步。交通安全本身是一个极其复杂的系统问题，涉及环境、人员、车辆等多方面因素。在这一复杂背景下，仍存在一些重点且严峻的问题亟待突破。

首先需要指出的是，当前公安部门面临的一个尤为棘手的难题是电动自行车安全管理问题。在学界，我们称其为“脆弱的道路使用者”。电动自行车相关事故及其导致的死伤人数增速目前是最快的。以北京市为例，非机动车死亡人数已占全部交通事故死亡人数的三分之一。不仅大城市如此，在校园安全中，最突出的问题正是频繁发生的电动自行车与校内机动车之间的碰撞事故，其中多起导致了严重后果，这已成为一个非常令人担忧的难题，亟须有效应对。

02

人工智能在交通安全中的研究框架

今天我主要希望分享我们针对两类重点问题所开展的相关工作：其一是电动自行车，属于“小”的一端；另一则是货车，可归为“大”的一端。 货车虽仅占机动车总量约3%，但其导致的死伤人数却占总体的19%，这一比例及其事故严重程度均为各类车型中最高。

接下来，围绕电动自行车与货车这两类问题，汇报我们借助人工智能方法所做的一些探索。回顾交通安全研究历程，面对如此复杂的科学或技术问题，长期以来我们主要依赖数据驱动的方式进行探索。在早期阶段，我们多数工作集中于利用历史数据，通过统计分析方法从中提取关键要素，但这更多属于事后研判的范畴。近年来，我们逐渐尝试引入机器学习方法，以期结合更丰富的场景信息进行深入分析。

然而，即便在这样的研究框架下，我们依然发现跨模态数据融合方面存在明显不足。近年来，以生成式AI与端到端架构为代表的人工智能技术快速发展，不仅带来方法工具的革新，也推动了研究理念的转变，为交通安全领域注入了诸多新的思路。

在此背景下，我们重点推进了三方面工作。

首先是利用当前端到端的新型方法实现跨模态数据融合。交通安全场景中积累的数据量大而杂、质量参差不齐，记录不完善，且视频等多源数据视角多样。因此，我们致力于探索如何有效融合这些跨模态数据，提升其整体价值。

第二方面，在数据融合的基础上深入理解其背后的机理。传统方法通常依赖物理模型，在有限变量和因素条件下构建线性或非线性模型。然而，面对交通安全中复杂的致因问题，这类模型往往难以有效构建。即便针对某一场景建立了模型，一旦跨到不同城市、不同环境（如从白天到夜间），原有模型也常常无法适用。在这一背景下，利用人工智能方法有望为深入理解事故机理提供新的支持。

第三方面则关注于如何基于深入理解实现主动干预。探索通过主动预防与预警手段来改善安全状况。目前虽已有若干主动预警模式，但仍普遍存在误报率较高等问题。人工智能技术在这一领域同样具备探索与应用的空间。

接下来，我们将重点介绍先前所提及的两个典型案例：一是围绕电动自行车这一弱势道路使用者的安全场景，二是货车相关场景。

03

电动自行车场景

首先，在电动自行车场景中，我们分析发现 其核心问题在于行为随机性极强。传统方法通常分阶段构建物理模型，例如分别从感知、研判等环节入手，以串联方式组合多个模型。然而，这种方法容易导致误差逐步累积，最终影响实际应用的效果，使其难以达到预期目标。

为此，我们尝试引入更为新的技术方法，以在此类复杂场景中实现碰撞预警与行为预测。我们基于“车—路—云”一体化架构展开研究，重点探索在该架构下可推进的多类研究方向。针对电动自行车场景，目前已在国内多个示范区进行了设施建设与数据采集，我们选取了亦庄区域作为主要研究场景，并在重庆、苏州等地也部署了大量路侧、云端及车端相关测试与数据采集工作。

在该研究场景下，围绕三个步骤展开：首先是对车路云全场景数据的系统采集，其次是对电动自行车行为进行预测，最后基于预测结果实现安全预警。其中，行为预测是整个流程中最为关键且具有挑战性的环节。电动自行车在路口的行为，例如何时、以何种方式出现闯红灯或其他交通违法行为，具有高度不确定性，这为准确预测带来了显著困难。

为此，我们尝试构建了一套分层式的端到端技术架构。该架构首先整合多源信息输入，包括环境状态、交通运行状况、骑车人特征在内的多方面信息，以综合判断其群体性行为特征，重点探究在车流中影响电动自行车骑行者判断的关键因素，尤其是引发闯红灯等异常行为的外部条件。

经分析，以下几类外部因素具有重要影响：一是其自身的速度与方向状态；二是所处位置面对的信号灯状态；三是周边机动车的运行情况；四是群体行为的交互影响。具体而言，骑行者往往会观察周围其他交通参与者——包括其他骑车人和车辆——的行为与交互方式，综合众多因素后最终做出行为决策。这些因素的共同作用构成了电动自行车行为决策的复杂背景。

另一方面，当我们能够有效且精准地预测路口的异常行为后，便需考虑如何通过向驾驶员发出警示以防范可能发生的事故。在警告策略的设计中，应针对不同类型、不同驾驶经验乃至不同性别的驾驶员，采取差异化的警示风格。

为此，我们前期与奔驰等多家车企展开合作，尝试基于有限的轨迹数据与路径选择行为，推断驾驶员个体的安全偏好，进而根据其偏好特征与实时风险水平，生成与之匹配的有效警告信息。以上即为围绕电动自行车场景所开展的相关研究工作。

本研究基于在亦庄区域采集的真实场景数据，在三个路口收集了相关信息样本，通过持续训练端到端模型，能够更有效、更准确地预测电动自行车驾驶员的异常行为，其表现明显优于当前已有的对比模型。基于此项研究，我们与奔驰公司合作，在其测试车辆端开展了相关实验，使用奔驰车辆在亦庄进行了实际道路测试。未来我们期待在更广泛的应用场景中推进该技术的落地，目前该场景已被纳入李克强院士牵头开展的十四家车企联合测试中的重要组成部分。

04

货车场景

第二部分将围绕货车场景展开简要汇报。货车运行环境具有其特殊性，一方面由于车辆自身质量较大，另一方面其行驶环境也更为复杂。我们在对风险进行预判的基础上，进一步推断了不同风险随时间的演化过程，并提出有效的预警与干预方案，此项研究也与多家企业合作推进。

在该方向中，首先致力于拓展基于复杂外部环境的风险判断能力。为此，我们尝试引入大语言模型方法，主要利用其逻辑推理能力应对多因素动态变化的挑战——这类问题若采用传统物理模型构建方式将面临极大困难。

我们尝试利用大语言模型的逻辑推理能力来应对这一挑战，并构建了相应的专业知识库。通过系统收录应用物理领域顶级期刊中与公路货车运行安全相关的文献，我们建立了知识库的核心架构，并结合实际数据构建了完整的分析网络。在此过程中，要首先明确综合交通风险的定义——若不能准确界定风险概念，将严重影响后续的判断与分析。

从人、车、路与环境多维度出发，我们基于各类因素进行了系统梳理，并借助大模型技术构建了风险模型。在此基础上，进一步训练了面向货运安全的专用大模型，该模型以货车的历史轨迹数据、当前行驶状态以及未来导航路径为依据，结合路径所涉及的道路条件、天气状况与其他交通环境要素，进行综合风险判断。

采用系统提示词工程方法，充分发挥大模型的推理能力，使其能够更有效地研判未来可能出现的风险。研究中使用了68辆货车的轨迹样本进行分析，面对这种多因素交织的复杂场景，不仅构建出端到端的预测模型，还利用模型自身的可解释性揭示了其运行机制与关键决策因素。通过这种双层次架构，模型既能有效运作，也能辅助我们开展相关的科研分析与培训工作。

在模型部署方面，选择了千问大模型在本地环境进行部署，并采用提示词微调策略，将有效数据输入模型进行优化。针对数据量有限的问题，我们基于现有数据规则生成了附加数据，并通过验证证实生成数据能够有效提升大模型的判断性能。通过实验发现，模型微调能够有效提升大模型的整体性能，特别是在召回率方面取得了显著进步，召回率作为衡量预警有效性的关键指标，其提升在保证准确率不降低的前提下，对风险判断具有重要意义。

目前，我们正与顺丰货运持续开展合作，围绕其实际运营场景，已从八万余辆货车中获取了约五千辆车的多模态运行数据。这些数据涵盖了车辆轨迹、车内外部驾驶环境与行为信息，以及由高德平台提供的道路环境数据等。基于这些丰富的数据，我们持续对货运安全云控大模型进行训练与优化。

在云控平台中，管控中心能够对所有货车的驾驶风险进行整体评估。为确保预警的实时性与有效性，我们同时在车端部署了轻量化的系统，该系统采用轻量化大模型，可在车端实现快速、精准的本地判断，避免因依赖云端大模型而可能引发的响应延迟与一致性问题。

05

总结

近期，人工智能领域迎来重要进展，Gemini3模型的发布引发了广泛关注。其在多项评测指标上均表现卓越，甚至超越了包括GPT系列在内的现有主流模型。这一突破表明，大模型已不再局限于对话交互，其强大的推理能力正逐步成为支撑科研与应用创新的重要工具。

最后需要说明的是，尽管我们来自高校，但仍希望所做的科研能够真正应用于实际场景，并实现广泛落地。因此，我们一方面构建了车路云体系下的数据闭环，另一方面也正在与保险企业及顺丰等合作方共同搭建有效的商业闭环。通过这种方式，我们将所提供的安全风控服务持续融入未来实际运营中，真正助力降低事故、减少伤亡与损失；同时在商业闭环中，也有望实现保费与赔付率的下降，从而营造多方共赢的局面。