針對打車軟件的分心駕駛研究

馮謝星 張新鈺 張穎麟 曹立波，3

1.湖南大學汽車車身先進設計制造國家重點實驗室，長沙，4100822.清華大學汽車安全與節能國家重點實驗室，北京，1000843.湖南大學深圳研究院，深圳，518000

0 引言

2015年，美國國家公路交通安全管理局報告顯示:近50%的交通事故與駕駛員分心駕駛有關，分心駕駛已成為道路交通安全中日益嚴重的威脅[1]。分心駕駛有許多形式，包括次要任務的影響、無指向性視覺漂移和疲勞等[2]。其中，次要任務的影響主要包括打電話、使用導航以及相關的其他任務所造成的分心。近年來，車載信息系統(in-vehicle information systems, IVIS)快速發展，不僅傳統交互形式(如操作MP3、使用導航、接打電話等)會造成駕駛員注意力的分散，打車軟件作為新生事物也成為造成駕駛員分心的重要原因。打車軟件在全球范圍內廣泛應用，僅在中國打車軟件就有高達2億8100萬的用戶規模，與之相關的分心駕駛比例也快速上升[3]。因此，研究打車軟件對駕駛行為及其可靠性的影響具有重要意義。

目前，許多學者對分心駕駛進行了大量研究。馬勇等[4]基于實車道路實驗數據，采用統計學方法，研究了視覺分心對駕駛員轉向操作車道偏離的影響，結果表明車道偏離程度隨分心時長的增加而增大，且增大速度越來越快。高振海等[5]提出考慮人-車-路特性的無意識車道偏離識別方法，改進了車道偏離預警系統的工作效能。WANG等[6]通過記錄志愿者的腦電圖(electroencephalography , EEG)和行為，采用獨立分量分析(independent component analysis ,ICA)法作為空間濾波器，并通過基于徑向基函數(radial basis function, RBF)核的支持向量機(support vector machine, SVM)建立駕駛員注意力評估體系，該系統實現了駕駛任務方面的FOA(focus of attention)檢測與評估。然而，基于腦電圖的方法在數據收集和分析方面存在復雜機制，有其自身的局限性[7-8]。電流皮膚反應(galvanic skin response, GSR)是情緒喚醒的最敏感標記之一，被稱為皮膚電導反應(skin conductance response , SCR)或電-皮膚活動(electrodermal activity, EDA)[9]。GSR很容易收集。RAJENDRA等[10]研究了自然駕駛條件下利用GSR檢測分心駕駛的可能性，實驗結果表明，在受試者存在非獨立的情況下，檢測準確性高。PRZYBYLA等[11]通過分析NGSIM(next generation simulation)數據庫中駕駛員行為數據和道路交通數據庫來識別駕駛員的基本行為與特征，通過認知心理學方法對識別結果進行優化，并在此基礎上建立了跟車操縱錯誤的分析模型，從而預測了分心駕駛下的安全風險。LI等[12]基于證據理論框架，通過分析駕駛員注意力分散、被削弱以及疲倦等情況實時評估車輛的安全性，實驗結果表明該方法可以有效改善車輛預警系統的魯棒性以及時間響應。ARBIE等[13]研究了潛在的分心對自然駕駛環境中公交駕駛員駕駛表現的影響，結果表明駕駛員僅與乘客談話并不會影響駕駛員的正常駕駛。KIM等[14]、殷國棟等[15]研究了高速公路上的可變信息標志對駕駛者駕駛的影響。HOSKING等[16]研究了使用手機檢索和發送短信對年輕新手駕駛表現的影響，結果表明駕駛員進行電話通話會導致車頭時距縮短，車輛橫向位置保持不佳，以及對危機事件反應延遲。CHISHOLM等[17]研究表明，編輯短信會導致車輛橫向位置的變化率增大50%，車頭時距變化率增大150%。HORREY等[18]的研究表明，手動操作iPod會導致駕駛員對危機情況的反應變慢。高振海等[19]為探索駕駛員精神狀態與生理信號之間的關系，建立了基于生理信號的認知負荷評價方法，結果表明,相對于單一駕駛任務,雙任務工況下駕駛員感受的主觀壓力隨著任務難度的增大而增大，心率變異性功率譜密度、皮電水平和呼吸頻率等生理指標與駕駛員的認知狀態具有較強的關聯性,因而可以有效區分不同認知負荷的兩種狀態。

但是，目前針對打車軟件的研究較少，并且尚未見探討如何改進交互模式以減小對駕駛安全的影響。本文針對駕駛員與打車軟件交互模式，利用方差分析(analysis of variance, ANOVA)方法和事后檢驗分析方法(Post Hoc)研究在不同交互模式下，跟車時距、轉向誤差、轉向速度以及平均速度等指標的變化，并通過建立可靠度模型評價了各交互模型的安全風險。其中，交互模式包括信息提醒方式(文字提醒、語音提醒、綜合提醒)和操作方式(無操作、手動操作、語音操作)。

1 試驗設計

1.1 試驗設備

使用Forum 8公司生產的模擬駕駛儀進行試驗。該模擬駕駛儀包括三臺42英寸液晶屏幕，距離駕駛員0.8 m，提供120°的視場。模擬駕駛儀以30 Hz采集駕駛員操作以及車輛運動數據。此外，一臺5.1英寸的智能手機被安放在模擬駕駛儀上，該手機與駕駛員正前方視角成水平方向30°和豎直方向15°的夾角。為了提供真實且可控的試驗環境，使用APP Inventor軟件制作了試驗打車軟件，該軟件與普通打車軟件有相同的界面，但是訂單的內容和發出時間是可控的。

1.2 試驗對象

由于年輕駕駛員駕駛經驗較少，且對新技術有較高興趣，且年輕駕駛員分心駕駛導致事故率比較高[20]，因此，本研究的18名志愿者均為23～27歲男性。志愿者均有過使用打車軟件的經驗，并且熟悉它的工作機制。所有志愿者均有較好的視力，保證其可以無障礙地獲取手機屏幕上的打車信息以及模擬駕駛儀上的交通標志。

1.3 試驗方案

試驗采用3×3的組內設計，包括打車軟件的三種操作方式：無操作(控制組)、手動操作、聲控操作和三種信息提示方式：文字提醒、語音提醒、綜合提醒(文字語音同時提示)。試驗中，志愿者在虛擬環境中駕駛三圈，其中一圈作為控制圈，一圈采用手動操作，一圈采用聲控操作；除控制圈外，各圈內均有12次訂單提醒，其中文字提醒、語音提醒、綜合提醒分別為4次。

本試驗的虛擬駕駛環境是一個8 km的閉合環路，環路包括三部分：變道任務區域、跟車任務區域、普通城市道路部分。變道任務區域是一段1 800 m的直道，每隔約150 m(均值M=150，標準差σ=46.4)有一個變道標志。在這一區域中，志愿者被要求以60 km/h的速度駕駛，并且在看到變道標志的第一時間變入指定車道；在其中的三個變道點，會有打車訂單需要志愿者處理。跟車區域是一條單車道直道，領航車輛以50 km/h行駛，并有5次突然減速到20 km/h，志愿者要求對前車減速及時反應，并始終保持1.5 s的跟車時距；其中有3次減速會伴隨訂單。普通城市道路是雙車道直道和彎道，志愿者被要求以60 km/h的速度正常行駛，有4輛停在路邊的車輛會突然啟動并入志愿者車道，志愿者需要及時剎車，以避免碰撞危險，其中在三個危機情況下會伴隨著打車訂單。

打車訂單以文字、語音及文字/語音綜合方式展示在手機上，訂單內容是出發地和目的地，志愿者要判斷是否接單，如果決定接單，則使用手觸摸屏幕上的“接單”按鍵或者說出“接單”兩字(分別在不同的試驗圈中)實現接單。現實中，司機是否接單會考慮許多因素，本研究中，為了試驗的可控性和可重復性，簡化了接單原則：出發地和目的地是長沙市的二十個地點，如果訂單不需要跨越湘江，即出發地和目的地都在河東或者都在河西，則接單；如果要跨越湘江，則不接單。

1.4 試驗流程

志愿者首先簽署試驗同意書，填寫個人基本信息；然后，志愿者對長沙地圖上的20個候選地點進行記憶，并且熟悉接單規則。接下來，志愿者進行模擬駕駛儀操作以及打車APP操作訓練，時長約10 min。最后進行正式試驗，在試驗場景中行駛3圈，每圈耗時約8 min。每個試驗者總耗時約75 min。

2 試驗數據分析

圖1所示為危機事件中駕駛數據對比圖，橫坐標為操作方式，包括無操作、手動操作以及聲控操作，每組柱狀圖中從左到右分別表示綜合提醒、文字提醒以及語音提醒。圖1a縱坐標表示車輛距離危機時間發生點60 m時的接近速度。分析圖1可得如下結論：在危機事件的任務中，提醒形式和提醒-操作形式的交互作用對接近速度沒有顯著影響，但對最小跟車時距有顯著影響。最小跟車時距反映了碰撞危險程度，數值越小，碰撞危險性越大。對比所有工況下的最小跟車時距，手動操作和文字/語音綜合提示下該指標最小，最小跟車時距tmin=0.721 s。因此，該工況在打車軟件設計中應予以充分考慮，避免該危險工況的出現，從而保證駕駛安全。

(a)接近速度

(b)最小跟車時距圖1 危機事件中駕駛數據對比圖Fig.1 Driving performance in hazard events

圖2所示為跟車任務中駕駛數據對比。按照試驗要求，志愿者應該與前車保持1.5 s的跟車時距。分析圖2可得如下結論：在跟車任務中，無操作情況下，志愿者可以很好地按要求保持跟車時距。手動操作和聲控操作情況下，平均跟車時距均會增大。其中，文字提醒和聲控操作的情況下，平均跟車時距最接近標準跟車時距，并且其最小跟車時距優于無操作情況，因此，在打車軟件設計過程中，可以考慮該提醒與操作方式，從而保證駕駛安全。

(a)平均跟車時距

(b)最小跟車時距圖2 跟車任務中駕駛數據對比圖Fig.2 Driving performance in car following task

(a)轉向誤差

(b)轉向速度圖3 變道任務中駕駛數據對比圖Fig.3 Driving performance in lane changing task

圖3所示為變道任務中駕駛數據對比。轉向誤差以及轉向速度均可以表征駕駛員對車輛的橫向控制水平，轉向誤差和轉向速度越小，說明橫向控制越平穩，反之則越不穩定。分析圖3可得如下結論：提醒方式對轉向誤差和轉向速度有顯著影響，其中，綜合提醒會導致轉向誤差較大，因此，在軟件設計過程當中，應當避免綜合提醒的方式，以保證駕駛安全。

3 可靠度評價

3.1 駕駛行為可靠性框架

為充分研究打車軟件信息提醒方式和操作方式對駕駛安全的影響，本文通過構建基于感知、判斷以及操作等的駕駛行為可靠度模型，以打車軟件的使用為特定條件，對其在不同交互模式下的駕駛安全可靠度進行評價。

圖4為駕駛行為可靠性框圖，其中跟車時距是志愿者對駕駛環境的感知、判斷以及相應操作的綜合反映。變道任務中的平均速度和危機事件的接近速度體現了志愿者對車輛速度的判斷和對油門的操控。變道任務中的轉向速度和轉向誤差體現了志愿者對車輛轉向的判斷和對轉向盤的操作。

圖4 駕駛行為可靠性框架Fig.4 Driving behavior reliability framework

3.2 駕駛行為可靠度模型

根據文獻[21-22]中的模型建立原則，將跟車時距、速度控制、轉向控制相互串聯，而關于速度和轉向的變量分別并聯，據此，得到駕駛行為系統的可靠度模型如下：

(1)

式中，pi為可靠性框圖中第i個部件對系統整體可靠度的概率重要度；R1為跟車時距所代表的感知及判斷可靠度；R2、R3分別為表示平均速度和靠近速度所代表的速度控制可靠度；R4、R5分別為轉向誤差和轉向速度所代表的轉向控制可靠度。

R1、R2、R3、R4、R5選用單參數指數分布計算，即

Ri=e-λit

(2)

式中，Ri為第i個組件的可靠度；λi為第i個組件的可靠度模型參數；t為時間。

該分布滿足：①在0時刻不會發生駕駛失誤；②在無限遠的時刻一定會發生駕駛失誤；③在時間區間上，函數總是單調下降的，函數值域為[0,1]。其中，根據模擬試驗的基本參數，對數據進行統計處理，求得7種不同的操作方式/提醒方式組合的各項參數，如表1所示。其中，Op1表示“無操作”，Op2表示“手動操作+綜合提醒”，Op3表示“手動操作+文字提醒”，Op4表示“手動操作+語音提醒”，Op5表示“聲控操作+綜合提醒”，Op6表示“聲控操作+文字提醒”，Op7表示“聲控操作+語音提醒”；λ1表示跟車時距，λ2表示平均速度，λ3表示靠近速度，λ4表示轉向誤差，λ5表示轉向速度。

表1 可靠度模型參數Tab.1 The parameter of reliability model

本文通過層次分析法(analytic hierarchy process, AHP)計算概率重要度pi。依據下列規則構造比較矩陣：aij=1，元素i與元素j重要性相同；aij=3，元素i比元素j稍微重要；aij=5，元素i比元素j重要；aij=7，元素i比元素j重要得多；aij=9，元素i比元素j極其重要；aij=2n，n=1,2,3,4，元素i與元素j的重要性介于aij=2n-1與aij=2n+1之間；aij=1/n，n=1,2,…, 9，當且僅當aji=n。比較矩陣如下：

(3)

計算得其最大特征向量所對應的特征值并進行歸一化，得到概率重要度

p=[0.438 7 0.038 1 0.096 7 0.215 0 0.166 4]

(4)

3.3 駕駛行為可靠度評價結果與分析

圖5 駕駛行為可靠度評價結果Fig.5 Driving behavior reliability evaluation result

按照式(2)計算不同交互模式下的駕駛安全可靠度，如圖5所示。據圖5可得以下結論：①7種交互方式可靠度大小順序為無操作、聲控操作+文字提醒、手動操作+文字提醒、手動操作+語音提醒、聲控操作+語音提醒、手動操作+綜合提醒、聲控操作+綜合提醒。②提醒方式對可靠度的影響明顯，其中文字提醒方式下，駕駛安全可靠度較高，語音提醒情況下次之，綜合提醒情況下最低。該結論與第2節數據分析結果一致，因此，在軟件設計過程中，綜合提醒的方式必須避免，以保證駕駛安全。③除無操作以外，在交互模式中，文字提醒+聲控操作交互方式安全可靠度最高，在軟件的設計過程中可以予以充分考慮。該結論亦與第2節的數據分析結果一致，也從側面證明了此種模型在駕駛安全分析中的正確性。

4 結語

本文針對新興出現的打車軟件，基于駕駛模擬試驗，對18名志愿者進行了駕駛試驗，分別統計了跟車任務、變道任務以及危機事件任務中駕駛員的行為數據，探究其操作方式和提醒方式對駕駛員駕駛表現的影響。試驗結果表明：①提醒方式對駕駛行為安全性影響明顯，其中，綜合提醒的方式影響最大，在打車軟件設計過程中應予以避免；②文字提醒+聲控操作交互方式的駕駛行為安全性最高，在打車軟件的設計過程中應予以充分考慮；③利用方差分析和事后檢驗分析法進行數據初步分析，并根據跟車時距、速度控制以及轉向控制建立可靠度模型，評價不同交互模式下駕駛安全可靠度，其結論與數據初步分析結果一致，該方法為駕駛行為安全性提供了一種更加直觀的評價思路。