車聯網環境下信息交互形式對駕駛行為的影響

張 捷， 張晉崇

(1.內蒙古農業大學能源與交通工程學院， 呼和浩特 010018； 2.武漢理工大學智能交通系統研究中心， 武漢 430000；3.中汽研汽車檢驗中心(天津)有限公司， 天津 300300)

車聯網是由無線通信系統、車載電腦系統、顯示系統、聲音系統以及其他子系統共同構成的汽車綜合網絡系統，利用無線通信系統實現汽車聯網。傳統車聯網是以人為主體，應用于車輛監控和獲取服務信息，其中包括緊急救援、防盜追蹤、車輛調度等服務，通過車與車、車與路、車與網、車與人等的互聯互通，整合行車記錄儀、車載導航等設備功能，交互車輛位置、速度和路線等信息，解決安全駕駛問題。由于駕駛是一項復雜任務，占用了駕駛員的大量視覺與認知資源，而人存在認知極限，因此，一些研究者對車聯網信息的使用有爭議[1-5]。有研究者指出，這些信息會使駕駛員注意力分散，帶來安全隱患[1]。這種基于車輛通信的聯網信息如何設計能幫助駕駛員提高駕駛安全，成為了一個亟待探討的問題。

Frederik等[1]發現自動駕駛的系統限制了部分駕駛員性能。駕駛模擬器實驗中，駕駛員遇到了不同的情況，部分自動駕駛的汽車不再能夠安全地保持橫向引導。Ericson等[2]提出語音識別(V-R)系統可能會降低各種車載系統和智能手機交互的視覺-手動(V-M)需求。但是，還不完全了解集成在使用的V-R系統影響駕駛員注意力的程度。Arie[3]為了探索駕駛員-車輛接口如何車聯網這種角色更改后支持駕駛員，測試了3種場景，一種僅提供聲音警告。一種在方向盤后方顯示狀態信息和警告，一種在座板中使用照明和觸覺反饋來將注意力引向車輛外部并刺激反應。Oscar等[4]研究結果表明，為了減少對駕駛員影響，應阻止諸如文本和瀏覽之類的視覺-手動交互，但允許諸如GPS和藍牙之類的支持駕駛的應用程序。張輝等[5]為了探尋駕駛人分心判別方法，構建了駕駛人分心狀態判別模型。

駕駛人的操作行為因素(如方向盤轉動、油門踏板、剎車踏板、車道控制、橫向操作穩定性、轉向特征等參數)和車輛狀態指標(主要包括車輛速度、加速度、車間距、車輛側向偏移情況、方向盤調整狀況等)反映了駕駛人的應急決策能力、車輛控制能力、動態感知能力、危險感知能力[6]。通過設計不同形式的車聯網駕駛場景進行模擬駕駛實驗，通過方向盤轉角標準差和車輛側向偏移的極值兩個指標，闡述駕駛人在不同類別的車聯網信息形式下的應急決策能力和車輛控制能力，并構建分心駕駛模型。

1 研究方法

1.1 被試

實驗共組織12個被試駕駛人進行模擬駕駛實驗(圖1)，其中女性2名，男性10名，被試駕駛人年齡為25～37歲，平均年齡31，駕齡在2～10 a，平均駕齡5 a。被試基本信息如表1所示。

圖1 駕駛人進行模擬駕駛實驗Fig.1 Drivers conduct simulated driving experiments

表1 被試基本信息Table 1 Basic information of the participants

1.2 實驗設備

實驗的儀器和設備主要包括Forum8汽車駕駛模擬器、數據采集系統、Face LAB眼動儀和攝像機。

眼動數據主要用來分析駕駛人在車聯網信息時的眼睛注視特征及行為變化，基于以上需求選取的重要數據指標包含世界坐標中視線矢量在屏幕上的交點[GSI_SCREEN_X(Y)]和視線掃視數據(SACCADE)。采用Forum8汽車駕駛模擬器和Face LAB眼動儀采集的客觀參數指標如表2所示。

表2 駕駛分心間接客觀指標及說明Table 2 Indirect objective indicators and explanations of driving distraction

1.3 問卷設計

對被試的相關基本信息和駕駛習慣進行問卷調查，便于與模擬駕駛實驗數據結合，進行相關分析。問卷分為兩個部分：實驗前填寫的駕駛人基本信息問卷和實驗后填寫的開車時車聯網信息導致的分心駕駛的體驗問卷。駕駛人基本信息問卷涵蓋了駕駛人的姓名、性別、年齡和駕齡等基本信息；分心駕駛相關的體驗問卷用來統計和分析被試駕駛人平常開車的駕駛習慣。

1.4 分心駕駛道路場景組合式設計

共設計3條路段分別為自由行駛路段、跟車路段和換道超車路段，在這些路段中包含了自由駕駛任務、跟車任務、換道任務和超車任務。其中，在自由行駛路段，實驗駕駛人自由行駛，主要收集正常駕駛的駕駛行為數據，作為分心駕駛的實驗的對照組；跟車路段和換道超車路段則是設定了特定的駕駛分心任務。

實驗場景是由研究人員為該實驗設定的道路特性、交通流特性及環境特性組成。實驗所用道路為城郊快速公路，道路兩旁加入綠化樹木和必要的交通指示牌，實驗路段加入極少量的交通流，營造真實駕駛場景的同時防止對實驗車輛造成影響。所有路段最高限速為80 km/h，與車聯網信息的分心駕駛相關的道路均為雙向六車道，單車道寬3.75 m。道路場景設計方案如表3所示。

表3 道路場景設計方案Table 3 Road scene design scheme

2 不同消息方式的駕駛行為分析

2.1 橫向駕駛行為特征分析

對被試的方向盤轉角進行描述性分析得到表4。由表4中的方向盤的標準偏差可知，駕駛人在查閱文字消息的標準偏差為4.681，查閱語音消息的標準偏差為2.151，兩者均比正常駕駛的標準差1.194要大得多，這表明駕駛人在查閱消息時的方向盤轉動幅度較大，方向控制能力下降，且閱讀文字消息時的方向控制能力比收聽語音駕駛車輛時更弱。

表4 查閱消息時的方向盤轉角Table 4 Steering wheel angle

對被試駕駛人的兩種查閱消息的車輛側向位置偏離值進行描述性分析得到表5。由表5中的范圍可知，駕駛人在正常駕駛時的車輛側向偏移范圍在0.407 m以內，查閱語音消息時的車輛側向偏移范圍為0.453 m，而查閱文字消息時的車輛側向偏移高達1.008 m，這表明駕駛人在查閱消息時的車輛側向偏移范圍較大，車道保持能力下降，且閱讀文字消息時的車道保持能力比收聽語音駕駛車輛時更低，更容易發生擦碰事故。

表5 查閱消息的車輛側向位移Table 5 Lateral displacement of vehicles

為了更直觀地對比兩種查閱消息的分心駕駛與正常駕駛的車輛縱向位置偏移情況，用MATLAB繪圖功能把駕駛人的車輛縱向位置曲線繪制在道路上，如圖2所示。圖2中兩條虛線為中間車道的兩條內側邊界線，正常駕駛的車道軌跡，較為平緩且基本處于道路中央；查閱文字消息時的車輛側向偏移，在車道上有較大的偏離幅度，很不穩定；查閱語音消息的車道偏移軌跡，有小幅度的偏離。

圖2 兩種查閱信息分心的車輛縱向位置Fig.2 Longitudinal positions of two vehicles with distracting information

2.2 縱向駕駛行為特征分析

對被試開車時查閱信息的時速進行統計分析得到表6。由表6的正常駕駛時的平均時速68.081 km/h要高于收聽語音信息駕駛的時速平均值61.357 km/h和閱讀文字消息駕駛的時速平均值53.948 km/h，駕駛人會通過降低車速，減少駕駛任務需求，來增加駕駛的安全感，預防可能出現的交通安全事件。

表6 查閱消息時的跟車速度Table 6 Check the following speed of the message

對被試者跟車時查閱消息的跟車距離進行統計分析得到表7。由表7可見，正常跟車時的跟車平均距離要小于兩種閱讀信息跟車的平均跟車距離。該參數表現出來的特征和分心駕駛車速表現出來的特征相吻合，表明駕駛人在查閱消息時會通過降低車速，增加跟車距離來滿足駕駛時心理的安全感。

表7 查閱消息時的跟車距離 Table 7 Vehicle following distance when checking messages

3 基于模糊綜合評價模型的分心駕駛影響研究

分心駕駛行為和道路交通安全的關聯性研究為模糊、不精確的判定問題[7]， 駕駛人開車時使用車聯網信息所潛在的風險因素很大一部分是模糊的，分心狀態等級也難以精確界定。模糊綜合評價方法借用模糊數學的原理，建立隸屬度函數和模糊隸屬度矩陣來綜合評價駕駛人開車的分心程度，是處理不確定性問題的有效方法。因此，運用模糊綜合評價法評價駕駛人的駕駛分心程度是可行的。利用模糊綜合評價方法的隸屬特性和模糊特征，對駕駛行為特征參數的隸屬分心等級進行建模，構建不同車聯網信息形式下行為特征參數值的分心模型，用于評判不同分心任務下的駕駛分心等級，從而對駕駛過程中的不同形式的車聯網信息對行車安全的影響做對比分析。

3.1 評價因素集和決策評語集的確定

駕駛分心的程度采用車輛側向偏移極值和方向盤轉角標準差這兩個參數指標來衡量。因此，建立因素集如式U={u1,u2}，式中：u1為車輛側向偏移的極值，即最大值與最小值的差值，u2為轉向盤轉角的標準偏差。

把被試駕駛人的駕駛分心程度分為正常、臨界、分心和嚴重分心，建立決策評語集：V={v1,v2,v3,v4}={正常，臨界，分心，嚴重分心}。

3.2 隸屬度函數的確定

由于選取的兩個評價指標車輛側向偏移的極值和方向盤轉角標準差的量綱不同，會導致實驗數據的值有較大的差別，這會影響模型建立和評價結論的準確性。故在建立評價模型前要先對指標進行量綱的標準化[8]。

(1)

式(1)中：maxxk為數據集合{xk}中的最大的數值；minxk為集合中的最小值。

然后，求出由2個評判因素的評判集構造的一個因素論域U到決策評語論域V上的一個模糊關系，即評判決策矩陣為

由式(3)可知，評判決策矩陣R的因素rij可以用隸屬度函數求出。由決策評語集可知把駕駛人的分心等級劃分為正常(A)、臨界(B)、分心(C)和嚴重分心(D)，每個分心等級對應的隸屬度函數如下。

(2)

(3)

(4)

(5)

式中：λ1、λ2、λ3、λ4是每一個判定等級的相對應的閾值，采用的閾值標定方法是累計百分數的統計方法。需要注意的是模糊綜合評價模型確定隸屬度閾值采用的方法為累計頻率百分位法，其特點就是隸屬度函數閾值會隨著原始數據改變，這就使得利用該評判模型得到的評價結果具有內部對比的相對性，即用該評價模型對2種不同的車聯網信息形式評判所得結果具有相對性。

把通過無量綱標準化的評判指標數據依次代入隸屬函數，即可解出評判決策矩陣R。

再根據前期的調研和理論研究，把選取的2個評價指標相對重要程度的權重[9]。

確定A=(0.5,0.5)。

根據評判結果的式子，可以通過得到綜合評判結果B=A·B=(b1,…,b4)，表示各種評語的隸屬度。對評判結果進行歸一化處理，得到向量f=(f1,f2,…,f4)，其中：

(6)

3.3 模糊綜合評價模型

為了對各個分心任務的分心程度做出定量的評判，對評語集的分心等級進行賦值[10]，引入標度定義。根據標度定義，把f1對應的正常狀態賦值為0.2，把f2對應的臨界狀態定義為0.5，把f3對應的分心狀態定義為0.7，把f4對應的嚴重分心定義為0.8。為了得到百分制的評判值，對賦值系數進行去百分號化，即系數分別為20、50、70、80。因此，可確定各個分心駕駛的分心程度綜合評判值為

h=20f1+50f2+70f3+80f4

(7)

4 驗證實驗

對不同形式的車聯網信息進行分心程度的橫向對比，分析編號D1、D2、D3、D4這4個被試駕駛人的方向盤轉角和車輛側向偏移數據，對方向盤轉角標準差和車輛側向偏移極值取算術平均值，作為原始數據，并進行無量綱化處理，得到兩種形式的分心評價指標數據，如表8所示。

表8 評價指標數據Table 8 Evaluation index data

利用所建立的模糊綜合分心評判模型對2種不同的車聯網信息形式進行評價。首先采用累計百分位數的方法對正常、臨界、分心、嚴重分心4個層次的隸屬度函數的閾值λ進行標定。標定過程如下，先計算方向盤轉角標準差和車輛側向偏移極值2個評判指標所對應的兩種車聯網信息形式的無量綱化數值，根據無量綱化數值計算出該分心任務的頻率，把2種評判指標各自對應的信息形式頻率按照從小到大的順序進行重新排序，然后計算各個指標的累計頻率，如表9所示。

表9 評價指標無量綱化數據積累頻率分布Table 9 Frequency distribution of dimensionless data accumulation of evaluation indexes

根據表9，利用插值法得出累計頻率位于20%、40%、60%、80%所對應的評判指標的無量綱值，把這4個無量綱值作為4個隸屬度函數的閾值。所得閾值如表10所示。

將表10中的方向盤轉角標準差和車輛側向偏移極值的隸屬度函數閾值λa={λ1,λ2,λ3,λ4}={0.31,0.51,0.85,0.97}和λb={λ1,λ2,λ3,λ4}={0.35,0.72,0.93,0.96}分別代入式子(2)到(5)，即得出方向盤轉角標準差和車輛側向偏移極值的隸屬度函數。

表10 兩個指標對應的隸屬度函數閾值Table 10 The membership function thresholds corresponding to the two indicators

得到上述隸屬函數閾值，可以把方向盤轉角標準差對分心評語集V={正常，臨界，分心，嚴重分心}的隸屬度函數畫在同一坐標系中，如圖3所示。

圖3 方向盤轉角標準差的指標隸屬度函數Fig.3 Index of the steering wheel angle standard deviation membership function

同理，有了車輛側向偏移極值，也可以把車輛側向偏移極值對分心評語集V={正常，臨界，分心，嚴重分心}的隸屬度函數畫在坐標系中，如圖4所示。

圖4 車輛側向偏移極值的隸屬度函數Fig.4 Diagram of membership function of vehicle lateral offset extremes

將隸屬度函數閾值λ和2種信息形式對應的無量綱化值代入隸屬度函數式(2)～式(5)，即可得出各個分心駕駛任務的關系矩陣：

(8)

式(8)中：關系矩陣的下標1和2分別代表兩種通信形式：查閱讀文字和語音消息。

根據式子B=A·R=(b1,…,bn) 得到綜合評判結果模糊集為

B1=(0,0,0,1)，B2=(0.448,0.565,0.030,0)。

對以上2個模糊集進行歸一化處理后，將得到的向量代入式(7)得到2種通信形式的最終分心程度得分為

h1=80×1=80；

h2=20×0.43+50×0.54+70×0.03=37.7。

由上述分心程度得分可知，查閱文字消息的分心得分為80分，聽語音消息的得分為37.7分。由此可得文字形式的車聯網信息比語音形式的車聯網信息更能導致駕駛人的分心。根據美國哈佛商學院的一份分析資料表明[11]，人的大腦每天通過5種感官接受外部信息的比例分別為味覺1%、觸覺1.5%、嗅覺3.5%、聽覺11%、視覺83%。因此，當駕駛員查看文字消息時，視覺接受信息的比例由駕駛任務往車聯網文字消息轉移，因此對行車安全造車的不良影響更大。

5 結論

由上述結果分析可見：通過構建模糊綜合分心評價模型對不同車聯網信息形式對駕駛行為的分心影響進行評判，并橫向對比不同車聯網信息形式對行車安全的影響。得到的結果為文字類分心任務對駕駛行為的影響比語音類分心任務的分心影響更大，這與文字分心時需要更多地分配注意力到屏幕上，對接收前方道路信息產生干擾，不能及時調整車輛方向和速度有關，以致對行車安全造成更大威脅。