基于視覺信息加工的草原公路行車安全性分析

王海曉,丁 旭,郭 敏,呂 貞

(內蒙古農業大學 能源與交通工程學院,內蒙古 呼和浩特 010018)

0 引 言

在道路交通系統中,駕駛人處于主體地位,同時也是其中的一個薄弱環節[1],交通事故致因分析結果顯示,人因造成的交通事故比例高達92.6%[2]。駕駛過程中,駕駛人需要時刻感知行車環境的變化,其中約80%的交通環境信息通過駕駛人視覺通道傳遞,駕駛人在行車環境中的視覺行為與駕駛安全息息相關[3]。因此,從人因角度探討行車環境與駕駛人視覺信息加工之間的影響關系具有重要意義。

駕駛人的視覺信息加工模式表征其對于視覺信息的獲取與處理過程[2]。良好的視覺信息加工模式是駕駛人從行車環境中及時獲取有用和高質量視覺信息的前提,確保駕駛人對行車時潛在危險的早發現、早判斷、早決策,以調整駕駛策略及行為,保證車輛的安全運行[4]。當駕駛人處于復雜行車環境時,需要接收處理的信息量增多,在交通信息加工過程中所消耗的視覺資源增大,當駕駛人所承受的視覺信息加工強度達到極限時,可能會出現信息搜索不足或不及時的情況,產生遲滯反應或決策失誤等危險駕駛行為,行車安全性降低[5-6]。

近年來,國內外學者圍繞行車環境對駕駛人視覺信息加工影響方面進行了相關研究。秦雅琴等[7]為分析山區低等級公路各典型路段駕駛人的視覺差異性,搭建了山區低等級公路場景開展駕駛仿真實驗,發現5種典型路段中駕駛人的視覺特性存在差異;李顯生等[8]為探究應激響應對駕駛人視覺特性的影響,設計了4種應激場景進行模擬駕駛實驗,發現場景中存在移動目標物時駕駛人獲取視覺信息的注視區域增多;Q.C.SUN等[9]通過開展城市道路實駕實驗建立數據庫,提出了基于注視的綜合駕駛評估方法以研究駕駛人的視覺運動協調性,分析表明老年駕駛人在環島和交叉口行車時表現出不同的視覺搜索模式。

綜上所述,以往研究發現駕駛人的視覺信息加工模式受到行車環境的影響,但少有對其影響程度進行更加細致、深入的定量分析,且研究結論大多是針對城市道路、高速公路和山區道路行車環境,尚缺乏對比草原公路不同行車環境下駕駛人視覺信息加工特性的研究。草原公路作為道路交通的特殊路段,由于受到地形地貌等環境條件限制,現有草原公路普遍缺少中央分隔帶與路側護欄設置,加上車型復雜多樣、車速分布離散,凸顯交通安全設施落后、管理水平不高等一系列特點,行車過程易受到對向交通流和路側環境的干擾,交通秩序相比其他道路環境更為混亂。當行車環境發生突變時,駕駛人對視覺信息的搜索和感知需求量瞬時增加,視覺穩定性下降,可能導致駕駛人做出錯誤的駕駛判斷和決策,行車安全更易受到影響。

因此,研究草原公路不同行車環境下駕駛人的視覺信息加工特性,對于針對性糾正駕駛人在草原公路的不良視覺信息加工行為,進一步探究草原公路的行車安全隱患及事故致因具有重要的理論價值。鑒于此,筆者選取典型草原公路開展實車實驗,采集駕駛人在不同行車環境下的眼動數據,從視覺分配和視覺搜索兩個維度構建評價指標體系,基于多特征視覺參數探討駕駛人的視覺信息加工模式在不同行車環境下的差異性,并結合CRITIC法建立加權秩和比綜合評價模型,引入視覺信息加工強度的概念對行車安全做出分級評價。

1 草原公路實車實驗

1.1 實驗路段

選取S101省道內蒙古錫林浩特市境內賽罕塔拉至滿都拉圖段的二級草原公路作為實驗路段。該路段采用雙向兩車道設計,全長約150 km,設計車速為80 km/h。通過實地觀測與考察,實驗路段交通狀況基本處于自由流,交叉口均采用主路優先的控制方式,縱坡坡度較小,交通設施設置不完善,符合典型草原公路的特征,滿足實驗要求。

1.2 實驗設備

實驗所用車輛為大眾帕薩特自動擋型轎車,車況良好。選用德國SMI公司生產的Iview X HED型眼動儀采集駕駛人的眼動數據,設置采樣頻率為200 Hz,通過連接專用筆記本電腦進行眼動數據的采集和記錄,利用配套軟件Begaze導出視頻與對應的文本數據,主要實驗設備如圖1。同時,在實驗車輛內配備手持照度計和噪聲儀等輔助設備,以盡可能控制實驗條件的一致。

圖1 實驗主要設備Fig.1 Test main equipment

1.3 實驗對象

為使被試人員能較好的反映駕駛人的群體規律特性,基于多重篩選準則招募16名被試人員,年齡為24～49歲(均值：31.2,標準差：7.9),駕齡均在兩年以上(均值：7.2,標準差：5.0)。被試人員均持有有效駕駛執照,雙眼視覺功能正常且裸眼或矯正視力在4.8以上,無精神類疾病史和重特大交通事故經歷。為保證數據采集的客觀性,實驗前24 h確保被試人員的正常作息,無酒精或藥物攝入。

1.4 實驗流程

實車實驗安排在氣候條件適宜的九月份進行,為避免光照強度以及交通狀況的影響,實驗時間均設置在天氣晴朗的上午8：00—11：00的非高峰時段。借助照度計和噪聲儀測量車內主駕駛位的照度和噪聲數值,確保實驗環境條件的一致性。每次實驗時長約2 h,考慮到實驗實施的條件限制和人員安全問題,同時防止同一路段的反復實驗使被試人員熟悉駕駛環境,致獲取的眼動數據有效性降低。因此,所有被試人員均為單次實驗,未進行重復實驗。

實驗開始前,工作人員向被試人員講解實驗內容和注意事項,被試人員需簽署知情同意書,填寫調查問卷以記錄其年齡、駕齡、駕駛里程等基本信息。隨后被試人員進入實驗車內,完成座椅調試,并在工作人員的幫助下佩戴眼動儀并校準。被試人員先進行10 min的實駕訓練至實驗路段起點處,以適應眼動儀的佩戴及駕駛環境。隨后在車輛靜止狀態下進行5 min的靜態眼動數據測試,此過程被試人員盡量保持平視,心理處于放松狀態。開始正式實驗,被試人員駕駛實驗車輛從起點出發,按照計劃路線前往指定目的,要求被試人員在遵守交通規則及道路限速的要求下按照自身的駕駛習慣進行車輛操控。行車過程中工作人員時刻關注眼動數據采集的平臺界面,確保眼動儀的正常運行。實驗結束后,及時整理匯總被試人員基本信息和眼動儀采集數據。

1.5 數據預處理

1.5.1 行車環境劃分

實驗路段為典型的草原公路,采用雙向兩車道設計,由于缺少中央分隔帶與路側護欄設置,行車過程易受到對向交通流和路側環境的干擾,且路段交叉口無信號管控,均采用主路優先控制,主干道交通運行受到支路橫向交通流的干擾,存在安全隱患。限于交通管控不足,實驗路段車型復雜多樣、車速分布離散,行車易受到同向車道內其他車輛的影響。筆者將場景環境及觸發的行車事件統一歸納為行車環境,綜合考慮草原公路的道路特征、環境特點以及交通安全設施設置等因素,研究選取的行車環境包括：跟馳、對向來車、后車切入、路側風險、交叉口,同時選取行車過程中在視野范圍內無其他交通參與者、路側風險、交叉口的時段作為對照組,將其定義為自由行駛環境,各種行車環境的示圖如圖2。為排除道路線形、安全設施等因素對實驗結果的干擾,研究均以時間為單位截取駕駛人在平穩直行路段行駛時的眼動數據。

圖2 行車環境示意Fig.2 Schematic diagram of driving environments

科學合理的數據時窗截取將影響研究結果的準確性與可信度,考慮到不同行車環境所對應的時窗寬度存在差異,參照已有研究成果并結合草原公路實車實驗過程中的客觀現象,不同行車環境的解釋及時窗寬度截取如表1。

表1 行車環境的解釋及數據時窗Table 1 Interpretation and data time windows of driving environments

1.5.2 數據清洗

研究重點分析草原公路6種行車環境下被試人員的眼動數據。為保證研究結果的有效性、合理性,16名被試人員按照要求完成實驗后,首先運用眼動儀配套軟件Begaze對數據進行篩選,剔除丟失和校準偏差嚴重的數據,研究共計提取了涉及16名被試人員的953個不同行車環境下的眼動數據集,并利用ORIGIN、SPSS等軟件進行后續的統計與分析研究。

2 結果與分析

行車過程中,駕駛人作為信息接收源,主要基于視覺通道獲取行車環境信息,以指導駕駛決策和車輛操控,保證行車安全。因而,行車環境的變化將直接影響駕駛人的視覺信息接收量,進而引起個體視覺行為的變化[10]。不同行車環境中駕駛人加工視覺信息的工作量和緊迫性存在差異,有必要結合多特征視覺參數完整表達駕駛人視覺信息加工模式的變化。筆者從視覺分配和視覺搜索兩個維度探討草原公路不同行車環境下駕駛人視覺信息加工模式的差異性。其中,視覺分配著重分析駕駛人視覺注意的空間分布特性,構建視點分布信息熵表征駕駛人的視覺分配機制;視覺搜索以駕駛人掃視幅度和掃視速度為基礎參數,用以反映駕駛人視覺注意動態轉移的過程。

2.1 駕駛人視覺分配特性

2.1.1 興趣區域劃分

草原公路行車環境的改變使駕駛人視野范圍內不同區域的信息密度和重要程度存在差異,為提取到有效的行車環境信息,駕駛人的視覺分配過程將具有主觀偏向性,更加關注與行車安全直接相關的區域目標信息[11]。為對比研究不同行車環境下駕駛人視覺分配模式的差異性,需要對駕駛人的視野平面進行興趣區域(areas of interest,AOI)劃分。

根據研究目的并結合草原公路環境特征,采用動態聚類法將駕駛人的視野平面劃分成5個區域,具體劃分結果如圖3。其中：A為當前行駛車道;B為對向車道;C為道路右側及右后視鏡區域;D為道路左側及左后視鏡區域;E為車內儀表盤區域。

圖3 駕駛人視覺興趣區域劃分Fig.3 Division of driver’s visual area of interest

2.1.2 視點平穩分布概率

駕駛人的視點轉移過程中,將注視點落到不同的興趣區域歸類為不同的狀態,下一個注視點所處的興趣區域僅與當前狀態有關,且時間和狀態均為離散,符合馬爾可夫鏈的特性[7,12]。因此,基于駕駛人的視覺興趣區域劃分結果,可以借助馬爾可夫鏈平穩分布理論對駕駛人的注視點分布情況進行預測分析,進而探究不同行車環境下駕駛人視覺分配的差異性。

將駕駛人的視野平面劃分成5個興趣區域,設1、2、3、4、5為注視點的5種狀態,分別對應興趣區域A、B、C、D、E。因此,駕駛人的視點轉移過程可看作狀態空間I={1,2,…,5}的馬爾可夫鏈,構造出注視點的一步轉移概率矩陣P為：

(1)

利用駕駛人的注視點數據構建的馬爾可夫鏈是有限狀態的不可約且非周期型的,結合馬爾可夫鏈的相關定理,必存在平穩分布。將視點轉移概率pij代入式(2),最終求解得到各興趣區域的視點平穩分布概率πj,以此表征注視點分配到各個興趣區域概率的穩定值。

(2)

駕駛人在不同行車環境下各興趣區域的視點平穩分布概率如圖4。6種行車環境下,注視點分布在區域A的概率均為最高,達到47%以上,表示當前行駛車道是駕駛人獲取行車環境信息的主視區域。相較于自由行駛狀態,其他5種相對復雜的行車環境下注視點在區域A的平穩分布概率呈現出不同程度的下降趨勢,其中跟馳時平穩分布概率降幅較小為17.62%,而交叉口通行和遇到路側風險時,區域A的平穩分布概率驟降,降幅分別達到38.60%和39.18%,表明駕駛人對于當前車道區域的關注度顯著下降,將更多注意力分配到了其它區域。進一步分析其原因,可得到如下結論：

圖4 不同行車環境下各興趣區域的視點平穩分布概率Fig.4 Stationary distribution probability of fixation points in each area of interest under different driving environments

1)車輛處于跟馳行駛時,注視點在區域E的平穩分布概率明顯高于其它行車環境,達到21.1%。表明駕駛人在跟隨前車行駛時需要時刻關注前車的運行狀態,控制車速以保持安全的跟車距離,因而對車內儀表盤區域的關注度有所增加。

2)當行車過程中有對向來車時,注視點在區域B的平穩分布概率明顯高于其它行車環境,達到29.95%。這是由于草原公路沒有設置中央分隔帶且缺乏交通管制,致使行車速度通常會高于道路設計車速,當對向車道有車輛駛來,特別是大中型貨車時,駕駛人會將部分注意力轉移到對向車輛上,控制會車時安全的橫向間距。

3)當行車途中遇到后方車輛實施借道超車行為切入到實驗車輛前方時,視點平穩分布概率在區域B和D分別增至21.38%和12.25%。表明駕駛人從對向車道或左后視鏡觀察到后方超車車輛至其越過道路中心線到切入實驗車輛前方的整個過程中,兩車的安全距離和行車速度存在相互制約性,駕駛人會時刻關注切入車輛的行駛狀態,以調整駕駛策略及行為,保證車輛的安全運行。

4)當道路右側出現隨機風險點時,視點平穩分布概率在區域E和隨機風險點出現的區域C顯著增加,分別為14.70%和29.15%。表明駕駛人需要時刻關注風險點的動態信息并會采取一定的制動措施,以應對風險點運動狀態的隨機變化。

5)實驗車輛直行通過交叉口時,注視點分布較為離散,且視點平穩分布概率在區域C和D的增幅更為顯著,分別增至20.57%和14.39%。由于草原公路均為主路優先控制交叉口,車輛行至交叉口前駕駛人會及時搜集交叉口內和兩側支路銜接段等多個區域內的交通信息,以保證車輛在交叉口的安全通行。

2.1.3 視點分布信息熵

信息熵是信息論中量化信息量的指標,借鑒了熱力學的概念,是系統無序性或隨機性的度量[13]。在對駕駛人視野平面劃分的基礎上,根據馬爾可夫鏈理論計算出注視點在各興趣區域的平穩分布概率,雖然可以解析不同行車環境下注視點在各興趣區域分布的共性與差異性,但不能量化研究駕駛人在整個視野平面的視覺分配變化特性。

基于此,將馬爾可夫鏈理論引入到信息熵研究中,借助視點平穩分布概率求得駕駛人在不同行車環境下的視點分布信息熵,量化視覺分配特性的無序程度,間接評估駕駛人在整個視覺區域獲取交通信息的復雜度。信息熵越高,表明駕駛人注意力分配的區域越多,注視點分布越離散,致使提取目標信息難度越大。信息熵計算公式為：

(3)

式中：H為視點分布信息熵,bits;πj為注視點在第j視覺興趣區域內的平穩分布概率,πj≥0,當πj=0時,πjlog2πj=0;h為興趣區域劃分數,文中h=5。

計算得到不同行車環境下駕駛人的視點分布信息熵如圖5。采用單因素重復測量方差分析研究視點分布信息熵在不同行車環境下的差異顯著性,Shapiro-Wilk檢驗顯示各組數據均服從正態分布(p>0.05),Mauchly’s球形度檢驗顯示不滿足球形假設(W=0.133,p=0.023<0.05),因而使用Greenhouse-Geisser校正結果。分析表明行車環境對駕駛人的視點分布信息熵存在顯著性影響(F=8.438,p=1.530×10-4<0.05)。

圖5 不同行車環境下駕駛人視點分布信息熵對比Fig.5 Comparison of information entropy of drivers’ fixation point distribution in different driving environments

由圖5可知,相較于自由行駛,駕駛人處于其它5種相對復雜的行車環境下視點分布信息熵均呈增大趨勢,表明行車環境信息的增多使駕駛人擴大了視覺注意分配的區域,注視點分布更加離散,提取目標信息難度增大。其中,在遇到路側風險時的平均信息熵激增,相較自由行駛增幅達到66.25%,表明路側風險的出現會顯著影響駕駛人的視覺資源分配。在自由行駛和后車切入時,信息熵的變異程度較大,這是由于自由行駛時駕駛人不需要關注特定的興趣區域,視覺分配過程受到個體視覺習慣和心理情緒的影響,隨機性較強;當遇到后車超車切入時,限于環境感知和反應特性的個體差異性,駕駛人關注到后方車輛的興趣區域和時間點不同,致使視覺分配過程因人而異。

為進一步研究自由行駛與其它5種行車環境間視點分布信息熵的差異性,采用Tukey法進行事后兩兩比較如表2。結果表明：除自由行駛與跟馳行駛間的視點分布信息熵呈現邊緣顯著性差異(p<0.1),與其它4種行車環境之間均存在顯著性差異。

表2 不同行車環境下視點分布信息熵顯著性檢驗結果Table 2 The significance test results of information entropy of fixation point distribution in different driving environments

2.2 駕駛人視覺搜索特性

2.2.1 掃視幅度

掃視幅度是指一次掃視過程中視線所覆蓋的范圍,表征駕駛人對視覺信息的搜索范圍。采用單因素重復測量方差分析研究掃視幅度在不同行車環境下的差異顯著性,Shapiro-Wilk檢驗顯示各組數據均服從正態分布(p>0.05),且通過球形度檢驗(W=0.249,p=0.197>0.05)。分析結果表明行車環境對駕駛人的掃視幅度存在顯著性影響(F=5.041,p=4.899×10-4<0.05)。

不同行車環境下駕駛人的掃視幅度如圖6。

圖6 不同行車環境下駕駛人掃視幅度對比Fig.6 Comparison of drivers’ saccade amplitude in different driving environments

相較于自由行駛,駕駛人處于其它5種相對復雜的行車環境下掃視幅度普遍增大。其中,跟馳時掃視幅度的增幅較小,駕駛人的跟馳行為受到前車速度的制約,為保持安全的跟馳間距,在關注前車運行狀態時會將少部分視線轉移到車內儀表盤區域,以搜索感知行車速度信息。而駕駛人在交叉口通行時的掃視幅度激增,相較自由行駛增幅達到72.88%,這是因為駕駛人行徑交叉口時需要不斷搜索感知交叉口兩側支路銜接段內的交通環境信息,擴大了水平方向的視覺搜索范圍,表現出更大的掃視幅度。

采用Tukey法進行事后兩兩比較如表3。結果表明：自由行駛與路側風險和交叉口之間的掃視幅度存在顯著性差異,與對向來車和后車切入之間的掃視幅度呈邊緣顯著性差異(p<0.1),而與跟馳行駛不存在顯著的統計學差異。

表3 不同行車環境下掃視幅度的顯著性檢驗結果Table 3 The significance test results of saccade amplitude in different driving environments

2.2.2 掃視速度

掃視速度表征信息搜索過程中眼球轉動的快慢,即掃視角度與持續時間的比值。通常行車環境越復雜,視區內所包含的信息量較大時,會導致駕駛人掃視速度加快,視覺穩定性下降[14]。經檢驗,各組數據均服從正態分布(p>0.05),且滿足球形假設(W=0.427,p=0.673>0.05)。單因素重復測量方差分析表明行車環境對駕駛人的掃視速度存在顯著性影響(F=4.863,p=6.609×10-4<0.05)。

不同行車環境下駕駛人的掃視速度如圖7。

圖7 不同行車環境下駕駛人掃視速度對比Fig.7 Comparison of drivers’ saccade velocity in different driving environments

自由行駛時平均掃視速度最低,由于行車環境相對舒適安全,駕駛人不需要頻繁搜索周邊環境信息,環境感知力和警覺性較低,處于低負荷駕駛狀態。而行車過程中遇到后車超車切入時,駕駛人的平均掃視速度最大,相較自由行駛增幅達到93.35%,其原因可能是后方車輛的突然切入,對駕駛人產生了較強的視覺刺激,使得駕駛人警覺性迅速上升,表現為迅速搜索感知切入車輛的行駛狀態信息,指導決策和車輛操控。

采用Tukey法進行事后兩兩比較如表4。結果表明,自由行駛與跟馳和對向來車之間的掃視速度存在邊緣顯著性差異(p<0.1),而與其它3種行車環境之間的掃視速度呈顯著性差異。

表4 不同行車環境下掃視速度的顯著性檢驗結果Table 4 The significance test results of saccade velocity in different driving environments

2.3 基于視覺信息加工強度的行車安全評價

駕駛人的視覺信息加工強度綜合表征了其在交通環境信息加工過程中所消耗的視覺資源,受到行車環境條件的影響[5]。從視覺分配和視覺搜索兩個維度選取視點分布信息熵、掃視幅度、掃視速度3項指標構建評價指標體系,結合數理統計方法分析了不同行車環境下各指標的差異性變化,揭示了駕駛人采取的針對性視覺信息加工模式。為探究不同行車環境下駕駛人提取交通環境信息所消耗的視覺資源,選取上述指標作為駕駛人視覺信息加工強度的評價依據,引入基于CRITIC法的加權秩和比綜合評價模型,以期從視覺信息加工層面評價不同行車環境中的駕駛安全水平。

加權秩和比法是一種多指標綜合評價模型,其基本原理是根據各評價對象的指標值大小進行編秩,結合各評價指標的權重系數,通過秩轉換獲得無量綱統計量加權秩和比(weighted rank-sum ratio,WRSR),根據評價對象的加權秩和比進行相對優劣的排序分檔[15]。運用加權秩和比法對不同行車環境下駕駛人的視覺信息加工強度進行綜合評價,具體步驟如下：

1)構建評價矩陣。分別將不同行車環境下各視覺評價指標數據取均值,并根據式(4)進行數據區間化處理,以消除指標量綱和數量級的影響。構建m種行車環境和n項視覺評價指標組成的評價矩陣Y=(yij)m×n。

(4)

式中：yij為區間化處理后的第i種行車環境下的第j項視覺評價指標數據;xij為指標原始數據;xjmax和xjmin分別為第j項指標原始數據的極大值和極小值。為便于指標權重的計算,取a=0.01,b=0.99,即數據區間化范圍取0.01～0.99。

2)指標權重計算。采用CRITIC法構建指標的權重體系,計算各項視覺評價指標的標準差和指標間的相關系數,以綜合衡量指標包含的信息量,確定指標權重wj[16],計算結果見表5。

(5)

(6)

式中：Ij為第j項指標包含的信息量;σj為標準差;rkj為第k與j項視覺評價指標之間的Pearson相關系數。

表5 基于CRITIC法的指標賦權結果Table 5 Weighting results of indicators based on the CRITIC method

3)編寫秩次,計算WR值。采用非整次法,即利用類似線性插值的方式對評價矩陣進行編秩。在視覺信息加工強度指標體系中,所選取的3項視覺評價指標均為低優指標,因此,采用式(7)對各視覺評價指標值進行編秩,并基于式(8)計算出各行車環境的WR值,結果見表6。

(7)

(8)

式中：WRi為第i種行車環境的加權秩和比;Rij為第i種行車環境下的第j個視覺評價指標的秩次;yjmax和yjmin分別為區間化處理后的第j項視覺評價指標的極大值和極小值。

表6 編秩結果及加權秩和比Table 6 Ranking results and weighted rank-sum ratio

Pri=u(pi)+5

(9)

式中：u(pi)為累計頻率pi對應的標準正態離差。

表7 加權秩和比頻率分布Table 7 Frequency distribution of weighted rank-sum ratio

5)計算回歸方程。針對Pr值與WR值進行相關性分析,結果顯示兩者存在顯著相關性(相關系數r=0.939)。以Pr值為自變量,WR值為因變量,擬合得到線性回歸方程為：

WR=-0.928+0.268Pr

(10)

模型判定系數R2=0.882,回歸模型的方差分析結果顯示F=29.770,p=0.005<0.05,模型擬合程度較好。

6)視覺信息加工強度分檔排序。將各行車環境的Pr值代入回歸方程,得到對應的WR擬合值,WR擬合值越大,表示駕駛人的視覺信息加工強度越小,行車安全性越高。按照合理分檔原則將視覺信息加工強度劃分為低、適中、較高、高4檔,根據各行車環境的WR擬合值進行分檔歸類,結果詳見表8。

表8 視覺信息加工強度分檔評價結果Table 8 Results of graded evaluation of visual information processing intensity

由表8可知,將6種行車環境按照WR值降序排列,從大到小依次為：自由行駛、跟馳、對向來車、后車切入、交叉口、路側風險。駕駛人在自由行駛時的視覺信息加工強度最低,表明行車環境傳達給駕駛人的視覺刺激較小,駕駛人感知到的視覺信息較少,行車安全性相對較高。而后車切入、路側風險和交叉口的視覺信息加工強度劃分在較高等級。其中,行車時遇到路側風險時駕駛人的視覺信息加工強度最大,駕駛人的警覺性顯著提高,需要加工處理更多的視覺信息以指導駕駛決策,行車安全性相對更低,需要優先考慮采取相應的安全改善措施。

構建的加權秩和比評價模型具有一定的局限性,在對原始數據進行秩轉換時會損失部分信息,且指標選取的差異將影響權重的賦值,進而影響視覺信息加工強度的評價結果。因此,后續仍需對指標的敏感性和適用場景進行深入研究,并結合多種評價模型進行對比驗證,以保證結果的客觀合理性。

3 結 論

針對以往研究缺乏草原公路不同行車環境下駕駛人視覺信息加工特性的深入探討,筆者設計開展草原公路實車實驗,采集了6種真實行車環境下駕駛人的眼動數據,圍繞視覺分配和視覺搜索2個維度解析駕駛人的視覺信息加工模式在不同行車環境下的差異性,從視覺信息加工層面對不同行車環境的駕駛安全水平做出評價,得出如下結論：

1)采用動態聚類法將駕駛人的視覺興趣區域劃分為5部分,結合馬爾可夫鏈理論對駕駛人在不同行車環境下的注視點分布特性進行了預測分析。發現在6種行車環境中,駕駛人的注視點在當前車道區域的平穩分布概率均為最高,達到47%以上,表示當前行駛車道是駕駛人獲取行車環境信息的主視區域。而相較于自由行駛,其它5種相對復雜的行車環境中注視點分布在當前車道區域的概率均呈下降趨勢,駕駛人將更多的視覺注意力分配到了其它興趣區域。

2)將信息熵與馬爾可夫鏈平穩分布理論結合,構建視點分布信息熵表征駕駛人的視覺分配特性,并引入掃視幅度、掃視速度分析駕駛人對視覺信息的搜索過程。數理統計結果顯示,各項視覺評價指標隨行車環境的變化呈顯著的統計學差異,行車環境信息的增加使駕駛人擴大了視覺注意分配的區域,表現出更大的掃視幅度和掃視速度。

3)構建基于CRITIC法的加權秩和比評價模型,引入視覺信息加工強度的概念對行車安全做出分級評價。分析可知,駕駛人在自由行駛時的視覺信息加工強度最低,而后車切入、路側風險和交叉口的視覺信息加工強度劃分在較高等級。其中,行車時遇到路側風險時駕駛人的視覺信息加工強度最大,駕駛人的警覺性顯著提高,需要加工處理更多的視覺信息以指導駕駛決策,行車安全性相對更低。

有助于完善視覺信息加工行為的評價指標體系和分析方法,對于針對性糾正駕駛人在草原公路的不良視覺信息加工行為,深入探究草原公路的行車安全隱患及事故致因具有重要的理論價值,此外,實車實驗的設計以及行車環境的選取可作為類似研究的參考。研究結論可為駕駛行為干預及分級預警、草原公路設施安全改善提供指導。