視覺預警與次任務對自動駕駛接管的影響研究

摘 要：L3自動駕駛允許駕駛員從事與駕駛無關的次任務，次任務如何影響接管行為，預警信號在次任務干擾下是否仍然有效，類似問題研究甚少。為了探討次任務下，預警信號在自動駕駛過程中對駕駛員接管行為的影響。基于駕駛仿真平臺（UC-win/Road），設計了視覺次任務（4x4箭頭任務）下不同內容的視覺預警（簡單視覺、行動視覺）的自動駕駛接管場景，進行90名被試的模擬駕駛試驗。使用單、雙因素方差分析，從駕駛行為、眼動行為2個接管績效角度進行評析。研究結果表明：視覺次任務的加入，不會影響到行動視覺預警的優勢效果；視覺預警相比無預警的手動能更好地引起駕駛員的注意，進而了解當前險情情況，且行動視覺預警的效果要優于簡單視覺預警；其次，視覺預警會加重眼睛工作負荷。

關鍵詞：自動駕駛 接管行為 次任務 視覺預警

1 緒論

自動駕駛汽車作為目前科技革命的產物，相比傳統機械化汽車能提供更加安全舒適的駕駛環境，更加高效便捷的駕駛體驗，面對著“智能制造”的大背景下，汽車步入智能化、自動化階段是必然的趨勢。當前自動駕駛汽車正朝著L3級（有條件自動駕駛）邁進。L3與以往L1（人工駕駛）和L2（輔助駕駛）的一個本質區別是駕駛員角色由操控者轉變為監控者，即自動駕駛系統可以完成車輛控制，駕駛員無需時刻操控汽車，但駕駛員需要對自動駕駛進行監控并隨時準備接管汽車。所謂接管指當系統遇到無法處理的情況時，車輛的控制權移交給駕駛員，由駕駛員手動駕駛汽車以規避險情的過程。

接管行為及其影響因素的研究一直是近幾年交通安全和人因工程領域的研究熱點。Jediah等人研究表明，只有當駕駛員獲得了一定情境意識后，才能成功完成手動接管任務，且隨著情境意識水平的增加，駕駛員在接管時對車輛的控制也會更加穩定[1]。Sandra等人研究了不同接管預留時間對接管績效的影響[2]，結果顯示隨著接管預留時間的縮短，駕駛員進行決策和反應的速度更慢，接管質量也會越來越差。Johanna等人在高速公路場景下對44名司機在發生接管時做出反應所需時間的研究[3]，試驗是在一輛高度自動化的駕駛車輛上進行的，司機對車輛做縱向或者橫向控制的反應行為，結果顯示測量的反應時間在1.4秒到6.7秒之間。

為了保障駕駛員發生接管時有一定的預留時間，需要合適的預警信號對駕駛員進行提醒，使其盡快恢復到駕駛任務[5-6]。廣泛的研究中，主要采用視覺和聽覺2種預警模態向駕駛員發出接管指令[7-9]。Nees等人通過視覺信息向駕駛員傳達提示信息與周圍場景相關信息，幫助駕駛員了解當前的駕駛路況[10]。Yoon等人研究了視覺信號對駕駛員喚醒的研究，利用平板電腦向駕駛員提供方向盤接管的視覺提示[11]，在車輛發生接管時，方向盤右側的平板電腦會顯示類似“方向盤上的指示牌”的圖片提示駕駛員需要接管車輛，結果顯示視覺信號可以吸引到駕駛員的注意，并能夠向駕駛員傳遞圖片上的信息。Ebru等人研究視覺信號對于駕駛員喚醒的研究，試驗采用紅色發光二極管的閃爍作為視覺預警向駕駛員發送手動接管請求[12]，結果顯示這種預警信號可以有效地獲得駕駛員的注意。

次任務（Non-driving related task， NDRT）是指接管指令下達前駕駛員正在從事與駕駛無關的任務。雖然在多數研究中表明，非駕駛相關任務會造成駕駛員在自動駕駛過程中注意力分散[13-15]，但也存在不一致的聲音。Haijian等人研究表明次任務可以幫助司機緩解睡意[16]，從而有助于駕駛員及時應對接管事件。Aurore等人的研究則表明，將注意力從駕駛任務轉移到次任務對駕駛接管有整體的負面影響[17]。Gaojian等人研究了駕駛員參與次任務的情況如何隨著自動化水平的變化而變化[18]，研究結果顯示，隨著自動化程度的提高，駕駛員可以更多地參與次任務，對駕駛員接管行為的影響非常有限。關于從事次任務是否會對駕駛員接管造成不良影響，目前還沒有一致的結論。

對于自動駕駛接管的研究，由于次任務類型不同、難易程度不同，駕駛場景的緊急程度不同，相關研究沒有得到統一化的結論。自動駕駛接管下駕駛員操控行為、眼動行為的研究內容有限，結論比較初步。有必要通過標準量化的次任務和統一的測試場景，在發生接管時，對駕駛員操控與眼動行為進行更深入的研究。本研究目的是采用預警機制來為駕駛員的接管行為制定安全策略。

2 試驗方法

2.1 試驗對象

本試驗招募被試共90名，男生60人，女生30人，男女比例2∶1，被試年齡范圍為20歲到28歲，被試年齡的標準差為1.35，被試絕大部分為在校大學生，平均年齡23.39歲，平均駕年齡3.73年。在被試者選取上，采取了下列硬性指標條件：擁有駕駛執照、身體狀況良好、無認知困難、無重度視力問題（弱視、散光）、無暈車現象、駕齡為2年以上、首次使用駕駛模擬器。被試者在試驗前必須了解整個試驗流程和試驗須知，并簽署知情同意書。

2.2 駕駛模擬器

本試驗采用UC-win/Road駕駛模擬系統進行試驗，系統有硬件與軟件2個部分組成。硬件由3個27寸的LED顯示屏、1臺高性能計算機、1個方向控制器以及1個駕駛座椅組成（見圖1），穿戴式眼動儀Tobii Glasses 2和電腦平板。軟件方面采用UC-win/Road 13版本模擬器軟件，采用60 Hz的頻率收集速度、加速度、剎車反應時長等駕駛數據[19]。駕駛模擬器試驗運動系統采用自動換擋加速模式，只需要操作制動板、油門和方向盤。眼動儀可采集駕駛員的眼動數據（注視、掃視等）。電腦平板用于視覺次任務的顯示。

2.3 試驗設計

試驗采用兩因素三水平組間設計，因素為次任務和視覺預警信號，次任務設定為無次任務、4×4箭頭任務；視覺預警信號設定為簡單視覺、行動視覺、手動（無視覺預警）。試驗建造的場景是以中國縣城道路為主，為雙向三車道設計，每個車道的寬度設定為3.75m，全程路程約為19km，被試者操作的車輛在中間車道行駛。試驗選用8個駕駛接管場景，每個場景對應一個接管任務，大概在距離險情位置5秒左右的距離發出接管請求，在發出接管請求的同時駕駛模擬器系統會從自動駕駛模式切換到手動駕駛模式，強制要求駕駛員接管汽車。當汽車越過險情后一段距離，系統會提醒駕駛員從手動駕駛模式切換回自動駕駛模式。為了保證每位駕駛員遇到險情處于同一地點，試驗過程中會有一輛與駕駛員駕駛車輛處于同一車道的前車進行遮擋，當到達險情位置時前車會發生變道，此時駕駛員才會注視到險情。

試驗中的視覺預警主要是通過采用平視顯示技術給駕駛員呈現提示信息進行預警提醒，包括簡單提示形式和行動提示形式（見圖2）。簡單提示顯示在模擬器中間屏幕的中上方，在每個接管場景中，自動駕駛系統僅以文字的形式向被試發出“請接管汽車”的字樣；操作提示顯示在屏幕的中間位置，以可視化的圖片形式為駕駛員提供操作建議，例如：用“減速”文字的標志提示駕駛員減速，用向右的箭頭提示駕駛員換道。

試驗中的次任務為4×4的箭頭任務。要求駕駛員在指定時間內，在一個4×4的隨機箭頭矩陣中尋找到唯一向上的目標箭頭（見圖3）。次任務輪次一共6組，每組5s，一輪花費時間是30s。

2.4 試驗流程

在試驗開始之前，主試需檢測并準備好眼動儀、駕駛模擬器等試驗設備，例如：測試UC-win/Road軟件聲音是否正常、車流是否導入等，其次是通知被試到來。當被試到達試驗室后，主試會指導被試閱讀并簽署知情同意書，并填寫個人信息表。然后，主試會按照試驗須知表逐字告知被試，每當讀完一項就會詢問被試是否明白，被試明白方可在一項后面打勾，否則重復講解以確保被試明確了解試驗。在正式試驗前，為了讓被試熟悉設備的基本操作，需進行約8分鐘的練習場景。正式駕駛試驗時，被試車輛在自動駕駛模式下保持80km/h的速度行駛，在此期間，被試需要將雙手置于方向盤上，不需要進行任何操作。在距離接管20s左右的距離次任務會發出，由于次任務時長30s，遇險情的同時次任務仍在進行，要求被試接管的同時，兼顧次任務。

2.5 試驗因變量

對于接管評估結果，是從駕駛、眼動2個角度進行闡述。

駕駛方面的評估指標，試驗采用了3種客觀的指標作為駕駛接管績效，分為平均速度、縱向平均加速度、剎車反應時長。平均速度是指表示車輛在相同距離內運動的快慢。縱向平均加速度是指車輛單位時間內速度變化的快慢。剎車反應時長是當駕駛員踩下剎車踏板的時間，其中，踩下的幅度占整幅度的比例大于等于10%時才判定為做出了剎車反應[20]。

眼動方面的評估指標，從總注視時長、注視次數、掃視次數2種眼動指標進行描述。總注視時長是指駕駛員在車輛接管期間對駕駛模擬器屏幕區域的注視時間。注視次數指駕駛員在車輛接管期間對駕駛模擬器屏幕區域注視點的總數。掃視次數指駕駛員在車輛接管期間對駕駛模擬器屏幕區域掃視點的總數。

2.6 數據預處理

每次試驗輸出的數據包含8次接管數據。通過接管發出指令的道路位置作為開始點，脫離險情點的道路位置作為結束點，截取總共8段有效數據，并從其中分別提取所需的因變量數據。在試驗過程中，由于被試的誤操作導致沒有合理地接管車輛，造成部分數據無法使用，會對這部分異常數據進行剔除。

3 結果分析

3.1 駕駛數據結果

3.1.1 平均速度

圖4是箭頭任務與無任務下簡單視覺、行動視覺、手動的速度的平均值與標準差[其中，箭頭任務F（2，42）=35.57，p<0.001；無任務F（2，42）=40.95，p<0.001]。箭頭任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：手動>簡單視覺>行動視覺[p（簡單視覺/手動）=0.0017，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]；無任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：手動>簡單視覺>行動視覺[p（簡單視覺/手動）=0.021，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]。

3.1.2 縱向平均加速度

圖5是箭頭任務與無任務下簡單視覺、行動視覺、手動的縱向加速度平均值與標準差[其中，箭頭任務F（2，42）=56.31，p<0.001；無任務F（2，42）=29.07，p<0.001]。箭頭任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺>手動[p（簡單視覺/手動）=0.0017，p（簡單視覺/行動視覺）=0.002，p（手動/行動視覺）<0.001）；無任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺>手動（p（簡單視覺/手動）<0.001，p（簡單視覺/行動視覺）=0.041，p（手動/行動視覺）<0.001]。

3.1.3 剎車輸入值

圖6是箭頭任務與無任務下簡單視覺、行動視覺、手動的剎車輸入值平均值與標準差[其中，箭頭任務F（2，42）=45.96，p<0.001；無任務F（2，42）=42.64，p<0.001]。箭頭任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：手動>行動視覺>簡單視覺[p（簡單視覺/手動）<0.001，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]；無任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：手動>行動視覺>簡單視覺[p（簡單視覺/手動）=0.014，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]。

3.2 眼動數據結果

3.2.1 總注視時長

圖7是箭頭任務與無任務下簡單視覺、行動視覺、手動的總注視時長平均值與標準差[其中，箭頭任務F（2，42）=15.13，p<0.001；無任務F（2，42）=15.94，p<0.001]。箭頭任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺>手動[p（簡單視覺/手動）=0.0086，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]；無任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺>手動[p（簡單視覺/手動）=0.036，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]。

3.2.2 注視次數

圖8是箭頭任務與無任務下簡單視覺、行動視覺、手動的注視次數平均值與標準差[其中，箭頭任務F（2，42）=7.1，p<0.001；無任務F（2，42）=35.05，p<0.001]。箭頭任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺，行動視覺>手動[p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]；無任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺>手動[p（簡單視覺/手動）=0.0015，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]。

3.2.3 掃視次數

圖9是箭頭任務與無任務下簡單視覺、行動視覺、手動的注視次數平均值與標準差[其中，箭頭任務F（2，42）=16.67，p<0.001；無任務F（2，42）=34.9，p<0.001]。箭頭任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺，行動視覺>手動[p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]；無任務下簡單視覺、行動視覺、手動三者顯著性比較結果是：行動視覺>簡單視覺>手動[p（簡單視覺/手動）<0.001，p（簡單視覺/行動視覺）<0.001，p（手動/行動視覺）<0.001]。

4 結語

駕駛員在面前接管時，行動視覺會讓他最大幅度地降低車輛速度和加速度，進而遠離險情避免危險發生，且優于簡單視覺。行動視覺會增強駕駛員意識危險感，從而做出強烈的剎車行為。視覺覺次任務的添加并不會對視覺預警的優勢效果造成顯著性的干擾。對于手動駕駛（無預警），箭頭任務會導致駕駛員減速效果明顯減弱。

駕駛員在車輛接管期間，行動視覺的預警形式最為吸引駕駛員的注意，會讓駕駛員專注于屏幕進而更好進行接管。但行動視覺預警是注視和掃視次數最多的，對眼睛的工作負荷明顯較大。此外，視覺次任務的加入會減弱簡單視覺預警效果，對行動視覺預警并無明顯影響。

本文主要研究L3自動駕駛過程中，視覺次任務和視覺預警信號對駕駛員接管行為的影響。其結果可以用于自動駕駛交互界面的設計與研發，提高駕駛員在接管時的反應速度和準確度，進而降低駕駛事故率，為自動駕駛接管的安全性問題上提供理論支持。

基金項目：2023年安徽省高校自然科學研究項目（預警信號和次任務對自動駕駛接管行為的影響研究，項目編號為2023AH052039）。

參考文獻：

[1]Jediah R，Clark，Neville A，Stanton，Kirsten M.A.Revell.Conditionally and highly automated vehicle handover：A study exploring vocal communication between two drivers[J].Transportation Research Part F： Traffic Psychology and Behaviour，2019，65（C）：699-715.

[2]Sandra B，Stefan B，Manfred T.Driver-initiated take-overs during critical evasion maneuvers in automated driving.[J].Accident;analysis and prevention，2023，194：107362.

[3]Johanna W，Barbara M .Misuse or abuse of automation？ Exploring drivers’ intentions to nap during automated driving[J].Transportation Research Part F： Psychology and Behaviour，2023，99：460-472.

[4]Yusuke Y，Jeffrey G，Abdalziz A，et al.Post Take-Over Performance Varies in Drivers of Automated and Connected Vehicle Technology in Near-Miss Scenarios[J].Human factors，2023.

[5]Z.Lu，B.Zhang，A.Feldhütter，et al.Beyond mere take-over requests：The effects of monitoring requests on driver attention，take-over performance，and acceptance[J].Transportation Research Part F：Traffic Psychology and Behaviour，2019，63：22-37.

[6]Sandra B ，Stefan B ，Manfred T .Driver-initiated take-overs during critical evasion maneuvers in automated driving.[J].Accident; analysis and prevention，2023.

[7]Alexander Eriksson，Sebastiaan M.Petermeijer，Markus Zimmermann，et al.Rolling Out the Red （and Green）Carpet：Supporting Driver Decision Making in Automation-to-Manual Transitions[J].IEEE Transactions on Human - Machine Systems，2019，49（1）：20-31.

[8]Weiya C，Tetsuo S，Toshihiro H.Comparing driver reaction and mental workload of visual and auditory take-over request from perspective of driver characteristics and eye-tracking metrics[J].Transportation Research Part F：Psychology and Behaviour，2023，97：396-410.

[9]Guy Cohen-Lazry，Nuphar Katzman，Avinoam Borowsky，et al.Directional tactile alerts for take-over requests in highly-automated driving[J].Transportation Research Part F：Traffic Psychology and Behaviour，2019，65（C）：217-226.

[10]Linda P，Emma T，Marco D.It’s about time！ Earlier take-over requests in automated driving enable safer responses to conflicts[J].Transportation Research Part F：Psychology and Behaviour，2022，86：196-209.

[11]Sol Hee Yoon，Young Woo Kim，Yong Gu Ji.The effects of takeover request modalities on highly automated car control transitions[J].Accident Analysis & Prevention，2019，123：150-158.

[12]Ebru Dogan，Mohamed-Cherif Rahal，Renaud Deborne，et al.Transition of control in a partially automated vehicle： Effects of anticipation and non-driving-related task involvement[J].Transportation Research Part F： Traffic Psychology and Behaviour，2017，46：205-215.

[13]Jianwei N，Zhen Z，Yipin S，et al.The driver's instantaneous situation awareness when the alarm rings during the take-over of vehicle control in automated driving.[J].Traffic injury prevention，2022，23（8）：1-5.

[14]Fabienne Roche，Anna Somieski，Stefan Brandenburg.Behavioral Changes to Repeated Takeovers in Highly Automated Driving：Effects of the Takeover-Request Design and the Nondriving-Related Task Modality[J].Human Factors，2019，61（5）：839-849.

[15]Klemens W，Clemens S ，Philipp W，et al.The influence of experienced severe road traffic accidents on take-over reactions and non-driving-related tasks in an automated driving simulator study[J].Accident Analysis and Prevention，2021.

[16]Haijian L，Junjie Z，Zhonghua L，et al.Impact of Secondary Task Immersion Duration on Take-Over Process of Conditional（L3）Automated Vehicles in an Off-Ramp Area[J].Transportation Research Record，2022，2676（7）：32-45.

[17]Aurore Bourrelly，Charlotte Jacobé de Naurois，Asmae Zran，et al.Long automated driving phase affects take-over performance[J].IET Intelligent Transport Systems，2019，13（8）： 1249-1255.

[18]Gaojian H，J B P.Takeover requests for automated driving：The effects of signal direction，lead time，and modality on takeover performance[J].Accident;analysis and prevention，2021.

[19]張宇萌，王浩衡，張霆鈞.基于UC-win/Road駕駛模擬器的車載設備對駕駛員行為的影響[J].科技與企業，2016（01）：91-92.

[20]Jianwei N，Zhen Z，Yipin S，et al.The driver's instantaneous situation awareness when the alarm rings during the take-over of vehicle control in automated driving[J].Traffic injury prevention，2022，23（8）：1-5.