基于情景感知的驾驶事故致因仿真模型研究＊

刘 湘 张琴兰 吕植勇

（1.武汉理工大学智能交通系统研究中心 武汉 430063；

2.水路公路交通安全控制与装备教育部工程研究中心 武汉 430063）

0 引言

在第1 次世界大战期间，Oswald Boelke提出了这样的观点：“在敌人觉察之前，获得对敌人的监测是非常重要的。因而需要找到1种这样的方法去实现”，这就是情景感知（situation awareness，SA）概念的雏形定义。在20 世纪80 年代以前，这个思想并没有获得太多的重视。但是从20世纪80年代后期以来，情景感知这个思想已成了最受工效学（ergonomics）关注的问题之一，并逐渐形成了广泛认可的涵义。情景感知就是通过对一定的时间和空间内环境中的各组成成分的感知、理解，研究交互行为中人的主观活动（包括：注意、工作负荷、紧张和冒险），进而预知这些成分随后的变化状况。

在20世纪80年代，对于脑力负荷的度量已经形成了较为完备的方法体系，包含主任务度量、次任务度量、生理度量以及主观度量（也称自我评定度量）4种方法。中国学者廖建桥［1］曾在1995年对脑力负荷的定义、度量方法以及各类方法的优缺点进行过较为全面的总结。从1995年以来的10多年间，脑力负荷的度量方法体系一直处于不断发展中。近年来，研究者在寻求干扰小、可靠的次任务以及选择合适的次任务使用场合等方面，取得了一定的进展。

本文通过研究情景感知的脑力负荷，了解事故发生的原因，建立了驾驶员的情景感知仿真模型，然后对仿真模型进行了评估，最后进行了事故致因分析。

1 情景感知在交通中的研究

随着智能交通的发展，情景感知的研究与应用已不再局限于计算机、互联网、工效学等方面，逐步拓宽到了交通、物流等领域。情景感知成为了交通运输领域的研究热点，在道路与航空领域都取得了一定的发展。在道路交通中，汽车驾驶与危险品运输等方面也运用了多模式的情景感知。

1.1 道路交通的多模式感知

从道路交通的研究方法上看，Jeff K Caird提出了反应意识衰减指标，包括反应时间、车道横向偏离、车头时距／间距、速度等，研究了“驾驶时”行为交互的方式，包括认知实验、自然交谈等2类。L Q Leandro［2］建立了模拟器，在模拟器上建立各种生理和心理测试仪，对驾驶员的各种驾驶行为结合交通路口的各种信息进行综合分析。

国内学者研究了低能见度条件下的驾驶行为，根据信息获取范围将汽车安全辅助驾驶的机器视觉分为外部信息的机器视觉与内部信息的机器视觉技术，包括视觉增强、视野扩展、道路环境理解、视线跟踪与驾驶脑力负荷监测，通过道路环境理解信息融合提高人机交互能力［3］。同时，还提出了把驾驶行为操作和驾驶员生理指标相结合建立疲劳识别模型的思想：①建立模拟器驾驶实验，建立驾驶操作和驾驶员生理指标之间的关系模型［4］，给出了动视野、动视力、暗适应、听力、掩蔽听力、短时记忆力、判断能力、注意力、反应时、操纵能力等10项驾驶行为状态指标的测试方法及指标计算公式；②按性别、年龄、驾驶里程对驾驶员予以分组的前提下，进行连续模拟驾驶测试，并每隔1段时间采集1组驾驶行为状态因子指标值；③在对行为状态指标数据予以预先分级的前提下，采用单因子分析法对实验数据予以分析，为特种运输多模式感知能力和事故致因理论分析提供有效的途径方法。

1.2 航空领域的多模式感知

随着航空设备自动化和智能化水平的不断提高，现代飞机座舱中动态信息越来越多，而飞行员的主要作用已由操作向监视转移（即人的体力负荷下降、心理负荷增加的现象变得更加突出）。因此，对情景知觉的研究在航空工效领域已成为1个极有发展前景的研究方向。

航空领域的多模式感知系统研究发展比较先进，现代飞机座舱中动态信息越来越多，利用情景感知系统分析飞行员监视转移（即人的体力负荷下降、心理负荷增加的现象变得更加突出）［5］，应用情景感知可以研究人在交互行为中的主观活动、工作负荷、紧张和冒险，就是在一定的时间和空间内对环境中的各组分的感知、理解，进而预知这些成分的随后状况变化［6］。

1.3 汽车驾驶的情景感知

在汽车驾驶的研究方面，国外利用情景感知进行研究的也不少，主要研究模型见图1，通过人、车、路等环境认知与驾驶员的行为建立1个反馈。通过这个系统，Ruiqi Ma［7］研究了在驾驶时使用自适应巡航控制和手机的情况下，驾驶员对环境意识直接和客观的衡量，评价了在驾驶员大脑资源有限的情况下，驾车过程中驾驶行为和通信行为相冲突的竞争关系，以及驾驶员的情景感知和工作负担，认为先进的巡航系统有助于减轻手机使用的精神和行为负担，但不会改变手机的负作用［7］。

John D.Lee认为［8］，半导体技术快速发展很可能对年轻驾驶员的影响最大，分心测量实验如图2 所示。分心测量方法基本上有：

1）眼动测量法。

2）视觉遮挡测量法。

3）外周视觉任务检测法（PDT）。

图1 车辆巡航情景感知的动力模型Fig.1 The dynamic model of vehicle cruise situation awareness

其中，PDT是1种近年来较流行的用来测量驾驶分心的方法。和其他方法相比，PDT 测量法也显示出了较好的安全性和易用性［9］。通过近年的研究，各国研究者不但认同了PDT 测量法的敏感性和有效性，还认为PDT 将在以后的研究中发挥更大的作用［10］。与此同时，PDT 被认为是在使用车内信息系统（IVIS）时测量安全认知负荷的标准方法。

图2 情景感知的分心测量实验Fig.2 The situation awareness distraction measurement experiments

1.4 危险品运输的多模式感知

目前，在危险品特种车辆在途运输监测中，采用许多模式传感器来采集人、车、路、环境及其货物的在途安全信息，这些信息包括：①特种货物状态（如温度、压力、液位、浓度、阀门工作状态及工作流程等）以及危化品状态传感器；②特种车辆运行状态（如车辆位置、速度、加速度、姿态、胎压、轮温等），优化这些参数以提高预警，检测危化品运输车辆是否发生故障及其危害程度［11］。中集公司目前在危化品甩挂运输中采用交互式电子技术手册（interactive electronic technical manual，ICTM）［12］，利用电子设备机内测试（built－in test，BIT）建立了特种运输的事故致因分析实验室。

2 情景感知仿真研究

利用情景感知仿真技术（见图3），根据特种货物运输多模式感知方法，采用不同的驾驶员模拟驾驶特种运输车辆，通过后台服务器，对不同的实验科目进行剧本编辑，得到了测试场景。在模拟器上建立不同传感器的示情装置，通过声、光、电、文字、图像以及导航系统等显示情景，在复杂的情景下，驾驶员完成不同的科目实验，并对驾驶员的脑力负荷、分注意力、危险辨识、人机互动、思维时间和反应时间进行监测；根据多模式感知次序编辑剧本，按照“感知信息同时出现的并联模式”、“感知信息按次序出现的串联模式”以及“感知信息混合模式”，模拟“多因致果集中型、因果连锁型、因果继承、因果复合型，还有因果多层次型”等因果事故类型，并针对不同的类型分析事故的征兆、起源、控制因素和致因，货物监管、车路协同、人机协同、事故类型多模式感知任务条件下，分析车辆跟驰反应和驾驶安全。

图3 情景感知仿真方法Fig.3 Situation awareness simulation method

3 仿真模型评估

3.1 仿真模型安全评估

从安全评估的角度研究示情、告警和诱导的评价参数和模型，目前从如下几个方面开展工作。

1）建立评价参数。利用眼动仪、生理测试仪和视频对人的大脑负荷、分注意力、思维时间、事故辨识能力以及反应时间进行评价和参数分析，这些参数主要记录驾驶员的感知能力（包括感知速度、反应速度、警觉性及模式匹配能力）、注意力、认知能力（分析、综合理解、预测）、操作能力等分析结果。

2）通过示情告警和诱导的声、光、电、图像、文字表达方式的冲击效果，分析驾驶员注意目标的转换。

3）建立相关参量，如时间序列的特征参量（感知、思维、反应）、能力属性参量（大脑负荷、驾驶分心、危险辨识能力）、交互特征参量（思维时间和反应时间）等。

3.2 仿真数据统计分析

对不同参量进行归类。建立时间序列的特征参量、并列出现的参量和多任务交互参量，然后根据多目标视觉和听觉行为过程，分析3种相关数据：

1）注意力转换时间、周期数据库。

2）完成任务行为动作时间、周期数据库。

3）智能交通系统对单一目标任务完成缩短的时间数据库，并利用跟驰理论分析在多任务累加特种货物监控任务条件下，采用车辆跟驰实验，分析大脑负荷、辨识能力的变化规律。

3.3 仿真的制约因素

从人的生理角度，人的反应、体力、技能、机能等存在弱点，在仿真实验中都需要考虑到。

4 事故致因分析

事故致因理论是从大量典型事故本质原因的分折中所提炼出的事故机理和事故模型。这些机理和模型反映了事故发生的规律性，能够为事故原因的定性、定量分析，为事故的预测预防，改进安全管理工作，从理论上提供科学完整的依据。

4.1 危险辨识模型

应用危险辨识方法可以发现潜在的事故序列、事故的起始事件以及相应控制系统中的薄弱环节，单元内的正常、非正常和维护操作都可以使用该方法进行危险辨识和分析。辨识过程开始时，应列出单元中有关操作的所有组件，建立初始条件的完整集合。尽管很繁琐，但全面完成这种设置是非常重要的，因其界定了操作，并确定了要分析的全部内容。

首先以贝叶斯决策理论为核心，以分类错判损失最小为目标函数，构建了贝叶斯险态辨识模型；其次以模糊数学中的隶属度函数理论为基础，以相似性分类误差平方和最小为目标函数，构建了FCM 驾驶行为危险辨识模型，FCM 模型仅适用于基于状态相似性分级的驾驶行为危险辨识问题；最后，BP 神经网络智能算法辨识模型具有较强的通用性，可适用于本文所提出的3类驾驶行为危险分级辨识问题。

4.2 事故致因分析方法

拟采用瑟利致因分析方法，结合次要任务测试方法，把多模式感知测量过程分为危险出现和危险释放2个阶段（见图4），这2个阶段各自包括1组类似于人的信息处理过程，即知觉、认识和行为响应过程。在危险出现阶段，如果人的信息处理的每个环节都正确，危险就能被消除或得到控制；反之，只要任何1个环节出现问题，就会使操作者直接面临危险。在危险释放阶段，如果人的信息处理过程的各个环节都是正确的，虽然面临着已经显现出来的危险，但仍然可以避免危险释放出来，不会带来伤害或损害：反之，只要任何1个环节出错，危险就会转化成伤害或损害。根据多模式感知的复杂目标干扰，加入次要任务测试方法，在2 个阶段分别嵌入驾驶分心、大脑负荷、危险辨识能力分析，从中可以探索生理特征与行为特征之间的因果关系，从而得到事故致因，建立事故致因分析模型，如图4所示。

图4 事故分析模型Fig.4 Accident analysis model

5 结束语

本文介绍了危险品运输、航空驾驶、汽车驾驶等几种多模式感知，建立了驾驶员的情景感知仿真模型，并对仿真模型进行了安全评估，将其数据进行统计分析，可采用贝叶斯险态辨识模型、FCM 驾驶行为危险辨识模型、BP 神经网络智能算法辨识模型，对驾驶行为进行危险分级辨识；采用瑟利致因分析方法，结合次要任务测试方法，把多模式感知测量过程分为危险出现和危险释放2个阶段，进行事故致因分析。

本文对事故致因分析建立的仿真模型，还有些考虑不足的地方。如何对仿真模型的统计数据分析处理，并对仿真模型进行修正，判断男女之间的深度知觉是否有差异，是下一步需要研究的地方。

［1］廖建桥.脑力负荷及其测量［J］.系统工程学报，1995，10（3）：119－123.

［2］Q Leandro L.Risk behaviour and mental workload：Multimodal assessment techniques applied to motorbike riding simulation［J］.Transportation Research Part F，2009（12）：361－370.

［3］初秀民，万 剑，严新平，等.基于车载机器视觉的汽车安全技术［J］.中国安全科学学报，2008，18（5）：154－161.

［4］吴超仲，张 晖，毛 喆，等.基于驾驶操作行为的驾驶员疲劳状态识别模型研究评论推荐［J］.中国安全科学学报，2007，17（4）：162－165.

［5］梁伟杰，于永利，张 磊，等.装备交互式电子技术手册发展综述［J］.国防技术基础，2009，5（5）：9－16.

［6］李 静，花兴来，刘 柳.交互式电子技术手册（IETM）用户需求研究［J］.微计算机信息：测控自动化，2009，25（9－1）：193－198.

［7］Ma Ruiqi，David B.Situation awareness and workload in driving while using adaptive cruise control and a cell phone International［J］.Journal of Industrial Ergonomics，2005，35（10）：939－953.

［8］Lee J D.Technology and teen drivers［J］.Journal of Safety Research，2007，38（2）：203－213.

［9］施臻彦，葛列众，胡晓晴.驾驶分心行为的测量方法及其应用研究进展［J］.人类工效学，2010（3）：70－73.

［10］刘 宁，张 侃.驾驶分心的测量方法［J］.人类工效学，2007，13（2）：38－40.

［11］周受钦，段战归.危险化学品运输罐式装备智能监测系统［J］.集装箱化，2007（11）：10－12.

［12］Walker G H，Stanton N A，Kazi T A，et al.Does advanced driver training improve situational awareness［J］.Applied Ergonomics，2009（40）：678－687.