驾驶切换过程中驾驶员的瞬间情景意识研究*

钮建伟 孙一品 秦 华

(北京科技大学机械工程学院1) 北京 100083) (北京建筑大学机电与车辆工程学院2) 北京 100044)

0 引 言

先进的自动驾驶辅助系统使驾驶员完成了由操作者到监管员的角色转变[1].在自动驾驶过程中，驾驶员无需持续关注道路环境，还可以从事和驾驶无关的次任务.当自动化系统故障或达到其功能限制时，自动化系统通常会发出接管请求[2]，之后驾驶员必须将视线回到驾驶情景内并在足够的时间内恢复驾驶任务.Zeeb等[3]提出了驾驶员在高度自动驾驶下执行次任务时的接管过程模型，模型中指出，在高度自动化的驾驶过程中，当系统发出接管请求时，视觉分心的驾驶员首先会把注视点回到街道上，随后对情景进行认知处理并决策.接管完成后，驾驶员开始采取控制措施.结合该模型，本文把自动驾驶转换为手动驾驶的过程称为驾驶切换(接管)过程，即车辆发出请求到驾驶员重新控制车辆的过程.大多数驾驶切换的研究侧重驾驶员重新获得驾驶控制的时间， Gold等[4]发现，从接管警报发出到视线离开次任务的平均反应时间是0.5 s, 在拥堵的交通中，最大的接管时间是8.8 s.尽管这些研究提供了很多有价值的信息，但在自动驾驶的驾驶切换过程中，对驾驶员情景意识却少有研究.

情景意识的概念中被广泛认可的是Endsley[5]对情境意识的定义“在一定的时间和空间内对环境中的各组成成分的感知、理解，进而预知这些成分的随后变化状况”，在此基础上还提出了情景意识的三个水平：感知、理解和预测.Ma等[6]通过全面评估技术(SAGAT)[7]询问驾驶员有关情景意识的系列问题，来研究驾驶员在进行跟驰任务时，自适应巡航控制(ACC)和手机使用对情景意识的影响.结果发现，虽然自适应巡航控制提高了驾驶员的情景意识，但从驾驶员对情景的理解和预测来看，手机通话降低了驾驶员的情景意识.Kass等[8]也使用全面评估技术研究了手机的使用对新老驾驶员的情景意识和驾驶绩效的影响，结果发现新手驾驶员比经验丰富的驾驶员情景意识差.马艳丽等[9]发现驾驶人执行较难的音频操作会导致驾驶绩效变差，反应时间变长.驾驶人对危险事件的感知反应时间增加了，这就说明当驾驶员处于分心状态时，其在驾驶情景上的注意分配就会受到极大限制.尽管还有其他学者也对驾驶分心和情景意识进行了研究[10]，但是在驾驶切换过程中，驾驶员的分心程度对驾驶员注视点回到驾驶场景极短时间内的情景意识的影响研究就更少了.故本文提出瞬间情景意识的概念——分心的驾驶员注视点回到驾驶情景极短时间(以毫秒计算)内的情景意识，并探究驾驶切换的过程中，驾驶员的分心程度对瞬间情景意识的影响.

对执行次任务的驾驶员来说，已经完全丧失或者部分丧失了对环境的意识.当系统发出接管请求，驾驶员回到驾驶场景的瞬间，看到的是由人、车等独立刺激物和相应背景构成的驾驶场景，驾驶目标驱使他必须在有效的时间内对环境中的信息进行快速识别和整合，并对场景的危险程度做出判断，以便进行相应的接管控制.曾有实验证明人类能在200 ms以内整合关于场景意义的足够信息[11]，并且在快速呈现的条件下，不仅能准确识别刺激物还能准确判断场景类型[12].一般来讲，场景的识别过程是空间层次、场景图式，以及那些没有看到的场景区域的激活过程.在这一过程中,视觉系统会形成一个关于外部世界的空间表征，这种知觉表征即场景的梗概(scene gist).场景梗概[13]包括了从低级别的功能(如颜色、空间频率)处理到中间的图像属性(如表面、体积)处理和高层次的信息(例如，对象、激活语义知识)处理.它是人们对情景的快速再认以及情景知觉中的意义获得过程[14].文献[15-17]多采用真实环境的彩色或3D模拟图片来代表场景，以提高外部效度.当驾驶员回到驾驶场景的瞬间，其对场景的认知过程包括了对当前场景的感知和识别，因此，本文提出用情景图片闪现的方式模拟分心的驾驶员看到情景的瞬间，分析在这个瞬间驾驶员对情景感知的影响因素及感知特点.为更好的体现“瞬间”的时长，将使用场景图片的呈现时间来模拟.

此外，在真实情景的快速浏览过程中，人们也并不是对每一个目标都予以注视，而是有选择地注视他们感兴趣的情景区域或者某些刺激物[18]，因此，可以认为注视位置的选择是以信息获得为基础的[19].这表明情景本身的内容能够对注视位置进行快速控制.于是猜想，驾驶情景的内容也会对驾驶员的瞬间情景意识产生影响.

基于以上研究，本文将驾驶切换时驾驶员的分心程度、场景图片的呈现时间和场景的危险等级作为自变量.其中，驾驶员的分心程度根据在驾驶切换前是否参与次任务及次任务的种类，分为精神集中驾驶状态，与副驾驶聊天状态和驾驶时玩游戏状态.对场景图片的瞬时呈现，提出750和1 500 ms两个水平来模拟注视点回到驾驶情景后，驾驶员对情景的感知时间，并将驾驶场景分为低、中、高三个等级.为了测量并量化这三个因素对驾驶员瞬间情景意识的影响，要求驾驶员在场景图片呈现后对场景的危险等级进行评定，并回答与场景内容相关的问题.由于驾驶员分心对交通安全的意义越来越大，希望通过本文对驾驶员瞬间情景意识的影响因素以及驾驶员对情景的感知特点，能够为驾驶切换时分心警示系统及警示内容提供理论依据.

1 实 验

1.1 参试者

本研究中共有36名(平均年龄M=25.89岁，标准差SD=3.41)被试参与实验，正常视力或矫正视力为1.0及以上，且没有肌肉方面遗传问题.所有被试被要求必须持有驾驶执照至少2年，驾驶里程在1万km(平均里程M=2.28万km，标准差SD=2)及以上.

1.2 情景图片

本实验中，场景的危险程度根据危险发生的风险共分为低、中、高三个等级，高危险等级场景定义为准危险场景，即需要驾驶员采取减速或者转向等规避措施以免发生碰撞，但最后仍然会发生碰撞的驾驶场景；中危险等级场景定义为潜在危险场景，即有发生危险事故的可能，但驾驶员采取减速或者转向等规避措施后能避免危险发生的场景；低危险等级场景定义为无危险场景，即不包含准危险和潜在危险的场景.

实验所用驾驶场景图片均来自以驾驶员视角所拍摄的视频，以是否采取减速等规避措施为截取标准，若无任何措施且无发生危险，截取为低等危险场景，若采取措施后，没有危险发生，将采取措施时刻对应的场景截取为中等危险场景，若采取措施后，危险仍然发生，开始采取措施时的场景截取为高等危险场景.共截取图片50余张，请3位驾龄在15年以上的职业驾驶员作为评审专家，假设场景图片中摄像车的车速是50 km/h，根据上述场景危险等级的定义，并依据自身驾驶经验，对图片的场景进行危险等级评定，以保证图片在所提供危险的信息量上没有显著的差异.从最终评定一致的低、中、高危险等级图片中各选择4张作为实验用图.

1.3 问卷设计

根据瞬间情景意识的定义和研究内容，每个情景设5个探测问题，这些问题在被试对情景的危险等级做出判断后按顺序依次呈现在屏幕上，并采取迫选的方式要求被试给予回应.问题包括：

问题1.在场景的左上方你注意到了什么？

问题2.在场景的右上方你注意到了什么？

问题3.在场景的左下方你注意到了什么？

问题4.在场景的右下方你注意到了什么？

问题5.危险是什么？

前4个问题模拟驾驶员注视点回到驾驶场景后对场景中的四个空间方位的内容感知，见图1.每个问题有5个选项，前四个选项都是对场景的内容进行描述，比如：“一辆白色轿车，行人，绿色隔离带”.4个选项中有一个是正确选项，其余3个为干预选项.第五个选项描述是“没注意到/忘记了”. 问题5考察驾驶员对场景的危险识别，共六个选项供选，前四个选项列举了具体的物体，比如，“摄像车正前方的白色轿车”“摄像车左侧的行人”，第五个选项是“没有危险”(低危险等级场景的正确选项)，选项6是“没看清/忘记了”.所有选项中仅有一个正确答案，正确答案是视频中令摄像车采取措施的对象(对于中、高等级场景而言).

所有问题均有正确答案，选择正确得1分，错误得0分.根据得分情况和正确率来判断驾驶员对场景的感知程度.

图1 中危险等级图片示例

1.4 实验过程

将被试随机分为三组，每组被试只参与一种驾驶状态下的实验.场景图片根据危险程度共分为三个等级，每个等级下有两张场景图片呈现750 ms，另两张呈现1 500 ms.

在精神集中驾驶状态，实验开始后屏幕中央将呈现中心带有“+”的灰度图，紧接着呈现驾驶场景图片.在图片消失后，被试在最短的时间内对呈现场景做出危险等级的判断，并于判断完成后，根据对场景的感知回答与场景对应的问题.至此，对一个场景图片感知完毕，接着重复上述过程，呈现另一张场景图片.所有场景图片感知完成后，实验结束，实验过程见图2.

在另外两种驾驶状态下，被试通过与主试者聊天或是玩游戏(时长90 s，便于被试沉浸于次任务)模拟驾驶员在自动驾驶时的分心状态，当系统发出接管提示后，呈现场景图片.之后的过程同精神集中驾驶状态下一致，直至对所有场景的感知完成.

图2 注意力集中状态下的实验过程

2 结 果

2.1 场景内容感知

将收集到的问卷数据进行整理，统计了驾驶员对每个驾驶场景前4个问题的总得分，并利用SPSS进行方差分析，比较分心程度、场景图片呈现时间和情景危险等级三个因素对驾驶员的场景内容感知是否存在差异.结果显示，分心程度(F=3.954，p=0.02，偏η2=0.019)，场景图片呈现时间(F=6.632，p=0.01，偏η2=0.016)和场景危险等级(F=20.031，p<0.001，偏η2=0.088)均对驾驶员场景内容感知有显著影响，且三因素对驾驶员的内容感知得分不存在交互作用.

其中，精神集中状态下平均得分最高(M=1.30)，与副驾驶聊天状态下平均得分居中(M=1.21)，玩游戏状态下平均得分最低(M=1.01)；场景图片呈现1 500 ms(M=1.283)比呈现750 ms(M=1.067)时驾驶员的得分更高；低危险等级的场景得分最高(M=1.45)，高危险等级次之(M=1.26)，中危险等级场景的分数最低(M=0.81).由此可见驾驶分心会降低驾驶切换过程中驾驶员对场景内容的感知，对场景的注意时间增多会提高驾驶员对场景中空间内容的感知.

将驾驶员对四个空间位置的感知单独进行分析发现，①无论对哪个空间位置的感知，精神集中状态的驾驶员感知正确率都要高于精神分散的驾驶员，并且与副驾驶聊天状态的驾驶员感知正确率要高于玩游戏状态的驾驶员，见图3；②无论驾驶员在自动驾驶过程中是否参与次任务，在注视点回到驾驶场景后，驾驶员对场景的左下方感知的正确性更高，左上方仅次于之，而对于右上方和右下方则低很多；③场景呈现1 500 ms比呈现750 ms时，驾驶员的感知正确率更高，见图4.

图3 场景内容感知正确率

图4 不同呈现时间下的感知正确率

2.2 危险识别

使用Spss对问题5“危险是什么？”的数据结果分别进行分析，分析比较驾驶状态、场景图片呈现时间和场景危险等级三个因素对驾驶员在这个问题上的回答正确率是否有影响.

方差分析结果显示，场景图片的呈现时间(F=24.465，p<0.001，偏η2=0.056)和场景的危险等级(F=14.059,p<0.001，偏η2=0.064)对危险识别有显著影响，场景图片呈现1 500 ms(M=46.8%)比呈现750 ms(M=69%)时正确率低；随着场景危险等级的升高，危险因素识别的正确率也升高，三种危险等级下驾驶员对危险识别的正确率分别为43.1%，58.3%和72.2%，见图5.分心程度以及各自变量之间的交互作用对驾驶员的危险识别正确率没有显著影响.

图5 危险识别正确率

2.3 危险等级判断

使用spss对驾驶员的危险等级判断的结果进行方差分析，比较驾驶状态、场景图片呈现时间和场景危险等级三个因素对驾驶员危险等级判断的正确率是否有影响.结果显示仅场景图片呈现时间(F=24.465，p=0.002，偏η2=0.022)对其有显著影响，且在1 500 ms的呈现时间下驾驶员对危险等级的判断正确率为53%，750 ms呈现时间下正确率为68%，场景图片呈现时间短正确率反而更高，见图6.

图6 危险等级判断正确率

3 讨 论

驾驶员对当前环境在脑中的表征是基于长期记忆的知识和经验，而这些长期积累的知识和经验将会引导驾驶员注意环境中的关键元素.在研究中，精神集中状态组的实验模拟了自动驾驶过程中驾驶员对环境处于完全监视状态，而与副驾驶聊天状态和玩游戏状态则在不同程度上占用了驾驶员的视觉和听觉认知资源.结果显示，场景图片的呈现时间越长，驾驶员对瞬间场景感知的正确率越高，说明对场景观察时间长会获得更多的场景信息.

无论在驾驶切换时驾驶员是否存在分心情况，其对场景的左下方关注更多.场景的左后方主要是指驾驶员自车的左后方，这与马勇等[20]的研究一致，这表明驾驶员更倾向于使用左后视镜来获取自车左后方的车辆情况，很符合我国驾驶员的驾驶习惯.而从驾驶分心的角度来看，驾驶员在精神集中状态比分心状态对场景内容的感知正确率要高，而与副驾驶聊天的状态对场景内容的感知正确率又高于玩游戏状态，说明驾驶分心会降低驾驶员对场景内容的感知，且玩游戏状态比与副驾驶聊天状态分心程度更高.

“危险是什么？”被用在很多危险感知的研究[21]中，用来检验驾驶员对危险环境的情景意识.对危险察觉越早，就为采取措施争取了更多时间.虽然驾驶员的分心程度对危险识别并没有显著影响(三种驾驶状态下对危险的识别正确率分别为61.8%,55.6%和56.2%)，但正确率仍然比场景四个方位的内容感知正确率高.根据Desimone等[22]的基于客体的注意偏好竞争模型，在对充满很多物体的场景进行搜索时，由于注意资源有限，视场中的物体就会竞争注意资源，若场景中某物体与工作记忆中的目标模板相同，那么该物体就会被优先注意，由此可以认为，在驾驶员的经验知识中，保留有危险刺激物的表征，危险刺激物被优先注意，所以造成对处在场景中部的危险的识别率要高于对情景四个方向上的内容感知正确率.Groeger[23]也曾提出，危险是作为独立的轨迹被编码的，快速、精确的危险感知是通过快速检索之前记忆的实例，并对当前的信息进行配对后得到结果，同样可以解释对危险的感知正确率要高于其他场景内容.但有趣的是，在场景图片呈现时间短的情况下驾驶员危险识别、危险等级判断的正确率却比呈现时间长的情况下高，可能是在750 ms的呈现时间下，驾驶员没有更多时间关注场景的其他位置，将较多的注意放在了危险刺激物上，故对危险的识别正确率较高，而在1 500 ms的呈现时间下，驾驶员对其他信息的记忆干扰了对危险的识别，从而降低了对危险识别的正确率.

虽然本文探索了驾驶员瞬间情景意识的影响因素及驾驶员的感知特点，但仍然存在一些局限性.首先，我们并没有对“瞬间”的具体时间做出明确定义，场景图片呈现时间的水平较少，并不能得出在哪个时间点下驾驶员的感知正确率达到极值；其次，对于驾驶员的瞬间感知过程应该结合眼动数据，观察驾驶员在驾驶切换过程中的视觉搜索行为.

4 结 束 语

本实验提出了情景意识的概念，并对驾驶切换过程中的瞬间情景意识进行了研究，实验用情景图片快速呈现的方式模拟了分心驾驶员回到驾驶场景并进行感知的瞬间，通过问卷数据对瞬间情景意识的认知过程进行量化，得出了驾驶切换前驾驶员的分心程度、场景的呈现时间以及情景的危险等级对驾驶员瞬间情景意识中的感知影响，并发现驾驶员在情景识别过程中对车辆前方的情景关注最多，其次是对自车左后方关注较多.

参考文献

[1] MERAT N, JAMSON A H, LAI F C, et al. Highly automated driving, secondary task performance, and driver state[J]. Human Factors, 2012,54(5):762-771.

[2] LU Z, HAPPEE R, CABRALL C D D, et al. Human factors of transitions in automated driving: a general framework and literature survey[J]. Transportation Research Part F Psychology & Behaviour, 2016,43:183-198.

[3] ZEEB K, BUCHNER A, SCHRAUF M. What determines the take-over time? An integrated model approach of driver take-over after automated driving[J]. Accident：Analysis and Prevention, 2015,78:212-217.

[4] GOLD C, DAMBOCK D, LORENZ L, et al. “Take over!” How long does it take to get the driver back into the loop [J]. Proceedings of the Human Factors & Ergonomics Society Annual Meeting, 2013,57(1):1938-1942.

[5] ENDSLEY M R. Toward a theory of situation awareness in dynamic systems[J]. Human Factors the Journal of the Human Factors & Ergonomics Society, 1995,37(1):32-64.

[6] MA R, KABER D B. Situation awareness and workload in driving while using adaptive cruise control and a cell phone[J]. International Journal of Industrial Ergonomics, 2005,35(10):939-953.

[7] ENDSLEY M R. Measurement of situation awareness in dynamic systems[J]. Human Factors the Journal of the Human Factors & Ergonomics Society, 1995,37(37):65-84.

[8] KASS S J, COLE K S, STANNY C J. Effects of distraction and experience on situation awareness and simulated driving[J]. Transportation Research Part F Traffic Psychology & Behaviour, 2007,10(4):321-329.

[9] 马艳丽,高月娥,史惠敏.车内音频娱乐系统操作对驾驶绩效的影响研究[J].武汉理工大学学报(交通科学与工程版),2017,41(3):454-457.

[10] HENDERSON J M, HOLLINGWORTH A. High-level scene perception[J]. Annual Review of Psychology, 1998,50(1):243-271.

[11] RENNINGER L W, MALIK J. When is scene identification just texture recognition [J]. Vision Research, 2004,44(19):2301-2311.

[12] LOSCHKY L C, SETHI A, SIMONS D J, et al. Using visual masking to explore the nature of scene gist[C].Meeting of the Psychonomic Society,Granada, 2005.

[13] DAVENPORT J L. Consistency effects between objects in scenes[J]. Memory & Cognition, 2007,35(3):393-401.

[14] HOLLINGWORTH A, HOLLINGWORTH A. Constructing visual representations of natural scenes: the roles of short-and long-term visual memory[J]. Journal of Experimental Psychology Human Perception & Performance, 2004,30(3):519-523.

[15] JOHN H. Introduction to real-world scene perception[J]. Visual Cognition, 2005,12(6):849-851.

[16] SEELEN C V, BAJCSY U M. Model-Based Gaze Control[J]. 1996(1):55-58.

[17] HALVERSON T, HORNOF A J. Strategy shifts in mixed-density search[C]. Meeting of the Cognitive Science Society,London,2017.

[19] SCIALFA C T, BORKENHAGEN D, LYON J, et al. The effects of driving experience on responses to a static hazard perception test[J]. Accident Analysis and Prevention, 2012,45(1):547-553.

[20] 马勇,付锐,王畅,等.视觉分心时驾驶人注视行为特性分析[J].中国安全科学学报,2013,23(5):10-14.

[21] CASTRO C, PADILLA J L, ROCA J, et al. Development and validation of the Spanish hazard perception test[J]. Traffic Injury Prevention, 2014,15(8):817-826.

[22] DESIMONE R, DUNCAN J. Neural mechanisms of selective visual attention[J]. Annual Review of Neuroscience, 1995,18(1):193-197.

[23] GROEGER J A. Understanding driving: applying cognitive psychology to a complex everyday task[J]. Optometry & Vision Science, 2000,78(11):635-636.