视觉预警与次任务对自动驾驶接管的影响研究

摘 要：L3自动驾驶允许驾驶员从事与驾驶无关的次任务，次任务如何影响接管行为，预警信号在次任务干扰下是否仍然有效，类似问题研究甚少。为了探讨次任务下，预警信号在自动驾驶过程中对驾驶员接管行为的影响。基于驾驶仿真平台（UC-win/Road），设计了视觉次任务（4x4箭头任务）下不同内容的视觉预警（简单视觉、行动视觉）的自动驾驶接管场景，进行90名被试的模拟驾驶试验。使用单、双因素方差分析，从驾驶行为、眼动行为2个接管绩效角度进行评析。研究结果表明：视觉次任务的加入，不会影响到行动视觉预警的优势效果；视觉预警相比无预警的手动能更好地引起驾驶员的注意，进而了解当前险情情况，且行动视觉预警的效果要优于简单视觉预警；其次，视觉预警会加重眼睛工作负荷。

关键词：自动驾驶 接管行为 次任务 视觉预警

1 绪论

自动驾驶汽车作为目前科技革命的产物，相比传统机械化汽车能提供更加安全舒适的驾驶环境，更加高效便捷的驾驶体验，面对着“智能制造”的大背景下，汽车步入智能化、自动化阶段是必然的趋势。当前自动驾驶汽车正朝着L3级（有条件自动驾驶）迈进。L3与以往L1（人工驾驶）和L2（辅助驾驶）的一个本质区别是驾驶员角色由操控者转变为监控者，即自动驾驶系统可以完成车辆控制，驾驶员无需时刻操控汽车，但驾驶员需要对自动驾驶进行监控并随时准备接管汽车。所谓接管指当系统遇到无法处理的情况时，车辆的控制权移交给驾驶员，由驾驶员手动驾驶汽车以规避险情的过程。

接管行为及其影响因素的研究一直是近几年交通安全和人因工程领域的研究热点。Jediah等人研究表明，只有当驾驶员获得了一定情境意识后，才能成功完成手动接管任务，且随着情境意识水平的增加，驾驶员在接管时对车辆的控制也会更加稳定[1]。Sandra等人研究了不同接管预留时间对接管绩效的影响[2]，结果显示随着接管预留时间的缩短，驾驶员进行决策和反应的速度更慢，接管质量也会越来越差。Johanna等人在高速公路场景下对44名司机在发生接管时做出反应所需时间的研究[3]，试验是在一辆高度自动化的驾驶车辆上进行的，司机对车辆做纵向或者横向控制的反应行为，结果显示测量的反应时间在1.4秒到6.7秒之间。

为了保障驾驶员发生接管时有一定的预留时间，需要合适的预警信号对驾驶员进行提醒，使其尽快恢复到驾驶任务[5-6]。广泛的研究中，主要采用视觉和听觉2种预警模态向驾驶员发出接管指令[7-9]。Nees等人通过视觉信息向驾驶员传达提示信息与周围场景相关信息，帮助驾驶员了解当前的驾驶路况[10]。Yoon等人研究了视觉信号对驾驶员唤醒的研究，利用平板电脑向驾驶员提供方向盘接管的视觉提示[11]，在车辆发生接管时，方向盘右侧的平板电脑会显示类似“方向盘上的指示牌”的图片提示驾驶员需要接管车辆，结果显示视觉信号可以吸引到驾驶员的注意，并能够向驾驶员传递图片上的信息。Ebru等人研究视觉信号对于驾驶员唤醒的研究，试验采用红色发光二极管的闪烁作为视觉预警向驾驶员发送手动接管请求[12]，结果显示这种预警信号可以有效地获得驾驶员的注意。

次任务（Non-driving related task， NDRT）是指接管指令下达前驾驶员正在从事与驾驶无关的任务。虽然在多数研究中表明，非驾驶相关任务会造成驾驶员在自动驾驶过程中注意力分散[13-15]，但也存在不一致的声音。Haijian等人研究表明次任务可以帮助司机缓解睡意[16]，从而有助于驾驶员及时应对接管事件。Aurore等人的研究则表明，将注意力从驾驶任务转移到次任务对驾驶接管有整体的负面影响[17]。Gaojian等人研究了驾驶员参与次任务的情况如何随着自动化水平的变化而变化[18]，研究结果显示，随着自动化程度的提高，驾驶员可以更多地参与次任务，对驾驶员接管行为的影响非常有限。关于从事次任务是否会对驾驶员接管造成不良影响，目前还没有一致的结论。

对于自动驾驶接管的研究，由于次任务类型不同、难易程度不同，驾驶场景的紧急程度不同，相关研究没有得到统一化的结论。自动驾驶接管下驾驶员操控行为、眼动行为的研究内容有限，结论比较初步。有必要通过标准量化的次任务和统一的测试场景，在发生接管时，对驾驶员操控与眼动行为进行更深入的研究。本研究目的是采用预警机制来为驾驶员的接管行为制定安全策略。

2 试验方法

2.1 试验对象

本试验招募被试共90名，男生60人，女生30人，男女比例2∶1，被试年龄范围为20岁到28岁，被试年龄的标准差为1.35，被试绝大部分为在校大学生，平均年龄23.39岁，平均驾年龄3.73年。在被试者选取上，采取了下列硬性指标条件：拥有驾驶执照、身体状况良好、无认知困难、无重度视力问题（弱视、散光）、无晕车现象、驾龄为2年以上、首次使用驾驶模拟器。被试者在试验前必须了解整个试验流程和试验须知，并签署知情同意书。

2.2 驾驶模拟器

本试验采用UC-win/Road驾驶模拟系统进行试验，系统有硬件与软件2个部分组成。硬件由3个27寸的LED显示屏、1台高性能计算机、1个方向控制器以及1个驾驶座椅组成（见图1），穿戴式眼动仪Tobii Glasses 2和电脑平板。软件方面采用UC-win/Road 13版本模拟器软件，采用60 Hz的频率收集速度、加速度、刹车反应时长等驾驶数据[19]。驾驶模拟器试验运动系统采用自动换挡加速模式，只需要操作制动板、油门和方向盘。眼动仪可采集驾驶员的眼动数据（注视、扫视等）。电脑平板用于视觉次任务的显示。

2.3 试验设计

试验采用两因素三水平组间设计，因素为次任务和视觉预警信号，次任务设定为无次任务、4×4箭头任务；视觉预警信号设定为简单视觉、行动视觉、手动（无视觉预警）。试验建造的场景是以中国县城道路为主，为双向三车道设计，每个车道的宽度设定为3.75m，全程路程约为19km，被试者操作的车辆在中间车道行驶。试验选用8个驾驶接管场景，每个场景对应一个接管任务，大概在距离险情位置5秒左右的距离发出接管请求，在发出接管请求的同时驾驶模拟器系统会从自动驾驶模式切换到手动驾驶模式，强制要求驾驶员接管汽车。当汽车越过险情后一段距离，系统会提醒驾驶员从手动驾驶模式切换回自动驾驶模式。为了保证每位驾驶员遇到险情处于同一地点，试验过程中会有一辆与驾驶员驾驶车辆处于同一车道的前车进行遮挡，当到达险情位置时前车会发生变道，此时驾驶员才会注视到险情。

试验中的视觉预警主要是通过采用平视显示技术给驾驶员呈现提示信息进行预警提醒，包括简单提示形式和行动提示形式（见图2）。简单提示显示在模拟器中间屏幕的中上方，在每个接管场景中，自动驾驶系统仅以文字的形式向被试发出“请接管汽车”的字样；操作提示显示在屏幕的中间位置，以可视化的图片形式为驾驶员提供操作建议，例如：用“减速”文字的标志提示驾驶员减速，用向右的箭头提示驾驶员换道。

试验中的次任务为4×4的箭头任务。要求驾驶员在指定时间内，在一个4×4的随机箭头矩阵中寻找到唯一向上的目标箭头（见图3）。次任务轮次一共6组，每组5s，一轮花费时间是30s。

2.4 试验流程

在试验开始之前，主试需检测并准备好眼动仪、驾驶模拟器等试验设备，例如：测试UC-win/Road软件声音是否正常、车流是否导入等，其次是通知被试到来。当被试到达试验室后，主试会指导被试阅读并签署知情同意书，并填写个人信息表。然后，主试会按照试验须知表逐字告知被试，每当读完一项就会询问被试是否明白，被试明白方可在一项后面打勾，否则重复讲解以确保被试明确了解试验。在正式试验前，为了让被试熟悉设备的基本操作，需进行约8分钟的练习场景。正式驾驶试验时，被试车辆在自动驾驶模式下保持80km/h的速度行驶，在此期间，被试需要将双手置于方向盘上，不需要进行任何操作。在距离接管20s左右的距离次任务会发出，由于次任务时长30s，遇险情的同时次任务仍在进行，要求被试接管的同时，兼顾次任务。

2.5 试验因变量

对于接管评估结果，是从驾驶、眼动2个角度进行阐述。

驾驶方面的评估指标，试验采用了3种客观的指标作为驾驶接管绩效，分为平均速度、纵向平均加速度、刹车反应时长。平均速度是指表示车辆在相同距离内运动的快慢。纵向平均加速度是指车辆单位时间内速度变化的快慢。刹车反应时长是当驾驶员踩下刹车踏板的时间，其中，踩下的幅度占整幅度的比例大于等于10%时才判定为做出了刹车反应[20]。

眼动方面的评估指标，从总注视时长、注视次数、扫视次数2种眼动指标进行描述。总注视时长是指驾驶员在车辆接管期间对驾驶模拟器屏幕区域的注视时间。注视次数指驾驶员在车辆接管期间对驾驶模拟器屏幕区域注视点的总数。扫视次数指驾驶员在车辆接管期间对驾驶模拟器屏幕区域扫视点的总数。

2.6 数据预处理

每次试验输出的数据包含8次接管数据。通过接管发出指令的道路位置作为开始点，脱离险情点的道路位置作为结束点，截取总共8段有效数据，并从其中分别提取所需的因变量数据。在试验过程中，由于被试的误操作导致没有合理地接管车辆，造成部分数据无法使用，会对这部分异常数据进行剔除。

3 结果分析

3.1 驾驶数据结果

3.1.1 平均速度

图4是箭头任务与无任务下简单视觉、行动视觉、手动的速度的平均值与标准差[其中，箭头任务F（2，42）=35.57，p<0.001；无任务F（2，42）=40.95，p<0.001]。箭头任务下简单视觉、行动视觉、手动三者显著性比较结果是：手动>简单视觉>行动视觉[p（简单视觉/手动）=0.0017，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]；无任务下简单视觉、行动视觉、手动三者显著性比较结果是：手动>简单视觉>行动视觉[p（简单视觉/手动）=0.021，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]。

3.1.2 纵向平均加速度

图5是箭头任务与无任务下简单视觉、行动视觉、手动的纵向加速度平均值与标准差[其中，箭头任务F（2，42）=56.31，p<0.001；无任务F（2，42）=29.07，p<0.001]。箭头任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉>手动[p（简单视觉/手动）=0.0017，p（简单视觉/行动视觉）=0.002，p（手动/行动视觉）<0.001）；无任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉>手动（p（简单视觉/手动）<0.001，p（简单视觉/行动视觉）=0.041，p（手动/行动视觉）<0.001]。

3.1.3 刹车输入值

图6是箭头任务与无任务下简单视觉、行动视觉、手动的刹车输入值平均值与标准差[其中，箭头任务F（2，42）=45.96，p<0.001；无任务F（2，42）=42.64，p<0.001]。箭头任务下简单视觉、行动视觉、手动三者显著性比较结果是：手动>行动视觉>简单视觉[p（简单视觉/手动）<0.001，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]；无任务下简单视觉、行动视觉、手动三者显著性比较结果是：手动>行动视觉>简单视觉[p（简单视觉/手动）=0.014，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]。

3.2 眼动数据结果

3.2.1 总注视时长

图7是箭头任务与无任务下简单视觉、行动视觉、手动的总注视时长平均值与标准差[其中，箭头任务F（2，42）=15.13，p<0.001；无任务F（2，42）=15.94，p<0.001]。箭头任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉>手动[p（简单视觉/手动）=0.0086，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]；无任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉>手动[p（简单视觉/手动）=0.036，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]。

3.2.2 注视次数

图8是箭头任务与无任务下简单视觉、行动视觉、手动的注视次数平均值与标准差[其中，箭头任务F（2，42）=7.1，p<0.001；无任务F（2，42）=35.05，p<0.001]。箭头任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉，行动视觉>手动[p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]；无任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉>手动[p（简单视觉/手动）=0.0015，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]。

3.2.3 扫视次数

图9是箭头任务与无任务下简单视觉、行动视觉、手动的注视次数平均值与标准差[其中，箭头任务F（2，42）=16.67，p<0.001；无任务F（2，42）=34.9，p<0.001]。箭头任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉，行动视觉>手动[p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]；无任务下简单视觉、行动视觉、手动三者显著性比较结果是：行动视觉>简单视觉>手动[p（简单视觉/手动）<0.001，p（简单视觉/行动视觉）<0.001，p（手动/行动视觉）<0.001]。

4 结语

驾驶员在面前接管时，行动视觉会让他最大幅度地降低车辆速度和加速度，进而远离险情避免危险发生，且优于简单视觉。行动视觉会增强驾驶员意识危险感，从而做出强烈的刹车行为。视觉觉次任务的添加并不会对视觉预警的优势效果造成显著性的干扰。对于手动驾驶（无预警），箭头任务会导致驾驶员减速效果明显减弱。

驾驶员在车辆接管期间，行动视觉的预警形式最为吸引驾驶员的注意，会让驾驶员专注于屏幕进而更好进行接管。但行动视觉预警是注视和扫视次数最多的，对眼睛的工作负荷明显较大。此外，视觉次任务的加入会减弱简单视觉预警效果，对行动视觉预警并无明显影响。

本文主要研究L3自动驾驶过程中，视觉次任务和视觉预警信号对驾驶员接管行为的影响。其结果可以用于自动驾驶交互界面的设计与研发，提高驾驶员在接管时的反应速度和准确度，进而降低驾驶事故率，为自动驾驶接管的安全性问题上提供理论支持。

基金项目：2023年安徽省高校自然科学研究项目（预警信号和次任务对自动驾驶接管行为的影响研究，项目编号为2023AH052039）。

参考文献：

[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]张宇萌，王浩衡，张霆钧.基于UC-win/Road驾驶模拟器的车载设备对驾驶员行为的影响[J].科技与企业，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.