详情

原文传递人机共驾环境下非驾驶任务对驾驶认知及接管绩效的影响

论文题名：	人机共驾环境下非驾驶任务对驾驶认知及接管绩效的影响
关键词：	驾驶人;认知负荷;接管车辆能力;非驾驶任务;人机共驾场景
摘要：	随着汽车辅助驾驶技术的发展，车辆的智能化水平不断提升，驾驶人在行车过程中需要承担的驾驶任务和认知负荷出现显著变化。2016年美国汽车工程师学会（SAE）将自动驾驶汽车划分为了6个等级，愿景是实现完全的自动驾驶，但由于自动化技术、法律法规等的限制，短期内也很难实现真正意义上的“无人驾驶”（Level5）。未来较长时间内，自动驾驶汽车仍要面对“人机共驾”的局面，大部分车辆会以“有条件自动驾驶”（Level3）存在。但近期L3级自动驾驶车辆事故频发，部分原因是在自动驾驶过程中，驾驶人比较愿意参与非驾驶相关活动，使得驾驶人注意力分散、驾驶人接管车辆能力下降。　　因此，针对自动驾驶过程中驾驶人认知负荷变化规律开展研究，探索不同认知负荷条件下驾驶人接管车辆能力的变化特征，对于提升自动驾驶车辆安全水平有重要意义。现有的研究多数使用标准化非驾驶任务，进而量化负荷变化的方法开展实验，但在现实条件下，驾驶人会根据自己的意愿自由选择非驾驶任务。本研究针对目前的研究现状，基于统计分析和回归分析的方法对自动驾驶接管过程总负荷时空变化规律进行分析，最后基于认知负荷建立接管安全性预测模型，为自动驾驶车辆预警系统和城市道路安全提供依据和保障。　　首先，本研究设计并开展了人机共驾模拟驾驶实验。综合考虑非驾驶任务种类、接管时间紧急程度、接管事件场景类型等影响因素，确定了人机交互环境下非驾驶任务与认知负荷、接管绩效间关系的研究实验方案。　　其次，考虑到模拟实验所获取的驾驶人负荷和接管数据由于实验条件和实验装备的缺陷，可能存在一定的偏差。本文针对不同的数据类型进行了预处理，包括数据截取、数据筛选、剔除异常数据、补充缺失值、归一化处理、数据编号等，其中：基于NASA-TLX问卷总得分表征驾驶人认知负荷主观评价结果；基于瞳孔直径表征客观认知负荷结果；并对NASA-TLX问卷总得分和分阶段瞳孔直径数据进行了正态性分布验证。　　接着，分别从主、客观两个角度对接管前后的认知负荷变化规律进行了分析。探索了不同实验要素（场景类型、接管时间预算等）与驾驶人认知负荷之间的关联性，分析了各要素独立影响下和多要素交互作用影响下的主观工作负荷总得分和接管前后不同阶段瞳孔直径。主观工作负荷总得分分析结果表明：避障场景认知负荷高于车道保持场景、7s与3s预留接管时间对总体认知负荷的影响无显著差异、非驾驶任务对认知负荷影响由高到低排序为：找错、聊天、文本和监控。基于瞳孔直径的分析结果表明：避障场景认知负荷高于车道保持场景，7s预留接管时间的认知负荷高于3s预留接管时间；非驾驶任务对认知负荷影响由高到低排序为监控类（聊天和监控）、文本类（找错和文本）。本研究同时对不同非驾驶任务全周期（119s）归一化处理后的平均瞳孔直径数据进行拟合建模，研究不同非驾驶任务下认知负荷变化趋势。　　最后，基于认知负荷对接管安全性进行预测建模可为接管触发机制的设定提供重要依据。本研究首先提出了考虑不同典型场景的，基于驾驶行为指标的接管安全性评价方法，并得到了不同典型场景和不同非驾驶任务下接管行为安全性排序结果。基于不同评价指标分析了不同典型场景下的安全性差异。结合NASA-TLX主观问卷结果，利用D-S证据理论计算接管安全性排序，验证驾驶行为指标安全性评价法的有效性。为搭建基于认知负荷的接管安全性预测模型，分别以接管请求发出前不同时间窗长度数据转换后的灰度图像作为输入，以接管安全与否作为输出，利用卷积神经网络搭建基于不同时间窗长度的接管安全性预测模型。其中设定时间窗口开始的时间是TOR之前的x秒，结束时间为TOR发出时刻，分别取x为10、20、30、40、50、60、70、80、90、100时的数据作为模型输入，利用混淆矩阵的多级评价指标分析不同预测模型的优劣。通过分析发现，当时间窗长度大于30后，模型准确率均能达到80%，且变化不大。故建议选择发出接管请求前30s内的瞳孔数据作为输入，预测驾驶人接管车辆后的安全性，准确率可达到82%。　　综上，本研究针对人机共驾过程，分别通过主观问卷和客观模拟实验开展了研究，并通过比较不同场景类型、不同接管时间预算和非驾驶任务类型，对接管过程的认知负荷演化规律和接管安全性水平进行了系统研究，构建了接管安全性预测和评价模型，为人机共驾过程驾驶安全性提供了重要理论基础。
作者：	肖逸影
专业：	交通运输工程
导师：	张晖
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2021