自动驾驶驾驶人接管特征研究进展

为自动驾驶驾驶人接管环节做出指导性的建议,从自动驾驶接管的影响因素和自动驾驶驾驶人接管绩效进行系统梳理,总结主要研究内容和方法,并展望其未来研究趋势。总结发现,现有研究缺少一套针对驾驶员在不同复杂度的交通环境下驾驶人行为准则,今后对于自动驾驶驾驶人接管特征的研究目的就是在清楚驾驶人有哪些行为后对自动驾驶安全接管设计提供理论支持。     

不同情景下自动驾驶接管行为的影响特征

为探究不同情景下自动驾驶接管行为的影响特征,面向驾驶人、自动驾驶车辆、交通环境等内容提出自动驾驶测试研究框架。基于驾驶模拟技术开发自动驾驶测试平台,通过案例验证其有效性,为自动驾驶相关技术的测试评估提供有力支撑。研究以接管场景、接管请求时间、驾驶次任务、交通流为要素设计18个高速公路接管情景,邀请被试开展驾驶模拟试验测试。从主观维度探究驾驶人对自动驾驶的适应性差异,从客观维度构建广义线性混合效应模型,研究驾驶人属性因素(性别、年龄、驾龄)和接管情景因素(接管场景、接管请求时间、驾驶次任务)的主效应及其交互作用对接管行为的影响。统计分析结果表明：①性别因素对自动驾驶的信任度和状态感知度有统计学差异,男性对自动驾驶的适应性高于女性;②驾驶人的年龄和驾龄因素对试验前和试验后的技术接受度具有显著影响,对技术信任度和状态感知度具有统计学差异,中年人和老年人、中驾龄和高驾龄人群的适应性相对较高;③不同因素水平对应的接管成功率、正确率和第一操纵行为不同。广义线性混合效应模型结果表明：①接管情景因素及其交互作用对接管行为指标具有显著影响;②模型中引入驾驶人属性因素,发现与接管情景因素存在交互效用。研究基于驾驶模拟技术开发自动驾驶测试平台的方法具有一定的推广性,研究结果可为深度挖掘自动驾驶接管行为影响因素及其作用机理奠定基础。     

城市道路环境下自动驾驶车辆接管绩效分析（双语出版）

为了分析城市道路环境下高度自动驾驶中非驾驶相关任务和接管紧迫度对接管绩效的影响,基于驾驶模拟器设计了自动驾驶紧急接管场景并开展驾驶模拟试验,接管请求时间分别设定为3,4,5 s,非驾驶相关任务为读新闻、看视频、玩游戏,自动驾驶车速为50 km·h^-1,试验中共招募了49名被试（男性30名,女性19名）,被试的平均年龄为31.06岁（标准差为7.1岁）,驾驶人在自动驾驶阶段始终执行非驾驶相关任务,听到接管请求提示后需要接管车辆的控制权,并实施紧急避让操作。研究结果表明：在紧急接管情况下,接管紧迫度对合成加速度和最小TTC有影响,而对接管时间无影响,与5 s的接管请求时间条件相比,3,4 s的接管请求时间条件下的合成加速度明显增加,而最小TTC则随接管请求时间的减少而降低;非驾驶相关任务对接管时间和最小TTC有影响,而对合成加速度无影响,与无非驾驶相关任务相比,非驾驶相关任务会显著增加接管时间和降低最小TTC;碰撞几乎都发生在3 s和4 s的接管请求时间下,5 s的接管请求时间能够基本保证接管的安全性。     

驾驶人跟车风险接受水平对其接管绩效的影响

自动驾驶接管是一种安全性要求很高的手动驾驶操作,可能会受到驾驶人手动驾驶安全习惯的影响。本文基于驾驶模拟器分别设计了手动驾驶跟车和自动驾驶接管实验,研究了驾驶人的手动跟车风险接受水平对其接管绩效的影响,同时考虑了接管时间预算和视觉非驾驶任务的影响。结果表明:在日常驾驶中具有低跟车风险接受水平的驾驶人接管反应时间更短,并且在监控自动驾驶条件下,接管后表现出更低的纵向碰撞风险。此外,当驾驶人处于视觉分心状态时,5 s的接管时间预算会导致驾驶人接管后出现较差的横纵向稳定性和极高的纵向碰撞风险。本研究的结果可为个性化自动驾驶系统的设计提供理论依据。     

L3级自动驾驶汽车的接管安全性评价模型

为评价L3级自动驾驶车辆接管的安全性,基于驾驶模拟器设计了双向六车道高速公路环境下的接管场景并进行驾驶模拟实验,驾驶人在自动驾驶过程中始终执行视觉次任务操作,次任务为观看3种难度等级的箭头图,接管场景为自车行驶中遇到同车道前方的一辆抛锚车辆,接管请求时间设为7 s,自动驾驶车辆的速度为110 km/h。实验共计招募了49名被试(男性30名,女性19名),平均年龄为31.06岁(标准差为7.10岁)。当车辆发出听觉+视觉的接管请求信号后,被试应通过按下转向盘上的切换按钮来获取车辆的控制权。以最小TTC的组别为因变量,设定最小TTC小于等于1 s为危险组,大于1 s为安全组,利用二元logistics回归建立接管安全性评价模型。研究结果表明:7 s的接管请求时间条件下,影响接管安全性的因素主要是接管反应时间和次任务,本文中建立的接管安全性评价模型的预测准确率达85.5%。     

自动驾驶中不同变量对驾驶人接管时间和心率的影响

为研究自动驾驶中驾驶人在人机转换过程中的接管反应和生理特性,基于模拟驾驶平台设计了自动驾驶场景,对22名驾驶人进行了试验。使用双因素方差分析研究不同次任务和驾驶人性别对接管时间、驾驶人心率指标的影响,使用Pearson相关性检验分析接管时间和驾驶人心率指标的相关性。研究结果表明:与次任务为看书相比,次任务为玩手机时驾驶人的最大心率增长率、操纵时间显著增加,反应时间显著减少;与男性驾驶人相比,女性驾驶人的总接管时间显著减少;不同的次任务与性别对心率恢复平静时长无显著影响;反应时间与操纵时间之间有较小的负相关性,最大心率增长率与心率恢复平静时长有较小的正相关性。     

驾驶次任务沉浸等级对接管行为的影响分析

为探究自动驾驶中驾驶次任务沉浸等级对接管行为的影响,基于驾驶模拟器搭建自动驾驶接管行为测试平台,设计事故接管场景,基于驾驶次任务(娱乐任务和工作任务)和接管请求时间(5 s和10 s)因素组合开发4个事故接管情景,招募被试参与驾驶模拟实验并采集驾驶人的接管行为数据,选择速度、横向偏移、接管反应时间和接管正确时间4个指标...     

音乐喜好对驾驶行为的影响

驾驶的同时听音乐已经成为1种十分普遍的现象,但听音乐是否会对驾驶人的行为产生影响,并带来一定的交通风险,尚有待研究.文中对驾驶人的音乐喜好、驾驶时听音乐导致的情绪状态的变化,以及不当驾驶行为进行了问卷调查,收集了351份有效样本,并建立了音乐喜好、情绪状态和不当驾驶行为之间的结构方程模型,分析了驾驶时听音乐对驾驶行为的影响.结果显示,驾驶时听激进的音乐会对情绪造成显著的负面影响,其直接效应为0.416(p＜0.001),而驾驶人的负面情绪会导致更多的不当驾驶行为的发生,其直接效应为0.626(p＜0.001).驾驶时听音乐,尤其是摇滚音乐、重金属音乐,会间接产生更多的抢行、超速、分心等不当驾驶行为.     

客运驾驶人管理及驾驶行为要求

正随着客运车辆相关标准日趋严格,自动驾驶技术和主动安全技术的不断优化升级,车辆的安全性有显著提升。但这不意味着作为车辆的操控者——驾驶人可以松懈,要时刻绷紧安全这根弦,严格遵守安全驾驶行为要求,杜绝交通违法行为。而客运企业在确保日常安全管理外,更要加强客运驾驶人的管理,这样才能减少营运客车交通事故的发生。     

自动驾驶中视觉次任务对年轻驾驶人接管时间的影响

为了了解有条件的自动驾驶中,年轻驾驶人的接管反应特性,分析视觉次任务（3×3箭头次任务和4×4箭头次任务）和接管请求时间（TTC为5 s和7 s）对不同接管时间的影响,基于驾驶仿真平台,设计了包含不同的视觉次任务和接管请求时间的自动驾驶接管场景,针对29名年轻驾驶人进行模拟驾驶试验。使用双因素方差分析来研究不同次任务与不同接管请求时间对接管时间的影响,以及使用Pearson相关性检验来分析不同接管时间的相关性。研究结果表明：与无次任务相比,次任务会显著增加接管时间;不同的次任务对接管时间无影响,次任务与前方有障碍物时的接管请求时间对接管时间无交互作用;与前方无障碍物时的接管相比,前方有障碍物时的接管会显著减少接管反应时间;在驾驶人执行次任务的情况下,不同接管请求时间对转向反应时间和制动反应时间无影响;在前方有障碍物的接管中,驾驶人更倾向于采用制动加转向的组合操作来回避风险,且驾驶人接管回避操作中直接转向和制动加转向的组合操作的比例相同;接管反应时间与制动反应时间有较强的相关性。     

驾驶员接管自动驾驶车辆研究进展

为全面认识自动驾驶接管行为特征,分析驾驶员接管行为,结合自动驾驶接管的技术和现实背景,从自动驾驶接管绩效的影响因素,包括场景、技术、心理和生理等因素,梳理国内外驾驶员接管自动驾驶车辆的研究成果,总结主要研究内容和方法,并展望其未来研究趋势.通过归纳和分析揭示了影响驾驶员接管自动车辆的因素,主要包括接管场景和接管请求方式,同时非驾驶相关任务和年龄等因素也会影响驾驶员的接管行为和表现.针对驾驶员接管的驾驶特征及行为研究,内容精确丰富,方法科学完善;而对驾驶员接管绩效评价和干预研究,重点关注在统计学的基础上,建立完善的数据指标评价体系,用于评价和干预驾驶员接管绩效.未来针对自动驾驶接管的研究,一方面寻求自动车辆技术突破;另一方面综合心理学和统计学理论基础,建立驾驶员接管能力培训体系.      

自动驾驶接管绩效的影响因素、模型与评价方法综述

有条件自动驾驶系统无法应对所有驾驶场景,因而需要驾驶人在必要情况下进行接管。驾驶人的接管绩效对于有条件自动驾驶车辆的安全性、驾乘体验与接受度具有重要意义。近年来,大量文献从不同视角对驾驶人接管绩效这一主题进行了广泛研究,但仍然存在一些问题亟待解决。从驾驶人接管绩效影响因素、接管绩效模型与接管绩效评价方法3个方面综述了驾驶人接管绩效的研究现状。首先,从驾驶人因素、交通环境因素和自动驾驶系统因素3个维度对驾驶人接管绩效影响因素的相关研究进行综述。其次,对现有驾驶人接管绩效模型,包括经典统计模型、机器学习模型与结构方程模型进行总结。最后,总结了现有原始接管绩效评价指标以及接管绩效综合评价方法。分析发现：现有接管绩效影响因素的量化指标仍不够全面,现有接管绩效模型的可解释性和预测精度难以兼顾,现有接管绩效评价方法尚需进一步完善。有鉴于此,未来研究首先需要基于驾驶人群体主观评价提出接管绩效的全面评价方法,然后以此为基础从人-机-环境维度全方面探索接管绩效影响因素的量化指标,最后考虑多种影响因素的复杂关联关系,建立高精度接管绩效预测模型,从而为提升驾驶人接管绩效提供理论支持,促进有条件自动驾驶的进一...     

基于间接共享控制的智能车协同接管方法

从自动驾驶模式向手动驾驶模式切换时的控制权移交问题已成为智能车领域的研究热点.为了改善驾驶人从非驾驶任务状态接管车辆时因认知和操作能力不足而引起的安全性和稳定性问题,在总结现有研究成果的基础上,提出一种基于间接共享控制的智能车协同接管控制方法.首先,定义协同接管方法的应用对象是控制系统良好、全局感知或决策受损需要接管的...     

自动驾驶人机交互系统研究综述

在自动驾驶汽车领域,驾驶员和车辆之间的交互技术是汽车由传统走向智能的重要标志。在智能汽车的自主驾驶和驾驶人接管的阶段,由于不了解驾驶员当时的状态,不能简单切换驾驶模式,因为这与驾驶员当前所处的驾驶状态密切相关。本文从人员面部识别、生理及心理监控、用户接管及控制等方面综述了最新的研究成果。最后,指出自动驾驶人机交互系统有待进一步解决的问题和未来研究方向。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

关于L3自动驾驶的人机交互设计研究

随着雷达、摄像头、处理平台的软硬件提升,加上高精地图的辅助,全球越来越多的汽车公司都推出了自动驾驶车辆,覆盖Level 2~Level 3的自动驾驶场景(SAE J3016),但这些场景都需要在必要的时候由驾驶员接管车辆,因此自动驾驶汽车对人机交互设计提出了新的挑战,比如合理的接管流程,驾驶操作的监测,权责划分的提示。     

自然驾驶状态下重型工程车驾驶人驾驶稳定性分析

重型工程车行驶过程中事故风险大,发生恶性事故的概率高,易造成重大生命和经济损失,其运输安全管理问题面临挑战.为探究重型工程车驾驶人驾驶稳定性与相关影响因素之间的关系,开展重型工程车自然驾驶试验,提取车辆运动学、道路条件、驾驶人状态和工作时间等数据;采用速度均值和速度标准差表征驾驶人驾驶稳定性,以睡眠模式、道路线形、道路...     

基于驾驶人疲劳特征的疲劳驾驶监测系统研究

<正>由于长时间驾驶、睡眠不足、过度劳累、长期缺乏运动等因素会造成驾驶人的注意力、反应能力、判断力等下降,进而导致疲劳驾驶,疲劳驾驶是造成交通事故的重要原因之一,因此疲劳驾驶检测技术得到了广泛关注和研究。目前,疲劳驾驶检测技术已广泛应用于汽车制造业、交通管理、物流行业等领域,一些汽车厂商已开始将疲劳驾驶检测技术纳入车辆的智能安全系统中,以提高车辆驾驶的安全性。如日本三菱汽车公司开发了利用车辆横向位移量、驾驶人操作量等复合参数识别驾驶人疲劳状态,     

自动驾驶对沥青面层寿命及养护成本影响分析

自动驾驶车辆具有鲁棒的横向控制稳定性与居中车道行驶偏好,这将显著影响车辆轮迹横向分布。集中的轮迹分布将加速沥青路面车辙发展,应合理利用自动驾驶车辆横向控制,量化轮迹横向分布对路面车辙发展以及建设养护成本的影响。以浙江上三高速为对象,利用视频观测现阶段车道横断面车辆横向分布状态并测量路面车辙深度,提取了车辆横向分布基准参数;据此设计了几种轮迹分布函数并构建轮迹横向分布实施流程;通过室内试验采集材料参数,建立上三高速路面结构有限元仿真模型,分析了不同自动驾驶车辆比例以及横向分布函数下沥青罩面使用年限以及年均建设养护成本。研究结果表明：按照现阶段自动驾驶车辆小于10 cm的横向分布标准差,当车辆全部自动化后,路面车辙达到15 mm的年限将由11年多提前至8年,上三高速沥青罩面年均建设养护成本将增加37.4%(达到49.9万元/km)。随着横向分布标准差的逐渐增长,自动驾驶车辆的不利作用将会逐渐减弱;当其值大于25 cm时,自动驾驶车辆将有利于减缓路面车辙发展进程,且此时自动驾驶车辆的比例越高,减缓效果越明显;均匀分布状态下,路面车辙年限将推迟约3年(升至14年),年均建设养护成本将减少约24...     

基于驾驶人心理风险场模型的个性化换道决策方法

行驶环境中交互车辆的运动行为会对驾驶人心理产生刺激,引起驾驶人心理状态的变化,进而影响其换道决策行为。为此提出了1种基于驾驶人心理风险场模型的个性化换道决策方法。基于单向3车道快速路交通场景,通过交互式多模型分析车辆的横向速度与横向位移,引入可变横向速度相关的转移概率矩阵,预测交互车辆的目标车道选择;建立驾驶人心理风险场模型,量化行驶环境与交互车辆的运动行为对驾驶人心理风险造成的影响;利用高仿真驾驶模拟器联合SUMO试验平台开展287人次的模拟驾驶试验,通过建立混合交通仿真场景采集驾驶人的换道数据,并选取平均碰撞时间与驾驶人心理风险因子2个特征参数,使用K-means算法进行驾驶风格聚类,将驾驶人分为保守型、正常型和激进型这3类,并进一步确定不同风格的驾驶人在换道初始时刻所能接受的心理风险阈值。在此基础上,实现车辆的个性化安全换道决策。驾驶模拟器试验验证结果表明：对应于保守型、正常型和激进型的驾驶人,实际最小换道决策时间分别为3.48,6.29,11.33 s,实际最大换道决策时间分别为4.65,7.45,12.52 s,理论换道决策时间分别为4.09,6.83,11.95 s,所建立...