江治東，劉國盼，宋　超

(貴州省交通規(guī)劃勘察設(shè)計(jì)研究院股份有限公司， 貴陽　550081)

?

高速公路隧道入口路段駕駛?cè)艘曈X注意轉(zhuǎn)移規(guī)律研究

江治東，劉國盼，宋超

(貴州省交通規(guī)劃勘察設(shè)計(jì)研究院股份有限公司， 貴陽550081)

摘要：為了研究駕駛?cè)诉M(jìn)入高速公路隧道入口時(shí)其視覺轉(zhuǎn)移特性，在7個(gè)高速公路隧道入口處進(jìn)行實(shí)車試驗(yàn)。利用Eye Link II 型眼動儀，實(shí)時(shí)記錄3名駕駛?cè)诉M(jìn)入隧道入口時(shí)的眼動行為數(shù)據(jù)。采用K均值聚類法對駕駛?cè)俗⒁晠^(qū)域進(jìn)行劃分，運(yùn)用馬爾可夫鏈理論研究駕駛?cè)俗⒁朁c(diǎn)在不同注視區(qū)域之間的轉(zhuǎn)移規(guī)律，并分析對比駕駛?cè)嗽谶M(jìn)入隧道入口過程中其注視分布的差異性。研究發(fā)現(xiàn)，在駕駛?cè)诉M(jìn)入隧道入口時(shí)其視覺轉(zhuǎn)移頻次明顯增加，其注視點(diǎn)主要集中于正前方區(qū)域。研究結(jié)果可為進(jìn)一步研究駕駛?cè)诉M(jìn)入隧道入口時(shí)的安全性提供理論依據(jù)。

關(guān)鍵詞：視覺注意轉(zhuǎn)移；隧道入口；K均值；眼動儀；馬爾科夫鏈

近年來，我國公路尤其是高速公路快速發(fā)展，與之相對應(yīng)的交通事故也層出不窮。在道路交通安全領(lǐng)域中，隧道路段的安全狀況具有獨(dú)特和重要的地位。駕駛?cè)嗽隈{駛過程中，在隧道入口路段的視覺注意轉(zhuǎn)移與普通道路有很大差異。

在國內(nèi)外研究中，均對駕駛?cè)嗽隈{駛過程中視覺注意行為展開了多方面深層次的研究。1995年，W.B.Verwey對駕駛?cè)嗽谒淼廊肟诙蔚囊曈X生理和心理特性進(jìn)行了試驗(yàn)，研究結(jié)果顯示，在駕駛?cè)笋{駛車輛接近隧道入口的過程中，駕駛?cè)顺Ｑ鄞螖?shù)明顯降低外，其他指標(biāo)變化不明顯[1]。2002年，L.C.Boer 探討了駕駛?cè)嗽谒淼缆范翁厥馇闆r下(如擁堵、煙霧時(shí))可有效避免交通事故發(fā)生的手段[2]。2006年，Ir.Evert Worm探討了隧道內(nèi)駕駛?cè)嘶蚱渌藛T的行為對隧道安全的影響，以及怎樣的駕駛行為可以幫助提高隧道路段的交通安全水平[3]。同年，T.Luke對火車駕駛?cè)说难蹌犹匦院鸵曈X選擇策略進(jìn)行了探討和研究，并展開相關(guān)試驗(yàn)，試驗(yàn)運(yùn)用ISCAN VisionTrak ETL一500型眼動儀，記錄和分析了駕駛?cè)说目傋⒁晻r(shí)間、注視目標(biāo)物的時(shí)間分配比、平均注視持續(xù)時(shí)間及首次注視目標(biāo)物的時(shí)間長度等有關(guān)眼動參數(shù)對駕駛?cè)说牟倏v行為的影響[4]。國內(nèi)針對駕駛?cè)艘曈X注意問題進(jìn)行研究主要集中于在不同環(huán)境條件下其試驗(yàn)參數(shù)選擇，聚類分析后注視分布區(qū)域的不同來探討[5-10]。

1試驗(yàn)數(shù)據(jù)采集

1.1試驗(yàn)路段

試驗(yàn)道路選擇包頭至茂名高速公路上北九溝隧道、道溝峪隧道、黃土梁隧道、南五臺隧道、石貶峪隧道、小瓢溝隧道、終南山隧道等共9座隧道，研究重點(diǎn)是終南山、南五臺隧道等長隧道。

1.2試驗(yàn)車輛及設(shè)備

根據(jù)現(xiàn)有試驗(yàn)條件，選取海南馬自達(dá)M5作為試驗(yàn)用車。眼動追蹤設(shè)備是Eye Link II 型眼動儀，其是SR Research公司生產(chǎn)的Eye Link系列頭戴式雙眼跟蹤設(shè)備，具有2種圖像處理模式，功能強(qiáng)大。試驗(yàn)采用集思寶推出的G130型手持 GPS，其是合眾思壯最新款手持GPS。內(nèi)置GPS天線具有高靈敏度和抗干擾能力，精度高達(dá)2.5 m以內(nèi)。數(shù)據(jù)傳輸速度達(dá)到每0.1 s一次，能快速、準(zhǔn)確地采集汽車行駛路線和車速數(shù)據(jù)。采用CTM-3000E非接觸式五輪儀記錄車輛運(yùn)行過程中的動力參數(shù)，其傳感器系統(tǒng)和測試參數(shù)系統(tǒng)可以實(shí)時(shí)自動存儲，掉電數(shù)據(jù)不會丟失。此外，試驗(yàn)設(shè)備還包括蓄電池、秒表等。

2隧道入口段駕駛?cè)艘曈X特性研究

駕駛?cè)嗽谛旭倳r(shí)，其視覺注意力會選取感興趣的區(qū)域進(jìn)行聚焦，并非將其視覺注意力平均分配在視野區(qū)域內(nèi)?；谠囼?yàn)數(shù)據(jù)的分析，結(jié)合車輛結(jié)構(gòu)，并運(yùn)用K均值聚類法，將駕駛?cè)说那胺揭曇捌矫鎰澐譃榍懊孢h(yuǎn)方、車內(nèi)后視鏡、左方、正前方、右方、左后視鏡、右后視鏡和駕駛儀器，并對試驗(yàn)隧道入口處進(jìn)行分段分析。隧道進(jìn)口段為隧道進(jìn)口前250 m至進(jìn)入隧道后50 m。

2.1K均值聚類法

運(yùn)用K均值聚類法進(jìn)行聚類。先隨機(jī)選取K個(gè)對象作為初始聚類中心，然后計(jì)算每個(gè)對象與各個(gè)種子聚類中心之間的距離，并把每個(gè)對象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對象代表1次聚類。一旦全部對象都被分配了，則根據(jù)現(xiàn)有對象重新計(jì)算每個(gè)聚類區(qū)域的聚類中心。這個(gè)過程將不斷重復(fù)直到滿足預(yù)設(shè)的終止條件。

2.2視覺注意轉(zhuǎn)移的注視區(qū)域劃分

車輛內(nèi)部結(jié)構(gòu)如圖1所示。根據(jù)汽車駕駛員視野和聚類結(jié)果，將駕駛視野分為：前方視野，左側(cè)視野，右方視野，左后視鏡，右后視鏡，前方遠(yuǎn)方，車輛儀表盤和車內(nèi)后視鏡。

圖1　車輛結(jié)構(gòu)

2.3隧道進(jìn)口段駕駛?cè)艘曈X注意轉(zhuǎn)移頻次變化

車輛進(jìn)入隧道時(shí)，隧道環(huán)境的特殊性必然導(dǎo)致駕駛?cè)艘曈X注意轉(zhuǎn)移的變化。為了了解這個(gè)變化頻次，本文以50 m為1個(gè)階段，統(tǒng)計(jì)駕駛?cè)说囊曈X注意轉(zhuǎn)移頻次。

隧道進(jìn)口段每隔50 m處的駕駛?cè)艘曈X注意轉(zhuǎn)移頻次如圖2所示。由圖2可以看出，車輛在接近隧道進(jìn)口的過程中，距隧道口250~50 m段駕駛?cè)说囊曈X注意轉(zhuǎn)移次數(shù)增加，頻率增快，但幅度較小，約從每50 m 15次上升到20次。而在距隧道口100~50 m、50~0 m和0~(-50)m段，駕駛?cè)说囊曈X注意轉(zhuǎn)移次數(shù)增加非?？?，幅度較大，最大值已經(jīng)達(dá)到每50 m 35次左右。說明在這個(gè)階段，駕駛?cè)说淖⒁饬Ρ容^集中，注視時(shí)間減少，比較注意車周圍的狀況?？赡茉蚴擒囕v在隧道進(jìn)口段并離隧道口較遠(yuǎn)時(shí)，駕駛?cè)说淖⒁饬﹂_始緩慢上升；而隨著接近隧道，其注意力上升，對周圍環(huán)境更加警覺。

圖2　隧道進(jìn)口段每隔50 m處的駕駛?cè)艘曈X注意轉(zhuǎn)移頻次

2.4隧道進(jìn)口段駕駛?cè)俗⒁暦植佳芯?/p>

駕駛?cè)笋{駛車輛經(jīng)過隧道時(shí)，需經(jīng)歷明適應(yīng)和暗適應(yīng)。本文只討論白天狀況，即駕駛?cè)诉M(jìn)入隧道時(shí)的“暗適應(yīng)”。將隧道進(jìn)口段250 m處與普通道路段處的駕駛?cè)俗⒁暦植歼M(jìn)行對比，如表1所示。

表1　隧道進(jìn)口段與普通路段駕駛?cè)俗⒁暦植紝Ρ取〈?/p>

由表1數(shù)據(jù)可知，駕駛?cè)嗽谒淼缆范蔚囊曈X注意轉(zhuǎn)移次數(shù)少于在普通路段的，這是因?yàn)樵谶M(jìn)入隧道時(shí)，駕駛?cè)吮容^專注于注視前方。駕駛?cè)嗽谒淼缆范螌τ谡胺降淖⒁暣螖?shù)雖然少于其在普通路段的，但是注視時(shí)間應(yīng)更長。而駕駛?cè)藢λ淼廊肟诙巫笥覅^(qū)域的注意多于普通路段，也說明了駕駛?cè)说男⌒暮椭?jǐn)慎。

3隧道進(jìn)口段駕駛?cè)艘曈X注意轉(zhuǎn)移規(guī)律研究

駕駛?cè)艘曈X注意轉(zhuǎn)移過程中，下一次注視點(diǎn)與當(dāng)前狀態(tài)有關(guān)，與之前的注視過程無關(guān)。因此，駕駛?cè)艘曈X注意轉(zhuǎn)移過程適用于馬爾可夫理論。基于馬爾可夫理論的模型在時(shí)刻t的狀態(tài)只與t-1 時(shí)刻的狀態(tài)條件相聯(lián)系，與之前的狀態(tài)無任何關(guān)系，相互獨(dú)立。根據(jù)馬爾可夫定義與駕駛?cè)说膶?shí)際情況，可知駕駛?cè)说臓顟B(tài)是連續(xù)的。但是，若將掃視排除，只觀察注視，且1次注視視為1次狀態(tài)的話，那么該過程是離散型的。

3.1隧道進(jìn)口段1步概率轉(zhuǎn)移矩陣

根據(jù)眼動儀的數(shù)據(jù)和駕駛?cè)诉M(jìn)入隧道進(jìn)口段的錄像回放，且基于對視覺注意轉(zhuǎn)移區(qū)域的劃分，本文統(tǒng)計(jì)了3名駕駛?cè)嗽谒淼肋M(jìn)口段的視覺注意轉(zhuǎn)移情況。進(jìn)行平均處理后，運(yùn)用馬爾可夫鏈理論，得到駕駛?cè)艘曈X在不同區(qū)域之間轉(zhuǎn)換的1步轉(zhuǎn)移概率矩陣，見表2。

表2　隧道進(jìn)口段駕駛?cè)艘曈X注意轉(zhuǎn)移1步概率矩陣　%

注：灰色部分表示1步轉(zhuǎn)移概率大于20%。

由表2數(shù)據(jù)可知，如果駕駛?cè)说淖⒁朁c(diǎn)由一處區(qū)域仍舊轉(zhuǎn)移回該區(qū)域，則將該次轉(zhuǎn)移仍然視為1次轉(zhuǎn)移。由表2還可以看出，駕駛?cè)俗⒁朁c(diǎn)轉(zhuǎn)移回原區(qū)域的概率普遍大于20%，說明駕駛?cè)嗽谶M(jìn)入隧道口時(shí)對于同一區(qū)域的信息不能夠一次性獲取，需要重復(fù)多次進(jìn)行才能獲取足夠的信息。

由駕駛?cè)肆?xí)慣得知，駕駛?cè)说囊曈X注意從某一區(qū)域轉(zhuǎn)移到正前方區(qū)域概率普遍較高，說明駕駛?cè)藢φ胺絽^(qū)域最感興趣，從而可以推測駕駛?cè)藦哪骋蛔⒁晠^(qū)域轉(zhuǎn)移到正前方或者是轉(zhuǎn)回自身注視區(qū)域的概率最大。駕駛?cè)俗蠓胶陀曳降?步轉(zhuǎn)移概率均表明駕駛?cè)俗⒁朁c(diǎn)從左方或右方轉(zhuǎn)移到自身和正前方概率最高，且轉(zhuǎn)移到正前方概率均高于30%。駕駛?cè)俗蠛笠曠R的1步轉(zhuǎn)移概率表明駕駛?cè)俗⒁朁c(diǎn)轉(zhuǎn)移到自身、左方和正前方的概率最高，轉(zhuǎn)移到其他區(qū)域的概率均小于5%。說明駕駛?cè)嗽谟^察完左后視鏡后會進(jìn)一步觀察左方和正前方的區(qū)域。右后視鏡與左后視鏡類似。從其他區(qū)域轉(zhuǎn)移到車內(nèi)后視鏡和駕駛儀器的1步轉(zhuǎn)移概率普遍較低，說明駕駛?cè)嗽谶M(jìn)入隧道口時(shí)極少關(guān)注這2處區(qū)域。

3.2隧道進(jìn)口段2步轉(zhuǎn)移矩陣

根據(jù)駕駛?cè)说?步轉(zhuǎn)移矩陣，可以得出駕駛?cè)说?步轉(zhuǎn)移矩陣。如果對前方視野、左側(cè)視野、右方視野、左后視鏡、右后視鏡、前方遠(yuǎn)方、車輛儀表盤和車內(nèi)后視鏡8個(gè)區(qū)域分別都進(jìn)行2步轉(zhuǎn)移計(jì)算，則可得到這8個(gè)區(qū)域的8×8矩陣圖。但由于數(shù)據(jù)量巨大且大部分區(qū)域間的2步轉(zhuǎn)移概率小、可能性低、研究價(jià)值低，故選擇高概率2步轉(zhuǎn)移為研究對象。 隧道進(jìn)口段的2步轉(zhuǎn)移矩陣見表3。

注：灰色部分是在2步轉(zhuǎn)移概率中高于10%的部分。

表3中的數(shù)據(jù)概率是從某個(gè)確定區(qū)域經(jīng)過2次轉(zhuǎn)移后到第3步的概率。例如“前面遠(yuǎn)方—前面遠(yuǎn)方—前面遠(yuǎn)方”的概率為11.09%。即當(dāng)前區(qū)域已經(jīng)為前面遠(yuǎn)方，經(jīng)過2次轉(zhuǎn)移后，仍然在前面遠(yuǎn)方的概率為11.09%。從表3可知，駕駛?cè)笋{駛車輛進(jìn)入隧道進(jìn)口段時(shí)，無論其在哪個(gè)區(qū)域或視覺注意轉(zhuǎn)移了1步還是2步，其視覺注意轉(zhuǎn)移的基本特性決定了其最有可能轉(zhuǎn)向自身并停留在自身區(qū)域。

表3中灰色部分是轉(zhuǎn)移概率高于10%的部分，其中轉(zhuǎn)移概率最高的是正前方—正前方—正前方。這是因?yàn)轳{駛?cè)嗽谡胺阶⒁朁c(diǎn)分布最多，且駕駛?cè)俗⒁朁c(diǎn)從正前方轉(zhuǎn)移到自身的概率又最高。但考慮到盡管駕駛?cè)俗⒁朁c(diǎn)從正前方轉(zhuǎn)移到自身的概率最高，但也僅為19.18%，說明駕駛?cè)俗⒁朁c(diǎn)轉(zhuǎn)移2次一直處于同一區(qū)域的概率很小。表3中有10處駕駛?cè)俗⒁朁c(diǎn)2步轉(zhuǎn)移概率大于10%，其中有7處駕駛?cè)俗⒁朁c(diǎn)經(jīng)2次轉(zhuǎn)移都轉(zhuǎn)回到自身，剩余3處駕駛?cè)俗⒁朁c(diǎn)2步轉(zhuǎn)移概率大于10%的分別為“車內(nèi)后視鏡—車內(nèi)后視鏡—正前方”、“駕駛儀器—正前方—駕駛儀器”和“右方—右方—正前方”。由此可知，駕駛?cè)艘曈X注意點(diǎn)在2步轉(zhuǎn)移之后轉(zhuǎn)移到自身和正前方的概率最高。

4結(jié)束語

本文在分析高速公路隧道路段特殊運(yùn)行環(huán)境的基礎(chǔ)上，結(jié)合駕駛?cè)藙討B(tài)視覺特性及視覺注意轉(zhuǎn)移理論，采用實(shí)車試驗(yàn)的方法測試不同駕駛?cè)说难蹌訑?shù)據(jù)，研究了隧道路段駕駛?cè)艘曈X注意轉(zhuǎn)移變化規(guī)律。研究結(jié)果表明，試驗(yàn)車輛在接近隧道入口的過程中，距離隧道口 250~150 m 區(qū)段駕駛?cè)艘曈X注意轉(zhuǎn)移頻次平穩(wěn)升高，100~50 m 區(qū)段駕駛?cè)说囊曈X注意轉(zhuǎn)移頻次開始明顯上升；隧道前 50 m 至入口區(qū)段，駕駛?cè)俗⒁曨l次上升到接近40次/50 m，進(jìn)入隧道后50 m區(qū)域內(nèi)駕駛?cè)说囊曈X轉(zhuǎn)移頻次仍然保持較高水平。但此次試驗(yàn)因考慮到隧道內(nèi)車輛安全等因素，部分?jǐn)?shù)據(jù)未能采集到，其對試驗(yàn)結(jié)果的完整性有一定影響。且本次試驗(yàn)只有3名試驗(yàn)人員，樣本較少。若后續(xù)試驗(yàn)中能夠加大樣本，則試驗(yàn)結(jié)果就更具說服力。

參 考 文 獻(xiàn)

[1]VERWEY W B. Effectsof Tunnel Entranceon Drivers' Physiological Condition and Perfomance. AnExploratory Study[J]. Drivers，1995.

[2]BOER L C. Behavior by motorists on evacuation of a tinnel[R].[S.l.]：TNO，2002.

[3]WORM Ir Evert.Human behavior influent safety[R].Utrechat：Dutch Ministry of Transport， 2006.

[4] LUKE T,BROOK-CARTER N,PARKES A M，et al. An investigation of train driver visual strategies[J].Cognition Technology & Work，2006，8(l)：15-29.

[5]楊建國，肖永劍，王兆安.交通微觀仿真中的駕駛?cè)艘曈X感知模型[J].系統(tǒng)仿真學(xué)報(bào)，2005，17(10)：2437-2441.

[6]馬勇.基于眼動分析的汽車駕駛?cè)艘曈X搜索模式研究[D].西安：長安大學(xué)，2006.

[7]杜志剛，潘曉東，郭雪斌.公路隧道進(jìn)出口行車安全評價(jià)指標(biāo)應(yīng)用研究[J].同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2008，36(3)：325-329.

[8]袁偉.城市道路環(huán)境中汽車駕駛?cè)藙討B(tài)視覺特性試驗(yàn)研究[D].西安：長安大學(xué)，2008.

[9]黃迎秋.山區(qū)與城市道路交通環(huán)境下駕駛?cè)艘曈X搜索過程分析[D].西安：長安大學(xué)，2008.

[10]郭孜政，陳崇雙，陳亞青，等. 基于馬爾可夫過程的駕駛?cè)艘曈X注意力轉(zhuǎn)移模型研究[J]. 公路交通科技，2009(12)：116-119.

Research on Visual Attention Transfer Rules of Drivers at Entrance Sections of Expressway Tunnels

JIANG Zhidong, LIU Guopan, SONG Chao

Abstract:In order to research visual transfer characteristics of drivers when entering entrances of expressway tunnels, this paper carries out real car tests at 7 expressway tunnel entrances. The paper records eye movement behavior data of 3 drivers when entering tunnel entrances in real time by means of Eye Link II eye tracker. The paper adopts the K-means clustering method to classify areas of fixation of drivers, and studies transfer rules of points of regard of drivers in different areas of fixation by means of Markov Chain theory, and analyzes and compares difference in fixation distribution of drivers during entry into tunnel entrances. Research finds out that visual transfer frequencies of drivers when entering tunnel entrances increase obviously, and their points of fixation mainly focus on the front area. The results of research can provide theoretical basis for further study of safety of drivers when entering tunnel entrances.

Keywords:visual attention transfer; tunnel entrance; K-means; eye tracker; Markov Chain

文章編號：1009-6477(2016)01-0122-05

中圖分類號：U459.2

文獻(xiàn)標(biāo)識碼：A

作者簡介：江治東(1990-)，男，重慶市人，碩士研究生，助工。

收稿日期：2015-11-05

DOI:10.13607/j.cnki.gljt.2016.01.027