劉卓凡，趙霞，吳付威

(1.西安郵電大學(xué)，現(xiàn)代郵政學(xué)院，西安710061;2.長(zhǎng)安大學(xué)，汽車學(xué)院，西安710064)

0 引言

城市道路場(chǎng)景交通結(jié)構(gòu)復(fù)雜、交通變量類型多樣，具有隨機(jī)性和不確定性特點(diǎn)。據(jù)統(tǒng)計(jì)，我國(guó)城市道路里程占全國(guó)道路總里程的7.5%，但城市道路交通事故卻占全國(guó)道路交通事故的45.8%。駕駛?cè)俗鳛槿?車-路系統(tǒng)的核心，忽視重要交通變量，是影響交通安全的重要因素。因此，有必要研究影響城市道路環(huán)境下駕駛注意力需求的交通因素。

駕駛注意力需求是指單位時(shí)間或單位距離內(nèi)駕駛?cè)诵枰幚淼慕煌ㄐ畔⒘縖1]。鑒于視覺(jué)系統(tǒng)是駕駛?cè)双@取交通信息的主要通道，許多研究通過(guò)分析駕駛?cè)说囊曈X(jué)行為研究駕駛注意力需求[2]。當(dāng)駕駛?cè)藢⒁暰€轉(zhuǎn)移至與駕駛無(wú)關(guān)的目標(biāo)時(shí)，其環(huán)境感知力將隨視線轉(zhuǎn)移時(shí)長(zhǎng)的增加而下降。Kircher等[3]指出，駕駛?cè)说沫h(huán)境感知力一般不會(huì)超過(guò)個(gè)人不確定度的承受極限。Senders[4]基于目標(biāo)信息的衰減速度，提出外界交通環(huán)境越復(fù)雜，駕駛?cè)诵枰^察周圍交通信息以更新自我感知力的頻率也就越高。

各個(gè)交通目標(biāo)的可預(yù)測(cè)性與其自身特征有關(guān)，比如相對(duì)空間位置、運(yùn)動(dòng)狀態(tài)等。有研究指出，駕駛注意力需求隨彎道曲率的增加而增加；跟車距離越近，對(duì)駕駛注意力需求越高[5]?？梢酝茰y(cè)，當(dāng)駕駛?cè)嗽诙虝r(shí)間內(nèi)需要獲取和處理更多的交通信息時(shí)，駕駛場(chǎng)景對(duì)注意力的需求也就更高。Tivesten[6]發(fā)現(xiàn)，駕駛?cè)擞^察對(duì)向車輛的時(shí)長(zhǎng)和頻率明顯多于對(duì)前車的觀察，說(shuō)明不同交通參與者對(duì)駕駛注意力的需求不同。

視線遮擋技術(shù)(Vision Occlusion)可以用來(lái)評(píng)估駕駛?cè)嗽谑裁磿r(shí)刻/位置需要多長(zhǎng)時(shí)間獲取交通信息[7]。Vision Occlusion 的默認(rèn)狀態(tài)可以是遮擋狀態(tài)，也可以是非遮擋狀態(tài)；遮擋時(shí)長(zhǎng)既可以由駕駛?cè)俗约嚎刂?，也可以由?shí)驗(yàn)設(shè)定。有學(xué)者將Vision Occlusion 的默認(rèn)狀態(tài)設(shè)為非遮擋狀態(tài)，讓駕駛?cè)俗约哼x擇視線遮擋時(shí)刻和遮擋時(shí)長(zhǎng)，研究高速駕駛過(guò)程中駕駛注意力需求特性[8]。但在實(shí)際駕駛過(guò)程中，視線離開(kāi)前方道路的時(shí)間并不完全取決于駕駛?cè)?，有些駕駛次任務(wù)具有較強(qiáng)的強(qiáng)迫性。這種情況可以通過(guò)預(yù)設(shè)不同視線遮擋時(shí)長(zhǎng)，讓駕駛?cè)烁鶕?jù)自我的環(huán)境感知力主動(dòng)遮擋視線進(jìn)行模擬[9]。

綜上所述，駕駛注意力需求隨交通環(huán)境的復(fù)雜度而變化。目前對(duì)駕駛注意力需求的研究多局限于駕駛環(huán)境復(fù)雜度對(duì)注意力整體需求的區(qū)別，或是不同駕駛?cè)蝿?wù)對(duì)駕駛注意力需求的影響，或是某個(gè)交通變量對(duì)駕駛注意力的需求特性[10]。這些研究從宏觀上分析了駕駛注意力的需求變化，有助于理解某一特定條件下的注意力需求。但綜合考慮城市交通場(chǎng)景中各個(gè)交通變量對(duì)駕駛注意力需求，即駕駛?cè)诵枰谑裁磿r(shí)候/地點(diǎn)、觀察哪些目標(biāo)，尚未開(kāi)展系統(tǒng)研究。鑒于此，本文采用視線遮擋方法，以視線遮擋概率反向表示駕駛注意力需求等級(jí)，利用逐步邏輯回歸模型[11]，探索城市道路場(chǎng)景下各個(gè)交通變量對(duì)駕駛注意力的需求等級(jí)和需求方式。

1 研究方法

1.1 被試駕駛?cè)?/h3>

實(shí)驗(yàn)選取30位被試的數(shù)據(jù)進(jìn)行分析。包括男性18人，女性12人，年齡在22～75歲，平均年齡34.4歲(標(biāo)準(zhǔn)差為6.0)，駕齡在2～57年，平均駕齡15.2年(標(biāo)準(zhǔn)差為14.5)。

1.2 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)在固定基座的自動(dòng)擋駕駛模擬器上展開(kāi)。駕駛場(chǎng)景顯示系統(tǒng)由9個(gè)顯示器組成，可以提供180°×30°范圍的視野，并由一個(gè)戴在被試手指上的微型開(kāi)關(guān)按鈕控制。按下開(kāi)關(guān)按鈕，可以關(guān)閉前方水平方向110°視野范圍的顯示器，間接模仿駕駛?cè)艘暰€離開(kāi)道路前方的狀態(tài)[7]。

1.3 實(shí)驗(yàn)設(shè)計(jì)和實(shí)驗(yàn)過(guò)程

設(shè)計(jì)基準(zhǔn)實(shí)驗(yàn)和對(duì)照實(shí)驗(yàn)，對(duì)照實(shí)驗(yàn)包含5個(gè)不同固定遮擋時(shí)長(zhǎng)子實(shí)驗(yàn)。在基準(zhǔn)實(shí)驗(yàn)中，被試正常駕駛，不需要遮擋視線。在對(duì)照實(shí)驗(yàn)中，當(dāng)被試自我感覺(jué)不需要觀察交通環(huán)境時(shí)，遮擋前方視野。前方屏幕關(guān)閉一段時(shí)間后，會(huì)自動(dòng)開(kāi)啟。關(guān)閉時(shí)長(zhǎng)由每次子實(shí)驗(yàn)設(shè)定的遮擋時(shí)長(zhǎng)決定。選取1.0，1.4，1.8，2.2，2.6 s作為5個(gè)子實(shí)驗(yàn)的固定遮擋時(shí)長(zhǎng)。所有子實(shí)驗(yàn)均為同一城市道路場(chǎng)景，雙向4 車道，每個(gè)車道寬3.5 m，限速為60 km·h-1，包含對(duì)向車輛、彎道、路邊停放車輛、公交車站、行人及十字路口等常見(jiàn)的交通變量。此外，實(shí)驗(yàn)車輛前方有車速為60 km·h-1的引導(dǎo)車輛，被試保持適當(dāng)跟車距離。

首先，被試閱讀并簽署實(shí)驗(yàn)知情同意書，填寫個(gè)人基本信息表；其次，被試駕駛模擬器，熟悉交通環(huán)境，并進(jìn)行正式實(shí)驗(yàn)，先后完成6次子實(shí)驗(yàn)。

2 數(shù)據(jù)分析

鑒于視線遮擋時(shí)長(zhǎng)固定，認(rèn)為駕駛場(chǎng)景中各個(gè)位置的遮擋次數(shù)越多表示剩余注意力越多，對(duì)駕駛注意力需求越低。因此，本文采用視線遮擋概率反向表示交通場(chǎng)景對(duì)駕駛注意力的需求等級(jí)。采用逐步邏輯回歸模型分析遮擋概率與交通變量的關(guān)系，構(gòu)建注意力需求等級(jí)模型，并分析交通變量對(duì)視線遮擋行為的影響方式。通過(guò)車速、時(shí)間和駕駛距離之間的關(guān)系，利用鄰近插值法對(duì)時(shí)間域內(nèi)的數(shù)據(jù)重新采樣轉(zhuǎn)換為空間域數(shù)據(jù)，分析遮擋概率隨駕駛路線的變化。

3 實(shí)驗(yàn)結(jié)果

3.1 遮擋概率分析

遮擋概率是指實(shí)驗(yàn)路段各個(gè)位置的遮擋次數(shù)與總實(shí)驗(yàn)次數(shù)之比，表示各個(gè)位置的駕駛注意力需求等級(jí)。遮擋概率越高說(shuō)明當(dāng)前路段的可預(yù)測(cè)性越高，對(duì)駕駛注意力需求也相對(duì)越低。分別計(jì)算各個(gè)遮擋時(shí)長(zhǎng)下的視線遮擋概率沿實(shí)驗(yàn)路線的變化曲線，如圖1所示。

圖1 視線遮擋概率隨駕駛路線的變化分布Fig.1 Probability of visual occlusion along driving route

由圖1可知，視線遮擋概率沿實(shí)驗(yàn)路線出現(xiàn)明顯波動(dòng)，受不同交通變量影響的差異較大。當(dāng)自車接近公交車站和路邊停放車輛時(shí)，視線遮擋概率明顯降低。當(dāng)自車與對(duì)向車輛相遇時(shí)，最長(zhǎng)遮擋時(shí)長(zhǎng)的遮擋概率明顯降低，在短遮擋時(shí)長(zhǎng)下也出現(xiàn)類似現(xiàn)象。另外，較長(zhǎng)視線遮擋時(shí)長(zhǎng)下的遮擋行為會(huì)集中在一些特定路段，而短遮擋時(shí)長(zhǎng)下的遮擋行為在整個(gè)實(shí)驗(yàn)路段的分布都比較均勻，這說(shuō)明駕駛?cè)藭?huì)根據(jù)外界交通環(huán)境特征自動(dòng)調(diào)整自我注意力需求。另外，駕駛?cè)嗽谑致房诘囊暰€遮擋概率接近于0。說(shuō)明城市道路的十字路口對(duì)視覺(jué)注意力需求較大。

3.2 注意力需求影響因素回歸模型

本文選取9 個(gè)可能影響駕駛?cè)俗⒁饬π枨蟮慕煌ㄗ兞?，具體解釋如表1所示。

表1 9個(gè)交通變量Table 1 Descriptions of 9 selected variables

設(shè)條件概率P(Y=1|x)=p為各個(gè)交通變量相對(duì)于視線遮擋發(fā)生的概率。邏輯回歸模型可表示為

式中：g(x)=β0+β1x1+β2x2+…+β8x8；xi為各個(gè)交通變量；βi為對(duì)應(yīng)的回歸系數(shù)。

定義視線不遮擋的條件概率為

那么，視線遮擋與不遮擋的概率之比為

這個(gè)比值稱為視線遮擋的發(fā)生比，記為Odds。

那么視線遮擋的發(fā)生比率(Odds Ration)，即優(yōu)勢(shì)比

對(duì)于連續(xù)自變量x，如交叉口、跟車距離、會(huì)車距離等，每增加一個(gè)單位，則發(fā)生視線遮擋的比率為

對(duì)于二分類自變量x，如彎道2、路邊車輛、公交車站的取值只能為0 或1，稱為虛擬變量。當(dāng)選擇xk=0 作為參考值時(shí)，xk=1 所對(duì)應(yīng)的視線遮擋發(fā)生比率為exp(βk)。

對(duì)于多分類自變量，如彎道1、視距包括m個(gè)類別，選取一個(gè)參照類，則需要建立m-1 個(gè)虛擬變量。設(shè)虛擬變量為xk，其系數(shù)為βk，則每個(gè)虛擬變量相對(duì)于參照類，其視線遮擋發(fā)生的比率為exp(βk)。

采用逐步邏輯回歸模型對(duì)所選9 個(gè)交通變量的主效應(yīng)進(jìn)行分析并建立回歸模型。每次引入對(duì)視線遮擋影響最顯著的交通變量，并對(duì)方程中之前的交通變量逐個(gè)進(jìn)行檢驗(yàn)，把變?yōu)椴伙@著的交通變量從方程中剔除。

鑒于駕駛?cè)嗽谕ㄟ^(guò)十字路口過(guò)程中的視線遮擋概率接近于0，假如將所有數(shù)據(jù)作為一個(gè)整體進(jìn)行分析，則必然混淆其他交通變量對(duì)注意力需求的影響。為此，將實(shí)驗(yàn)數(shù)據(jù)分為沒(méi)有十字路口和接近十字路口兩部分，并分別構(gòu)建回歸模型，結(jié)果如表2所示。模型中變量的排列順序表示其在模型中的可解釋度高低。

表2 兩種場(chǎng)景下的邏輯回歸模型結(jié)果Table 2 Results of logistic regression models for two scenarios

在2 個(gè)回歸模型中，駕駛?cè)说慕忉尪染鶠樽罡撸梢酝茰y(cè)不同被試對(duì)交通場(chǎng)景的理解不同。此結(jié)果與Kujala 等[1]的描述基本相符，這可能與被試的性格因素或駕駛經(jīng)驗(yàn)有關(guān)。鑒于本文主要研究非人為交通變量如何影響駕駛注意力需求，故沒(méi)有對(duì)被試個(gè)體因素進(jìn)一步研究。在沒(méi)有十字路口的路段，公交車站、路邊車輛和跟車距離是影響駕駛?cè)苏趽跻暰€行為較為顯著的因素。而在接近十字路口的路段內(nèi)，被試需要頻繁的關(guān)注十字路口左右的交通信息，這可能是因?yàn)槭致房诘慕煌ㄐ畔⑤^難預(yù)測(cè)。另外，彎道1(彎道曲率)、彎道2(彎道方向)和會(huì)車距離也會(huì)影響駕駛注意力需求。

在沒(méi)有十字路口的路段，進(jìn)一步對(duì)顯著影響駕駛注意力需求的各交通變量進(jìn)行優(yōu)勢(shì)比分析，如圖2所示。路邊有公交車站和無(wú)公交車站的優(yōu)勢(shì)比小于1，說(shuō)明周圍道路存在公交車站時(shí)，被試會(huì)減少視線遮擋，這可能是因?yàn)楣卉囌緝?nèi)存在行人突然出現(xiàn)或公交車突然啟動(dòng)的可能性，在一定程度上降低了當(dāng)前交通場(chǎng)景的可預(yù)測(cè)性。跟車距離和會(huì)車距離屬于連續(xù)型變量，其優(yōu)勢(shì)比的計(jì)算采用各等級(jí)間比值的相對(duì)值，即當(dāng)自車與前車的距離和距對(duì)向車輛距離增加一個(gè)單位(此處選擇20 m)時(shí)，定為一個(gè)等級(jí)。可以看出，跟車距離越近，距對(duì)向車輛越近，視線遮擋概率越小，駕駛注意力需求越高。

圖2 沒(méi)有十字路口路段邏輯回歸模型中的優(yōu)勢(shì)比Fig.2 Odds ratio in logistic regression model for road section without intersection

對(duì)十字路口前200 m 路段內(nèi)的數(shù)據(jù)進(jìn)行優(yōu)勢(shì)比分析，如圖3所示。結(jié)果顯示，距離十字路口越近，視線遮擋概率越低。被試在右向彎道和左向彎道路段的視線遮擋概率小于直線路段行駛的遮擋概率，并且彎道曲率越大，遮擋概率越小。說(shuō)明彎道路段對(duì)駕駛注意力需求相對(duì)直線路段更高，且彎道半徑越小，對(duì)駕駛注意力需求越高。左向彎道和右向彎道之間的優(yōu)勢(shì)比沒(méi)有顯著差異，說(shuō)明彎道方向?qū)︸{駛注意力需求沒(méi)有影響。將會(huì)車距離按照20 m一個(gè)等級(jí)進(jìn)行劃分，計(jì)算各等級(jí)間的優(yōu)勢(shì)比。結(jié)果顯示，距離對(duì)向車輛越遠(yuǎn)，視線遮擋概率相對(duì)越大。這可能是因?yàn)樵跁?huì)車過(guò)程中，駕駛?cè)烁鶕?jù)兩車之間的相對(duì)距離評(píng)估駕駛風(fēng)險(xiǎn)。距離越近，風(fēng)險(xiǎn)相對(duì)越高，對(duì)駕駛注意力需求也越高。

3.3 十字路口分析

圖4為駕駛?cè)送ㄟ^(guò)十字路口過(guò)程中的視線遮擋概率變化曲線。可以看出，駕駛?cè)说囊暰€遮擋概率從距離十字路口約150 m 處隨兩者之間相對(duì)距離的縮短而降低，直至行駛至十字路口前25 m處，之后又隨兩者之間相對(duì)距離的縮短而增加。在所有5 種遮擋時(shí)長(zhǎng)駕駛狀態(tài)下均存在這種變化趨勢(shì)。這可能是因?yàn)槭致房诮煌ōh(huán)境復(fù)雜，不確定性較大，駕駛?cè)私咏致房谇靶枰婚g斷地觀察當(dāng)前場(chǎng)景信息，并預(yù)測(cè)各個(gè)交通變量的變換趨勢(shì)。而當(dāng)駕駛?cè)诉M(jìn)入十字路口時(shí)已明確獲取前方場(chǎng)景信息，不需要過(guò)多觀察當(dāng)前場(chǎng)景信息時(shí)，可能會(huì)遮擋前方視線。間接說(shuō)明駕駛?cè)嗽讷@取交通場(chǎng)景信息時(shí)，還不斷預(yù)測(cè)周圍環(huán)境變化。

圖3 接近十字路口路段邏輯回歸模型中的優(yōu)勢(shì)比Fig.3 Odds ratio in logistic regression model for road section approaching an intersection

圖4 通過(guò)十字路口過(guò)程中視線遮擋概率變化趨勢(shì)Fig.4 Occlusion probability as a function of distance to intersection per occlusion duration

4 結(jié)論

(1)基于逐步邏輯回歸模型，構(gòu)建交通變量對(duì)駕駛注意力需求影響因素模型。結(jié)果顯示，十字路口、路邊停放車輛、公交車站、對(duì)向車輛和彎道分別是影響城市道路上駕駛注意力需求的最顯著因素。

(2)駕駛車輛距離十字路口越近，道路曲率半徑越小，對(duì)駕駛注意力需求越高；路邊存在公交車站、停放車輛、較近的跟車距離和較近的會(huì)車距離都會(huì)增加駕駛注意力需求。

(3)駕駛?cè)藭?huì)根據(jù)當(dāng)前場(chǎng)景信息和各個(gè)交通變量特征，有選擇的獲取與當(dāng)前駕駛有關(guān)的交通變量信息，并預(yù)測(cè)各個(gè)交通變量的發(fā)展趨勢(shì)，保持較好的環(huán)境感知力。

本文研究方法和結(jié)果對(duì)于提升行車安全性具有一定的理論意義。但模擬器實(shí)驗(yàn)缺乏真實(shí)的危險(xiǎn)體驗(yàn)，且被試數(shù)量較少，所得結(jié)果缺乏絕對(duì)真實(shí)性。另外，利用邏輯回歸模型所構(gòu)建的解釋性模型是否適用于其他數(shù)據(jù)庫(kù)，有待進(jìn)一步招募更多駕駛?cè)诉M(jìn)行實(shí)車實(shí)驗(yàn)驗(yàn)證。