李曉軍，凌加鑫，沈 奕，盧 彤，朱合華

（1.同濟大學土木工程學院，上海 200092；2.同濟大學土木工程防災國家重點實驗室，上海 200092；3.同濟大學巖土及地下工程教育部重點實驗室，上海 200092；4.錢江新城建設管理委員會，浙江杭州 310016）

公路隧道內(nèi)部空間結構封閉，單調(diào)的內(nèi)部環(huán)境會影響駕駛人對周邊環(huán)境信息的正確感知，進而直接影響駕駛人的駕駛行為，嚴重時將引發(fā)交通事故［1］。隧道內(nèi)交通事故的發(fā)生，易致使道路通行能力大幅下降，進而波及區(qū)域路網(wǎng)的運行效率和交通功能的發(fā)揮，并且隧道內(nèi)發(fā)生交通事故后處理困難，極易造成群死群傷［2］。因此，良好的隧道內(nèi)部環(huán)境是保障隧道內(nèi)安全駕駛的重要條件。

在針對隧道內(nèi)部環(huán)境優(yōu)化的探究過程中，隧道光環(huán)境的優(yōu)化是一直以來的研究重點［3］。隧道光環(huán)境主要由照明燈具發(fā)光營造，色溫作為影響燈具照明效果的一項重要指標，引起了越來越多學者的關注。崔璐璐［4］研究了隧道照明光源光色對駕駛員視覺的影響，發(fā)現(xiàn)色溫6 400 K時光源產(chǎn)生的視覺功效比2 700 K時光源產(chǎn)生的視覺功效高，目標更易被識別。Dong 等［5］研究發(fā)光二極管（LED）光源的相關色溫對人眼視覺表現(xiàn)的影響，結果表明觀察者的反應時間與光源色溫成負相關。在此基礎上，Dong等［6］繼續(xù)研究了隧道入口段光源色溫對隧道暗適應的影響，色溫為4 000～4 500 K 時LED 光源更適合用于隧道入口的照明。左小磊［7］、史芊芊［8］研究了隧道照明光源色溫對駕駛員的影響后指出，選擇隧道照明光源時，優(yōu)先選擇高色溫光源。然而，這些研究中多使用小目標測量法，反應時間等參數(shù)的測定易受主觀因素影響，并且光學系統(tǒng)箱［7］、激光投影儀［8］等設備并不能真實還原隧道駕駛場景。隧道照明領域?qū)庠瓷珳氐难芯咳遮呹P注，但相關研究一直未能對現(xiàn)有的照明設計形成指導。

腦電波（EEG）信號因其良好的時間分辨率和精度［9］，被認為是檢測駕駛疲勞的“金標準”［10］。EEG信號主要包括α波、β波、θ波和δ波，通過對原始數(shù)據(jù)的時頻域分析進而提取特征信號，可應用于不同年齡駕駛人疲勞特性［11］、長途客車駕駛人疲勞狀態(tài)［12］等研究中。在光源色溫與EEG信號關系方面，Park 等［13］通過改變光源色溫來研究試驗人員的EEG信號變化情況，發(fā)現(xiàn)色溫的變化會引起腦電信號中α波的顯著變化。Shin等［14］利用單通道EEG信號來表示不同光照條件下被試者的注意力和放松程度，結果表明高色溫、高照度的LED 燈更能提高被試者的注意力水平。這些研究揭示了光源色溫與EEG 信號的關聯(lián)性，但是缺少關于隧道內(nèi)光源色溫對駕駛過程中EEG信號變化影響的研究。

針對以上問題，提出了基于虛擬仿真技術的隧道內(nèi)環(huán)境改善方法。以駕駛模擬試驗為基礎，以司駕人員的EEG 信號為生理指標，集成虛擬現(xiàn)實（VR）設備、模擬駕駛設備和EEG信號測量設備，搭建隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)。通過建立并導入不同內(nèi)環(huán)境下的隧道模型，在系統(tǒng)中開展虛擬駕駛，研究不同色溫下司駕人員的反應時間和EEG 信號變化規(guī)律，以進一步探究光環(huán)境與駕駛人之間的關系，并探討采用VR 技術進行隧道安全駕駛模擬的準確性，以期為隧道光環(huán)境設計及改善提供參考。

1 試驗方案

1.1 試驗系統(tǒng)

為實時記錄被試者在駕駛過程中的EEG信號，選用BrainCo 公司的Focus 1 腦機接口頭環(huán)，如圖1a所示。采用羅技公司生產(chǎn)的力反饋天駒來模擬真實駕駛感受，并記錄駕駛過程中車輛的運行狀態(tài)，如圖1b 所示。采用HTC 公司生產(chǎn)的VIVE pro 設備，還原隧道內(nèi)部環(huán)境，如圖1c所示。

圖1 試驗設備Fig.1 Test equipment

軟件方面，采用Unity3D軟件，開發(fā)虛擬駕駛場景，并集成上述設備，實現(xiàn)隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)的搭建。

1.2 工程背景

選取杭州市博奧隧道為試驗路段。如圖2 所示，博奧隧道全長2 771 m，為雙向四車道城市干道，隧道設計行車速度60 km·h-1，預計2020年底通車。

作為2022 年杭州亞運會的核心通道，為體現(xiàn)杭州市精致和諧的時代特征以及創(chuàng)造駕駛安全環(huán)境，需對博奧隧道內(nèi)部光環(huán)境進行設計。由于實車試驗的不可行性，因此采取虛擬仿真試驗方法，研究最佳光環(huán)境設計方案。

1.3 被試者選擇

試驗中招募不同年齡、不同駕齡的駕駛人30名，滿足被試者駕齡在1年以上的要求，視覺機能正常、無生理缺陷并有通過隧道段的行車經(jīng)驗。為避免外部因素影響，被試者在試驗前1 h內(nèi)未進行激烈運動，前12 h內(nèi)未飲用含酒精或可卡因飲品，以保證試驗數(shù)據(jù)的合理性和客觀性。

1.4 試驗步驟

圖2 虛擬仿真試驗隧道位置Fig.2 Location of virtual simulation test tunnel

在正式試驗前，首先利用3ds Max 軟件建立不同的隧道內(nèi)環(huán)境模型并添加貼圖，然后導出格式為fbx的文件，最后將文件導入隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)中。隧道模型導入系統(tǒng)后，先按照既定駕駛任務進行預試驗，以確保正常駕駛。

正式試驗時，被試者先穿戴設備靜坐3 min，在EEG信號平穩(wěn)后，被試者按照既定路線進行虛擬駕駛。在虛擬駕駛過程中，按時間順序記錄EEG 信號。虛擬仿真試驗場景如圖3所示。

圖3 虛擬駕駛場景Fig.3 Virtual driving scene

1.5 數(shù)據(jù)采集

1.5.1 EEG信號

相關駕駛研究表明，駕駛分心和注意力不集中是引發(fā)交通事故的主要原因［15］。基于此，研究試驗過程中駕駛人EEG信號的變化情況，并用EEG信號表征注意力集中程度，采集到的注意力數(shù)據(jù)n為EEG 信號數(shù)據(jù)的量化，即n=f(α，β，θ，δ)。數(shù)據(jù)采集段為隧道進口段至隧道出口段，采集頻率設置為2 Hz。

駕駛員之間存在個體差異，僅比較注意力值的高低或增減次數(shù)，并不能全面體現(xiàn)內(nèi)環(huán)境對安全駕駛的影響［16］。因此，采用注意力增長率p來表示注意力變化情況，計算式如下所示：

式中：n1為平靜狀態(tài)下被試者注意力值；n2為駕駛過程中被試者注意力值。

1.5.2 反應時間

突發(fā)情況下駕駛人的反應時間是指駕駛人察覺到突發(fā)異常情況可能對自身駕駛造成影響、做出避讓決定到車輛運動狀態(tài)發(fā)生變化的整個過程所耗費的時間［17］。本研究中測量反應時間的方式是通過集成模擬駕駛設備監(jiān)測制動踏板和方向盤的狀態(tài)數(shù)據(jù)，記錄異常工況出現(xiàn)到車輛運動狀態(tài)發(fā)生改變的時間，計算式如下所示：

式中：tr為反應時間；tc為車輛制動踏板或方向盤狀態(tài)發(fā)生變化的時刻；ts為事故工況出現(xiàn)的時刻。

2 正常駕駛工況下色溫影響

2.1 模型設計

為研究光源色溫對駕駛安全的影響，保證光源亮度為2 cd·m-2不變且內(nèi)裝飾環(huán)境一致，分別對光源色溫為2 000、3 000、4 000、5 000、6 000、7 000、8 000 K時的隧道場景進行試驗。3種典型色溫下隧道模型如圖4所示。

圖4 不同色溫下隧道模型Fig.4 Tunnelmodelsatdifferentcolor temperatures

2.2 試驗結果與分析

2.2.1 自然光下注意力增長率隨駕駛時間變化特征

為了研究隧道駕駛過程中駕駛員的注意力變化情況，選擇光源為自然光（色溫為4 000 K）的隧道模型進行試驗。通過對每位被試者的注意力增長率數(shù)據(jù)進行篩選和平均處理，獲得注意力增長率與駕駛路程的數(shù)據(jù)。自然光下注意力增長率和距隧道入口距離的關系如圖5所示。

從圖5 看出，駕駛人進入隧道前后注意力明顯集中，相比于平靜狀態(tài)下注意力更高，表明駕駛人給予較多注意力資源在進入隧道前后。進入隧道后，注意力增長率呈波動下降趨勢，注意力值長時間低于平靜狀態(tài)下注意力值，并且在行駛1 200 m左右時達到最低；在隧道出口前后，駕駛人注意力再次波動上升，注意力再次集中，并高于平靜狀態(tài)下注意力。

圖5 注意力增長率和距隧道入口距離的關系（4 000 K）Fig.5 Relationship between attention growth rate and distance from tunnel entrance（4 000 K）

由此可見，在隧道出入口位置，駕駛人的注意力集中于駕駛任務，注意力增長率較高；進入隧道后，隨著駕駛時間和里程的增加，駕駛人出現(xiàn)駕駛疲勞，注意力分散，注意力增長率降低。

2.2.2 不同色溫下注意力增長率變化特征

不同色溫下駕駛人注意力增長率統(tǒng)計結果如表1 所示。從表1 可以看出，相比于低色溫（2 000～4 000 K），高色溫（6 000～8 000 K）下駕駛人的平均注意力增長率更高，并且均方差更小。這表明，高色溫有利于駕駛人注意力的提高，注意力波動較小，不易分散。然而，色溫并不是越高越好。例如，相比于8 000 K，光源色溫為6 000 K時駕駛人的平均注意力增長率更高。

表1 不同色溫下駕駛人注意力增長率統(tǒng)計結果Tab.1 Statistical results of drivers’ attention growth rate at different color temperatures

為了進一步研究色溫與注意力增長率之間的關系，得到最合適的光源色溫，以色溫為自變量，平均注意力增長率為因變量，量化注意力增長率變化規(guī)律。構建“注意力增長率-色溫”模型，將表1中數(shù)據(jù)分別代入下式：

式中：x為自變量；y為因變量；a、b、c均為回歸系數(shù)。

應用OriginPro 2017 軟件進行數(shù)據(jù)擬合，得到“注意力增長率-色溫”擬合結果，如圖6所示。模型方差分析結果如表2所示。

圖6 注意力增長率和光源色溫擬合曲線Fig.6 Fitting curve of attention growth rate and color temperature of light source

駕駛人平均注意力增長率和光源色溫擬合曲線的決定系數(shù)（COD）R2=0.947 6。從表2可看出，顯著性概率p=0.006 ＜0.050，說明擬合度較好。平均注意力增長率計算式為

式中：pa為平均注意力增長率；Tc為光源色溫。

表2 注意力增長率與光源色溫關系模型方差分析結果Tab.2 Variance analysis results on relationship between attention growth rate and color temperature of light source

從圖6 和式（4）可以看出，色溫為2 000～6 300 K時，隨著色溫的增加，駕駛人平均注意力增長率呈上升趨勢；色溫為6 300～8 000 K 時，駕駛人平均注意力增長率隨著色溫的增加而緩慢減小。因此，從駕駛人注意力角度，隧道內(nèi)光源宜采用色溫為6 300 K左右的高色溫光源。

3 事故工況下色溫影響

3.1 模型設計

為了更貼合實際駕駛情形，設計了隧道內(nèi)追尾事故工況，如圖7所示。

圖7 隧道模型內(nèi)追尾事故Fig.7 Rear-end collision in tunnel model

由圖5 可知，在隧道內(nèi)駕駛1 000～1 500 m 時，駕駛人注意力會進入一個低谷，因此追尾事故設置在距入口1 200 m位置處，考察當隧道內(nèi)出現(xiàn)追尾事故時，駕駛人在不同色溫下的反應時間及EEG信號波動規(guī)律。

3.2 試驗結果與分析

3.2.1 反應時間差異性顯著檢驗

不同色溫下隧道內(nèi)駕駛人反應時間變化特征如圖8所示。圖8為箱線圖和折線圖的組合圖，箱線圖反映了不同色溫下反應時間的離散程度，折線圖反映了平均反應時間隨色溫變化的規(guī)律。

從圖8 可看出，不同色溫下駕駛員反應時間平均值分布在0.5～1.0 s，相比于2 000～4 000 K，5 000～8 000 K 時反應時間離散程度更小。光源色溫從2 000 K增加到5 000 K時，反應時間不斷降低；色溫從5 000 K 增加到8 000 K 時，反應時間略有波動但是起伏不大，維持在一個相對較低的水平。

為了進一步分析色溫對反應時間的影響，應用單因素方差分析對不同色溫下駕駛人反應時間進行差異性檢驗，發(fā)現(xiàn)7 種色溫下駕駛人的反應時間存在總體顯著差異（p=0.000）。利用續(xù)后分析進一步探討7種色溫下反應時間的顯著性差異，如表3所示。表3 中，未列的色溫組合表明不存在顯著性差異。

表3 不同色溫下單因素方差分析結果Tab.3 Results of one-way ANOVA at different color temperatures

表3表明，駕駛人在隧道內(nèi)行駛、色溫為2 000 K時的反應時間顯著高于色溫為4 000 K（p=0.011）、5 000 K（p=0.000）、6 000 K（p=0.005）、7 000 K（p=0.000）和8 000 K（p=0.000）時的反應時間，色溫為3 000 K時的反應時間則顯著高于色溫為5 000 K（p=0.000）、6 000 K（p=0.041）、7 000 K（p=0.004）和8 000 K（p=0.000）時的反應時間，色溫為4 000 K時的反應時間則顯著高于色溫為5 000 K（p=0.016）和8 000 K（p=0.040）時的反應時間。

從圖8和表3可知，光源色溫對駕駛人反應時間有顯著影響。當色溫較低時（2 000～4 000 K），反應時間較長；當色溫提高至5 000 K 及以上時，駕駛人反應時間顯著降低，為0.5～0.6 s。

3.2.2 反應時間分布及擬合

由第3.2.1 節(jié)可知，5 000～8 000 K 下反應時間不存在顯著性差異，因此將色溫分為兩組，低色溫組（2 000～4 000 K）和中高色溫組（5 000～8 000 K），量化兩類色溫條件下駕駛人的反應時間。

已有研究表明［17］，駕駛人反應時間近似服從正態(tài)分布，因此對兩類色溫條件下駕駛人反應時間進行正態(tài)分布擬合。正態(tài)分布的概率分布函數(shù)為

式中：為異常工況下駕駛人的反應時間，s；μ為駕駛人反應時間的均值，s；σ為駕駛人反應時間的標準差，s。

擬合結果如圖9所示。低色溫（2 000～4 000 K）時，R2=0.936，擬合效果較好，擬合均值μ=0.781 s，標準差σ=0.112 s；中高色溫（5 000～8 000 K）時，R2=0.869，擬合效果較好，擬合均值μ=0.575 s，標準差σ=0.150 s。

圖9 兩類色溫下駕駛人反應時間分布及擬合曲線Fig.9 Distribution of drivers’reaction time at two kinds of color temperatures and its fitting curve

從圖9 可以得到：駕駛員對異常工況的反應時間可以看作服從正態(tài)分布；當隧道內(nèi)光源色溫較低時（2 000～4 000 K），駕駛人的平均反應時間為0.78 s，長于隧道內(nèi)光源色溫較高時（5 000～8 000 K）的平均反應時間0.58 s。

3.2.3 EEG信號波動規(guī)律

從試驗數(shù)據(jù)中篩選出距離事故點前后50、100、150、200、250、300 m位置的注意力增長率，得到不同色溫下經(jīng)過事故點時駕駛人的EEG信號變化特征，如圖10所示。

圖10 不同色溫下經(jīng)過事故點前后駕駛人EEG信號變化Fig.10 Changes of EEG signals before and after passing accident point at different color temperatures

從圖10 可以看出，經(jīng)過追尾事故點前后，駕駛人的注意力有較大提升。到達事故點前，色溫為2 000～4 000 K 時，駕駛人的注意力增長率低于-15%，并且2 000 K 和3 000 K 時駕駛人注意力低于-20%，而5 000～8 000 K時駕駛人注意力增長率保持在-15%以上；駛離事故點后，光源色溫為5 000～8 000 K 時駕駛人注意力增長率保持在15%以上，而光源色溫為2 000～4 000 K時駕駛人注意力增長率在15%左右波動。因此，從EEG信號的角度來看，光源色溫為5 000～8 000 K時駕駛人注意力更為集中，相比2 000～4 000 K 時更不易出現(xiàn)駕駛疲勞。

4 結論

（1）運用VR 技術，建立隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)，模擬隧道內(nèi)光源色溫變換和隧道追尾事故，還原真實駕駛感受。

（2）正常駕駛時，光源色溫對駕駛人注意力影響顯著，高色溫下駕駛人的平均注意力增長率更高且均方差更小。通過構建注意力增長率與光源色溫的關系模型，量化了駕駛人平均注意力增長率與光源色溫之間的關系，得出6 300 K左右的光源最利于注意力資源集中。

（3）當隧道內(nèi)出現(xiàn)事故時，光源色溫對駕駛人反應時間有顯著影響。低色溫（2 000～4 000 K）下駕駛人對事故的反應時間約為0.78 s，而中高色溫（5 000～8 000 K）下駕駛人對事故的反應時間約為0.58 s。

作者貢獻聲明:

鄧國明：公式推導，理論模型搭建，仿真與優(yōu)化分析，數(shù)據(jù)圖表整理，論文撰寫等。

鄭松林：研究指導，論文質(zhì)量把關。

邵建旺：研究指導，提供模型仿真和驗證的意見和建議。

吳 憲：研究指導，提供論文構思、論文表述、論文修改等方面的質(zhì)量把關。

陳則堯：參與隔聲優(yōu)化的FE-SEA 模型搭建，提供Kriging 近似模型優(yōu)化的建議。