王海曉， 丁 旭， 呂 貞， 高明星

(內(nèi)蒙古農(nóng)業(yè)大學(xué)能源與交通工程學(xué)院， 呼和浩特 010018)

分心駕駛指行車過程中駕駛?cè)藢⒆⒁饬Ψ峙涞脚c駕駛主任務(wù)無關(guān)的其他次任務(wù)的行為，導(dǎo)致駕駛?cè)说囊曈X資源、認(rèn)知資源被不同程度占用，存在巨大的安全隱患[1-2]。使用手機(jī)已成為誘發(fā)駕駛分心的主要原因之一，而視覺是駕駛?cè)双@取交通信息的主要途徑[3]，因此，研究駕駛?cè)瞬僮魇謾C(jī)分心駕駛時的視覺行為特征，對于甄別分心駕駛狀態(tài)，評價駕駛?cè)朔中呢?fù)荷水平具有重要意義。

國內(nèi)外學(xué)者對分心駕駛時駕駛?cè)说囊曈X特征做了相關(guān)研究。HASHASH等[4]開展了城市道路模擬駕駛試驗，表明駕駛?cè)嗽谑褂檬謾C(jī)瀏覽社交媒體和發(fā)送短信時造成視覺分心，注視前方道路頻率顯著降低。KOUNTOURIOTIS等[5]研究發(fā)現(xiàn)認(rèn)知分心時視線的集中程度顯著增加。JIN等[6]設(shè)計了高速公路模擬駕駛，通過建立眼動指標(biāo)評價體系，表明分心次任務(wù)顯著降低了駕駛安全性。高巖等[7]通過城郊道路模擬駕駛試驗，驗證了特定的手機(jī)操作任務(wù)對駕駛?cè)艘曈X特性存在顯著影響。王海曉等[8]設(shè)計了草原公路模擬駕駛試驗，表明操作手機(jī)分心駕駛時，駕駛?cè)说挠行б曈X搜索范圍變窄。游峰等[9]通過構(gòu)建視覺參數(shù)影響因子模型研究表明手機(jī)操作對駕駛行為造成了明顯影響。

現(xiàn)有研究側(cè)重于相同道路類型中單一交通狀況下分心駕駛時駕駛?cè)说囊曊J(rèn)特性方面的探討，鮮有從不同的交通狀況條件下開展分心駕駛研究。基于此，本文設(shè)計城市快速路場景2種行車環(huán)境中模擬駕駛的方法，采集不同駕駛狀態(tài)下的注視指標(biāo)，以此挖掘駕駛?cè)嗽诜中鸟{駛過程中的注視行為，量化分心負(fù)荷水平，為駕駛?cè)俗⒁曅袨樾Ｕ约靶熊嚢踩峁├碚撘罁?jù)。

1 研究方法

1.1 試驗變量

獲取自由流和擁擠流2種城市道路典型交通狀況下駕駛?cè)诉M(jìn)行不同駕駛次任務(wù)的眼動參數(shù)，以表達(dá)“眼動數(shù)據(jù)”的“視覺特性參數(shù)”為因變量，以表達(dá)“自由流、擁擠流”的“交通狀況”和表達(dá)“正常駕駛、免提通話、語音短信”的“駕駛狀態(tài)”為自變量。

1.2 試驗設(shè)備與人員

試驗主要設(shè)備包括模擬駕駛器、眼動信息采集裝置及執(zhí)行駕駛次任務(wù)所需的智能手機(jī)。試驗所采用的全仿真模擬駕駛器是由法國OKTAL公司開發(fā)的QJ-4B1型六自由度模擬駕駛器，設(shè)備由模擬駕駛艙、視景顯示設(shè)備和操作控制平臺構(gòu)成(圖1)，其中模擬駕駛艙采用實車操控部件，由比亞迪F3轎車改裝而成。眼動信息采集設(shè)備采用德國SMI生產(chǎn)的Iview X HED型眼動儀(含Begaze分析軟件)。駕駛次任務(wù)中使用的智能手機(jī)均安裝有微信聊天軟件。

圖1 試驗的主要設(shè)備

試驗采用滾雪球抽樣的方式，樣本量的計算公式如下：

(1)

其中，n為樣本量，Z為標(biāo)準(zhǔn)正態(tài)分布統(tǒng)計量，σ為總體標(biāo)準(zhǔn)差，E為容許誤差。顯著性水平取0.1，則Z=1.28，σ的取值范圍為0.25～0.50，結(jié)合抽樣調(diào)查的結(jié)果，取σ=0.30、E=10%。

根據(jù)式(1)求得所需最小樣本量n=15,因此，試驗招募19名非職業(yè)駕駛?cè)俗鳛楸辉?，所有被試均知曉本實驗的所有流程和研究目的，并已簽訂知情同意書。年齡為27～54歲(均值：34.4，標(biāo)準(zhǔn)差：9.4)；均持有C1駕駛證，視覺功能正常且裸眼或矯正視力在4.8以上，駕齡均在2年以上(均值：8.2，標(biāo)準(zhǔn)差：4.9)。試驗前24 h保證被試人員正常的飲食和休息，無飲酒或服用藥物，同時避免劇烈運(yùn)動。

1.3 試驗場景

采用3D-MAX搭建試驗場景，模擬晴朗天氣下駕駛?cè)嗽诔鞘锌焖俾飞闲旭偟那闆r，為保證試驗數(shù)據(jù)的可比性，設(shè)置自由流、擁擠流2種交通場景，均采用雙向四車道設(shè)計，道路全長20 km，車道寬度為3.5 m，限速80 km/h，整體試驗路線設(shè)計及場景如圖2所示。

圖2 試驗路線的設(shè)計

在自由流場景中，要求被試人員駕駛主車(Subject Vehicle，SV)跟隨前方引導(dǎo)車(Leader Vehicle，LV)行駛，且保持一定的跟車距離，不允許主車進(jìn)行超車。引導(dǎo)車的車速設(shè)計為65 km/h，為避免學(xué)習(xí)效應(yīng)，設(shè)置其車速產(chǎn)生小范圍波動，模擬加減速情況。對向車道存在少量車輛，對主車行駛無影響。在擁擠流場景中，主車與和引導(dǎo)車前后同時出現(xiàn)大量車流，將主車和引導(dǎo)車迅速融入其中，車流速度設(shè)計為35 km/h，此時主車不需要保持跟車行駛狀態(tài)，在安全行駛的前提下，允許超車與變道。

1.4 試驗過程

被試在工作人員的幫助下先進(jìn)行10 min的適應(yīng)性訓(xùn)練、熟悉操作，不涉及任何駕駛次任務(wù)的安排，隨后進(jìn)入正式試驗，手機(jī)切換至微信聊天界面并安置于車輛中控臺位置，被試人員駕駛主車從起點(diǎn)出發(fā)，通過不同交通流場景，行駛至特定位置觸發(fā)駕駛次任務(wù)，包括免提通話和語音短信，內(nèi)容設(shè)計為同等難度數(shù)學(xué)計算，每項操作持續(xù)約50 s，間隔5 min以供駕駛?cè)苏{(diào)整狀態(tài)。被試將分別在2種交通狀況中完成免提通話及發(fā)送語音短信2項任務(wù)。

1.5 數(shù)據(jù)處理

利用Origin 2021數(shù)據(jù)分析與繪圖軟件、SPSS(Statis tical Product Service Solutions,統(tǒng)計產(chǎn)品與服務(wù)解決方案)軟件和眼動儀自帶分析軟件(Begaze)對采集的眼動數(shù)據(jù)進(jìn)行統(tǒng)計與數(shù)據(jù)處理分析。為保證數(shù)據(jù)的有效性、可比性，分別截取駕駛?cè)送瓿擅糠N次任務(wù)的30 s數(shù)據(jù)進(jìn)行分析，并截取駕駛?cè)藷o次任務(wù)正常駕駛狀態(tài)下30 s的數(shù)據(jù)作為空白對照組。

2 結(jié)果與討論

行車過程中駕駛?cè)送ㄟ^注視不斷加工處理外界信息，以保證行車安全，當(dāng)駕駛?cè)颂幱诓煌潭确中臓顟B(tài)時，伴隨著相應(yīng)注視行為指標(biāo)的變化[10]。因此，挖掘駕駛?cè)嗽诜中鸟{駛過程中的注視行為特性，對于分心負(fù)荷的評價具有重要意義。

2.1 注視區(qū)域劃分

由于行車視野范圍中不同區(qū)域所包含信息的密度、重要程度的差異，駕駛?cè)送捎眠x擇性注意的視覺搜索模式。注視點(diǎn)可以表征駕駛?cè)怂⒁獾目臻g焦點(diǎn)，集中的區(qū)域可以表征駕駛?cè)说呐d趣區(qū)域(Areas of Interest，AOI)。因此，對視野區(qū)域進(jìn)行劃分是研究駕駛?cè)俗⒁曁匦缘幕A(chǔ)。

聚類分析方法可以通過多次迭代逐步提高聚類效果，且對于大樣本數(shù)據(jù)適用性強(qiáng)。層次聚類法可以有效規(guī)避初始聚類中心設(shè)定的問題，發(fā)現(xiàn)類簇間的層次關(guān)系且實施起來更加靈活，因而適用于注視區(qū)域的劃分。

采用歐式距離建立數(shù)據(jù)集距離矩陣，運(yùn)行UPGMA算法計算兩簇之間的距離，完成層次聚合過程。分別將19名被試人員在自由流和擁擠流2種駕駛場景下的注視點(diǎn)坐標(biāo)進(jìn)行層次聚類，結(jié)合分類數(shù)目與類間距離繪制碎石圖，類間距離隨著分類數(shù)目的增加均呈現(xiàn)遞減趨勢，自由流和擁擠流狀態(tài)均以5～6類為分界點(diǎn)趨穩(wěn)。

結(jié)合機(jī)械劃分法將注視區(qū)域劃分為6部分，其中：A為道路左側(cè)及左后視鏡區(qū)域；B為前方道路區(qū)域，是行車過程中的主要注視區(qū)域；C為前方道路遠(yuǎn)處區(qū)域：D為車內(nèi)儀表盤區(qū)域；E為中控臺手機(jī)放置區(qū)域；F為道路右側(cè)及右后視鏡區(qū)域。區(qū)域劃分見圖3。將駕駛?cè)嗽?種交通狀況下的注視點(diǎn)坐標(biāo)分別進(jìn)行層次聚類，選取類的數(shù)量為6，聚類中心如表1所示，聚類后的注視點(diǎn)分布如圖4所示。根據(jù)層次聚類結(jié)果，駕駛?cè)诵熊囘^程中注視點(diǎn)主要集中于前方道路區(qū)域，自由流和擁擠流場景中該區(qū)域注視點(diǎn)占比分別為89.59%和93.80%。

圖3 駕駛?cè)艘曇皡^(qū)域的劃分

表1 聚類中心結(jié)果

圖4 注視點(diǎn)層次聚類結(jié)果

2.2 注視區(qū)域信息熵

以前方道路區(qū)域的聚類中心作為整個注視區(qū)域的質(zhì)心位置，將每個注視點(diǎn)距質(zhì)心的距離以100 px為步長進(jìn)行分區(qū)段統(tǒng)計，可以反映出駕駛?cè)说淖⒁朁c(diǎn)偏移程度，頻次占比情況如圖5所示。

圖5 不同駕駛狀態(tài)下注視點(diǎn)偏移質(zhì)心距離的頻次占比

在2種行車環(huán)境中，相較于正常駕駛狀態(tài)，語音短信狀態(tài)下，注視點(diǎn)偏移距離在300 px以上的中長距離區(qū)間內(nèi)注視頻次占比顯著增加，0～100 px短距離區(qū)間內(nèi)注視頻次占比顯著減小，表明該過程駕駛?cè)舜蠖嗵幱谝曈X分心狀態(tài)，需要在手機(jī)屏幕和前方道路之間頻繁轉(zhuǎn)移視線，為保證行車安全，擴(kuò)大了道路區(qū)域的視覺搜索范圍。

在免提通話狀態(tài)下，注視點(diǎn)偏移距離在300 px以上的區(qū)間內(nèi)注視頻次占比減少，且行車環(huán)境單一的自由流場景中，0～100 px區(qū)間內(nèi)注視頻次占比顯著增加，表明該過程駕駛?cè)舜蠖嗵幱谡J(rèn)知分心狀態(tài)，注視點(diǎn)集中于道路前方區(qū)域，觀察周圍路況的行為大幅減少。信息熵是量化信息量的指標(biāo)，從熱力學(xué)中借鑒而來，可衡量系統(tǒng)的有序化程度。即系統(tǒng)越有序，信息熵越?。环粗酱骩11]。同理，駕駛?cè)俗⒁晠^(qū)域的信息熵越高，表明注視點(diǎn)分布越離散，反之則越集中。將注視點(diǎn)坐標(biāo)到質(zhì)心的距離以100 px為1個步長劃分成5個區(qū)段。信息熵：

(2)

其中，H(X)為注視區(qū)域信息熵，單位為比特(bit)；pij為駕駛?cè)颂幱趇種駕駛狀態(tài)下注視點(diǎn)偏移質(zhì)心距離在第j距離區(qū)段內(nèi)的頻次占比，pij≥0，當(dāng)pij=0時，pijlog2pij=0；h為距離劃分區(qū)段數(shù)，本文h=5。

統(tǒng)計2種交通狀況下駕駛?cè)颂幱诓煌{駛狀態(tài)的注視區(qū)域信息熵(圖6)，2種交通狀況下注視區(qū)域信息熵分布區(qū)間和離散程度相似，自由流中信息熵主要分布于0.545～1.707 bit，擁擠流中信息熵主要分布于0.651～1.714 bit，語音短信狀態(tài)下信息熵均值相較于正常駕駛狀態(tài)激增。在自由流場景中，免提通話狀態(tài)下注視區(qū)域信息熵相較于正常駕駛狀態(tài)銳減，而在擁擠流場景中則與正常駕駛狀態(tài)無顯著差異。原因是由于自由流場景行車環(huán)境單一，駕駛?cè)嗽诿馓嵬ㄔ挄r處于嚴(yán)重認(rèn)知分心狀態(tài)，觀察周圍路況的頻次大幅減小。

圖6 駕駛?cè)俗⒁晠^(qū)域信息熵分布

采用統(tǒng)計學(xué)方法對數(shù)據(jù)進(jìn)行單因素方差分析，研究2種交通狀況下駕駛?cè)颂幱诓煌{駛狀態(tài)的注視區(qū)域信息熵差異性。如表2所示，顯著性水平為0.05，在不同交通狀況下，不同駕駛狀態(tài)下駕駛?cè)说淖⒁晠^(qū)域信息熵差異顯著。為進(jìn)一步研究交通狀況與駕駛狀態(tài)對注視區(qū)域信息熵的影響程度，采用雙因素方差分析如表3所示，駕駛狀態(tài)對注視區(qū)域信息熵有顯著影響,而交通狀況以及交通狀況與駕駛狀態(tài)的交互作用對注視區(qū)域信息熵不存在顯著影響。

表2 駕駛狀態(tài)對注視區(qū)域信息熵影響的單因素方差分析

表3 注視區(qū)域信息熵雙因素方差分析

2.3 注視持續(xù)時間

注視持續(xù)時間是指一次注視過程中，人眼視軸中心位置保持不變的持續(xù)時間，單位為ms。在行車過程中，駕駛?cè)说淖⒁暢掷m(xù)時間直觀地反映了識別、處理目標(biāo)信息的難易程度以及對注視目標(biāo)的感興趣程度。將駕駛?cè)嗽诓煌煌顩r下處于不同駕駛狀態(tài)時的注視持續(xù)時間以200 ms為步長進(jìn)行分區(qū)段統(tǒng)計，結(jié)果如圖7所示。

圖7 注視持續(xù)時間頻次占比

在2種行車環(huán)境中，相較于正常駕駛狀態(tài)，免提通話操作時注視持續(xù)時間在400 ms以上的中長時間區(qū)間內(nèi)注視頻次占比顯著增加，且擁擠流場景中注視頻次占比增幅更加明顯，表明駕駛?cè)舜蠖嗵幱谡J(rèn)知分心狀態(tài)，需要通過多次長時間的注視搜尋處理交通信息，調(diào)節(jié)行車狀態(tài)；在語音短信狀態(tài)下，由于駕駛?cè)诵枰谑謾C(jī)屏幕和前方道路之間頻繁轉(zhuǎn)移視線，增加了視覺分心程度，導(dǎo)致0～200 ms區(qū)間的短時注視頻次占比增加，且自由流場景下注視頻次占比增幅更加明顯。

統(tǒng)計所有被試人員的平均注視持續(xù)時間如圖8所示，自由流中注視持續(xù)時間主要分布于309～674 ms；擁擠流中主要分布于239～453 ms，且更加集中，持續(xù)時間較短，這是由于擁擠流場景中，駕駛?cè)诵枰獣r刻觀察前方車流的變化，通過多次短時間的注視搜尋處理交通信息，適應(yīng)復(fù)雜的行車環(huán)境。在2種交通狀況下，駕駛?cè)颂幱谑謾C(jī)操作狀態(tài)的注視持續(xù)時間均值相較于正常駕駛狀態(tài)普遍增加。在自由流場景中駕駛?cè)藞?zhí)行語音短信任務(wù)時，注視持續(xù)時間比正常駕駛狀態(tài)的短，原因是駕駛?cè)诵枰l繁觀察手機(jī)，且單次注視手機(jī)的持續(xù)時間比自由流中正常駕駛時識別處理交通信息的單次注視時間更短，致使總體持續(xù)時間均值下降。

圖8 駕駛?cè)俗⒁暢掷m(xù)時間分布

對注視持續(xù)時間進(jìn)行單因素方差分析，如表4所示，在不同交通狀況下，處于不同駕駛狀態(tài)駕駛?cè)说淖⒁暢掷m(xù)時間差異都是顯著的。采用雙因素方差分析如表5所示，交通狀況與駕駛狀態(tài)均對駕駛?cè)俗⒁暢掷m(xù)時間有顯著影響，且交通狀況與駕駛狀態(tài)對注視持續(xù)時間存在交互影響。

表4 駕駛狀態(tài)對注視持續(xù)時間影響的單因素方差分析

表5 注視持續(xù)時間雙因素方差分析

2.4 注視偏差

2.4.1 垂直方向注視偏差 垂直方向注視偏差是指注視點(diǎn)在垂直方向上分布位置的標(biāo)準(zhǔn)差，利用眼動儀直接采集得到，用來表征行車過程中駕駛?cè)舜怪狈较虻囊曈X搜索廣度。如圖9所示，自由流中注視偏差主要分布于13～35 px；擁擠流中主要分布于11～31 px。在2種交通狀況下垂直方向注視偏差分布情況相似，且駕駛?cè)颂幱谑謾C(jī)操作狀態(tài)的注視偏差均值相較于正常駕駛狀態(tài)普遍增加。值得注意的是，自由流場景中在駕駛?cè)诉M(jìn)行免提通話時，垂直方向注視偏差比正常駕駛狀態(tài)的小，原因是自由流場景行車環(huán)境單一，且駕駛?cè)藞?zhí)行免提通話任務(wù)過程中大多處于認(rèn)知分心狀態(tài)，傾向于長時間注視于前方道路區(qū)域。

圖9 駕駛?cè)舜怪狈较蜃⒁暺罘植?/p>

對垂直方向注視偏差進(jìn)行單因素方差分析，如表6所示，在不同交通狀況下，處于不同駕駛狀態(tài)駕駛?cè)舜怪狈较蜃⒁暺畹牟町惗际秋@著的。采用雙因素方差分析如表7所示，交通狀況與駕駛狀態(tài)均對駕駛?cè)舜怪狈较蜃⒁暺钣酗@著影響，且交通狀況與駕駛狀態(tài)對垂直方向注視偏差存在交互影響。

表6 駕駛狀態(tài)對垂直方向注視偏差影響的單因素方差分析

表7 垂直方向注視偏差的雙因素方差分析

2.4.2 水平方向注視偏差 水平方向注視偏差是指注視點(diǎn)在水平方向上分布位置的標(biāo)準(zhǔn)差，用來表征行車過程中駕駛?cè)怂椒较虻囊曈X搜索廣度。經(jīng)統(tǒng)計分析表明駕駛狀態(tài)以及交通狀況與駕駛狀態(tài)的交互作用對水平方向注視偏差均不存在顯著影響，故不做詳細(xì)分析討論。

2.5 瞳孔面積

瞳孔面積常作為反映駕駛?cè)诵睦碡?fù)荷和視覺舒適度的輔助指標(biāo)。引發(fā)個體瞳孔面積變化的因素眾多，環(huán)境亮度的改變會促使瞳孔面積快速擴(kuò)張或收縮；情緒、心理努力程度、知覺與注意等多重心理因素也會導(dǎo)致瞳孔面積發(fā)生明顯變化[12-13]。

2.5.1 瞳孔面積差異性 提取駕駛?cè)?S1～S19)在2種交通狀況且處于正常駕駛(無次任務(wù))狀態(tài)的瞳孔面積數(shù)據(jù)平均值，在不執(zhí)行駕駛?cè)蝿?wù)的情況下，各駕駛?cè)说耐酌娣e分布情況如圖10所示，處于擁擠流場景中駕駛?cè)送酌娣e普遍增大，這是由于擁擠流場景中行車環(huán)境復(fù)雜，駕駛?cè)诵睦砼Τ潭燃哟?，心理?fù)荷加重，視覺適應(yīng)性下降，致使其瞳孔擴(kuò)張。采用單因素方差分析研究駕駛?cè)嗽诓煌煌顩r下瞳孔面積的個體差異性。結(jié)果顯示：自由流中F=512.350(P=0.000)，擁擠流中F=735.875(P=0.000)，駕駛?cè)送酌娣e的個體差異顯著。

圖10 不同交通狀況下駕駛?cè)送酌娣e

2.5.2 瞳孔面積變異系數(shù) 為減小瞳孔面積個體差異性的影響，引入變異系數(shù)衡量各駕駛?cè)送酌娣e數(shù)據(jù)的離散程度。變異系數(shù)越大，瞳孔面積的波動越顯著，從而間接反映駕駛?cè)艘曈X適應(yīng)性及心理負(fù)荷水平。變異系數(shù)：

(3)

其中，Cv為變異系數(shù)，σ為標(biāo)準(zhǔn)差，μ為平均值。

如圖11所示，在2種交通狀況下，瞳孔面積變異系數(shù)分布情況相似，手機(jī)操作狀態(tài)時的瞳孔面積變異系數(shù)高于正常駕駛狀態(tài)。自由流中該變異系數(shù)主要分布于0.035～0.140；擁擠流場中該變異系數(shù)主要分布于0.036～0.127。

圖11 駕駛?cè)送酌娣e變異系數(shù)分布

免提通話狀態(tài)瞳孔面積變異系數(shù)增長率較小，在自由流、擁擠流中分別為7.25%和4.51%，瞳孔面積的變化主要由駕駛?cè)诵睦碡?fù)荷增加所致；語音短信狀態(tài)變異系數(shù)激增，在自由流、擁擠流中增長率分別為81.81%和83.51%，引起該變化的因素：手機(jī)屏幕和視景顯示設(shè)備存在亮度差，駕駛?cè)藞?zhí)行語音短信次任務(wù)時需要頻繁轉(zhuǎn)移視線；分心駕駛過程駕駛?cè)诵睦碡?fù)荷增加。瞳孔面積在雙因素的耦合效應(yīng)下顯著變化。

對瞳孔面積變異系數(shù)進(jìn)行單因素方差分析，如表8所示，在不同交通狀況下，處于不同駕駛狀態(tài)駕駛?cè)送酌娣e變異系數(shù)均有顯著差異。采用雙因素方差分析如表9所示，駕駛狀態(tài)對駕駛?cè)送酌娣e變異系數(shù)有顯著影響,交通狀況以及交通狀況與駕駛狀態(tài)的交互作用對瞳孔面積變異系數(shù)不存在顯著影響。

表8 駕駛狀態(tài)對瞳孔面積變異系數(shù)影響的單因素方差分析

表9 瞳孔面積變異系數(shù)的雙因素方差分析

2.6 分心負(fù)荷

2.6.1 分心負(fù)荷指數(shù) 本文設(shè)計免提通話和語音短信2種分心次任務(wù)，分別誘使被試人員產(chǎn)生認(rèn)知分心和視覺分心，為了評價不同類型分心任務(wù)對駕駛?cè)说挠绊懗潭仁欠翊嬖诓町?，提出“分心?fù)荷”概念對駕駛分心狀態(tài)的嚴(yán)重程度進(jìn)行表征，綜合評價駕駛?cè)说男睦碡?fù)荷水平，從而探究手機(jī)操作行為對分心負(fù)荷的影響過程及定量結(jié)果。根據(jù)描述統(tǒng)計和方差分析結(jié)果，選取注視區(qū)域信息熵、注視持續(xù)時間、垂直方向注視偏差和瞳孔面積變異系數(shù)作為評價駕駛?cè)朔中呢?fù)荷的依據(jù)，建立駕駛?cè)朔中臓顟B(tài)的評價指標(biāo)，分心負(fù)荷指數(shù)的建立過程如下。

步驟1：分別將2種交通狀況下的各注視指標(biāo)做區(qū)間化處理，設(shè)第j項注視指標(biāo)輸入集合為Xj，

Xj={x1j,x2j,…,xij}，

則指標(biāo)的區(qū)間化方法為：

(4)

其中，Rj為區(qū)間化處理后的注視指標(biāo)輸出集合，即

Rj={r1j,r2j,…,rij}；

xij為第j項注視指標(biāo)的第i個輸入值；為便于指標(biāo)權(quán)重的計算，取a=0.01，b=0.99，即數(shù)據(jù)區(qū)間化范圍取0.01～0.99。

步驟2：將區(qū)間化處理后的指標(biāo)進(jìn)行熵權(quán)法分析，熵權(quán)法可根據(jù)各項指標(biāo)的變異程度，利用信息熵計算出指標(biāo)熵權(quán)，再通過熵權(quán)對指標(biāo)權(quán)重進(jìn)行修正，得出較為客觀的指標(biāo)權(quán)重[14]。熵權(quán)法的計算過程如下。

(1)構(gòu)建區(qū)間化處理后的原始數(shù)據(jù)矩陣：

(5)

(2)記第j項指標(biāo)下第i個輸入值的比重為pij，則：

(6)

(3)計算第j項指標(biāo)的信息熵ej：

(7)

其中，m為輸入值個數(shù)，k=1/lnm。

(4)計算第j項指標(biāo)的信息效用值dj：

dj=1-ej。

(8)

d越大，則該指標(biāo)提供的信息量越大，越應(yīng)給予較大的指標(biāo)權(quán)重。

(5)計算第j項指標(biāo)的熵權(quán)：

(9)

分別計算2種交通狀況下各注視指標(biāo)的權(quán)重，計算結(jié)果如表10所示。

表10 不同交通狀況熵權(quán)法分析計算結(jié)果匯總

步驟3：根據(jù)權(quán)重，分別計算不同交通狀況下全部指標(biāo)第i個輸入值的綜合得分為：

(10)

其中，F(xiàn)i為綜合得分；wj為第j項注視指標(biāo)的權(quán)重系數(shù)；rij為區(qū)間化處理后的第j項注視指標(biāo)的第i個輸入值；n為注視指標(biāo)數(shù)量，本文n=4。

步驟4：將計算得到的2種交通狀況下不同駕駛狀態(tài)的指標(biāo)綜合得分取均值，計算分心負(fù)荷指數(shù)結(jié)果如圖12所示。除自由流場景中免提通話狀態(tài)，相比于正常駕駛，手機(jī)操作對駕駛?cè)俗⒁曅袨橛酗@著影響，使得駕駛?cè)朔中呢?fù)荷指數(shù)普遍提高，其中擁擠流場景中免提通話狀態(tài)下該指數(shù)增幅為20.62%，2種場景語音短信狀態(tài)下該指數(shù)增幅分別達(dá)到24.91%和67.32%，結(jié)果表明：擁擠流行車環(huán)境增幅更加顯著，且語音短信操作對駕駛?cè)擞绊懗潭让黠@高于免提通話。

圖12 不同交通狀況下分心負(fù)荷指數(shù)的變化

2.6.2 分心負(fù)荷指數(shù)結(jié)果驗證 采用TOPSIS法對分心負(fù)荷指數(shù)的評估結(jié)果進(jìn)行進(jìn)一步驗證，TOPSIS法是研究評價對象與理想化方案相似性的順序選優(yōu)模型，通過檢測評價對象與正負(fù)理想解的相對接近程度，從而進(jìn)行相對優(yōu)劣評價的一種方法[15]。

(1)將同一交通狀況中相同駕駛狀態(tài)下區(qū)間化處理后的各指標(biāo)輸入值rij取均值并計算倒數(shù)，使數(shù)據(jù)全部同趨勢正向化，得到u種駕駛狀態(tài)下的指標(biāo)zuj，構(gòu)建t行n列的正向化矩陣Z，本文每種交通狀況對應(yīng)3種駕駛狀態(tài)，反映分心負(fù)荷的指標(biāo)共4個，因此取t=3，n=4，建立矩陣

Z=(zuj)t×n。

(11)

(2)確定矩陣Z的最優(yōu)向量Z+和最劣向量Z-：

(12)

(13)

(14)

(15)

(4)最后計算各評價對象與理想化方案的相對接近程度Cu：

(16)

分別計算2種交通狀況下各駕駛狀態(tài)與理想化狀態(tài)的相對接近度Cu并排序，Cu越大表明駕駛狀態(tài)越優(yōu)。TOPSIS法分析結(jié)果如表11、表12所示，2種交通狀況不同駕駛狀態(tài)的優(yōu)劣排序結(jié)果與分心負(fù)荷指數(shù)的評估結(jié)果一致。

表11 自由流場景TOPSIS法的評價結(jié)果

表12 擁擠流場景TOPSIS法的評價結(jié)果

將本文構(gòu)建的分心負(fù)荷指數(shù)模型與游峰等[9]構(gòu)建的視覺參數(shù)影響因子模型做對比(圖13)，不同駕駛狀態(tài)下2種模型計算結(jié)果呈現(xiàn)出相同的變化趨勢，進(jìn)一步驗證了分心負(fù)荷指數(shù)評估結(jié)果的有效性。

圖13 不同模型計算結(jié)果對比

3 結(jié)論

本文選取城市快速路場景進(jìn)行模擬駕駛試驗，采集了自由流和擁擠流2種典型交通狀況下駕駛?cè)藞?zhí)行不同手機(jī)操作任務(wù)的注視指標(biāo)，對比正常駕駛狀態(tài)分析了手機(jī)分心操作對注視行為特性的影響，得到以下結(jié)論：

(1)駕駛?cè)藞?zhí)行免提通話任務(wù)時大多處于認(rèn)知分心狀態(tài)，視域相對集中，對路況和環(huán)境觀測不足；駕駛?cè)藞?zhí)行語音短信任務(wù)時多處于視覺分心狀態(tài)，頻繁轉(zhuǎn)移視線，常通過努力擴(kuò)大搜索范圍進(jìn)行安全補(bǔ)償。

(2)根據(jù)聚類原則，城市快速路行車時駕駛?cè)说淖⒁暸d趣區(qū)域劃分為6類；通過描述統(tǒng)計和方差分析，可將注視區(qū)域信息熵、注視持續(xù)時間、垂直方向注視偏差、瞳孔面積變異系數(shù)作為衡量注視行為特性的敏感性指標(biāo)集。

(3)計算并驗證分心負(fù)荷指數(shù)對分心程度的評估效果。根據(jù)評估結(jié)果，相較于正常駕駛，除自由流場景中進(jìn)行免提通話操作時分心負(fù)荷差異甚微，操作手機(jī)時駕駛?cè)朔中呢?fù)荷指數(shù)普遍升高，且擁擠流行車環(huán)境中增幅更加顯著，其中執(zhí)行語音短信操作的分心負(fù)荷增幅可達(dá)67.32%，駕駛風(fēng)險遠(yuǎn)高于免提通話。

后續(xù)研究還應(yīng)進(jìn)一步結(jié)合其他眼動、心電、腦電等指標(biāo)，全面量化駕駛?cè)朔中臅r的心理負(fù)荷水平，結(jié)合車輛運(yùn)行指標(biāo)開展分心警示和干預(yù)的研究。