Page 44 - 《软件学报》2025年第12期

张杨杨 等: 典型驾驶场景下接管绩效预测及特征分析 5425

针对以上局限性, 本研究在 CARLA [11] 仿真平台上模拟驾驶场景并收集被试在 6 个具有代表性的驾驶场景下的接
管实验过程中产生的生理信号、车辆数据以及眼动数据, 通过结合自动驾驶标准及现有的研究对接管绩效进行判
定, 并将这些数据特征使用 DNN 进行建模预测接管绩效, 并使用 SHAP 模型对特征进行解释, 探究不同的特征对
接管绩效的影响程度. 本研究的整体流程如图 1 所示.

数据采集 静态特征
age gender scenario … …
36 male S1 … …
36 male S2 … … 预测模型 特征分析
36 male S3 … … 特征融合
… … … … …
HRV
接管
动态特征 时间
驾驶
velocity EMG HRV … 里程
…
20 0.789 0.543 2 … 特征
…
个体
26 0.789 0.543 2 … 优秀 良好 一般
28 0.789 0.543 2 …
… … … … 时间
图 1 接管绩效预测及解释模型实验流程

本文的主要贡献如下.
(1) 典型事故场景仿真环境与驾驶接管表现研究. 本研究构建了 6 个覆盖高风险事故的仿真场景, 这些场景基
于《智能网联汽车 自动驾驶功能场地试验方法及要求》国家标准和美国事故报告, 精心筛选出典型的事故多发
场景, 并在仿真环境中进行了建模. 通过模拟不同驾驶场景, 不仅显著提升了研究的现实相关性, 还深入探究了驾
驶员在紧急情况下的接管表现. 这一方法为自动驾驶技术的安全性能评估提供了全新的视角.
(2) 本研究在前人研究的基础上, 并参考国际评价标准, 提出了一套多维度的接管绩效评价体系. 该体系超越
了传统的接管反应时间单一指标, 扩展到了包括最大横向和纵向加速度、最小碰撞时间等关键性能指标, 构建了
一个更全面和客观的评估框架. 这一多维度评价方法为自动驾驶车辆的接管性能提供了更精细的量化分析, 有助
于指导自动驾驶系统的实际设计和优化工作.
(3) 本研究提出了一种多模态绩效预测模型, 该模型融合了心跳变异率、肌电信号、眼动信号等多种生理信
号以及车辆数据. 利用深度神经网络技术, 模型整合了肌电、心电、车辆操作数据和眼动信息, 实现了对驾驶员接
管绩效的高准确度预测, 准确率超过了 92%. 此外, 通过应用 SHAP (Shapley additive explanations) 模型对影响绩效
的关键特征进行深入分析, 本研究不仅增强了模型的透明度和可解释性, 还揭示了心电特征、驾驶经验和最小碰
撞距离等关键因素对接管绩效的显著影响, 为车辆安全性提供了科学的依据和改进建议.
本文第 1 节介绍不同场景下有条件自动驾驶接管实验及分析模型的相关工作. 第 2 节介绍不同场景下接管实
验数据采集. 第 3 节介绍接管绩效预测及分析模型构建. 第 4 节汇报实验结果及分析. 最后总结全文.
1 典型场景下接管绩效预测及分析模型相关工作

从自动驾驶状态切换为手动驾驶状态, 意味着当前系统即将面临较为复杂的交通环境或者需要执行安全攸关
的驾驶任务. 在这个过程中驾驶员自身状态、车辆数据以及自动驾驶系统与驾驶员之间的信息交互尤为关键, 而
这种控制权的切换过程被定义为接管 [12] . 在安全攸关的场景下, 接管绩效的好坏会直接影响行车安全, 接管绩效
不好可能会导致碰撞发生, 严重时甚至会危害驾驶员及车上乘客的生命安全. 当前对自动驾驶接管过程的研究大
多数是基于有条件自动驾驶, 此时主驾驶座上的人在自动驾驶系统控制汽车时担任乘客角色, 但当自动驾驶系统
发出接管提醒时, 人的角色由乘客转换成驾驶员, 需要完成汽车的接管并驾驶汽车.
一些研究者探究接管反应时间或接管质量的影响因素, McDonald 等人 [13] 综合调研了在接管过程中时间预算、
无声失败、手持次要任务、汽车的自动化程度、信任疲劳和酒精等外部条件因素及内部自身因素对接管反应时