Page 45 - 《软件学报》2025年第12期

5426 软件学报 2025 年第 36 卷第 12 期

间的影响. Gold 等人 [14] 分别探究 5 s 和 7 s 的接管提醒时间对接管质量的影响, 实验发现在较短时间内接管会出
现更快的反应时间但接管质量较差. Chen 等人 [15] 探究使用注意力引导的方式发出接管提醒以提高驾驶员的接管
绩效. Heo 等人 [16] 探究不同天气条件及接管提醒方式对驾驶员接管的影响, 实验结果显示这些环境因素会对接管
的接管反应时间、变道时间、接管后最大加速度及主观心理负荷等产生影响. Meteier 等人 [17] 探究不同大小和不
同运动状态障碍物对接管绩效的影响, 结果显示在接管过程中, 动态障碍物对驾驶员的驾驶能力提出了更高的要
求. Hong 等人 [18] 探究听觉、视觉和触觉的接管提醒方式对接管的影响, 实验结果表明混合提醒方式比单一提醒方
式能更快让被试做出接管反应. Sanghavi 等人 [19] 通过让不同的被试进行接管实验并分析实验结果得出性别、驾驶
风格以及驾驶时驾驶员的精神状态和身体状态均会对接管反应时间和接管质量产生影响. Du 等人 [20] 通过将驾驶
场景归类成变道场景和跟车场景, 探究 40 名被试在这些场景下的接管绩效, 结果发现驾驶场景和道路环境均会对
驾驶员的接管绩效和生理反应产生影响. 一些研究对接管的驾驶偏好进行了预测, Koochaki 等人 [21] 使用神经网络
对驾驶员的驾驶风格偏好进行了预测.
一些研究者对接管反应时间和接管质量进行了预测. Gold 等人 [22] 使用定量方法对影响有条件自动驾驶情况
下, 接管时间预算较为紧迫的接管绩效影响因素进行分析, 并构建回归模型对接管反应时间、最小碰撞时间 (time
to collision, TTC)、制动应用和碰撞概率进行预测, 并使用 729 个接管片段对模型进行有效验证. Ma 等人 [23]
使用眼动数据通过建立回归模型预测在特定驾驶场景下的接管反应时间. Ayoub 等人 [24] 使用 XGBoost 建立回归
模型对接管反应时间进行预测, 并使用 SHAP 模型探究特征对结果的影响程度. Pakdamanian 等人 [25] 基于 DNN 使
用生理信号、眼动数据、车辆数据和人口统计学等数据对在高速公路下的接管意图和接管质量分别进行预测.
Sajedinia 等人 [26] 使用线性模型对驾驶员的驾驶偏好和接管行为进行预测, 发现信任是确定驾驶员的驾驶偏好及接
管行为的重要特征. Zhu 等人 [27] 使用心电信号、眼动特征以及头部位置信息作为输入特征, 使用 XGBoost 对接管
质量进行预测. Liu 等人 [10] 使用最小碰撞时间作为对接管绩效的衡量标准, 将眼动特征、驾驶环境特征、驾驶员
的人口统计信息以及时间预算作为神经网络 ACTNet 的输入对接管质量进行预测. Chen 等人 [28] 利用个体特征、
外部环境和态势感知等 15 个特征作为输入, 构建 BM+SA 模型对驾驶员的接管反应时间进行预测. Gu 等人 [29] 使
用驾驶员的多通道情绪和身体信息 (即面部表情、身体姿势、眼球运动和头部姿势), 以预测接管行为的准备程度、
反应时间和车辆数据的质量. 这些研究或仅探究接管反应时间和质量的影响因素, 或仅对接管反应时间和接管质
量进行预测, 并未能将二者结合起来, 且未考虑不同场景对接管结果的影响, 不能给自动驾驶系统提供有效的信息
反馈以保障行车安全. 基于此, 本研究综合考虑不同场景下驾驶员在辅助驾驶系统发出接管提醒后的接管绩效表
现, 综合考量接管反应时间与接管质量, 提出了新的接管绩效评价标准, 并通过构建数据采集实验采集包含生物电
信号、车辆信息、场景信息等在内的多模态数据. 这些数据均作为模型训练及预测的数据集, 构建了接管绩效预
测模型, 并对输入特征对预测结果的影响进行可解释性分析.

2 典型场景下接管实验数据采集

2.1 接管数据采集实验
● 驾驶场景. 驾驶场景是一个复杂的概念, 它涵盖了驾驶环境、交通参与者以及所有与驾驶行为相关的因素 [30] .
这些因素共同构成了一个影响驾驶质量的关键维度. 在不同的驾驶场景下, 驾驶员面临的挑战和要求各不相同. 例
如, 在车辆密集且类型多样的城市道路上驾驶, 与在空旷的乡村马路上行驶, 对驾驶员的技能和认知负荷提出了不
同的要求 [4] . 城市道路的驾驶场景通常要求驾驶员具备更高的警觉性和反应速度, 因为需要频繁地观察周围的交
通状况, 包括行人、自行车和其他车辆. 同时, 城市交通中的信号灯、路口和复杂的路标也增加了驾驶的难度. 相
比之下, 乡村道路上的驾驶可能相对简单, 但仍然需要驾驶员保持注意力集中, 尤其是在夜间或恶劣天气条件下.
此外, 即使是在同一类型的驾驶场景中, 障碍物的类型也会对驾驶员的反应产生影响. 例如, 遇到突然横穿道路的
动物与遇到前方施工区域, 驾驶员所需的应对策略和反应时间可能会有很大差异. 在之前的研究中, 实验设计的驾
驶场景往往局限于特定的情境, 如躲避障碍物和紧急制动, 而且大多数实验都是在高速公路上进行, 车辆行驶速度