Page 53 - 《软件学报》2025年第12期

5434 软件学报 2025 年第 36 卷第 12 期

SDNN
driving_mileage
min_ttc
SDSD
is_ndrt
car_num
RMSSD
eye_pos
longitudinal_acc
driving_year
person_num
scenario
lateral_acc
peak_num
sex
peak_amplitude
velocity
throttle class 1
brake class 2
steer_angle class 3
0 0.05 0.10 0.15 0.20 0.25 0.30 0.35
Mean(|SHAP value|) (average impact on model output magnitude)
图 9 不同特征对输出的影响程度

SHAP 分析揭示, 对神经网络模型预测接管绩效影响最为显著的 8 大特征依次为: 心率变异性中 RR 间期的
标准差、驾驶员累计驾驶经验 (以里程计)、最近遭遇的最小安全距离、心率变异性中 RR 间期差的平方根平均
值、执行非驾驶相关任务的频率、周围车辆数量、另一项反映心率变异性动态变化的指标——RR 间期差的平方
根平均值以及驾驶员注视焦点的位置. 具体而言, RR 间期标准差对判定接管绩效不佳情形的预测影响尤为突出,
而驾驶里程则显著影响对优异接管表现的正向预测, 最小碰撞距离成为判定接管操作卓越性的关键因素. 由此可
见, 确保模型对潜在不安全接管情况的精准预测尤为关键.
据此, 建议在自动驾驶交互系统设计及驾驶员在途监控中, 应重视对最近 10 s 窗口期内驾驶员心电活动特征
的动态监测、车辆行进间最小安全间距的即时评估, 以及持续追踪驾驶员视线聚焦区域. 当自动驾驶系统发出接
管请求之际, 若模型预判驾驶员当前状态不利于安全接管, 可立即触发紧急靠边停车程序, 以此作为首要安全应对
措施, 确保驾驶员及道路安全.
5 总 结

自动驾驶技术中的驾驶员接管研究是当前人机交互领域的一大研究热点, 尽管现有研究多集中于探究接管提
示方式对驾驶员反应时间和接管表现的直接影响, 并有尝试运用机器学习技术来预测接管质量的相关研究, 但本
研究在此基础上进行了更为深入的探索. 针对有条件自动驾驶接管实验场景单一性的问题, 本研究依据事故分类
和国家标准, 构建了 6 个典型的事故高发场景, 以丰富接管驾驶场景的多样性. 针对 6 个典型驾驶场景, 系统地收
集了驾驶员在接管过程中的多维度数据, 包括但不限于场景信息、生理信号、车辆动态数据及眼动追踪数据, 旨
在全面分析并预测在有条件自动驾驶 (conditional autonomous driving) 模式下的接管绩效. 结合国际标准和前人研
究, 提出了一种涵盖车辆控制数据和接管反应时间的接管绩效评价标准.
在此基础上, 本研究提出了一种基于神经网络的预测模型, 该模型能够有效整合上述多模态数据, 利用深度学
习的强大功能, 对驾驶员的接管绩效进行精准预测. 尤为重要的是, 我们不仅限于模型的构建与预测性能的提升,
还进一步检验了模型的泛化能力. 通过采用单一场景的训练数据来预测其他未见场景的接管质量, 我们严格验证
了模型在面对新场景时的适应性和稳定性.
此外, 为了增强模型解释性和透明度, 本研究引入了 SHAP 模型进行特征重要性分析. SHAP 模型基于博弈论
原理, 为各预测特征提供了定量化的贡献度评估, 清晰展现了哪些特征在预测接管绩效时发挥了关键作用. 这一策