Page 334 - 《软件学报》2026年第3期

章程 等: 人机共驾场景中驾驶权接管技术研究综述 1297

为表现 (如是否成功规避、避障路径轨迹) 也是评估接管最终质量的重要客观依据. 通过将主观反馈与客观行为、
生理数据进行深度融合分析, 研究者能够构建更为全面、精准的接管绩效画像. 此种多模态融合评估策略, 对于识
别现有接管策略的不足、深入解析人机交互瓶颈, 以及优化人机共驾系统中控制权的动态转移过程, 具有至关重
要的作用.

表 4 接管绩效评估方法汇总表

评分方式/
评估方法 评估类别 评估维度 具体指标 量表/单位
数据来源
0–10 (0=低风险感
驾驶场景危险程度 危险感知 场景危险程度评分 驾驶员问卷
知, 10=高风险感知)
SART问卷或
情景意识 意识清晰度 情景意识评分 Likert 5级
其他量表
安全性、干扰性、 各维度评分 问卷 1–5 (如: 1=极不安
紧迫性 (Likert型) 全, 5=极安全)
主观感知
认知需求、 时间需求、认知负荷等 NASA-TLX 0–100 (加权分数)
主观评估 生理负荷 子项
方法 安全感、扭矩反馈、 安全感 (平静程度)、扭矩感知、 7级 0–6 (如0=困难,
控制过渡评价
过渡难度 控制过渡难易 Likert量表 6=容易)
可学习性、可记忆性、效率、 QUIS、
可用性评价 系统可用性 Likert 5/7级
出错率、满意度 SUMI等问卷
0–100 (0=未准备,
接管准备情况 准备程度 接管准备评分 0–100分自评
100=完全准备)
心理需求、生理需求、时间压
工作量 多维负荷 － －
力、挫折感、表现
制动响应、纵向/横向控制、 专家 1–10 (1=失控,
TOC评级 控制水平
车道选择、驾驶员表情等 视频评分 10=完全控制)
注视区域、注视持续时间、 时间 (ms)、
情景意识 视觉行为 眼动仪数据
扫视幅度 角度 (°)
GSR、HR、SCR、AHR、 原始数据
生理指标 压力与唤醒 生理传感器
EEG (γ/β波谱) (如bpm、μS)
心率变异性 (HRV)、 生理信号 统计值
认知负荷 压力与工作量
GSR峰值数量 分析 (如峰值次数)
客观评估
方法 困倦程度 疲劳状态 EEG慢波活动 脑电设备 功率谱密度
驾驶 转向角偏差 (SAD)、SRR、 角度 (°)、
2
稳定性 车辆控制 SDLP、纵向/横向加速度RMS 车辆传感器 加速度 (m/s )
接管反应时间 (TOR→操作)、
反应时间 接管效率 视线转移时间、信息处理时间 视频记录+时间戳 毫秒 (ms)
(TOR→变道)
最小碰撞时间 (TTC min )、 时间 (s)、
安全指标 风险规避 最大加速度 (MA)、 车辆动力学数据 2
加速度 (m/s )
油门踏板输入数 (NGI)

2 人机共驾场景中的人机信任

2.1 人机信任的定义与形成机制
人机信任作为一个多学科交叉的研究领域, 其定义具有多维特征. 在人机共驾等自主系统场景中, 信任通常被
理解为“人类用户对自动化系统在特定情境下能够帮助其实现目标的积极预期” [91] . 该定义包含 3 个核心要素: 信
任主体 (用户)、信任客体 (机器系统) 以及存在风险或不确定性的任务情境 [92−94] . Schoeller 等人 [95] 从神经科学角
度出发, 将自动化信任定义为“对自动化系统的虚拟控制感”, 强调实时交互反馈在信任形成中的关键作用. Lin 等
人 [96] 在医疗领域的研究结论同样适用于人机共驾情景, 指出良好的人机信任需在技术可靠性与用户心理预期之