Page 343 - 《软件学报》2026年第3期

1306 软件学报 2026 年第 37 卷第 3 期

3.2 基于人机信任的驾驶接管策略优化
人机共驾技术的快速发展推动人机协同系统成为智能交通领域的研究热点. 在系统安全与用户体验双重目标
下, 驾驶接管策略优化面临两大核心挑战: 首先, 基于黑箱算法的决策机制削弱了驾驶员对系统行为的可理解性,
这一矛盾在特种车辆 (如警用、消防车辆) 驾驶员中尤为突出——因其工作场景涉及法定通行权限的特殊行使,
其对系统决策透明度的要求远高于普通用户; 其次, 传统单一模态交互体系难以适应动态驾驶环境, 固定阈值触发
机制缺乏对驾驶员认知状态 (如情境意识、信任水平) 的实时响应. 为应对上述挑战, 本文从信任动态建模与自适
应交互、多模态交互与场景适配两个维度, 系统梳理基于人机信任的驾驶接管策略优化研究进展.
在信任动态建模与自适应交互方面, 驾驶员对人机共驾系统的信任受心理模型影响显著. 研究表明主观认知偏
差, 如高估先进驾驶辅助系统 ADAS (advanced driver assistance system) 功能, 比客观知识更能预测信任水平 [154] .
针对这一特性, 信任动态建模成为优化接管策略的核心. Hu 等人 [105] 提出的线性时不变 (LTI) 状态空间模型结合
卡尔曼滤波算法, 通过实时监测驾驶员行为与感知风险, 实现了信任偏差的精准检测, 其语音提醒策略使事故率降
低 47.6%. 然而, 该模型对复杂场景的适应性有限, 未来需融合多模态数据 (如眼动、心率) 提升鲁棒性. Sun 等人 [108]
的 CTEM 模型进一步细化评估维度, 通过 VGG16 网络分析注视-头部运动特征和 LSTM 预测干预轨迹, 将信任量
化为阈值, 但其计算复杂度可能影响实时性. 在权限分配方面, Wang 等人 [155] 的双模糊控制器基于扭矩阈值识别接
管意图, 通过“驾驶能力-意图”双重评估使冲突场景避障时间缩短 35%, 但其模糊规则依赖专家经验, 需结合强化
学习实现自优化. Fang 等人 [156] 的疲劳自适应系统则通过改进 MTCNN 动态调整控制权重, 在严重疲劳状态下使
人机冲突大幅降低, 但面部特征易受光照干扰, 需辅以生理信号 (如 EEG) 增强可靠性.
在多模态交互与场景适配方面, 随着人机共驾系统向高级别发展, 人机交互的复杂性和场景多样性对驾驶接
管策略提出了更高要求. 传统单一维度的交互模式已难以满足不同驾驶场景下的接管需求, 亟需建立基于多模态
感知和场景自适应的智能交互体系. 这一体系的核心在于通过多通道信息融合 (如视觉、听觉、触觉等) 和场景
特征识别, 实现接管过程的自然、高效与安全. 研究表明, 优化多模态交互设计并实现场景化适配, 不仅能提升接
管效率, 还能有效校准驾驶员信任, 为人机协同驾驶提供重要保障. 警报设计是优化多模态交互设计的一个关键环
节. 警报设计需兼顾效率与用户体验. Umpaipant 等人 [151] 发现高强度警报可使接管时间缩短 1.94 s, 但非驾驶任务
可能引发“认知参与度悖论”——执行打字任务时反应反而加快 2.94 s, 提示需分场景设计警报强度. Shi 等人 [152]
验证了周边 HMI 结合信息性 TOR 的优势, 其道路注视比例提升 23%, 最大合成加速度降低 31%, 但 HUD 易导致
“注意力隧道”, 需优化信息布局 (如 Wang 等人 [157] 的三级透明度 HMI) 以平衡工作负荷. 另一关键因素在于, 针对
多模态交互设计进行场景适应性优化. Miller 等人 [33] 系统梳理了 L3 级人机共驾车辆接管过程的关键要素, 重点分
析了运行设计域的界定与影响, 提出了基于场景分类的接管策略, 并从人因、交互模态及环境因素等多维度探讨

了接管优化的方法路径. Liu 等人 [158] 提出的 ACTNet 深度学习模型通过融合多源数据预测最小预期碰撞时间, 实
现了高精度的接管性能预测, 为智能车辆的自适应接管时间规划提供了有效解决方案. Wu 等人 [159] 的两阶段接管
程序通过倒计时和方向盘触觉要求, 使车道变换失败率显著降低, 但其 MRM 功能触发逻辑仍需细化.
3.3 多模态交互与信任建模发展趋势
当前, 多模态交互与信任建模研究虽取得显著进展, 但仍面临三重关键技术瓶颈的制约: 首先, 现有信任模型
的动态响应延迟与实时驾驶决策的毫秒级要求存在显著差距; 其次, 跨模态传感器数据的语义融合缺乏普适性解
释框架, 制约了系统决策的透明度; 第三, 面向极端工况的个性化适配机制尚未形成完善的技术体系.
展望未来, 该领域有望沿以下方向实现突破: 在神经工效学评估方面, 基于非侵入式脑机接口的认知监测技术
将实现驾驶员心理负荷的实时量化分析, 为信任校准提供精准依据; 在场景理解层面, 融合领域知识图谱的策略生
成模块可深度解析复杂交通环境的隐含规则, 增强系统行为的可预测性; 在计算架构方面, 边缘智能技术的演进将
推动轻量化模型的车路云协同部署, 实现低延迟、高可靠的分布式决策. 这些技术脉络的深度融合, 不仅将重塑人
机协同驾驶的安全范式, 更将为构建具备情境感知、认知透明和动态可信特性的下一代智能座舱生态系统奠定关
键基础.