劉卓凡，趙霞，吳付威

(1.西安郵電大學，現(xiàn)代郵政學院，西安710061;2.長安大學，汽車學院，西安710064)

0 引言

城市道路場景交通結(jié)構(gòu)復雜、交通變量類型多樣，具有隨機性和不確定性特點。據(jù)統(tǒng)計，我國城市道路里程占全國道路總里程的7.5%，但城市道路交通事故卻占全國道路交通事故的45.8%。駕駛?cè)俗鳛槿?車-路系統(tǒng)的核心，忽視重要交通變量，是影響交通安全的重要因素。因此，有必要研究影響城市道路環(huán)境下駕駛注意力需求的交通因素。

駕駛注意力需求是指單位時間或單位距離內(nèi)駕駛?cè)诵枰幚淼慕煌ㄐ畔⒘縖1]。鑒于視覺系統(tǒng)是駕駛?cè)双@取交通信息的主要通道，許多研究通過分析駕駛?cè)说囊曈X行為研究駕駛注意力需求[2]。當駕駛?cè)藢⒁暰€轉(zhuǎn)移至與駕駛無關的目標時，其環(huán)境感知力將隨視線轉(zhuǎn)移時長的增加而下降。Kircher等[3]指出，駕駛?cè)说沫h(huán)境感知力一般不會超過個人不確定度的承受極限。Senders[4]基于目標信息的衰減速度，提出外界交通環(huán)境越復雜，駕駛?cè)诵枰^察周圍交通信息以更新自我感知力的頻率也就越高。

各個交通目標的可預測性與其自身特征有關，比如相對空間位置、運動狀態(tài)等。有研究指出，駕駛注意力需求隨彎道曲率的增加而增加；跟車距離越近，對駕駛注意力需求越高[5]?？梢酝茰y，當駕駛?cè)嗽诙虝r間內(nèi)需要獲取和處理更多的交通信息時，駕駛場景對注意力的需求也就更高。Tivesten[6]發(fā)現(xiàn)，駕駛?cè)擞^察對向車輛的時長和頻率明顯多于對前車的觀察，說明不同交通參與者對駕駛注意力的需求不同。

視線遮擋技術(shù)(Vision Occlusion)可以用來評估駕駛?cè)嗽谑裁磿r刻/位置需要多長時間獲取交通信息[7]。Vision Occlusion 的默認狀態(tài)可以是遮擋狀態(tài)，也可以是非遮擋狀態(tài)；遮擋時長既可以由駕駛?cè)俗约嚎刂?，也可以由實驗設定。有學者將Vision Occlusion 的默認狀態(tài)設為非遮擋狀態(tài)，讓駕駛?cè)俗约哼x擇視線遮擋時刻和遮擋時長，研究高速駕駛過程中駕駛注意力需求特性[8]。但在實際駕駛過程中，視線離開前方道路的時間并不完全取決于駕駛?cè)?，有些駕駛次任務具有較強的強迫性。這種情況可以通過預設不同視線遮擋時長，讓駕駛?cè)烁鶕?jù)自我的環(huán)境感知力主動遮擋視線進行模擬[9]。

綜上所述，駕駛注意力需求隨交通環(huán)境的復雜度而變化。目前對駕駛注意力需求的研究多局限于駕駛環(huán)境復雜度對注意力整體需求的區(qū)別，或是不同駕駛?cè)蝿諏︸{駛注意力需求的影響，或是某個交通變量對駕駛注意力的需求特性[10]。這些研究從宏觀上分析了駕駛注意力的需求變化，有助于理解某一特定條件下的注意力需求。但綜合考慮城市交通場景中各個交通變量對駕駛注意力需求，即駕駛?cè)诵枰谑裁磿r候/地點、觀察哪些目標，尚未開展系統(tǒng)研究。鑒于此，本文采用視線遮擋方法，以視線遮擋概率反向表示駕駛注意力需求等級，利用逐步邏輯回歸模型[11]，探索城市道路場景下各個交通變量對駕駛注意力的需求等級和需求方式。

1 研究方法

1.1 被試駕駛?cè)?/h3>

實驗選取30位被試的數(shù)據(jù)進行分析。包括男性18人，女性12人，年齡在22～75歲，平均年齡34.4歲(標準差為6.0)，駕齡在2～57年，平均駕齡15.2年(標準差為14.5)。

1.2 實驗設備

實驗在固定基座的自動擋駕駛模擬器上展開。駕駛場景顯示系統(tǒng)由9個顯示器組成，可以提供180°×30°范圍的視野，并由一個戴在被試手指上的微型開關按鈕控制。按下開關按鈕，可以關閉前方水平方向110°視野范圍的顯示器，間接模仿駕駛?cè)艘暰€離開道路前方的狀態(tài)[7]。

1.3 實驗設計和實驗過程

設計基準實驗和對照實驗，對照實驗包含5個不同固定遮擋時長子實驗。在基準實驗中，被試正常駕駛，不需要遮擋視線。在對照實驗中，當被試自我感覺不需要觀察交通環(huán)境時，遮擋前方視野。前方屏幕關閉一段時間后，會自動開啟。關閉時長由每次子實驗設定的遮擋時長決定。選取1.0，1.4，1.8，2.2，2.6 s作為5個子實驗的固定遮擋時長。所有子實驗均為同一城市道路場景，雙向4 車道，每個車道寬3.5 m，限速為60 km·h-1，包含對向車輛、彎道、路邊停放車輛、公交車站、行人及十字路口等常見的交通變量。此外，實驗車輛前方有車速為60 km·h-1的引導車輛，被試保持適當跟車距離。

首先，被試閱讀并簽署實驗知情同意書，填寫個人基本信息表；其次，被試駕駛模擬器，熟悉交通環(huán)境，并進行正式實驗，先后完成6次子實驗。

2 數(shù)據(jù)分析

鑒于視線遮擋時長固定，認為駕駛場景中各個位置的遮擋次數(shù)越多表示剩余注意力越多，對駕駛注意力需求越低。因此，本文采用視線遮擋概率反向表示交通場景對駕駛注意力的需求等級。采用逐步邏輯回歸模型分析遮擋概率與交通變量的關系，構(gòu)建注意力需求等級模型，并分析交通變量對視線遮擋行為的影響方式。通過車速、時間和駕駛距離之間的關系，利用鄰近插值法對時間域內(nèi)的數(shù)據(jù)重新采樣轉(zhuǎn)換為空間域數(shù)據(jù)，分析遮擋概率隨駕駛路線的變化。

3 實驗結(jié)果

3.1 遮擋概率分析

遮擋概率是指實驗路段各個位置的遮擋次數(shù)與總實驗次數(shù)之比，表示各個位置的駕駛注意力需求等級。遮擋概率越高說明當前路段的可預測性越高，對駕駛注意力需求也相對越低。分別計算各個遮擋時長下的視線遮擋概率沿實驗路線的變化曲線，如圖1所示。

圖1 視線遮擋概率隨駕駛路線的變化分布Fig.1 Probability of visual occlusion along driving route

由圖1可知，視線遮擋概率沿實驗路線出現(xiàn)明顯波動，受不同交通變量影響的差異較大。當自車接近公交車站和路邊停放車輛時，視線遮擋概率明顯降低。當自車與對向車輛相遇時，最長遮擋時長的遮擋概率明顯降低，在短遮擋時長下也出現(xiàn)類似現(xiàn)象。另外，較長視線遮擋時長下的遮擋行為會集中在一些特定路段，而短遮擋時長下的遮擋行為在整個實驗路段的分布都比較均勻，這說明駕駛?cè)藭鶕?jù)外界交通環(huán)境特征自動調(diào)整自我注意力需求。另外，駕駛?cè)嗽谑致房诘囊暰€遮擋概率接近于0。說明城市道路的十字路口對視覺注意力需求較大。

3.2 注意力需求影響因素回歸模型

本文選取9 個可能影響駕駛?cè)俗⒁饬π枨蟮慕煌ㄗ兞?，具體解釋如表1所示。

表1 9個交通變量Table 1 Descriptions of 9 selected variables

設條件概率P(Y=1|x)=p為各個交通變量相對于視線遮擋發(fā)生的概率。邏輯回歸模型可表示為

式中：g(x)=β0+β1x1+β2x2+…+β8x8；xi為各個交通變量；βi為對應的回歸系數(shù)。

定義視線不遮擋的條件概率為

那么，視線遮擋與不遮擋的概率之比為

這個比值稱為視線遮擋的發(fā)生比，記為Odds。

那么視線遮擋的發(fā)生比率(Odds Ration)，即優(yōu)勢比

對于連續(xù)自變量x，如交叉口、跟車距離、會車距離等，每增加一個單位，則發(fā)生視線遮擋的比率為

對于二分類自變量x，如彎道2、路邊車輛、公交車站的取值只能為0 或1，稱為虛擬變量。當選擇xk=0 作為參考值時，xk=1 所對應的視線遮擋發(fā)生比率為exp(βk)。

對于多分類自變量，如彎道1、視距包括m個類別，選取一個參照類，則需要建立m-1 個虛擬變量。設虛擬變量為xk，其系數(shù)為βk，則每個虛擬變量相對于參照類，其視線遮擋發(fā)生的比率為exp(βk)。

采用逐步邏輯回歸模型對所選9 個交通變量的主效應進行分析并建立回歸模型。每次引入對視線遮擋影響最顯著的交通變量，并對方程中之前的交通變量逐個進行檢驗，把變?yōu)椴伙@著的交通變量從方程中剔除。

鑒于駕駛?cè)嗽谕ㄟ^十字路口過程中的視線遮擋概率接近于0，假如將所有數(shù)據(jù)作為一個整體進行分析，則必然混淆其他交通變量對注意力需求的影響。為此，將實驗數(shù)據(jù)分為沒有十字路口和接近十字路口兩部分，并分別構(gòu)建回歸模型，結(jié)果如表2所示。模型中變量的排列順序表示其在模型中的可解釋度高低。

表2 兩種場景下的邏輯回歸模型結(jié)果Table 2 Results of logistic regression models for two scenarios

在2 個回歸模型中，駕駛?cè)说慕忉尪染鶠樽罡?，可以推測不同被試對交通場景的理解不同。此結(jié)果與Kujala 等[1]的描述基本相符，這可能與被試的性格因素或駕駛經(jīng)驗有關。鑒于本文主要研究非人為交通變量如何影響駕駛注意力需求，故沒有對被試個體因素進一步研究。在沒有十字路口的路段，公交車站、路邊車輛和跟車距離是影響駕駛?cè)苏趽跻暰€行為較為顯著的因素。而在接近十字路口的路段內(nèi)，被試需要頻繁的關注十字路口左右的交通信息，這可能是因為十字路口的交通信息較難預測。另外，彎道1(彎道曲率)、彎道2(彎道方向)和會車距離也會影響駕駛注意力需求。

在沒有十字路口的路段，進一步對顯著影響駕駛注意力需求的各交通變量進行優(yōu)勢比分析，如圖2所示。路邊有公交車站和無公交車站的優(yōu)勢比小于1，說明周圍道路存在公交車站時，被試會減少視線遮擋，這可能是因為公交車站內(nèi)存在行人突然出現(xiàn)或公交車突然啟動的可能性，在一定程度上降低了當前交通場景的可預測性。跟車距離和會車距離屬于連續(xù)型變量，其優(yōu)勢比的計算采用各等級間比值的相對值，即當自車與前車的距離和距對向車輛距離增加一個單位(此處選擇20 m)時，定為一個等級?？梢钥闯?，跟車距離越近，距對向車輛越近，視線遮擋概率越小，駕駛注意力需求越高。

圖2 沒有十字路口路段邏輯回歸模型中的優(yōu)勢比Fig.2 Odds ratio in logistic regression model for road section without intersection

對十字路口前200 m 路段內(nèi)的數(shù)據(jù)進行優(yōu)勢比分析，如圖3所示。結(jié)果顯示，距離十字路口越近，視線遮擋概率越低。被試在右向彎道和左向彎道路段的視線遮擋概率小于直線路段行駛的遮擋概率，并且彎道曲率越大，遮擋概率越小。說明彎道路段對駕駛注意力需求相對直線路段更高，且彎道半徑越小，對駕駛注意力需求越高。左向彎道和右向彎道之間的優(yōu)勢比沒有顯著差異，說明彎道方向?qū)︸{駛注意力需求沒有影響。將會車距離按照20 m一個等級進行劃分，計算各等級間的優(yōu)勢比。結(jié)果顯示，距離對向車輛越遠，視線遮擋概率相對越大。這可能是因為在會車過程中，駕駛?cè)烁鶕?jù)兩車之間的相對距離評估駕駛風險。距離越近，風險相對越高，對駕駛注意力需求也越高。

3.3 十字路口分析

圖4為駕駛?cè)送ㄟ^十字路口過程中的視線遮擋概率變化曲線?？梢钥闯?，駕駛?cè)说囊暰€遮擋概率從距離十字路口約150 m 處隨兩者之間相對距離的縮短而降低，直至行駛至十字路口前25 m處，之后又隨兩者之間相對距離的縮短而增加。在所有5 種遮擋時長駕駛狀態(tài)下均存在這種變化趨勢。這可能是因為十字路口交通環(huán)境復雜，不確定性較大，駕駛?cè)私咏致房谇靶枰婚g斷地觀察當前場景信息，并預測各個交通變量的變換趨勢。而當駕駛?cè)诉M入十字路口時已明確獲取前方場景信息，不需要過多觀察當前場景信息時，可能會遮擋前方視線。間接說明駕駛?cè)嗽讷@取交通場景信息時，還不斷預測周圍環(huán)境變化。

圖3 接近十字路口路段邏輯回歸模型中的優(yōu)勢比Fig.3 Odds ratio in logistic regression model for road section approaching an intersection

圖4 通過十字路口過程中視線遮擋概率變化趨勢Fig.4 Occlusion probability as a function of distance to intersection per occlusion duration

4 結(jié)論

(1)基于逐步邏輯回歸模型，構(gòu)建交通變量對駕駛注意力需求影響因素模型。結(jié)果顯示，十字路口、路邊停放車輛、公交車站、對向車輛和彎道分別是影響城市道路上駕駛注意力需求的最顯著因素。

(2)駕駛車輛距離十字路口越近，道路曲率半徑越小，對駕駛注意力需求越高；路邊存在公交車站、停放車輛、較近的跟車距離和較近的會車距離都會增加駕駛注意力需求。

(3)駕駛?cè)藭鶕?jù)當前場景信息和各個交通變量特征，有選擇的獲取與當前駕駛有關的交通變量信息，并預測各個交通變量的發(fā)展趨勢，保持較好的環(huán)境感知力。

本文研究方法和結(jié)果對于提升行車安全性具有一定的理論意義。但模擬器實驗缺乏真實的危險體驗，且被試數(shù)量較少，所得結(jié)果缺乏絕對真實性。另外，利用邏輯回歸模型所構(gòu)建的解釋性模型是否適用于其他數(shù)據(jù)庫，有待進一步招募更多駕駛?cè)诉M行實車實驗驗證。