自动驾驶控制权转移中驾驶员行为特性与预警机制研究

Transfer of Control (TOC), which refers to the process that the automation system requires the driver to take back vehicle control, is a necessary part in today’s autonomous driving. Given that TOC is unpredictable and time-pressing, whether the driver can effectively handle the TOC request is of great importance to the safety of the autonomous vehicles. This project proposes to investigate the above question from three aspects. First, through a simulated driving experiment, the project will investigate drivers’ behavioral and visual characteristics, when TOC happens under different secondary task and available time conditions. This work will offer an understanding of drivers' cognitive mechanisms (e.g. information perception, comprehension and decision making) during TOC. Second, using Logistic Regression and Support Vector Machine techniques, the project will develop and compare different TOC accident models to identify key risk factors. Finally, based on the findings from the above two studies, this project will develop TOC warnings with different modules (auditory/visual) and different contents (simple alert/hazard alert/traffic alert/intervention alert). A simulated driving experiment will be carried out to evaluate the effectiveness of the warning strategies. As a whole, findings from this project can provide guidance for the design of the human-machine interaction system in autonomous vehicles, which will further help to decrease the TOC accident rate and improve road safety.

自动驾驶系统将车辆控制权移交给驾驶员的过程（Transfer-of-Control, TOC）是当前自动驾驶的必要组成部分。该过程事发突然、时间紧急，对自动驾驶安全至关重要。本项目拟围绕TOC人机交互这一核心内容，探索TOC中驾驶员行为特性与预警机制两个关键问题。首先，通过驾驶模拟实验，探索不同次任务与预留时间下驾驶员在TOC中的操控行为特征，建立基于多眼动指标的驾驶员动态视觉特征衡量体系，揭示驾驶员信息获取、信息处理与决策执行的规律。其次，利用逻辑回归和支持向量机方法建立TOC事故模型，揭示风险因子与事故机理。最后，设计不同形态（听觉/视觉）和内容（简单提示/险情提示/路况提示/干预提示）的TOC预警，开展驾驶模拟实验，基于主观和客观指标集综合评价预警策略的有效性，揭示预警对TOC接管绩效的影响机理。研究成果可为自动驾驶人机交互系统的设计提供科学依据，有助于提高交通安全。

自动驾驶控制权转移（Transfer-of-Control, TOC）对自动驾驶安全至关重要。本项目基于一系列驾驶仿真实验，对TOC相关的三个问题进行了研究：（1）TOC时驾驶员操控行为和视觉行为特征规律；（2）基于操控数据及眼动数据的TOC事故预测模型；（3）TOC预警策略在不同驾驶次任务下的有效性评估。主要的结论如下：（1）对于道路险情的响应，TOC时驾驶员的响应机制和手动驾驶时的响应机制存在显著差异；（2）预警模态（听觉、视觉）和预警内容（简单、行动）对TOC时驾驶员的操控行为和眼动行为有显著影响。四种预警中，视觉行动预警诱发了最低平均速度、最快的刹车反应时和更高的刹车反应比率，其表现最优。（3）基于支持向量机（Support Vector Machine, SVM）算法、采用操控特征和眼动特征数据集建立的TOC事故模型表现最优，能够达到81%的准确率。这表明TOC前的视觉特征和TOC事故密切相关，但是TOC后的操控特征也对事故预测至关重要。（4）在有视觉次任务时，行动视觉预警仍然有较高的有效性，表明该类预警的鲁棒性较强。（5）振动预警的有效性得到了验证，振动预警位置对TOC接管行为影响不显著。本项目揭示了TOC时驾驶员的操控和视觉行为特征，结论可以直接用指导TOC预警的设计；提出的TOC事故建模方法，不仅能够用于揭示TOC事故因子，还为其他安全领域（如核电、航空等）的事故建模提供了新思路；基于TOC预警有效性的研究结论，本项目推荐行动视觉预警应该是自动驾驶车辆必备的预警信号，振动预警可以作为辅助预警信号。