文摘

人为因素是交通事故的重要诱因。了解高速公路环境对驾驶行为的影响和负载驱动程序已经证明为改善交通安全是最重要的。研究定位的影响,交通流量,并签署信息司机的心理工作负荷和行为,采用正交设计法建立了16个场景,和模拟驾驶实验进行了45的参与者。在开车,等指标的平均值和标准偏差车辆速度和车道偏离收集,和NASA-TLX采用问卷测量工作负载。方差分析结果表明,平面曲线的半径、梯度、流,并签署信息水平有显著影响司机的工作负载和速度保持能力。此外,平面曲线半径对车道保持能力有显著的影响。安全的重要性,对驾驶工作负载和性能影响因素被集成定量排名邓小平的关联度的趋势,综合关联度,以及类似的关联度的重量是计算使用熵方法。交通标志信息被发现对工作负载的影响最大。的驾驶性能,交通量最大影响车辆速度的平均值和标准偏差,其次是标志的数量信息。车道偏离最受平面曲线的半径的影响。 These findings provide guidance for freeway traffic safety regulation, including workload control and road facility optimization.

1。介绍

道路交通事故统计数据表明,80%的事故和65%的危险驾驶条件直接或间接由人为因素引起的,和司机没有明显的非法和主观错误在这些事故的41%1]。1988年,约翰(2]提出心理工作负荷的概念,也被称为心理负荷或认知负荷,并指出信息的认知过程消耗大脑的内存资源,会导致一定的工作量。扩展到交通领域,推动工作负载被认为是衡量心理资源被一系列的活动与驾驶相关的任务,如接受外界刺激,迅速处理信息和形成一个清晰的判断3]。心理工作负荷可以被定义为能力之间的比例正确执行任务所需的信息处理系统和可用的注意力资源的数量4]。从驾驶员的角度来看,每个驾驶事件引发特定工作负载水平取决于其复杂性和道路环境,如道路设计、道路布局、交通流量(5]。

心理工作负荷是一个多方面的概念,和工作量的评估可用的措施可以被分为三类:主观的,生理和性能。主观措施依赖的假设有效负载由咨询经验丰富的司机是最准确的判断,这是收集任务不受干扰后开车。最常见的一种自我报告问卷是NASA-Task负荷指数(NASA-TLX) [6]。生理指标可以实现连续通过在线评估驾驶工作负载的基础上,通过记录实时观察医疗设备,包括血压、脉搏、心率、皮肤温度、皮肤电、脑电图及其他指标(7]。绩效指标指的是司机的心理负荷的操作行为作为替代指标,这可能反映了应力状态。驾驶行为的测量不仅包括主要任务指标的分析也是次要的活动的调查(8]。一般来说,主要任务测量主要集中在司机的操作特征在特定的场景中完成驾驶任务。在以前的模拟驾驶的研究指标,如车辆速度,反应时间,和司机的数量错误通常是用来测量性能。在实地测试,如车辆轨迹特点,方向盘,油门和刹车踏板控制被认为是(9]。二次任务测量常用当司机需要完成多个任务。主要有两种模式:任务加载和下级的任务。Neng-Chao et al。10]提出量化指路标志信息通过信息熵理论和使用不同的信号加载驱动负载,被验证是有效的。巴尔et al。11)研究的可行性感知时间驾驶工作负载评价指标。实验表明,驾驶环境越复杂,司机的反应时间越长,外围的任务,越高工作负载有经验。

驾驶性能不仅可以作为评价指标的工作负载(12),但也与驱动负载,因为道路环境的感知和信息传播在整个驾驶过程中运行。量化驾驶工作负载和行为之间的关系,Ryu和Myung13)提出了一种单资源模型。当任务需求增加,中枢神经系统增加资源供给,这样可以更好的完成任务。当所有的心理活动共享相同的认知资源,每个人都有一个有限的信息处理能力。基于单资源模型,Wiberg et al。14相信有不同类型的资源,如视觉通道,听觉通道,信息处理和响应执行。如果有几个任务需要使用相同的信道资源,工作负载将会增加。符合Yerkes-Dodson法律,Zokaei et al。15]跟踪驾驶员的生理反应和行为在不同工作负载水平,发现保持最佳的驾驶性能工作负载不应该过高或过低。

虽然驾驶工作负载和驾驶性能是受个体差异影响的策略,和情感的司机(16),外部交通环境的影响,其中包括道路对齐,流,交通设施,等等,更多关注的是学者。在这些因素中,道路几何无疑起着关键作用。复杂的道路平面图,如曲线或斜坡上,已被证明需求更多的司机的注意力17]。随着路的不确定性增加由于观看距离不足,司机必须分配更多的关注资源来收集信息和决策,从而导致增加驾驶工作负载(18]。紧水平半径曲线与突然变化,年级以及复合曲线,被确认为一种威胁汽车的可控性和可能导致严重事故19]。司机必须调整车辆速度和车道抵消适应调整变化,甚至使用角切割操作或连续的踏板控制来调节发动机的输出功率和制动力量保持驾驶稳定(20.]。考虑到陡峭的下坡路段上踏板操作容易导致心理工作负荷的增加,胡锦涛et al。(21)提出设计的定义标准长和陡峭的部分基于驾驶需求设计长和垂直边坡部分驾驶需要定义标准,这有利于提高驱动性能。相比之下,一些几何变化结合重复和stimulus-free环境创建一个单调的驾驶体验,会导致心智游移和任务分离,随后影响司机的性能(22]。

众所周知有限制人类可以处理的信息量;更多的信息显示给司机,司机准确的更多的困难过程的所有信息(23]。研究表明,司机的识别时间增加而增加的信号信息,签署信息达到一定阈值时,识别时间会显著增加(24]。Multiboard迹象更散乱地呈现信息,要求司机搜索找到目标的时间更长,这无疑增加了任务处理需求25]。除了较长的反应时间,一个复杂的视觉环境将导致更高的工作量和降低行驶速度,所示模拟驾驶环境(26]。根据路标的认知反应的综合效率,地名公路方向信号阈值的数量应该是6 - 7 (25,27]。

交通复杂的交通密度是一个重要的指标。随着交通流量的增加,司机的工作负载显示了一个线性上升趋势,直到中交通流的水平。当车道改变发生在司机的视野面前,驾驶工作负荷增加;距离越近,更大的工作负载(28]。同样,菲茨帕特里克(29日]发现,相比之下,自由驾驶,交通拥挤会增加驾驶工作负载的基础上分析司机的注意力和反应时间减速的车在前面。在某些特殊道路部分,如坡道、车辆交叉冲突会增加司机的车道偏移和车道保持能力恶化,导致增加驱动负载(30.]。与此同时,重型卡车的数量的增加将导致相邻的心理负荷的增加司机和车辆之间的安全距离的增加(31日]。

之前的研究表明,在开车,司机的态势感知、决策、和车辆操作能力是有限的14]。更高的驾驶要求被发现增加主观工作负载水平和损害性能,特别是通过与注意力相关行为(32]。任务的能力接口模型(33]姿势控制可能发生的损失当驾驶任务的需求大于司机因为司机的注意力的能力可能是脱离上下文驾驶任务,如态势感知,导致感知、决策、和操作错误。相反,司机在低负载长时间容易嗜睡或分心。高和低水平的心理工作负荷已被证明导致认识上的偏差,低水平的关注,和足够的时间处理的准确信息,道路碰撞的主要原因(34]。因此,它具有重要意义阐明驾驶环境因素对心理的影响工作负载和性能来减少交通事故,提高行车安全。

公路对齐,标志信息,高速公路的交通流量是最常见的组件,和他们可以互动,创建复杂的交通情况。虽然外部道路环境影响的司机已经被学者们普遍认为,很少有研究的影响因素进行比较。目前,很难确定,哪些因素深刻影响驾驶工作负载和行为。因此,本研究的目的是研究各种道路环境因素的影响对司机的心理和行为的基础上,以前的研究(35]。在目前的研究中,l₁₆(4⁵)正交试验设计被用来从整个实验选择代表点,减少了实验的数量,导致一个小数据样本,并且反映信息不准确,不完整,具有灰色特征。与此同时,在视图的缺点l₁₆(4⁵)正交试验不能分析各种因素之间的相互作用,提出了灰色关联方法定量评价平面曲线半径的影响,纵向坡度,交通流量,并签署信息驱动负载和性能,适用于不确定性问题的分析与样本容量小的特点,不规则的数据,缺乏信息,经验和不足已广泛应用于各领域的影响因素的分析36]。

2。材料和方法

补充实验的基础上进行的一项研究[35]。受试者的数量从11个增加到45在这个研究。实验设计的更多细节可以在一项研究中被发现。

2.1。试验设计和程序

2.1.1。装置

驾驶仿真平台开发的智能交通系统研究中心武汉科技大学被用来进行实验,收集数据,这是由一个检测车辆和UC-win /道路软件,如图1。

2.1.2。主题

通过补充实验,受试者的数量增加到45由于设备故障,在一个人的数据样本,最后,总共44个受试者的数据收集。其中,39岁的男性和5都是女性。参与者的年龄从22到62年(米= 31.07±9.78);参与者持有一个有效的驾照2 - 28年(米= 6.80±6.37),每年2 - 10万公里(米= 15.7±19.0)。

2.1.3。场景设计

本研究关注的影响半径,坡度,交通流量,并签署信息驱动负载和性能。考虑每个因素的不同水平,正交试验是根据设计的l₁₆(4⁵)正交表,用来减少试验的数量。最后,16个模拟驾驶测试场景设计。可以找到更多细节场景的设计参数(35]。

2.1.4。过程

测试之前,参与者被要求阅读并签署知情同意的形式,问卷填写个人信息,并确认他们健康状况良好,没有严重的疾病或严重事故的经验。解释的意义NASA-TLX规模和每个问题,我们确认每个主题可以准确地评估驾驶工作经验的程度在不同场景适应性训练后,使他们精通驾驶任务。与此同时,参与者被证实没有通过pre-experiment眩晕或其他不舒服的反应。

然后,无关人员被要求离开仿真驾驶室,关掉所有的通信工具保持安静的房间。受试者提醒选择一个舒适的驾驶姿势和维持他们的驾驶习惯。数据采集开始。在进入测试区之前,实验协调员告诉受试者目标,要求他们国家的驾驶方向目的地开车时过去指导迹象,以确保受试者能够完成视觉识别的标志。在完成一个测试场景,实验协调员协助受试者在完成现场NASA-TLX量表通过口腔问题。

避免了学习效果,场景被随机排序。16个测试场景完成时,受试者被要求填写项目NASA-TLX规模的成对比较表。最后,处于关机状态,数据收集和数据存储。

2.1.5节讨论。数据收集

在这项研究中,两种类型的数据收集:主观工作负载和车辆运动。NASA-TLX问卷是用来测量司机的主观工作量,已被证明是可靠的测量不同工作负载水平(37]。在完成一定的测试区,参与者被要求评价自己的工作负载使用NASA-TLX问卷,由六个分量表的工作负载(10点量表):精神需求,物质需求,需求时间,性能,努力,和沮丧。整个NASA-TLX工作量计算了每个维度乘以相应的评级。

在实验期间,操作数据(转向、天然气、制动器等),车辆运动数据(速度、加速度、角速度等),和操作数据(时间进展、车道偏离等)收集实时10赫兹的频率。作为绩效指标,行驶速度为每个参与者和车道偏离派生,这表明司机的纵向和横向控制性能,分别为(38]。

2.2。灰色关联分析方法

灰色关联分析的基础是确定一个比较序列与参考序列密切相关的相似度序列曲线的几何形状。

2.2.1。数据序列和无量纲

本研究的目的是评估水平曲线半径的影响,纵向坡度,交通流量,并签署信息驱动负载和性能。因此,在这篇文章中,主观的工作负载,均值和标准差的车辆速度和车道偏移量作为参考序列{x0 (t)}(t= 1,2,……)。平面曲线半径、纵坡、交通流,并签署信息作为比较序列,即{x₁(t},{x₂(t},{x₃(t},{x₄(t)}。

由于不同单位的每个因素的数据序列,有必要将原始数据标准化,消除维度的影响。转换公式如下: 在哪里和的平均值和标准偏差数据列 。

2.2.2。邓小平的关联度

相关系数( )代表几何形状之间的差异序列曲线。使用曲线之间的差异为基础来衡量的相关系数 在哪里ξ分辨率系数,在(0,1),通常0.5;和是最大和最小差异的两个层面,分别。

关联度( )定量表达的平均价值在每个时间序列的相关系数 在哪里之间的关联度比较序列和参考序列和n比较序列的长度。

2.2.3。综合关联度

假设序列和有相同的长度和初始值不等于零;和的绝对关联度和相对关联度是吗和 ,分别为,∈[0,1];然后,灰色综合关联度吗和 ,这是

综合关联度不仅反映了破碎线的相似度和但也反映了亲密的变化率和相对于起点,这是一个量化指标,全面描述序列之间的关系。一般来说,建议使用= 0.5。

2.2.4。相似的关联度

假设序列和有相同的长度,灰色关联度的吗和基于相似性的角度来看,这是计算 在哪里 。积分的被积函数是折线组成的序列连接相邻节点。

相似的关联度是用来测量的几何相似性序列和 。越相似的几何图形,更大的价值 ,反之亦然。

2.2.5。基于熵权法的综合评价

由于相关系数的波动问题的灰色关联度的计算方法对计算结果有影响的关联度39),邓小平的关联度的加权平均,综合关联度和类似的关联度进行了基于熵权的方法,和关联度综合评价模型的建立。

热力学熵的起源作为一个概念,是一个系统的无序程度的衡量。信息熵是用来测量系统的有序度状态。熵权法使用的大小有效的信息中包含的数据量来衡量每一个指标的影响的综合评价(40]。评价指标的信息熵越小,提供的信息量越大,和它在综合评价中所起的作用越大,越大的重量指数。

根据信息熵的定义,计算如下: 在哪里 和y_ij是不同类型的影响因素的关联度值。如果p_ij= 0,那么 。

每个相关的体重指数是由信息熵计算如下:

3所示。结果

3.1。主观的工作负载的测量

主观的分布工作负载的分数在不同的测试场景图所示2。为每个场景有显著性差异(F(15688)= 18.719, )。工作量平均得分在28.9和62.5之间。在场景中,司机的工作负载在9^th部分最高,达到62.5,这是一把锋利的曲线(R= 300),陡坡(我=−5.5%),交通流量大(1400 pcu / h•ln),和更大的符号信息(199位)。不仅是环境信息的感知和处理负载大,但车辆处理也是复杂的鲜明的曲线和陡坡路段。相比之下,28.9的最小平均工作负载值出现在16^th测试部分,其中包含温和的道路线形和低流量和符号信息。

3.2。驾驶性能测量

分布的平均值和标准偏差的车辆速度在不同的测试场景如图3。车辆速度的平均值(F(15688)= 11.052, )车辆速度和标准偏差(棕色的活力四射,韦尔奇纠正 )在每个场景中明显不同。从平均速度,大幅的速度曲线部分的平面曲线半径小(如场景1、7、9和11)显著降低。对速度稳定性,最大的平均值的标准偏差司机发生在9^th测试部分,和速度的标准偏差的变化范围也最大,表明不同的司机在这个复杂的部分显示不同的速度稳定性与曲线和陡峭的斜坡。

车道偏离的平均值和标准偏差在不同测试场景图所示4。有显著差异的平均值和标准偏差车道偏离在每个场景(棕色的活力四射,韦尔奇纠正 )。虽然车辆速度在急弯的部分(如场景1、7、9和11)显著降低,车道偏移量是相对较高的。除了巷抵消增加的平均值,标准差车道偏移量也相对较高。然而,车道偏移量的标准差的波动范围很大,特别是在9^th和7^th测试部分,这表明受试者显示不同的车道保持在特定测试的部分能力。

3.3。的影响因素对工作负载和性能

3.3.1。多元方差分析的结果

结果多元正交试验的方差分析表中列出1。表显示平面曲线的半径有显著影响司机的工作负载、车辆速度和车道保持能力( )。斜率和符号信息有显著影响司机的工作负载和速度保持能力( )。虽然没有显著差异在车道偏移量的平均值( ),车道偏移量的标准偏差显示显著差异( )。交通流只对主观工作负载和车辆速度有显著的影响( ),的平均值和标准偏差车道偏移量没有显著不同( )。尽管方差分析可以分析交通环境因素对工作负载的影响和驾驶行为,不能定量地评估每个因素的影响程度,确定不同影响因素的重要性。

3.3.2。灰色关联分析的结果

三个灰色关联模型,即邓小平的关联度,综合关联度,和相似性关联度,被用来计算各种因素之间的相关系数的驾驶环境和工作负载和性能。基于熵权的方法,确定每个相关方法的重量,和工作负载和驾驶性能影响因素是全面评估和排名,如表所示2。

相关程度的综合评估值对应于信号信息,流,斜坡,和半径是0.892,0.712,0.575,和0.566,分别。得出标志信息的数量对司机的工作量有最大的影响。交通流的体积的平均值和标准偏差影响最大的车辆速度,综合评估值为0.809和0.773,分别是高于其他因素的相关程度。平面曲线的半径最大的影响在车道偏移量的平均值和标准偏差,和综合评估值分别为0.849和0.874,分别。

4所示。讨论

本研究的目的是补充之前的研究和进一步量化和驱动负载和性能的影响因素,包括半径、坡度、流量,并签署信息。这一目标,通过正交试验设计进行了仿真实验,和司机的主观工作负载、速度、车道偏移量,和其他性能指标收集。基于熵权法,三种不同的关联度模型综合评估。

4.1。的影响因素对主观的工作负载

正如所料,更高的心理工作负荷主观估计(NASA-TLX问卷)获得复杂的实验场景比较简单的实验场景。因此,不同级别的驾驶环境和任务需求导致相应self-estimated工作量符合先前的研究[4]。此外,Neng-Chao et al。10)证实,驱动负载可以通过设计驱动加载环境和可控的研究环境因素和驱动负载指数之间的关系。

四个因素的排名影响司机的工作负载如图5基于熵权的综合评价方法。如图所示,三种类型的灰色关联结果有相似的趋势。符号信息的数量最大的影响在司机的工作负载,紧随其后的是交通量,根据的结果r_年代>r_F>r_R>r_我。NASA-TLX六项的问卷分析,随着信息符号的数量增加,精神需求和时间需求被发现增加驾驶期间,和努力的程度也会增加投资。结果表明,司机的高速公路的认知定向标志将导致增加驾驶工作负载,这是符合其他研究[25]。另一方面,增加司机努力有利于维持适当的驾驶性能和实现更好的识别标志41]。

4.2。对驾驶性能的影响因素

如图6,有部分交叉的三个灰色关联曲线之间的平均值和标准偏差的车辆速度和影响因素。的变化趋势三个排名综合使用熵方法,和交通流和标志信息发现产生更大的影响保持车速之间的相关系数为0.741和0.809。道路线形的斜率和半径的影响较小,相关系数在0.564和0.606之间。车辆速度和进展时间常用参数和吸引了持续的注意力从司机安全的判断。一般来说,在复杂的场景中,保持一个安全的进展并获得足够的时间识别标志,司机将采取减速策略和其他补偿行为42,43]。此外,这表明驾驶工作负载对纵向驾驶性能有负面影响(19),最明显的效果是减少车辆速度在高负载的情况下的稳定性。类似的现象在本研究获得。

根据排名,每个影响因素的关联度,车道偏移量的平均值和标准偏差发现曲线半径的影响最大,其次是信号信息的数量(见图7)。迪克斯特休伊斯et al。44)确定的标准差侧卧位(SDLP)可能显示一个下降的趋势后额外努力动员服务转向任务时横向控制驾驶期间增加的需求。然而,弯曲的道路设计增加车辆控制的难度,这就要求驾驶员采用更精确的踏板和方向盘适应曲率的变化。当需求超过的范围可以补偿程度的努力,车道保持能力降低。因此,曲线的焦点仍然是巷横向控制优化和侧滑翻车事故预防。

总之,这项工作提出了一种基于熵权综合评价方法,实现了量化和排序的工作负载和驾驶性能影响因素。研究结果阐明,因素应该工作负载和驾驶行为分析的重点。这不仅可以提供一个参考的选择指数权重构建综合评价模型的交通安全考虑people-vehicles-roads-environment但也为高速公路线形设计提供指导,优化,和驾驶工作负载管理。

4.3。驱动负载和性能之间的关系

已经证明,道路环境复杂性的增加会导致受损的性能由于心理工作负荷的增加,可能导致不合适的动作,甚至交通事故(38]。符合数据的结果3和4,这表明,在复杂的场景,比如9^th部分,不仅司机经验最高的工作负载的平均和振幅也速度和车道偏离的方差达到最大。然而,增加了复杂性的环境可能并不总是导致驾驶工作负载或驾驶行为的伤害。当司机从事二次任务,管理工作负载和控制驾驶风险,他们将策略打断,延迟和恢复次要任务(45]。这可能引发司机采取补偿策略,减少驱动负载。例如,获得更多的时间来处理信息的雾蒙蒙的车,速度和加速度都减少,和以下车辆的距离增加,有意采取的战略驱动程序(23]。惠誉et al。41]发现,从一个任务到多个任务,虽然主观工作负载分数增加,侧卧位的标准偏差(SDLP)下降,这表明增加工作负载可能提高驱动性能。同样,它表明,纵向和横向性能参数保持甚至改善根据任务(46]。本文发现急弯的速度部分小平面曲线半径(如场景1、7、9和11)显著降低,如图3,这可能表明,采用减速补偿策略。

然而,工作量和驾驶行为之间的关系是非常复杂的。大量的模拟和现场驾驶实验表明,复杂的驾驶环境触发驾驶员采取补偿策略(47]。然而,目前尚不清楚当补偿行为,补偿行为的特点,以及工作量和驾驶行为之间的相互作用机理,将作者的后续研究的重点。

5。结论

通过正交试验设计,模拟驾驶实验16个测试场景,和半径的影响,斜坡,交通流量,并签署信息因素对驾驶工作负载和性能进行了研究。单向方差分析的结果显示,在司机的工作负载和性能有显著差异在不同的测试场景。在9^th测试区,司机不仅显示出更高的主观工作负载得分也显示大的速度波动和不稳定的特点巷维护。这是一个9的结果^th测试区作为一个急弯、陡坡段大交通量和道路名称信息太多招牌。司机不仅有很高的信息感知与处理的需求,还需要在尖锐复杂的车辆控制曲线和陡坡部分。虽然减少车辆速度的控制策略被采用,一些司机仍然体验驾驶性能恶化。多元正交试验的方差分析表明,所有的影响因素有显著影响司机的工作负载和速度保持能力,但司机的车道保持能力只是显著水平曲线半径的影响。关联度的综合评价采用熵权法证明标志信息的数量影响主观工作负载,最大交通流具有最大影响车辆速度的平均值和标准偏差,和曲线的半径最大影响车道偏移量的平均值和标准偏差。

请注意,由于研究对象是高速公路,它有完整的访问控制的特点和一个相对简单的交通组成。可变负载引起的不确定的环境中,如交通事件,不考虑它们对驾驶行为的影响。因此,建立关联度模型都有一个特定应用程序的范围。为进一步研究,我们可以引入一个综合评价方法等人为因素分析和分类系统(HFACS) [48)从系统的角度分析影响因素,考虑人类,车辆,环境,和管理。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者承认的支持中国的国家自然科学基金(51775396)、国家自然科学基金委的广西(2019 jjb160047)和湖北省杰出青年科学基金(2020 cfa081)。