文摘

不同的人机协作模式和驾驶模拟试验与正交方法考虑为一系列典型的智能高速公路景观设计的。司机在不同交互模式的反馈评估通过NASA-LTX问卷,驾驶模拟器,眼动跟踪,脑电图(EEG)。这种最佳的交互模式(包括语音形式,广播时间和频率)每个开车的援助在CVI(合作车辆基础设施)环境条件下的高和低流量从主观和客观的角度确定。按照反馈的这些科目在每组场景,每个援助的声音信息结构模式中扮演最重要的角色在司机后面跟着广播时间和频率。这些节目提供良好的影响包括场景,如各种援助场景在曲线和预警时间长途旅行以及预警频率高;此外,对于一个exit-tip援助的情况下,一个声音模式援助优先;场景和各种速度援助,beep模式更好。此外,它是发现,在一个更高的交通水平,而一次短途旅行,早期预警时间通常被看好为各种场景在低流量下水平,远程预警时间更好。

1。介绍和背景

与传统的交通环境相比,虽然司机合作车辆基础设施环境下,他们可以获得更准确的信息对于交通环境和周围的车辆在任何时间。然而,所呈现的多样性和普遍性的信息收集和汽车电池也给司机带来一些挑战的决策。这些不合理的协作信息设置可能会减少汽车驾驶的安全性和效率。

预警信息的内容而言,摺皱者等人发现合作车辆基础设施环境的人机交互系统可以有效地提高行车安全,但是过多的信息可能分散司机的注意力1]。预警信息的形式而言,艾米丽等人的语音参数进行比较研究的早期预警,发现更高的声音频率和密度可以提高司机的车辆制动效率。然而,越来越多的早期预警声音的持续时间不会显著提高援助效果的早期预警2]。基于现场突然刹车的汽车前面,下巴等人比较两种预警声音模式的单音节的抽象的声音和声音。结果表明,司机的反应时间短,车辆轨迹的标准差较小的早期预警模型下的单音节的抽象的声音3]。苏珊等人的论文货运车辆碰撞预警显示,与多通道图像和声音警告模式相比,司机只有图像警告的情况下需要一个更大的安全距离转发碰撞警告(4]。Doshi等人比较没有预警的四个条件,图像警告,数字警告,image-digital警告,发现开车的速度已经明显控制早期预警的情况下显示。此外,他们建议早期预警的基本原理显示的人机交互是提供准确的信息迅速减速引起司机的注意,并确保他们的注意力是道路范围内5]。的预警信息的广播时间,隆等人发现时间碰撞(TTC)超过10 s是相对安全的,和预警当TTC大于这个临界值将干扰司机的驾驶6]。燕等人发现的早期预警提前期5.5年代可以达到良好的预警效果对即将发生的危险情况,司机应至少2.5秒的反应时间的制动反应,以确保安全(7]。的预警信息的广播频率,汉斯等人比较两级的一级语音警告声音警告。如果车辆是纠正偏差的趋势在一个一级的声音警告,一级报警将立即被释放。如果没有,2级报警将开始。最后,发现由于一级警报可能发生不需要当一个预警,司机将忽略一级报警后适应它只和响应所二级警报发生时,造成的损失一级报警的意义。

总之,合作下车辆基础设施现场,设置不同的信息交互的汽车驾驶援助意味着对驾驶性能有不同的影响以及生理和心理状态。然而,这仍然是一个缺乏综合评价人机交互式信息内容包括广播形式,定时和频率。考虑到上述问题,论文进行了确定最优信息内容,广播形式,时间,和频率在不同的交通场景,这是驾驶安全性和效率具有重要意义。

2。实验设计

本文从五个方面进行了实验设计,即。,participants, apparatus, scenario, interactive information, and test process.

2.1。参与者

标准的一个合适的主题如下:(一)年龄22 - 60岁;(b)持有有效的中国驾照;(c)没有晕车或癫痫。136合格候选人被确认后发布招聘公告。的比例根据性别、年龄、和驾驶经验的司机在中国(即,男:女= 7:3,青年:中老年= 1:1,初学者:有经验的司机= 1:1),40人被分级采样随机选择。所有参与者在驾驶模拟器训练模拟器,以避免疾病和熟悉的操作驾驶模拟器,它包含三个部分:理解交互式信息;加速、减速和停止培训;无碰撞开车。参与者显示模拟器疾病必须排除实验。模拟器疾病识别主要是通过自我报告。 Finally, 38 participants passed the training and completed the experiment and the valid sample data are collected. The specific statistical information of subjects is shown in Table1。

2.2。装置

如图1,道路安全测试和驾驶行为进行一个人的固定基地模拟器配备了方向盘,离合器,油门和刹车踏板。驾驶模拟器提供了180°前视图2560×1600分辨率的图像。这个模拟器是由扫描仪工作室(8],可以收集的数据是指驾驶行为,如方向盘角以及车辆车辆位置、速度、加速度和偏航角。受试者开车时的眼动状态监控的Tobii Glass2景观类型眼球追踪设备(9),它可以获得固定,扫视,学生数据。记录受试者的大脑状态,Neurosky MindWave移动脑电图耳机(10)是用于定量过程脑电图信号,可以收集多波段脑电图数据。

2.3。场景设计

双向八车道高速公路部分构造了在驾驶模拟器中,包括一个长下坡,出口匝道和服务区出口。每个车道的宽度是3.75米,车道的总长度不超过10公里。交通标志的设置和标记在测试场景符合国家标准(gb5768 - 2009)。此外,高、低流量设置,分别即veh / h / 2000 ln - 800 veh / h / ln。八个场景被认为是在测试,包括速度变化,超速,急转弯/连续又长,陡峭的下坡,退出之前,服务区域,交通堵塞,和静态/慢前车。此外,一些场景的差异的影响在直线和曲线部分被认为是。镜头连接在系列的顺序如图2。图中数字对应场景如下:(1)静态/慢车辆提前警告的直线(2)速度限制在直线变化(3)超速的直线(4)急转弯/连续转动(5)速度变化曲线(6)静态/慢前车的曲线(7)前方服务区(8)长,陡峭的下坡(9)未来交通拥堵(10)提前退出(11)超速的曲线

2.4。设计的互动信息

图像和声音模式采用多通道援助,以及预警时间和频率的影响被认为是。早期预警的图片,之前的研究和市场研究和基于迭代的人机界面设计方法(理解应用程序环境和用户的需求,根据需求,设计方案和评估四个阶段根据需求)和分区的基本布局原则设计和信息重新分类,信息交互的接口形式的8个场景设计。预警信息界面变化的场景类别和触发时机。图3演示了一个示例。

前两个级别的短途和长途预警危险区域设置的触发时机预警信息;至于预警信息的触发频率,两级低频(一次)和高频(三次)建立了预警;和语音形式,两个级别的哔哔声和声音广播设置。声音广播的内容在不同的触发时机和组合触发预警信息的频率如表所示2,踱步每秒约5个字。

2.5。测试过程

测试过程分为四个阶段:初步问卷调查,驾驶模拟训练,正式测试和主观评价。在开车,司机穿着一个眼动跟踪和脑电图记录所有数据被要求像往常一样开车。如果司机理解驾驶辅助系统的设计,他/她会更加小心地遵循这个建议开车。一小时的测试平均花费时间为每个驱动程序,包括测试时间50分钟和10分钟的准备时间。最后,所有司机签署了知情同意书,并获得相应的津贴。

2.5.1。初步的问卷调查

每个司机被要求完成一个调查问卷关于他/她的年龄,性别,教育,开年,驱动频率。驾驶培训之前,司机被给予简要描述的模拟试验和援助模式。

2.5.2。驾驶模拟训练

在训练阶段,使用模拟器的基本信息给司机和他们被允许进行5分钟的驾驶练习熟悉模拟器。每个司机在这培训,所有数据在正常驾驶记录。这种培训之后,每个参与者都质疑的组织者离开模拟器座舱5分钟恢复身体和精神状态的测试。

2.5.3。正式的测试

如表所示3,有8个测试每个参与者在指定的交通水平。这些8测试都是根据原来的正交试验设计形式和各种形式将每次测试后重置。消除测试和任何序列的序列效应偏差相关参数变化,8为每个参与者被随机安排测试。总的来说,38个参与者参加了各项试验参数设置。

2.5.4。主观的评价

每次测试后,问这个话题完成主观评价问卷和一般使用NASA-LTX问卷(11)来评估心理负荷和物理负荷在开车。每个主题都需要完成问卷总共8倍。此外,综合评价问卷的问题是减少的数量提供了测量方法的最大区别。调查问卷被用来获取每个主体的主观权重NASA-TLX的重要参数。

3所示。综合分析和评价

至于信息交互的评价形式,采用多通道评价方法结合主观和客观评价。NASA-LTX问卷用于个人评价探索司机的心理上的负载信息。一方面,眼动跟踪,脑电图,和驾驶模拟器获得驾驶员的眼动特征,心理负荷,和驾驶性能在各种信息交互条件下使用,为客观评价,分别。然后entropy-TOPSIS模型(12)申请综合评价,以确定最佳的驾驶援助模式下每个场景。

3.1。NASA-LTX的主观评价问卷

主观评价,根据反馈的司机在每个场景,基于心理负荷,身体负荷,和时间的紧迫感,使用每个影响因素的发生频率测量方法获得的最大区别,以确定的重量每个主题的重要性(1)之和为每个影响因素,然后司机的心理负荷得到各种信息交互模式在合作环境和交通各级车辆基础设施。

心理负荷的平均价值的主题在不同的信息交互模式在合作车辆交通基础设施环境和在高和低水平是如图4。上述正交试验的结果进一步主题范围分析和发现“短距离/高频/声音”最低主观心理负荷适用于司机。交通水平低,声音信息形式有最大的影响,其次是信息触发时机和触发频率。通过综合分析,发现“长途/低频/声音”应用的最小主观心理负荷的司机。

3.2。由Entropy-TOPSIS客观评价模型

3.2.1之上。提取评价指标

关键的眼动指标在开车从眼动跟踪的数据中提取。需要眼动特性数据进行预处理,消除异常数据,如缺失值和分裂时期的利益(即时间(钢铁洪流))当现场发生时,标志着空间区域(即感兴趣的领域(AOI))的预警界面发生在每个场景中。主要指标包括固定时间内收集,扫视时间内苍老师,瞳孔区。脑电图是用来评估期间的心理负荷开车。在收集不同的脑电波,小波阈值去噪算法是实用消除噪音的脑电波,预处理脑电图数据划分为根据场景的序列片段,实现快速傅里叶变换的脑电图数据在每个阶段,并提取功率谱密度不同的脑电波的片段。解决功率谱的基础上,建立了索引如节律波的平均功率比 和 。驾驶员的操作行为是指车辆控制装置的控制,以及控制合理性直接影响车辆运行的效果。在效率方面,指标发现运行时间、平均速度等进行评估。在安全方面,最大的减速,减速速度,加速度,速度标准偏差和车道时代变化被认为是。细节可以看到在桌子上4。

3.2.2。建立和标准化的指数矩阵

有f水平和类型的流量年代车辆类型的合作基础设施交通场景在每个级别。为每一个合作车辆基础设施,n驾驶援助计划要有评估米在每个评估方案评价指标。初始索引矩阵 在某些合作车辆基础设施现场可获得一定的流量水平。高流量级别(1号)和低流量水平(2号)是用于测试。有11个合作车辆基础设施在每个场景交通水平,4方案评估在每一个场景,在每个计划和13个指标。

获得的初始索引矩阵后,原始值是用于每个积极的指数在负折射率受正交化: 这不会改变的原始分布定律-索引。Nondimensionalize索引值来消除空间的效果。具体的方法是 。例如,对于长期和陡峭的下坡场景在高流量级别,它发现 如下:

3.2.3。目标体重的决心

进行初始索引矩阵非负的翻译和使用熵方法来计算标准化的目标体重指数。指数的离散程度越大,熵值越大,表明该指数(即有更大影响。在综合评价、重量)。熵值是根据公式计算: ,在哪里 ;如果 _,然后 。因此,每个索引的重量与熵值计算: ,在哪里 _, 最后,指标权重在各合作车辆交通各级基础设施的场景。例如,对于长期和陡峭的下坡场景在高流量级别,它发现如下:(0.059,0.102,0.079,0.077,0.073,0.066,0.114,0.000,0.113,0.060,0.091,0.071,0.095)。

此外,加权决策矩阵计算的公式: 。例如,对于长期和陡峭的下坡场景在高流量级别,它发现如下:

3.2.4。通过TOPSIS综合评价

首先,确定积极的理想的解决方案 和消极的理想的解决方案 每个索引。接下来,计算每个驾驶援助方案和之间的欧几里得距离正理想解和负理想解,即 积极的理想解决方案 消极的理想解决方案。最后,获得的相对距离 每个评估方案和最优解之间的关系。较小的是,该计划就会越好。例如,对于长期和陡峭的下坡场景在高流量水平,发现正交试验的结果在上面的不同场景进一步主题范围分析获得的最佳选择的形式,时间,和频率的每个场景,如表所示5。

4所示。讨论

不合理的互动信息设置可能会减少汽车驾驶的安全性和效率。因此,确定最佳的信息内容,广播形式,定时和频率在不同的交通场景驾驶具有重要意义。

本研究面向一系列智能高速公路场景,如限速变化,超速,急转弯/连续转动,长时,退出警告,警告服务区域,交通堵塞警告之前,固定/慢车辆前方和警告,认为其中的一些场景对直线和弯道部分有不同的影响。不同类型的人机交互方法和驾驶辅助实验考虑正交设计方法。然后NASA-LTX问卷,驾驶模拟器,眼动跟踪,和脑电图是用来评估司机的反馈在不同的交互模式,并确定最佳的交互模式下的每个合作车辆基础设施环境高或低交通流从主观和客观方面,包括语音形式,广播时间,和广播频率。

最后的结论如下:(1)NASA-LTX问卷,驾驶模拟器、眼动跟踪和脑电图是用来收集数据,建立指标评价体系。形式、触发时机和人机交互信息的触发频率从主观和客观方面综合评估。发现的形式互动信息对司机有最大的影响,其次是触发时机和触发频率。(2)为不同类型的智能高速公路场景,司机有不同的倾向选择的信息形式,触发时机,并触发频率。为各种援助场景曲线,远程预警时间和频率高的早期预警提供更好的效果;exit-tip援助场景,语音形式是首选;场景和各种速度援助,beep形式更好。(3)设计中人机交互式信息智能高速公路场景,应考虑交通的影响水平。这是发现,在高流量级别,短途预警时间通常是首选的各种场景,低流量水平,远程预警时间者优先。

本文具有重要意义,促进智能高速公路的快速发展和科学信息的汽车驾驶辅助系统。在未来的研究中,不同的属性的司机将会合并起来成为一个更深入的评价在不同场景中不同的驾驶辅助手段。此外,不同程度的干扰将会考虑到通过半实物仿真技术测试更多的安全交互和偏好。

数据可用性

实验数据用于支持本研究的发现没有提供,因为参与者隐私和商业机密。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了浙江交通主管部门的项目(2020006)、浙江省科技部门的项目(2020 c01057),中国国家重点研发项目(2018 yfb1601000),中国国家自然科学基金(52131204)和上海科技创新行动计划项目(19 dz1209004)。