抽象性

面向年轻驱动者危险感知和眼运动,在中国西安市进行了跨行业研究招聘了46名参赛者,并使用35个交通场景测试驾驶员的危险感知和视觉运动差值分析相关分析用于获取数据结果表明,某些危险感知和目视运动指数大相关联。高学分速度向高危险场景方向发展高复杂场景产生小分数角不明危害数受复杂度和危险度交通场景负影响,并发现危险识别时间、复杂度和危险度间有相似关联危险识别时间和缓慢识别的危害数受固定数和百分数的正面影响同时,危险度评价、危险识别时间、未识别危险数、固定数和百分数等差异可见于不同类型的交通场景中。结果帮助我们改进道路和车辆装置设计,并评估和提高青年驾驶员危险感知技巧

开工导 言

青年驾驶员引起极大关注 因为他们卷入更多交通事故年轻男性驱动者危险感知技能比老年和富经验驱动者低,但他们往往高估其在危险情况下的驾驶技能,这两个因素都导致交通事故高居不下[一号..危险感知通常被视为能读路或感知危险状况2..探测、评价和响应路上危险事件过程极有可能引向碰撞3,4..年轻经验丰富的驱动程序对隐蔽危害和公开危害反应快于新手驱动程序5..青年驱动者客观和主观HP技能是一致性的,尽管仅指可见危害并及时响应的驱动程序主观估计危险感知和驱动技巧远高于不响应危害的驱动程序一号,6..同时,目光运动动态和学生直径变化可以很好地测量驱动人的危险感知和预测7..视向运动模式差异常被发现时比较被动视觉范式并积极参与日常任务推理说,对前摩托控制的调查应因此最有用,而调查环境应包含视觉与动作之间的固有联系。模拟驱动交互性增加视觉和注意力需求比单纯观光驱动电影[8..子任务(例如字母搜索)可干扰危险识别和注意力分配九九,10..

信息驱动主要视觉化11..眼跟踪技术的引进为记录视点定位和学分持续时间以及视觉搜索策略提供了一种度量法12,13..许多基于眼运动的研究揭示出一些趣味和启发性发现举例说,某些危害(例如行为预测危害、环境预测危害以及分治和集中注意危害)比其他危害更具吸引力,容易固守[13新手或无经验驱动器没有比经验驱动器最优视觉搜索策略3,14-20码..值得指出的是,大多数驱动眼运动工作都侧重于特定交通环境或情境中的视觉特征4,21号-23号..从视觉运动性能中可读到的东西没有引起更多关注,尽管相关研究正向驱动者意图推导方向通过视觉行为分析24码..驾驶员眼运动可能告诉我们更多信息,例如他们所面临的状况、心理负载水平、交通场景视觉行为、决策必备信息等完成任务需要发现视觉运动指数 和危险感知之间的对应关系

危险感知测试正以更高频率使用驱动程序培训、评估和许可10并已成为澳大利亚、英国和荷兰等国家毕业驾驶许可系统的一部分25码..在与危险感知有关的研究中,四种关键方法(视频、静态图像、模拟器和现实世界测试)或单数测试或协同其他方法测试最常用方法为视频,多数从道路用户角度拍制26-30码..静态图像测试少用,只为汽车驱动者学习31号-三十三..静态图像测试可能不代表现实世界驱动的动态性质两种方法都与自报驱动错误相关联,并能够基于年龄和经验对驱动程序区别对待[15,16..静态图像测试和视频测试之间没有关联性,表示这些方法可能深入危险感知的不同方面[14..静态图像测试可缩短测试时间并允许更多种类的危险场景测试效果还包括清晰响应时间,从启动启动时计算,视频含有主观预设危险窗口,可能无法捕捉早期响应16..静态图像中往往更容易选择最小危险起始点,因为危险起始点与静态图像启动点同步化,而扩展动态场景可能造成问题响应变异性动态场景确定危险起始时没有不确定性,而危险起始因子可能使响应延迟计算复杂化8,九九,三十三..模拟器可能更准确地反映驾驶时经历的认知负载8并能更好地模仿上行情13,34号,35码模拟器的使用大都限于搭建相关费用现实世界测试最自然化方法,但代价昂贵、耗时和难以控制危害16..

在当前研究中,为深入查找视觉运动指数和危险感知中隐藏的关联性,我们使用从年轻驱动器角度取的静态图像收集数据,显示参与者视觉行为、主观感知/认知和客观响应,同时检查交通场景其余研究组织如下段内2深入介绍实验方法,提供参与者特征、材料和设备并报告实验内容和程序段内3实验结果报告,关联分析参与者危险感知,差差分析参与者眼运动,危险感知和眼运动相关性报告接下去结果在C节讨论4.最后一节5上报研究结论

二叉方法论

2.1.参与者

共有46名青年驾驶员参加了这项研究。所有参与者持有有效驾驶执照并有正常或正态视觉每位参与者都愿意参加请他们填写人口问卷,包括年龄、性别、驾驶经验、里程数、相撞数和前3年交通引文,如表所示一号.表2一号显示驱动数据描述和编码

2.2.素材和器件

考虑使用静态场景的可行性和益处8,九九,15,16,三十三共35个含有危险交通场景测试参赛者,为了分析交通特征对驱动人危险感知和视觉运动的可能影响,场景根据交通环境相似性或危险导师归为五类参考特征划分交通场景如下

第1类(车道换换或路上制动):该类特征为车辆提前制动或换入工具车所在的车道本类包含12次交通场景第2类(车辆交接点转接或斜坡合并):场景显示,当工具车接近交接点或斜坡时,其他汽车转接或合并并可能入侵或入侵车道类别包含5次交通场景第3类(路口/路口或车道/车道上出现车手):该类包含7次交通场景第4类(渡口或等待过路):本类有6个交通场景第5类:有隐形但有可能发生的危险类别包含5次交通场景示例表显示五大典型场景2.

15.6英寸平面监视器解析1280x1024显示流量场景参与者直接对准屏幕并持有计算机鼠标点击灾害所在的相对区域点击时间录制危险感知测试软件 开发基础MATLABGUI和Win10系统软件用计算机运行4GBRAM和intel核心i53210M处理器并同时使用Dikablis头视跟踪器和D-Lab软件记录眼运动数据数据由另一台计算机录制图中显示一号中图1(a)显示跟踪器中的设备连接并穿戴后构成图中显示的情况1(b).图1(c)显示目跟踪头安装设备,上装三摄像头,底部用二收集目运动数据上前摄像头用于捕捉主体前视图,图中显示1(d).

2.3测试内容

测试内容包括危险感知和目视运动我们想了解参与者的主观感知/认知性、客观反应和相应的视觉行为

危险感知综合概念10,14,三十三复杂度评价索引和危险度评价索引14,三十三危险识别时间10慢识别危险数和误识别危险数被纳入参与者危险感知分析复杂度和危险度测量值介于1至5之间,大值表示复杂度或危险度更高危险识别时间介于开场与首次点击危险区之间的间距缓慢识别的危险数指危险识别时间超出定义识别时间的参与者数,该时间在研究中定为4s九九,三十三..不明危险数表示未识别交通现场危险参与者数HDE、CDE和HIT数据记录为危险感知测试软件,NHSI和NHU数据根据危险识别结果处理

视向运动指数包括横向目视活动(HEA)、垂直目视活动(VEA)、平均定时数(MFD)、平均定时数(ANF)、平均学分持续时间(MSD)、平均学分角(MSA)和平均学分数(ANS)。Eye运动数据直接由D-Lab软件录入,同时参与者检查交通场景,随后在软件帮助下分析上述相关指标

2.4.程程

图中显示2研究者详细解释研究, 并请求他们填表显示的人口统计问卷一号.实际实验前3至6示例场景(即35次交通场景中不包括的场景)实践,以确保参与者理解测试过程

首项任务为阅读显示屏显示的35次交通场景并同时戴Dikablis头顶目跟踪器,识别交通场景中的危害并点击危险区参加者安装眼跟踪设备并校准以确保目运动数据收集交通场景由参与者交换测试完成后,要求参与者用对应值评价每次交通场面的复杂性度和危险度

3级结果

3.1.危险感知

平均值危险感知指数显示于表3.5类不明危险数目显然远比其他交通场景多潜在危险在场景中没有明显的提示,不太可能识别出来

差异分析用于比较交通场景类别中的危害感知指数表显示4危险度评价(HDE)、危险识别时间(HIT)和未识别危险数目(NHU)显示不同类别交通场景之间的巨大差别

此外,基于Bonferroni的局部测试(即多重比较)显示,在HDE上没有发现任何两类特定的交通场景之间有统计上的重大差分。第1类危险识别时间远小于第4类和第5类5类不明危害数远多于1类、2类、3类和4类此外,为检验危险感知指数之间是否有关联性,Spearman排名相关系数用于分析中

表显示5等值正相关 )查找复杂度评价(CDE)和危险度评价(HDE)危险识别时间(HIT)与慢识别危险数目(NHSI)有正相关(NHSI)(NHSI) )并受CDE负作用 )和HDE )未知危害数受CDE负影 )和HDE )并积极连接HIT )和NHSI )

同时,还分析驱动特征与上述五大指标之间的相互关系。在ANOVA帮助下,结果显示表中的年轻驱动特征一号对这些指标没有重大影响

3.2眼运动

表26显示参赛者视觉运动数据在不同类别交通场景的平均值并如表所示7ANOVA参与者眼运动结果显示,在横向眼活动指数(HEA)、垂直眼活动指数(VEA)、平均定时长度(MFD)、平均学分持续时间(MSD)和平均学分角(MSA)等不同类交通场面之间没有发现统计上的重大差分,但平均定数和平均学分数代表交通场群之间的重大差分 )此外,基于Bonferroni的局部测试显示4类平均固定数比1类大得多没有发现特殊两类ANS交通场景有重大差别

此外,还分析驱动特征与以上目光运动指标之间的相互关系。ANOVA结果显示,不同年龄组青年驾驶员的平均学分持续时间不同,年龄越大,学分时间越短(学分时间越短)(MSD) )同时,青年驾驶员横向眼活动有差异,分行数组别(不同驾驶里程组别)(HEA) )以Bonferroni为基础的局部测试进一步显示驱动距离越大,横向目光活动越大

3cm3危险感知与眼运动相关

测试参赛者危险感知和视觉运动之间是否有内在关联性, 我们使用Spearman统计法分析数据表显示相关分析结果8表示平均定点持续时间和平均编程角与复杂度评价负相关 )高复杂交通场景平均固定时间较短,平均分级角较小平均百科全书长度在较高危险交通场景中要短得多 )参赛者显示高学分速度平均固定数和平均编程数与危险识别时间有正相关(HIT)( )灾害数目缓慢识别 )在某种程度上,定点数和编程数反映危险识别效率

4级讨论

研究试图调查危险感知和眼运动之间的相互关系,即调查青年驱动人的主观感知/认知、客观响应和视运动在特定交通场面和三大因素间的相互关系以静态图像形式呈现的交通场景是从青年驱动器角度拍摄的静态图像基础方法可以排除道路用户速度和声音因素(例如背景噪声和交通声音),这可能影响到参与者眼运动。先前的研究调查了不同交通场面中青年驾驶员眼睛运动或危险检测的不同群 [8,26,27号,31号,36号..年轻驱动者客观和主观HP技能一致性一号,5-7实验中也证明了这一点然而,危险感知与目光运动具体指标之间的关系尚未得到区分。我们的研究是寻找影响关系和可能的成因根据以上表发现5并8图中显示危险感知指数和目视运动指数之间的所有重要关联3.

不同类型的交通场景导致不同危险度、危险识别时间和未知危险数 )结果归结为交通场景间各种特征参与者比行人路口或等待路口(第4类)和交通场更快速检测车辆换道或制动(第5类)的交通场和含有隐形但有可能发生的危险(第5类)的交通场 )先前研究显示提示是驱动识别危害的一个重要因素10,37号,38号..因此,结果显示,第1类危险比其他两类危险更容易识别年轻驱动程序更容易识别。驱动任务中可能遇到的场景可考虑辅助引导消息不论消息来自车或路,都有利于年轻驾驶员安全结果还显示,潜在危险难以检测( )前一研究显示3,7,38号..可能参与者不认为潜在威胁在潜在威胁实现前是一种危险,交通场景进化信息不足使判断恶化复杂交通场景积极影响参与者对交通场景危险度评价 )未识别危险数受复杂度评价负影响 )危险度评价 )交通场景上发现危险识别时间与复杂度或危险度评价间有统计意义关联 )相关结果接近Scialfa等[三十三高复杂交通场景或更多危险交通场景可吸引年轻驱动者更多关注与场景线索特征大相联此外,危险识别时间与缓慢识别的危险数目之间有明显的正相关关系( )与常识一致,即识别速度越快,越少被纳入慢识别

不同交通场景组间横向和垂直视波没有显著差别( )可能与视觉搜索范围限制相关联,因为流量场景显示在同一计算机屏幕上平均定点数和编程数表示不同类交通场景之间的重大差分 )行人路面或等待路面的平均定点数远比车辆车道变换或制动的交通场数高得多。更多对行人定点可能表示参与者需要更多时间定点确定危险这种现象还可能受交通场景线索特征的影响值得指出的是,没有重大发现指向平均固定时间和平均塞克斯代持续时间跨交通场域类别结果很可能归结为以静态图像显示的流量场景

上表结果分析反映年轻驱动者危险感知和视觉运动之间可能的关联性,而关联性似乎与交通场面相关联。也验证了这种可能性具体地说,较高复杂交通场景导致小分级角 )参与者更多关注小区前用工具车辆,固定时间更少(固定时间更少)( )高危险交通场景长度较短 )这表明高学分速向高危险交通场景方向发展危险识别时间和缓慢识别的危害数与平均固定数和平均编程数有正相关 )高效危险识别显示,参与者只需要更少数目固定和编程,以确保识别危害

此外,图中结果3显示青年驱动器主观和客观指标之间的相互关系我们可以通过客观测量指标推断它们的主观认知度,反之亦然。举例说,危险度评价与危险识别时间的相关性,我们可以预测驱动人通过驱动人危险识别效率对特定交通场景的主观感知(例如自知危险度)。同时,从驱动特征上看,对驾驶里程较多的驱动者而言,横向眼活动范围更大,这意味着驱动者经验越多,注意力范围越广,对危险搜索的认识越强。年长青年驱动时间较短也可能是由于驾驶经验的影响15,18号..

应当指出实验室测试条件与现实环境不相容,这可能导致参与者有不同的心理感知和视觉行为,但我们可以为所有参与者实现相同的受控条件[38号发现危险感知和目视运动之间的固有关联很有帮助事实上,我们确实在研究中展示了一些显性发现在未来研究方向方面,必须确定这些结果是否在现场测试中复制未来研究还应研究交通场景进化过程、认知度和目视运动之间的相互关系,特别是定型是否与可能的交通冲突及其特征重合根据驱动器在现实环境驾驶时的目光运动显示,也许我们可以了解更多驱动器信息,并开发对眼运动、危险感知和交通场景相关性的进一步研究

5级结论

为了分析驱动人危险感知和目视运动之间的相互关系,研究视年轻驱动人为对象,并在不同场景和目视运动资料采集设备的帮助下实施静态图像危险感知测试同时,差异分析和关联分析是根据所收集数据进行的。所得结果显示,在不同交通场景中,一些显示驱动人危险感知和目视运动的指标反映重大差异同时,一些危险感知和视觉行为指标密切相关

危险感知和眼运动研究可指导道路设计、交通管理、驱动培训以及测试驱动人危险感知能力为了避免交通事故越多越好,我们可以在路上或汽车中增加辅助按摩以备容易忽略的危险场景减少危险驾驶行为和非机动车辆或行人出现在机动车道的现象,建议加强交通管理并创造稳健交通安全环境某些典型场景还可用于观察、分析并提升驱动者危险感知技巧论文结果基于对所得数据的分析下一步研究可使用更多样本、指标、交通场景和测试方法进一步分析驱动人危险感知和眼运动之间的相互关系

数据可用性

支持本研究发现的数据可应请求从相关作者处获取。

利益冲突

作者声明他们没有利益冲突

感知感知

这项研究得到Shaanxi自然科学基础研究项目支持(批文号2019JM-309中心大学基础研究基金30010228205和中国自然科学基金会5108040)