驾驶任务缓急与汽车驾驶倾向性的相关性

张敬磊，王晓原,2，王云云，尹 超

1)山东理工大学交通与车辆工程学院，山东淄博 255091；2)清华大学汽车安全与节能国家重点实验室，北京 100084

【交通物流 / Transportation Logistics】

驾驶任务缓急与汽车驾驶倾向性的相关性

张敬磊1，王晓原1,2，王云云1，尹 超1

1)山东理工大学交通与车辆工程学院，山东淄博 255091；2)清华大学汽车安全与节能国家重点实验室，北京 100084

以驾驶任务缓急程度为研究对象，对50名被测试者分别进行3次不同缓急程度运输任务的实验研究，获取在不同任务缓急程度下驾驶员的各项生理和心理特征数据，计算相应的汽车驾驶倾向性预判值．运用单因素方差分析方法，分析任务缓急程度与驾驶倾向性的相关性．研究结果显示，在较缓、一般缓急和较急3种任务缓急程度的情况下，驾驶倾向性影响因子(驾驶员的速度估计偏差、操作反应时间、注意力和情绪等)的值显著不同，表明任务的缓急对驾驶倾向性影响显著．

交通运输安全工程；驾驶行为；驾驶倾向性；任务缓急；单因素方差分析；相关性分析

随着现代交通运输业的迅速发展，交通安全问题日益突出．在由人-车-路-环境组成的交通系统中，驾驶员作为核心因素，其驾驶行为在很大程度上影响着道路交通系统的安全水平，所以控制驾驶员行为是降低交通事故发生和提高汽车行驶安全的主动因素.由于驾驶员个体年龄、性别、驾龄、行车经验和个性等的不同，其心理特征表现为不同的驾驶倾向性，反映了驾驶员对现实交通状况的态度、体验以及所表现出的与之相适应的决策或行为价值的偏好性，是交通安全研究领域中的一个难点[1-2]．近年来，为缓解或解决交通安全问题，学者们从驾驶员生理、心理特性、道路环境等角度展开了研究．Salthouse[3]指出在相同驾驶状况下，老年驾驶员的反应时间大于青年与中年驾驶员的反应时间． Campagne等[4]认为，随着年龄增加驾驶员行车时的警惕性易降低，驾驶操作出错次数增多，更易导致交通事故的发生．Gunnarsson等[5]将驾驶意图与车载信息系统采集到的车辆轨迹相结合，设计了一种新的预警模型，可实时预测发生交通事故时车辆周边交通状况.Tsogas等[6]应用D-S(dempster-shafer)证据理论研究驾驶员在驾车过程中的决策类型，并通过调查驾驶员的真实意图来优化模型的意图识别能力．Megías等[7]研究了驾驶员任务缓急及情绪对风险驾驶的影响．Metz等[8]探讨了驾驶员在计划、决策和执行次要任务3种交通情况下是如何协调并行处理次要任务与驾驶需求问题．Scott-Parker等[9]从驾驶员的倾向、敏感度和愤怒等不同的情感方面，研究了驾驶员情感对驾驶行为的影响．Roidl等[10]通过设置不同缓急程度的任务来激发驾驶员情绪，研究模拟驾驶环境下不同情绪对汽车速度和加速度的影响．Chan等[11]分析带有不同情感内容的听觉干扰对驾驶员行为的影响．Sullman[12]运用验证性因素分析方法研究驾驶员愤怒情绪在行驶过程中的表达方式．Bi等[13]提出基于情感的驾驶员疲劳状态识别算法，该算法通过比较驾驶员和疲劳驾驶样本的面部表情，识别驾驶员是否处于疲劳驾驶状态．Fitzpatrick等[14]通过驾驶模拟器设置不同驾驶场景，研究路侧净区宽度和路边植被密度对驾驶员行驶速度的影响，指出与路边植被密度相比，路侧净区宽度对驾驶员行驶速度及横向偏移度影响更大．Faure等[15]研究了复杂环境中工作量和眨眼行为对驾驶员心理的影响．Wang等[16]研究青年司机经济和政治背景与危险驾驶的关系，通过对476名年轻司机的调查发现，政治或经济背景越高的人越易产生危险驾驶行为．贾洪飞等[17]以期望间距为基准参量，考虑驾驶员的心理和生理因素，建立了车辆跟驰模型，为研究驾驶行为提供了新思路．陈雪梅等[18]研究了紧急情况下驾驶员生理和心理反应特点，发现紧急情况下驾驶员生理变化明显，驾龄越长，生理指标变化越小，发生交通事故的几率越小．刘江等[19]分析了驾驶员的不同气质类型与行车速度间的关系；余蜡生等[20]结合生理和认知对情感的影响，建立与Agent结合的情感结构来解决道路网络拥塞问题．王志良等[21]针对驾驶员习惯的模型，提出自适应调整的方法．刘志强等[22]利用D-S证据推理技术，提取驾驶员注意涣散特征表征信息，实现对驾驶员注意涣散状态的判断，对汽车主动安全驾驶研究具有重要意义．王晓原等[23]从驾驶员生理和心理等角度对驾驶员行为特性进行了研究．然而，这些有关驾驶行为影响因素的研究大多集中于驾驶员生理和心理等因素与驾驶行为的相关性探讨，忽略了驾驶员承担不同驾驶任务时对驾驶行为产生的间接影响．驾驶任务缓急是指驾驶员所承担的运输任务的缓急程度．本研究设计不同的奖惩措施，设置不同缓急程度的驾驶任务，采用驾驶模拟实验和实车实验2种手段，获取不同缓急程度任务下驾驶员的各项生理和心理等指标，运用单因素方差分析方法，分析驾驶任务缓急程度的不同水平对驾驶员倾向性指标的影响．研究可为汽车主动安全预警和辅助驾驶系统的性能改善提供理论指导．

1 驾驶倾向性影响因子分析

汽车驾驶员生理-心理特性对交通安全的影响在很大程度上表现为驾驶倾向性，即在各种动态因素影响下汽车驾驶员对现实交通状况的态度体验，以及所表现出的与之相适应的决策或行为价值的偏好性，反映了驾驶员在车辆操作和运动过程中表现出的心理情感状态．在行车过程中，不同驾驶员驾驶倾向各异，行为表现具有差异性，而差异性的根本原因是驾驶员的生理和心理差异．为表征不同驾驶员之间的差异性，本研究参照文献[24-25]中的方法，通过对大量实验数据进行概率统计分析，选取驾驶员生理、心理及其他附加特征中的主因子，对驾驶倾向性进行量化研究，并计算驾驶倾向性预判值．通过分析大量实车和虚拟驾驶实验数据，进行统计聚类以及征求专家意见，将驾驶倾向性预判值划分为5个区间，分别对应保守型、普通保守型、普通型、普通激进型和激进型5种驾驶倾向性类型，如表1．其中，dt为驾驶倾向性预判区间．

用于汽车驾驶倾向性预判的主影响因子有视觉反应时间、选择反应时间、辨别反应时间、操作反应时间和速度估计偏差(实际车速与被测者估计车速差的绝对值)等生理特征，还有气质、态度、注意力、情绪和意志力等心理特征，以及驾驶能力和任务缓急等外部附加特征[24]．其中，驾驶任务缓急指驾驶员所承担的运输任务的缓急程度，当承担的任务越急时，驾驶员的心理压力越大，不同驾驶员的生理和心理特征表现各异，因此会对驾驶倾向性的判定产生一定影响．

表1 驾驶倾向性类型划分

2 任务缓急与驾驶倾向性相关性

2.1 实验设计

2.1.1 实验设备

实验包括实车实验和驾驶模拟实验．实车实验设备主要包括：高清摄像头、Minivcap监控系统、高清摄像机、笔记本电脑、SG299-GPS非接触多功能测试仪、BTM300-905-200激光测距传感器及踏板力传感器等，如图1．驾驶模拟实验设备如图2．实验前需对被测人员进行驾驶模拟器操作培训．

图1 动态人车环境信息采集系统组成Fig.1 Dynamic vehicle information acquisition system composition

图2 驾驶模拟实验室Fig.2 Driving simulation laboratory

2.1.2 实验条件及对象

选取天气晴朗、路面干燥的实验条件，时间为正常工作日的08∶30 a.m.—10∶30 a.m.，道路交通属繁忙但未达到拥堵状态．实验路线为：山东理工大学东门—南京路—联通路—世纪路—新村西路—南京路—山东理工大学东门(如图3，黑色箭头表示试验车行驶方向)．实验对象为普通驾驶员，职业为教师、职员、工人和自由职业者，样本容量为50名．样本中男性驾驶员30名，女性20名，年龄在18～58岁，驾龄在0.5～22年；样本中92%的人曾有不同类型的违章驾驶现象，样本平均违章次数为5.12次/人，违章平均频率为0.63次/年；样本中有44%的人发生过不同类型的交通事故，样本平均事故次数为2.54次/人，事故平均频率为0.31次/年．

图3 实验路线Fig.3 Experimental line

2.1.3 实验内容

50名被测试者从1到50进行编号，设计相关实验获取驾驶倾向性各主影响因子指标．实验包括调查问卷、驾驶模拟实验和实车实验．其中，模拟实验用于补充实车实验难以采集的数据，模拟实验路线使用道路编辑器仿照实车实验路线及场景进行编辑．本研究根据运输任务的缓急程度，将任务缓急划分为较缓、一般和较急3种类型的运输任务．通过问卷调查、大量任务缓急实验实数据统计分析以及专家评定，最终确定实验方案为：对50名被测试者分别进行3次不同缓急程度的运输任务实验． 第1次实验时准备10份丰厚大礼包， 并且规定用时最少的前10名驾驶员可获得奖励，该次实验对应的任务定为“较急程度的运输任务”．第2次实验时准备25份精美礼品的奖励，并且规定用时最少的前25名驾驶员可获得奖励，该次实验对应的任务定为“一般程度的运输任务”．第3次实验时若被测试者顺利完成运输任务，则每人都能获得1份纪念品，该次实验对应的任务定为“较缓程度的运输任务”．

实验前被测试者需进行练习，以熟悉驾驶模拟器和实验车辆的性能，所有被测试者的实验路线相同，以保证驾驶员之间的可比性和实验的有效性．

2.1.4 实验数据

综合考虑实车实验和模拟实验，获取在不同任务缓急程度下驾驶员的各项生理和心理等特征数据，并计算相应的汽车驾驶倾向性预判值，部分实验数据见表2、表3和表4．驾驶员注意力的相关数据由实车实验获得．将驾驶员在设置20个障碍物(对行车安全无影响)的道路上行驶时，未能及时回避障碍物的操作次数称为误操作次数，用误操作次数占总数的百分比作为注意力的评判指标[26]．按文献[27]方法，将驾驶员情绪分为平静、一般和激动3种状态，测试值介于0～1，驾驶员越平静，分值越底，相反情绪越激动，分值越高．

表2 驾驶任务缓急程度较缓时部分生理、心理指标测量结果

表3 驾驶任务缓急程度一般时部分生理、心理指标测量结果

表4 驾驶任务缓急程度较急时部分生理、心理指标测量结果

2.2 基于单因素方差分析的任务缓急与驾驶倾向性相关性分析

假设总体均为正态变量，利用单因素方差分析研究在不同驾驶任务缓急程度下，驾驶员的生理、心理指标是否存在显著变化，从而对驾驶倾向性产生显著影响．本研究中的单因素变量就是驾驶员的任务缓急程度，利用SPSS19.0统计分析软件进行单因素方差分析．方差齐次性检验如表5，单因素方差分析结果如表6．其中，X1为视觉反应时间；X2为速度估计偏差；X3为选择反应时间；X4为辨别反应时间；X5为操作反应时间；X6为驾驶员注意水平；X7为驾驶员的情绪状态；df为驾驶员生理心理指标的自由度， df1和df2分别为每个指标对应的3种任务缓急程度的组间自由度和组内自由度．SIG为检验指标的显著水平，若SIG>0.05，说明各组的方差在0.05的显著水平上无显著性差异，即方差具有齐次性，对试验指标进行单因素方差分析可行．F为不同驾驶任务缓急间的方差分析统计量，F0.05(2, 147)为显著水平为0.05，组间自由度为2，组内自由度为147时不同驾驶任务缓急间的的方差分析统计量．

表5 方差齐次性检验

由文献[25-26]可知驾驶员生理-心理特性对交通安全的影响在很大程度上表现为驾驶倾向性，受驾驶员的速度估计能力、操作反应时间、注意力、情绪等生理心理因素的影响．表6的单因素方差分析结果显示，F(X2)、F(X5)、F(X6)和F(X7)均大于F0.05(2,147)， 表明驾驶任务缓急程度不同，对驾驶员的速度估计能力、操作反应时间、注意力和情绪等生理心理指标影响显著，即任务缓急对驾驶倾向性影响显著．

2.3 模型验证

运用文献[26]中的汽车驾驶倾向性预判模型，计算50名被测试者在不同任务缓急程度下的倾向性值，判别每位被测试者的倾向性类型．然后利用文献[27]中适应多车道环境的汽车驾驶倾向性辨识方法，动态辨识3种任务缓急情况下，驾驶员在某一交通态势下的倾向性类型．最后对辨识结果进行统计分析，可得驾驶员在时变环境下，由不同倾向性预判类型识别为其他倾向性类型的概率，结果如表7．其中，任务缓急程度一列中，1代表较缓的运输任务，2代表一般缓急的运输任务，3代表较急的运输任务．

表6 单因素方差分析结果

(续表6)

由表7可知，3种不同的任务缓急程度下，被测试者的驾驶倾向性类型有显著变化，即驾驶员的任务缓急程度对汽车驾驶倾向性有显著影响．

按照文献[27]方法，分别对不同驾驶倾向性类型进行辨识准确率对比，结果如图4．其中，识别准确率A表示基于本方法获得汽车驾驶倾向性值，并进一步对其进行动态辨识的结果；识别准确率B表示未考虑任务缓急对驾驶员生理、心理等特征产生显著影响，继而对驾驶倾向性评判产生间接影响的动态辨识(自由流和跟驰状态)的结果．

由图4可见，考虑任务缓急对驾驶员生理、心理特征产生显著影响下的驾驶倾向性判别更准确．

图4 不同倾向性类型驾驶员的辨识准确率Fig.4 Recognition accuracy of different driver’s propensity types

结 语

汽车驾驶倾向性评判的准确性不仅受驾驶员内因的影响，还受一些外因制约．任务缓急情况属于驾驶倾向性的外因，通常通过影响驾驶员生理、心理等内部特征，间接影响驾驶倾向性评判结果．本研究通过设计多项实验获取不同任务缓急情况下，驾驶员的生理和心理等因素指标，运用单因素方差分析方法，结合SPSS19.0统计分析软件，分析任务缓急是否对各项生理和心理特征产生显著影响．研究结果表明，任务缓急对驾驶员的速度估计偏差、操作反应时间、注意力、情绪等特征影响显著，即在不同任务缓急程度的情况下，汽车驾驶倾向性类型显著不同．需指出的是，本研究对不同缓急程度的驾驶任务进行划分时具有一定的主观性，各项实验设备和实验人员对各项生理、心理指标的测量也具有一定的侵入性，因此测试结果必然有一定的误差，后续研究将更加细致和客观的划分任务缓急程度，以减少被测试者以外的因素对实验结果产生影响．

/ References：

[1] Wang Xiaoyuan, Zhang Jinglei, Liu Jin, et al. Extraction of the dynamic vehicle driver’s tendency feature based on car-following[C]// CICTP 2012: Multimodal Transportation Systems: Convenient, Safe, Cost-effective. Beijing: American Society of Civil Engineers, 2012: 2061-2071.

[2] 陶 达，张 瑞，曲行达．性别、年龄和人格特质对风险驾驶行为的影响[J]．深圳大学学报理工版，2016，33(6)：646-652. Tao Da, Zhang Rui, Qu Xingda. The effects of gender, age and personality traits on risky driving behaviors[J]. Journal of Shenzhen University Science and Engineering, 2016, 33(6): 646-652.(in Chinese)

[3] Salthouse T A. Aging and measures of processing speed[J]. Biological Psychology, 2000, 54(1): 35-54.

[4] Campagne A, Pebayle T, Muzet A. Correlation between driving errors and vigilance level: influence of the driver’s age[J]. Physiology & Behavior, 2004, 80(4): 515-524.

[5] Gunnarsson J, Svensson L, Bengtsson E, et al. Joint driver intention classification and tracking of vehicles[C]// IEEE Nonlinear Statistical Signal Processing Workshop.[S. l.]: IEEE, 2006: 95-98.

[6] Tsogas M, Polychronopoulos A, Floudas N, et al. Situation refinement for vehicle maneuver identification and driver’s intention prediction[C]// The 10th International Conference on Information Fusion.[S.l.]: IEEE, 2007: 1-8.

[7] Megías A, Maldonado A, Cándido A, et al. Emotional modulation of urgent and evaluative behaviors in risky driving scenarios[J]. Accident Analysis & Prevention, 2011, 43(3): 813-817.

[8] Metz B, Schömig N, Krüger H P. Attention during visual secondary tasks in driving: adaptation to the demands of the driving task[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2011, 14(5): 369-380.

[9] Scott-Parker B, Watson B, King M J, et al. A further exploration of sensation seeking propensity, reward sensitivity, depression, anxiety, and the risky behaviour of young novice drivers in a structural equation model[J]. Accident Analysis & Prevention, 2013, 50: 465-471.

[10] Roidl E, Frehse B, Höger R. Emotional states of drivers and the impact on speed, acceleration and traffic violations: a simulator study[J]. Accident Analysis and Prevention, 2014, 70(5): 282-292.

[11] Chan M, Singhal A. Emotion matters: implications for distracted driving[J]. Safety Science, 2015, 72(1): 302-309.

[12] Sullman M J M. The expression of anger on the road[J]. Safety Science, 2015, 72(1): 153-159.

[13] Bi Hongzhe, Shen Gongzhang. Recognition and appli-cations of emotion detection in driving fatigue[J]. The Open Automation and Control Systems Journal, 2015, 7(1):655-660.

[14] Fitzpatrick C D, Samuel S, Knodler M A. Evaluating the effect of vegetation and clear zone width on driver behavior using a driving simulator[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2016, 42(part 1): 80-89.

[15] Faure V, Lobjois R, Benguigui N. The effects of driving environment complexity and dual tasking on drivers’ mental workload and eye blink behavior[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2016, 40: 78-90.

[16] Wang Zhe, Zheng Zuduo, Fleiter J J. Does family background impact driving attitudes and risky behaviours? An investigation on Chinese young drivers[J]. Accident Analysis & Prevention, 2016, 95(part A): 67-77.

[17] 贾洪飞，隽志才．基于期望间距的车辆跟驰模型的建立[J]．中国公路学报，2000，13(4)：86-88． Jia Hongfei, Juan Zhicai. Development of a car-following model based on desired spacing[J]. China Journal of Highway and Transport, 2000, 13(4): 86-88.(in Chinese)

[18] 陈雪梅，魏中华，高 利．紧急情况下驾驶员行为研究[J]．北京工业大学学报，2007，33(5)：449-454． Chen Xuemei, Wei Zhonghua, Gao Li. Study on srivers’ behavior under emergency situations[J]. Journal of Beijing University of Technology, 2007, 33(5): 449-454.(in Chinese)

[19] 刘 江，田 萍，荣 建，等．驾驶员气质与行车速度关系的初步研究[J]．北京工业大学学报，2006，32(1)：27-32． Liu Jiang, Tian Ping, Rong Jian, et al. Initial Research on Relationship between drivers’ temperament and travel speed[J]. Journal of Beijing University of Technology, 2006, 32(1): 27-32.(in Chinese)

[20] 余腊生，何满庆．基于Agent和情感计算的司机驾驶行为模型研究[J]．企业技术开发，2009，28(3)：19-21． Yu Lasheng, He Manqing. Study of driving behavior model based on agent and ambient intelligence[J]. Technological Development of Enterprise, 2009, 28(3): 19-21.(in Chinese)

[21] 解 仑，王志良，任冬淳，等．简化路况模式下驾驶员情绪模型的研究[J]．自动化学报，2010，36(12)：1732-1743． Xie Lun, Wang Zhiliang, Ren Dongchun, et al. Research of driver emotion model under simplified traffic condition[J]. Acta Automatica Sinica, 2010, 36(12): 1732-1743.(in Chinese)

[22] 汪 澎，刘志强，仲晶晶．驾驶员注意涣散检测技术研究[J]．中国安全科学学报，2010，20(7)：82-88． Wang Peng, Liu Zhiqiang, Zhong Jingjing. Study on detection technique for drivers’ distraction[J]. China Safety Science Journal, 2010, 20(7): 82-88.(in Chinese)

[23] Zhang Jinglei, Wang Xiaoyuan, Ban Xuegang(Jeff), et al. Prediction method of driver’s propensity adapted to driver’s dynamic feature extraction of affection[J]. Advances in Mechanical Engineering, 2013, 5: 658103.

[24] Wang Xiaoyuan, Zhang Jinglei, Ban Xuegang(Jeff), et al. Dynamic feature extraction method of driver’s propensity under complicated vehicle group[J]. Advances in Mechanical Engineering, 2013, 5: 287653.

[25] 王广艳．适应汽车安全驾驶预警系统的驾驶倾向性研究[D]．淄博：山东理工大学，2014． Wang Guangyan.Study on the research of drivers’ propensity adapted to vehicle safety warning system [D]. Zibo: Shandong University of Technology.(in Chinese)

[26] 成 波，孟 传，张 伟．基于机器视觉的驾驶员注意力状态监测技术研究[J]．汽车工程，2009，31(12)： 1137-1140． Cheng Bo, Meng Chuan, Zhang Wei. A study on driver distraction detection technology based on computer vision[J]. Automotive Engineering, 2009, 31(12): 1137-1140.(in Chinese)

[27] Wang Xiaoyuan, Liu Jin, Zhang Jinglei. Dynamic recognition model of driver’s propensity under multilane traffic environments[J]. Discrete Dynamics in Nature and Society, 2012, 2012: 309415.

【中文责编：英 子；英文责编：子 兰】

Correlation between task urgency and driver’s propensity

Zhang Jinglei1, Wang Xiaoyuan1,2†, Wang Yunyun1, and Yin Chao1

1) School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255091,Shandong Province, P.R.China 2) State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing 100084, P.R.China

The transportation task urgency was taken as the study object. Transport task experiments of three different degrees of urgency were organized for 50 drivers. The physiological and psychological feature data of drivers were obtained. And the pre-judgment values of driver’s propensity were calculated. Correlation between task urgency and driver’s propensity was elaborated through one-way analysis of variance. Results show that the values of the impact factors of driver’s propensity are significantly different in the cases in three task priorities of the slowness, the general urgency, and the most urgency. The characterization parameters considered are the driver’s speed estimation bias, the operation response time, the attention, the emotion and so on. Namely task urgency has significant effect on driver’s propensity.

transportation safety engineering; driving behavior; driver’s propensity; task priorities; one-way analysis of variance; correlation analysis

：Zhang Jinglei，Wang Xiaoyuan，Wang Yunyun，et al．Correlation between task urgency and driver’s propensity[J]. Journal of Shenzhen University Science and Engineering, 2017, 34(2): 195-203.(in Chinese)

U 491

A

10.3724/SP.J.1249.2017.02195

山东省自然科学基金资助项目(ZR2014FM027);山东省高等学校科技计划资助项目(J15LB07); 汽车安全与节能国家重点实验室开放基金资助项目(KF16232)

张敬磊(1979—)，男，山东理工大学副教授. 研究方向：交通行为及安全. E-mail：jinglei@sdut.edu.cn

Received：2016-07-29；Revised：2016-09-07；Accepted：2016-11-29

Foundation：Natural Science Foundation of Shandong Province (ZR2014FM027); Project of Shandong Province Higher Educational Science and Technology Program (J15LB07); State Key Laboratory Open Foundation of Automotive Safety and Energy (KF16232)

† Corresponding author：Professor Wang Xiaoyuan．E-mail: wangxiaoyuan@sdut.edu.cn

引 文：张敬磊，王晓原，王云云，等．驾驶任务缓急与汽车驾驶倾向性的相关性[J]. 深圳大学学报理工版，2017，34(2)：195-203.