L3级自动驾驶汽车的接管安全性评价模型*

林庆峰，王兆杰，鲁光泉

（北京航空航天大学交通科学与工程学院，北京 100191）

前言

在有条件自动驾驶中（SAE，L3级），自动驾驶系统可执行全部的动态驾驶任务（系统起作用），驾驶人无须始终监控驾驶任务，但当车辆所处情况超出了自动驾驶系统的操作极限时，系统会发出接管请求，驾驶人须能及时接管车辆的控制权［1］。因此，如何确保驾驶人自主操纵与自动驾驶系统之间的安全切换尤为重要，这也是自动驾驶系统及其人机交互界面设计需要考虑的重要因素。

近年来，很多学者开展了针对自动驾驶接管行为的研究。接管请求时间是影响接管行为的重要因素，通常定义为自动驾驶系统的接管请求警告提示信号发出时自车与前方障碍物的碰撞时间（time to collision，TTC）。接管时间是重要的接管绩效指标之一，通常定义为接管请求时间开始到驾驶人关闭自动驾驶模式的时间间隔。自动驾驶的关闭方式主要通过转向盘上的按键、制动和转向实现（设定制动踏板或转向盘转角超过一定的阈值）。研究中往往利用非驾驶相关任务（次任务）使驾驶人在自动驾驶过程中处于注意力分散状态。常用的非驾驶相关任务包括：替代相关任务（surrogate reference task，SuRT）、n-Back、20个问题任务和箭头视觉次任务以及观察导航、读新闻、看视频和玩游戏等真实的任务。

很多学者研究了接管请求时间和次任务等因素对接管绩效的影响。Gold等［2］发现随着接管请求时间变短，驾驶人会更快地做出决策，反应更快，但通常接管质量会变差。Ito等［3］的研究显示驾驶人在5 s的接管请求时间下也能正确地完成接管操作。Eriksson等［4］对近年来自动驾驶的接管请求时间的相关研究进行了综述，表明当前相关研究中设定的接管请求时间平均值为6.37 s（标准差为5.36 s），而自动驾驶的接管请求时间设定为7 s左右较为合适。Zeeb等［5］根据驾驶人的注视行为，将驾驶人分为高、中、低风险驾驶群体，研究结果显示高风险驾驶人的制动时机要晚于中低风险驾驶人，但3类人群的首次接触转向盘的时间、首次凝视道路中心的时间均无明显差异。Körber等［6］调查了在不同的交通密度和非驾驶相关任务条件下年龄对自动驾驶接管时间和接管质量的影响。结果表明，年轻驾驶人（≤28岁）和年老驾驶人（＞60岁）的接管时间无显著差异。Radlmayr等［7］分析了不同的交通状况和非驾驶相关任务对有条件自动驾驶中的接管过程的影响，结果表明交通状况对接管时间和接管质量有较强的影响，高密度交通流状态下接管的危险性更大。Zeeb等［8］研究了不同的真实次任务（写邮件、读新闻、看视频）对接管操作的影响，结果显示次任务对驾驶人的接管反应时间无影响，但驾驶分神会恶化驾驶接管质量。Happee等［9］的研究结果表明TTC和与障碍物的间距是较好的紧急接管避让操作的评价指标，与手动驾驶行为相比，自动驾驶会使驾驶人的转向和制动干预介入时机发生延迟。Gold等［10］建立了接管时间、最小TTC、制动应用和碰撞概率等接管绩效变量的预测模型，结果显示接管时间、最小TTC和碰撞概率模型具有较好的预测效果，制动应用（驾驶人在接管过程中是否采取制动措施）预测模型具有一定的预测效果。鲁光泉等［11］分析了年轻驾驶人的接管反应特性，结果显示，次任务的存在会显著增加接管时间，驾驶人更倾向于采用制动加转向的组合操作来回避风险。林庆峰等［12］发现在紧急接管情况下，接管紧迫度对合成加速度和最小TTC有影响，而对接管时间无影响，非驾驶相关任务对接管时间和最小TTC有影响，而对合成加速度无影响。

上述研究主要针对接管绩效的影响因素展开，这其中包括接管请求时间、交通密度和驾驶人的特征与年龄等因素对接管绩效的影响等。但当前对自动驾驶接管的安全性的量化评估研究并不深入。例如，Gold的研究中建立了碰撞预测模型，模型的自变量包括接管请求时间、交通密度、重复性和年龄等［10］，但该文献仅考虑了是否碰撞的情况，并未考虑近似碰撞（near crashes）这样的紧急状态。

本研究的目的是评价高速公路环境下L3级自动驾驶车辆接管的安全性。基于驾驶模拟器构建高速公路环境下的紧急接管场景，设计不同难度等级的箭头视觉次任务，进行驾驶模拟实验，分析次任务对接管绩效的影响。在此基础上，建立L3级自动驾驶车辆接管的安全性评价模型，可对自动驾驶系统的设计提供理论支持。

1 实验方法

1.1 实验被试

本次实验共计招募了49名被试（男性30名，女性19名），被试的平均年龄为31.06岁（标准差为7.10岁），平均驾龄为6.31年（标准差为5.23年）。被试均持有有效的驾驶执照。实验前被试须自我报告是否处于良好的健康状况和有无疲劳、药物误用等情况。被试在实验前须先了解整个实验流程，然后填写知情同意书。

1.2 驾驶模拟器

实验采用简易驾驶模拟器，硬件主要包括：罗技G29转向盘和加速与制动踏板套件、高性能计算机和显示器等（见图1）。模拟器采用自动挡模式，驾驶人在手动驾驶时只须操作加速与制动踏板和转向盘。模拟器的场景设计软件为UC-Win／Road，该软件可实现复杂道路与交通流的生成、行驶车辆的设置和交通控制等功能。模拟器可实时记录自车和周边车辆的数据，如车辆运行状态和驾驶人操作等。此外，转向盘右侧放置一个平板电脑用以显示次任务。

图1 驾驶模拟器

1.3 实验设计

1.3.1 次任务

本研究选取的次任务是参考Kircher等的研究中设定的视觉次任务［13］。如图2所示，该任务为箭头次任务，图2中的左侧图片是干扰箭头，右侧图片为目标箭头＋干扰箭头。次任务从易到难可分为3个等级，1级为4×4箭头矩阵（干扰箭头向左和向右），2级为6×6箭头矩阵（干扰箭头向下），3级为6×6箭头矩阵（干扰箭头向左、向右和向下）。

次任务图片会显示在模拟器中控台偏右侧放置的平板电脑屏幕上，每张图片显示时间为5 s，被试在该时间段内须判断图片中是否有朝向上方的箭头（目标箭头），并回答“有”或“没有”，箭头组合方式不同且随机呈现，直到车辆切换为手动驾驶后次任务停止显示，手动驾驶时无次任务显示。

1.3.2 接管场景

接管场景为被试在自动驾驶过程中执行次任务操作时（眼睛始终注视显示次任务的平板电脑屏幕），自车所在的车道前方突然出现一辆抛锚车辆，根据自车车速和与抛锚车辆的车间距离设定接管请求时间TTC为7 s。自动驾驶系统按照设定的接管请求时间向被试发出接管请求提示警告信息（声音＋视觉提示图标）。接管提示声音为“自动驾驶即将失效，请接管！”，显示同样文字的提示图标同步出现在中央显示器屏幕上方。被试听到提示音后应立即按下转向盘上的切换按钮，使车辆从自动驾驶模式切换到手动模式。

图2 视觉次任务示意图

1.3.3 道路场景

实验采用单因素实验设计，因素为次任务。次任务包括：无次任务（对照基准）、1级、2级和3级次任务。每种等级的次任务均呈现一次，利用拉丁方设计法对不同次任务的接管场景的出现顺序进行布置。实验路段的长度为19 km，被试初始须手动驾驶一段路，然后通过按下切换按钮将驾驶模式从手动切换为自动驾驶模式，每个接管场景的距离间隔约为3～4 km。

道路场景为双向6车道的高速公路（见图1），天气和道路状况良好。交通流设置为稀疏交通流，平均速度为110 km／h，最高车速限定为120 km／h。交通流分布均匀，总计500辆／h。实验开始时被试须驾驶车辆在中间车道行驶，手动驾驶时车速保持在110 km／h左右，然后按下转向盘上的切换按钮使车辆进入自动驾驶模式，车辆速度则在短时间内自动变为110 km／h。

1.4 实验流程

被试在实验前须先签署知情同意书，填写问卷调查表以记录基本的人口统计信息（年龄、性别、驾龄、驾驶里程等）。然后实验人员向被试介绍自动驾驶系统的相关功能，如接管切换模式、系统失效的场景和次任务的操作说明等。被试在正式实验前要进行约10 min的预备实验，包括熟悉转向盘、加速与制动踏板的灵敏度，熟悉实验道路环境、练习自动驾驶的切换操作等。预备实验结束后，被试会有5 min的休息时间，而后开始正式实验。

特别需要指出的是，当车辆处于自动驾驶模式时，被试在执行次任务操作时视线应始终注视在平板电脑上，即偏离道路朝向（Eyes-off Road），被试的双手呈放松状态自然放置在身体的两侧，右脚也呈放松状态且不放置在制动或加速踏板上。当被试听到接管提示声音后，可采用制动、转向等回避操作，实验中不特别指定被试的转向避让方向。被试驾驶车辆绕过抛锚车辆后应重新回到中间车道。

1.5 实验因变量

实验的因变量主要为接管时间和接管质量。接管时间包括接管反应时间和制动反应时间。接管反应时间定义为从接管请求警告信号发出到被试按下转向盘上的切换按钮的时间间隔。制动反应时间定义为接管请求警告信号发出到被试踩下制动踏板的时间。其中，制动踏板触发的阈值为制动踏板总行程的10%。接管质量包括合成加速度、最小TTC和碰撞率。合成加速度的计算方式为最大纵向加速度与最大横向加速度的矢量和［2］。最小TTC的计算方式为自车未完全驶离本车道情况下自车与抛锚车辆之间的最小 TTC［14］。

1.6 数据预处理

在数据列表中可通过车辆的行驶距离提取接管提示点，根据抛锚车辆的位置提取出整个接管过程的结束点，在这个区间内共提取8段有效数据。然后分别提取并计算接管反应时间、制动反应时间、合成加速度和最小TTC。

在实验中，由于被试的操作失误等原因，如由于误操作而未及时接管，或被试提前接管，会导致数据异常，所以须剔除异常值。在预备实验中，针对驾驶转向行为的研究发现，有些驾驶人回避时会先进行制动操作，然后将车辆静止一段时间后再转向，这导致转向反应时间的离散度较大。因此，本研究中并未考虑驾驶人的转向反应时间。针对次任务对接管绩效的影响分析，采用方差分析和非参数检验的方法进行分析。针对接管安全性评价模型的研究，采用Logistics回归分析的方法进行建模。

2 结果分析

2.1 数据分析

统计制动反应时间可知，驾驶人的回避过程中主要采取制动的数据为130个（约占总数的70%）。接管反应时间、制动反应时间（排除直接转向）、合成加速度和最小TTC的统计直方图分别如图3～图6所示。其中，除最小TTC外，其他指标均呈现正态分布或近似正态分布。

图3 不同次任务下的接管反应时间直方图

2.2 接管时间

2.2.1 接管反应时间

图5 不同次任务下的合成加速度直方图

图6 不同次任务下的最小TTC直方图

图7 为不同次任务下的接管反应时间的对比结果。由图可见：次任务对接管反应时间有显著影响，F（3，182）＝10.272，p＜0.001。其中，无次任务下的接管反应时间（1.44±0.38 s）均分别低于1级次任务下的接管反应时间（1.66±0.34 s）（p＝0.006）、2级次任务下的接管反应时间（1.79±0.47 s）（p＜0.001）和3级次任务下的接管反应时间（1.81±0.40 s）（p＜0.001）。此外，1级、2级、3级次任务下的接管反应时间两两之间均无显著差异（1级vs.2级：p＝0.116；2级 vs.3级：p＝0.807；1级 vs.3级：p＝0.064）。因此，次任务的存在会显著增加接管反应时间。这主要是由于驾驶人听到接管提示音后视线由平板电脑转移到道路前方，驾驶人的手从放松状态到握紧转向盘均需要消耗一定的时间。2.2.2 制动反应时间

图7 次任务对接管反应时间的影响

图8 为不同次任务下的制动反应时间的对比结果。排除驾驶人回避时直接转向的数据，统计结果表明：次任务对制动反应时间有影响，F（3，126）＝7.466，p＜0.001。其中，无次任务下的制动反应时间（1.88±0.55 s）均分别低于1级次任务下的制动反应时间（2.28±0.56 s）（p＝0.009）、2级次任务下的制动反应时间（2.45±0.67 s）（p＜0.001）和3级次任务下的制动反应时间（2.50±0.67 s）（p＜0.001），此外，1级、2级、3级次任务下的制动反应时间两两之间均无显著差异（1级 vs.2级：p＝0.285；1级 vs.3级：p＝0.150；2级 vs.3级：p＝0.751）。驾驶人在视线转移至前方道路以及手接触转向盘按下切换按钮后，一般会根据接管场景的危险状况而采取制动或制动＋转向的回避操作。因此，相对于无次任务情况，次任务的存在导致制动反应时间增加的主要原因仍是驾驶人接管准备的时间过长所致。此外，由于接管请求时间相同，这也是导致1级、2级和3级次任务下的制动反应时间相同的重要原因。

图8 次任务对制动反应时间的影响

2.3 接管质量

2.3.1 合成加速度

图9为不同次任务下的合成加速度的对比结果。由图可见：次任务对合成加速度无影响，F（3，182）＝0.516，p＝0.671。其中，无次任务、1级次任务、2级次任务和3级次任务下的合成加速度两两之间均无显著差异。不同次任务下驾驶人的制动操作的稳定性也无明显差异，这主要是因为一方面研究中设定的接管请求时间相同，另一方面是由于7 s的接管请求时间并不是紧急工况，具有较合适的安全裕度，因而驾驶人有比较充分的时间进行回避操作，驾驶人在这种接管场景下具有较好的车辆控制能力。

图9 次任务对合成加速度的影响

2.3.2 最小TTC

根据不同次任务和接管请求时间下的最小TTC的分布特点，采取非参数检验的方法分析不同次任务及接管请求时间对最小TTC的影响。

利用Kruskal-Wallis H检验分析不同次任务对最小TTC的影响可知，无次任务、1级次任务、2级次任务和3级次任务下的最小TTC的平均秩次分别为 122.21（N＝48）、109.14（N＝49）、71.41（N＝44）和67.44（N＝45）。可见，2级和3级次任务下的最小TTC要比无次任务和1级次任务下的最小TTC小得多，但2级与3级次任务下的最小TTC和无次任务与1级次任务下的最小TTC却都差别不大。因此，总的来说，次任务在一定程度上影响接管的安全性，随着次任务等级的增高，接管的安全性降低。这主要是由于次任务等级越高，驾驶负荷越大，一定程度上影响了驾驶人的接管能力。

3 接管安全性评价

采用二元logistics回归方法构建驾驶人接管安全性评价模型。最小TTC低于1 s通常被认为是评估碰撞的有效的替代方法［15］。因变量选取最小TTC组别，最小TTC小于等于1 s为危险组，最小TTC大于1 s为正常组。输入变量选择次任务、接管反应时间、是否制动和合成加速度。筛选变量的方法选择向后逐步回归法，该方法表示向前筛选变量且变量进入模型的依据是比分检验统计量，剔除出模型的依据是极大似然估计原则下的似然比卡方。设置概率分界值为0.5，预测概率值大于0.5时认为被解释变量的分类预测值为1（危险组），小于0.5时认为分类预测值为0（安全组）。针对7 s的接管请求时间，最终筛选出的变量为接管反应时间和次任务，得到的logistics回归方程见式（1），模型预测正确率为85.5%，见表1。

式中：TORt为接管反应时间；Task为次任务。

表1 分类表

4 结论

本研究基于模拟器设计高速公路接管场景，分析了L3级自动驾驶中次任务对接管绩效的影响，建立了接管安全性评价模型，具体的结论如下。

（1）有次任务时会增大驾驶人的接管反应时间且在一定程度上降低接管的安全性，但对接管的稳定性并无影响。

（2）7 s的接管请求时间下，接管反应时间和次任务等级是接管安全性的两个最佳预测因素。接管安全性评价模型的预测准确率为85.5%。

本研究采用模拟器进行实验并提取实验数据，今后应在实车道路环境下进一步验证模型的有效性，并考虑驾驶人的个体特征、其他典型的接管场景和驾驶人状态等因素。本研究中接管的切换方式为驾驶人按下转向盘上的切换按钮，未来须综合考虑踩制动踏板和转动转向盘的切换形式。