铁道驾驶方面眼动技术的应用研究综述

2019-12-30 05:26孙晨哲
郑州铁路职业技术学院学报 2019年4期
关键词:眼动铁道机车

孙晨哲

(郑州铁路职业技术学院,河南 郑州 451460)

铁道机车驾驶员在驾驶过程中获得的信息80%来自于视觉线索。机车驾驶员需要在机车内部与外部驾驶环境之间不断变换自己的视觉注意力,从而确保驾驶方位、速度准确无误,机车状态运转良好以及做好一切准备迎接下一步任务的要求。这项任务如果完成不好,将导致忽视危险情境的信号等错误。因此,了解驾驶员在驾驶时的眼动是很重要的。随着眼动技术的不断发展,可以利用眼动技术获取驾驶员的眼动数据,通过眼动定量测试技术可以改善驾驶人机界面、合理布局旅客信息引导系统、提高机车驾驶员培训质量与水平。

本研究综合国内外近年来眼动技术在铁道驾驶方面的研究状况,总结研究的主要领域、实验设计等方面的特点,分析目前国内研究的不足,展望未来的发展方向与前景。

1 眼动技术在铁道驾驶方面应用研究的主要领域

1.1 操作系统优化

机车驾驶室是机车驾驶员特定的工作场所,机车驾驶员对机车驾驶系统的操作是一个人机互动的过程,人机匹配性越好火车运行越安全高效。李洋(2012)从以人为本的角度通过问卷调查和眼动实验了解到驾驶员的生理、认知和行为特性,以此作为约束条件对驾驶室内各设备以及显示屏软件人机界面(Human-Computer Interface,HCI)系统结构层面进行了优化设计,例如座椅、踏板、操作按钮的位置调整,运行监控、机车状态、故障诊断三个模块结构调整等。之后,又通过进一步的眼动分析实验,提出了驾驶界面布局优化设计的一般程序,对仪表与显示器进行了分组、整合及布局优化,提出了具体设计案例。

由于机车驾驶员在驾驶时低头观察操作仪表信息容易造成安全隐患,郭浩(2017)指出可开发高速列车驾驶的平视显示系统。通过对铁道机车驾驶员眼动视频的收集及分析,郭浩提出一种基于高速列车驾驶任务的平视显示系统动态组织方法,这种方法可以根据列车运行任务的不同,动态组织并呈现相应任务的界面,其在驾驶绩效、视觉搜索以及驾驶负荷方面具有一定优势。

1.2 预防驾驶疲劳系统的开发

铁路运营相对于道路运营有驾驶路途远、驾驶外部环境单一、驾驶时间长、班次不规律的特点,机车驾驶员的驾驶疲劳、困倦更为频繁,这也是引发铁路行车安全事故的重要原因之一。眼动仪可以帮助研究者了解机车驾驶员的疲劳状态。郭北苑、方卫宁(2004)利用眼动仪获取到机车驾驶员的瞳孔状态,依照眼睑闭合症值有效地得出被试的疲劳状态,该系统在脱机与在线状态下皆能运行。严荣慧等(2016)利用眼动技术揭示了机车驾驶员明显的个体差异,并提出了机车驾驶员疲劳识别的个性化数据库。李响(2016)认为除了眼动信息外,面部特征、语音特征、动作特征都对机车驾驶员的疲劳状态有预测作用,提取驾驶疲劳相关音视频表现特征参数进行多信息综合检测,开发了实时的机车驾驶员驾驶疲劳在线监测及预警系统。

1.3 驾驶员眼动策略的研究

较早的研究发现,机车驾驶员的视觉作业主要分配在对路况的监视上,在车速100km/h时驾驶员对路况注视比例达到78%,机车驾驶员注视频率最高的参数是速度。英国铁路安全和标准委员会委托运输研究实验室做了关于机车驾驶员的大规模眼动实验来了解他们的眼动策略,结果发现信号方位、前信号方位、信号类型、信号复杂度以及驾驶员期待对驾驶员视觉行为有重要影响。

为了在铁道机车驾驶员复杂眼动轨迹中提取出有经验驾驶员的眼睛注视运动策略特征,Horjuchi Yukio等分别采用解析结构模型ISM(Interpretive Structural Modeling)与图聚类马尔科夫集群算法(Markov Cluster Algorithm)对眼动注视数据进行处理发现,作为一种感知策略,驾驶员在注视某一特定区域后不久就重复地向前移动他们的视线。有、无经验驾驶员的区别是:在驾驶过程中,前者可以持续地遵循这一基本感知策略,而后者不能。有经验的驾驶员可以平衡他们有限的注意力资源对外界环境和其他操作需求保持警觉,在不同的兴趣领域高效地分配注意力。

1.4 不同条件下驾驶员视觉行为的差异

不同的轨道交通管理系统下,驾驶员的视觉行为也存在差异。英国研究者利用眼动技术发现,在欧洲列车控制系统(ETCS)下驾驶员的眼动行为与英国常规的管理系统下存在差异。

不同的车速与任务条件,也会对铁道机车驾驶员的眼动行为产生影响。Jang hyeyoen(2006)通过对铁道机车驾驶员驾驶状态下生理指标及眼动指标进行采集后发现,相较于高速运行,平均速度和任务速度运行下,驾驶员的皮肤电、心率值较高,眼的运动与反应的动作较大。由于平均速度和任务速度运行时,铁道机车驾驶员需要比高速运行时更加小心驾驶,他们的身心压力水平均提高。

2 铁道驾驶研究领域中眼动实验设计特点

2.1 实验仪器

眼动实验所采用的数据采集仪器是眼动仪,眼动仪的发展经历了便携化、移动化、精确化的过程。目前在研究中常用到的眼动仪包括头盔式眼动仪和底座式眼动仪,如SMI HED头盔式眼动仪、NAC公司的EMK-7型眼动仪、Tobii eye tracker等。这两种类型的眼动仪各有利弊:头盔式眼动仪需要戴在被试的头上,虽然收集数据较精确,但会对被试产生一定干扰;底座式眼动仪摆放在被试前方即可记录实验对象眼睛的动态视觉参数,不会对被试产生干扰,但存在所收集数据不精确的缺点。

2.2 实验场景

目前铁道驾驶方面的眼动实验主要采用驾驶模拟器与真实道路环境实车实验两种。驾驶模拟器主要在实验室中进行,实验环境较稳定,受外界干扰小,数据采集较方便,但受驾驶员心理因素影响较大,驾驶员是否与在真实场景驾驶一样认真会影响实验效果。真实道路环境的真实性比较好,收集到的数据更具有真实性,但实验成本较大,数据采集易受到环境因素影响。

2.3 实验被试

实验被试的选取是否符合实验目的要求将直接影响实验的有效性。目前研究主要考虑到铁道机车驾驶员的年龄、驾龄、驾驶机车类型、工作强度等。在一些实验中还会对被试进行要求,比如在防疲劳实验中要求近三四个小时对被试进行睡眠剥夺等,控制一些因素来满足实验要求。

2.4 实验指标

铁道机车驾驶员眼动实验采集指标见表1。

表1 铁道机车驾驶员眼动实验采集指标

研究的目的不同,研究者所采集的实验指标有所不同,见表1。这些指标收集后可通过软件进行定性与定量分析,并获取热点图、轨迹图、数据集以备深层次研究。同时也应注意到,大多数研究除了通过仪器收集客观数据,还通过访谈与问卷收集主观数据,以帮助分析客观数据背后的原因。

3 铁道机车驾驶员眼动研究的建议

3.1 扩大样本量与样本范围

在对国内外文献收集中发现,仅有一份报告为86人的较大样本量,多数研究都为10~30人的小样本量。这也与眼动数据难于收集、后期视频处理工作较复杂有关,如此统计出来的数据缺乏普适性。因此,需要在接下来的研究中增大样本量。

另外,目前研究的被试主要来自在岗驾驶员,缺少对驾驶专业学员的研究。驾驶专业学员是未来的铁道机车驾驶员,对该人群的研究可以提高铁道机车驾驶员培训的质量和水平。

3.2 更新实验仪器

之前实验仪器采用的眼动仪类型存在缺陷,对实验结果会产生影响。加之被试在实际操作中的移动会影响实验仪器的稳定性,眼动数据收集困难、数据存在误差。Tobii公司所研发的Tobii Glass系列眼动仪,形状如眼镜镜框,其瞳孔追踪设备镶嵌在镜框上,可随时佩戴在被试的眼睛上,其身形小巧,记录仪采用无线连接,既不像头盔式眼动仪对被试干扰较大,也不像底座式眼动仪收集数据不精确。目前,国内研究为了更便捷准确地收集眼动数据,多采用实验室模拟器驾驶,在之后的研究中可采用便携的Glass系列眼动仪进行现实行车过程的数据采集,其成果更容易转化与利用。

3.3 深入挖掘研究领域

当下研究多集中于机车驾驶室内的人机交互,在研究中同时也显示出外部信号刺激对驾驶员眼动的影响,以后可扩展到对行车过程中各类信号刺激的研究。驾驶过程中不同阶段与任务也会对驾驶员的眼动产生影响,此领域亦可进行深入研究。另外,视觉过程往往反映着人的认知层面的特点,若能结合心理认知,研究也将会更加深入。

4 结语

本研究通过对铁道驾驶方面眼动研究文献的梳理发现,虽然目前此方面国内外的研究较少,但研究比较深入,已经取得一定成效。对以往铁道驾驶方面眼动实验进行总结,发现其实验设计的一般特点,便于下一步实验研究借鉴。铁道驾驶方面的眼动研究可随着仪器的更新而不断推进,在眼动实验设备方面采用更轻便的glass眼动仪器,扩大驾驶员的样本量,使实验结果更具有说服力。深入研究驾驶员眼动行为后的认知过程,将该技术扩展应用在铁道机车驾驶员培养、铁路外部信号布局、铁路系统服务等领域,使眼动技术更好地为铁路驾驶的发展做出贡献。

猜你喜欢
眼动铁道机车
铁道小卫士
基于眼动的驾驶员危险认知
基于ssVEP与眼动追踪的混合型并行脑机接口研究
HXN5型机车牵引力受限的分析与整治
基于眼动信号的便携式无线智能交互系统设计
荷兰咖啡吧里奇妙的“空中铁道”
基于CTC3.0系统机车摘挂功能的实现
《铁道通信信号》订阅单
一种机车联接箱工艺开发
静止眼动和动作表现关系的心理学机制