换道过程中驾驶人感知操作的模式发现与规则挖掘

龙彦，黄建玲,2，赵晓华*

(1.北京工业大学，城市交通学院，交通工程北京市重点实验室，北京100124；2.北京市交通信息中心，北京100073)

0 引言

车辆换道是驾驶人根据自身驾驶需求和交通环境因素，通过感知、决策、操作车辆从一条车道变换到另一条车道的行为过程。换道是车辆行驶过程中最常见的驾驶行为之一，是驾驶过程中危险程度较高的驾驶行为[1]。车辆换道行为在通行能力分析、交通流仿真、辅助驾驶、无人驾驶、交通安全等领域都有着广泛的研究价值[2]。

换道过程一般分为换道意图产生、换道决策和换道执行3部分。国内外学者在这3方面进行了大量研究。驾驶意图是驾驶人内心对下一步行为选择的意向信念。Liu 等[3]提出通过驾驶行为等外在表现识别内心状态的驾驶意图。目前，大多数研究采用机器学习的方法进行驾驶意图识别。Pentland[4]、Kuge[5]、宗长富[6]、王一男[7]、胡少伟[8]等采用隐马尔科夫模型HMM 进行驾驶意图识别；Mandalia[9]、Kumar[10]、Liu[11]等主要采用支持向量机SVM、贝叶斯网络进行驾驶意图识别方面的研究；Peng 等[12]使用BP 神经网络模型预测换道驾驶行为；Wirthmueller 等[13]采用LSTM 研究换道意图的时间点；Gebert 等[14]提出基于卷积神经网络(Convolutional Neural Networks，CNNs)的驾驶意图预测方法。换道决策是驾驶人根据自身和周围环境对换道空间和时间条件进行判断，作出是否换道的决定。换道决策是关于换道的一个热点，大量学者对此进行了研究。换道决策模型一般有：规则模型[15]、离散选择模型[16]、安全距离模型[17]、人工智能模型[18]、马尔科夫模型和生理-心理模型等。换道执行是驾驶人操作方向盘、油门刹车等控制车辆的位置、速度、加速度等，完成车辆换道。换道执行模型是从驾驶人换道执行过程中与周围环境、车辆交互关系进行分析，重点在于主车与临近车辆行为的相互影响与作用，主要有元胞自动机模型和运动波混合模型[2,19]。

可以看出，以往学者在换道研究中，换道意图侧重于意图识别研究，换道决策侧重于换道条件判断研究，换道执行侧重主车与临近车辆的交互研究，缺乏换道过程中驾驶人视觉感知与手脚操作的时序性、关联性及其相互影响的研究。然而换道过程中视觉感知与手脚操作时序关联性的研究能清晰揭示换道时感知与行为的时序与内在关系，有助于：

(1)换道过程的风险研判。换道过程需要在合适的时间进行感知与手脚的配合操作，如有不当容易引起碰撞风险，将视觉感知与手脚操作微观层面的时序关系弄清楚，能够预判换道过程中的风险，警示驾驶人在以后的换道中进行风险规避以提高换道安全。

(2)换道事故的致因分析。发生换道事故时，如果将视觉感知与手脚操作的时序与内在关系呈现出来，能够直观看出同一时刻眼睛看哪里、手脚怎么操作，转向操作前有没有注视后视镜，有没有急加速、急减速、急打方向盘等，这样能够帮助分析事故原因。

(3)驾驶培训效果提升。将新学员每一次换道的视觉感知与手脚操作的微观时序和相互影响弄清楚，便于发现换道中新学员存在的个性问题，对其进行个性化的讲解、练习，能够提升学习效果。

(4)驾驶经验与技巧的细节表征。有经验的司机换道安全、平稳、快捷、舒适，把他们的视觉感知与手脚操作的模式和规则挖掘出来，一方面便于其他驾驶员学习，另一方面，刻画清晰的驾驶经验与技巧可为无人驾驶提供借鉴。

为此，本文分别提取换道瞬时和换道全过程的眼睛感知-手脚操作特征，刻画换道时驾驶人的感知-操作细节；从换道瞬时和换道全过程两个角度发现眼睛感知-手脚操作的频繁模式，挖掘它们的关联规则，探索感知与操作相互作用的内在机理。

1 实验设计

1.1 实验设备

本文实验采用AutoSim驾驶模拟实验平台，该实验平台包括驾驶模拟舱、影音设备、中控系统、投影装置4 个部分。驾驶模拟舱以日本丰田小轿车为原型，宽度约1.6 m，前方视野范围140°，通过后视镜可观测后方30°范围内的交通状况。经实验评估，驾驶模拟舱的油门、刹车、震动、音效等与真实驾驶过程中感觉基本一致，驾驶环境的真实性良好[20]。驾驶模拟舱能够采集车辆位置、速度、加速度、刹车、油门、横向位移、横向加速度、方向盘转角，以及周围车辆的位置与速度等参数。实验中另一个重要的设备是SMI ETGTM眼镜式眼动仪，能够记录驾驶人的眼动轨迹变化、注视位置、位移距离等特征，能够实现双目扫视路径的追踪、记录双目活动事件等。

1.2 场景与被试

道路场景参考北京市兴延高速公路，利用3DMax、Hint CAD、Photoshop等软件构建驾驶模拟道路场景。实验道路长度46 km，车道宽度3.75 m，路肩宽4.5 m，横断面26 m，绿化带2 m。所有实验过程的道路交通标志线设置及规格符合国家标准(GB5768-2009)。整个高速公路限速为120 km ⋅h-1，交通流状态为自由流。

通过广告招募40 名身体健康的被试，其中，3名进行预实验。参加正式实验的37名被试中男性22名，女性15名；被试驾驶人年龄在24～55岁，平均年龄为36.1 岁，标准差为11.4 岁；被试驾驶人的平均驾龄12.3年，所有被试驾驶人没有不良嗜好，均有高速公路驾驶经验。

1.3 实验流程

(1)驾驶人填写个人基本信息，进行问卷调查；

(2)检查驾驶模拟舱是否正常；

(3)进行实验前培训及测试；

(4)佩戴眼动仪并进行标定；

(5)驾驶人按照行程要求，进行自由行驶；

(6)实验完成后驾驶人填写实验后的问卷信息。

整个实验过程，要求被试遵守交通规则，根据道路情况和交通情况按照个人习惯进行驾驶操作。驾驶实验平台以20 Hz的频率采集车辆运行数据，如：车辆位置、车辆速度、刹车踏板、油门踏板、横向位移等。数据分析前首先提取换道过程，主要是确定换道的起点和终点。通过横向偏移、航向角等确定换道起点和换道终点[21-22]。

2 换道过程感知-操作的特征提取与表达

2.1 换道瞬时感知-操作的特征提取与表达

通过眼动仪和模拟驾驶舱平台采集换道过程中驾驶人眼睛的注视点，方向盘转角，油门踏板深度和刹车踏板深度。图1为一个换道过程的眼睛注视点、方向盘转角、油门踏板和刹车踏板的原始序列。

图1 换道过程的眼睛注视点X,Y 坐标、方向盘转角、油门和刹车Fig.1 Eye gaze,steering wheel angle,gas and brake panel during lane changing

(1)眼睛注视感知的特征提取与表达

眼动仪采集的是驾驶人注视水平和垂直方向的像素点，像素点本身难以体现注视区域，将像素点划分到区域才有更明确的注视感知意义。注视区域有不同的划分方法，本文参考前人研究和换道的实际情况将注视区域划分为5 个子区：前方Z1、左后视镜Z2、仪表盘Z3、右后视镜Z4、车内后视镜Z5。然后将注视点划分到上述5个区域，这样原始注视点坐标形成了眼睛注视序列E={e1,e2,…,ei,…}，ei∈{Z1,Z2,Z3,Z4,Z5}，其中，i为采样时刻，该注视序列直观体现了换道过程眼睛的注视感知区域，抓住了注视的关键特征。

(2)手操作方向盘的特征提取与表达

方向盘的原始数据是角度，不便体现手的瞬时“操作性”。因此，将原始方向盘角度进行一阶差分，得到手操作方向盘的瞬时速度；然后按照1 s进行平滑处理，获得方向盘旋转速度ωi的时间序列。本文将其分为5类：急速左转、缓慢左转、保持不动、缓慢右转、急速右转。这本质上是个分类处理，将大尺度关键特征相同的归为一类，降低噪声影响，更有利于挖掘模式[23]。

式中：ω1,ω2,ω3,ω4为分类阈值，需要根据实际研究情况进行设定。本文按照样本方向盘旋转速度的98%，75%，25%，2%分位数来设定。

通过上述分类处理，原始方向盘角度形成了方向盘旋转快慢序列H={h1,h2,…,hi,…}，hi∈{R1,R2,R3,R4,R5}，提取到手操作方向盘的关键动作特征。

(3)脚踩踏刹车和油门的特征提取与表达

刹车的原始数据是刹车踏板深度，不便体现脚的瞬时“操作性”。因此，将采集的刹车踏板深度进行一阶差分，得到瞬时踩、收速度vb,i；然后按照1 s进行平滑处理，获得刹车踏板踩收快慢的时间序列。本文将其分为5类：急踩刹车、缓踩刹车、刹车恒定、缓收刹车、急收刹车。

同理，将采集的油门踏板深度进行一阶差分，得到瞬时踩踏速度vg,i；然后对其按照1 s进行平滑处理，获得油门踏板踩踏速度的时间序列。本文将其分为5 类：急踩油门、缓踩油门、油门恒定、缓收油门、急收油门。

式中：vb,1，vb,2，vb,3，vb,4，vg,1，vg,2，vg,3，vg,4为分类阈值，需要根据实际情况进行设定。本文按照其98%，75%，25%，2%分位数来设定。

油门踏板和刹车踏板都是由脚操作的，一般地，脚同时只能踩一个踏板，要么油门，要么刹车。当然，还有一种情况就是哪个也没踩。因此，脚的动作分类为上述10类再加“悬空P6”，共11类。这样，原始油门踏板和刹车踏板序列形成了脚动作踩收序列F={f1,f2,…,fi,…}，fi∈{P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11}，提取了换道过程中脚动作的关键特征。

上述眼睛感知、手脚操作构成换道过程的瞬时感知-操作的特征序列，即

该序列表征了瞬时感知-操作特征。通过上述特征提取，将图1换道过程原始序列转化为图2所示的特征序列，可将眼睛感知、手脚动作直观体现出来。

图2 换道过程中眼睛、手和脚的特征序列Fig.2 Characteristic sequence of lane changing

2.2 全过程感知-操作的特征提取与表达

瞬时感知-操作特征提取后，每一时刻的眼、手、脚的动作清晰了。然而，换道是一个过程，从整个换道过程中分析眼、手、脚的配合，发现其模式对换道行为的分析更有意义。从4 个方面分析换道全过程：眼睛视觉感知和方向盘左右转操作的先后性，整个换道过程方向盘转动的快慢性，整个换道过程油门踏板、刹车踏板是否都踩过，整个换道过程收、踩踏板的快慢性。

(1)换道过程，左或右后视镜视觉感知和方向盘左右转操作的先后性相关定义。

①感知超前操作V1，换道过程看左或右后视镜的时刻超前方向盘的左或右转时刻；

②感知滞后操作V2，换道过程看左或右后视镜的时刻滞后方向盘的左或右转时刻；

③感知操作同步V3，换道过程看左或右后视镜的时刻等于方向盘的左或右转时刻；

④无视觉感知V4，换道过程没有观看后视镜。

判断方法：在特征序列里分别找到眼睛视觉开始转向左或右后视镜的时刻和方向盘开始转向的时刻，然后根据这两时刻来判断感知与操作的先后关系，如果眼睛视觉没有转向，则是无视觉感知。

(2)整个换道过程方向盘转动快慢性相关定义。

①慢速转动模式S1，整个换道过程中没有出现过急速左转和急速右转；

②快速转动模式S2，整个换道过程中出现过急速左转或急速右转。

判断方法：按照时间顺序遍历整个换道过程的特征序列，只要出现过急速左转或急速右转状态，就是快速转动模式；没有出现过急速左转和急速右转状态，便是慢速转动模式。

(3)整个换道过程油门踏板、刹车踏板是否都踩过的相关定义。

①单踏板模式T1，在整个换道过程中，只踩过油门踏板而没有踩过刹车踏板，或者只踩过刹车踏板没有踩过油门踏板；

②双踏板模式T2，在整个换道过程中，既踩过油门踏板也踩过刹车踏板。

判断方法：按照时间顺序遍历整个换道过程的特征序列，既出现过收、踩油门踏板(P1,P2,P3,P4,P5)中的任意一个，也出现过收、踩刹车踏板(P7,P8,P9,P10,P11)中的任意一个，即为双踏板模式；否则，是单踏板模式。

(4)整个换道过程收、踩踏板急速性的相关定义。

①踏板急变模式O1，在整个换道过程中出现过急收或急踩；

②踏板稳定模式O2，在整个换道过程中只出现过踏板恒定；

③踏板缓变模式O3，除去以上两种情况的模式。

判断方法：按照时间顺序遍历整个换道过程的特征序列，不管是哪个踏板只要出现过急收或急踩，就是踏板急变模式；不管是哪个踏板，只出现过恒定，是踏板稳定模式；除去以上两种模式的，就是踏板缓变模式。

上述4个方面构成了换道全过程的感知-操作特征，即

式中：V∈{V1,V2,V3,V4}，S∈{S1,S2}，T∈{T1,T2}，O∈{O1,O2,O3}。

式(5)表征了全过程感知-操作的特征。对于图1所示的例子，换道全过程的感知-操作特征为{V1,S2,T2,O1}。

3 模式发现与规则挖掘

3.1 模式发现

在换道过程中，眼睛感知、手脚有哪些操作经常一起出现，哪些动作有关联，对于眼手脚的内在作用机理与换道行为非常重要。本文采用Apriori算法进行换道频繁模式发现和关联规则挖掘。

根据2.1节的相关定义，对于换道瞬时特征，一次换道过程为

式中：ei,hi,fi为换道瞬时的项，项集包含1 个或多个项的集合；l1为本次换道采样点的数量，也就是本次换道的时间乘以采样频率。所有n次换道组成一个换道瞬时特征事务集，即

式中：Sm的总行数，即换道瞬时事务集的个数为

对于换道全过程特征，一次换道过程为

式中：V,S,T,O为换道全过程的项，V∈{V1,V2,V3,V4}，S∈{S1,S2}，T∈{T1,T2}，O∈{O1,O2,O3}。

所有n次换道组成一个换道全过程特征事务集，即

式中：Sp为总行数，即换道全过程事务集的个数为n。

为从换道瞬时事务集和换道全过程事务集中分别挖掘各自的频繁模式，首先定义支持度。支持度，即频率，是包含某项X的事务数N(X)与集合中所有事务数Nall的比例，即

设定支持度阈值，采用Apriori 算法找到频繁项集，发现换道的频繁模式。

Step 1 在换道集合中先搜索候选1项集及其对应的支持度，根据支持度阈值筛选获得频繁1项集。

Step 2 将频繁1 项集进行连接，生成候选2 项集，计算其支持度，根据支持度阈值筛选获得频繁2项集。

Step 3 以此类推进行迭代，直到获得频繁k项集(对于换道瞬时特征事务集，k=3；对于换道全过程特征事务集，k=4)。

3.2 规则产生

关联规则表示换道过程集中两个项集之间的关联度或相关性的规则，关联规则表示为X→Y，其中，X和Y互斥，X位于规则的左侧，是前件；Y位于规则的右侧，是后件。为挖掘关联规则，首先定义置信度。置信度是换道过程已经包含项集X的情况下，包含项集Y的百分比，即条件概率。

设定置信度阈值ηmin，关联规则挖掘则是从换道的频繁模式中挖掘出满足置信度阈值的所有关联规则。对于频繁模式中的项集Y，计算其所有的非空子集X和Y-X，对于非空子集X，

如果有

则，规则X→(Y-X)产生。

4 结果

4.1 换道过程中瞬时感知-操作模式

从模拟驾驶实验中提取出左右换道各40 个。理论上换道过程中眼手脚的瞬时动作共有275 种组合模式。经统计，本次实验中左换道出现96 种模式，右换道出现127 种模式。左、右换道瞬时事务集的个数分别为11499，11782。因为换道过程中大多数时间是“看前方”，如果支持度阈值选的太大，“看后视镜”等项将被淹没，因此本文中瞬时感知-操作模式支持度阈值设为1%，由此找到的频繁项集如表1所示。

表1 换道瞬时感知-操作的频繁项Table 1 Frequent items of instantaneous perception and operation

从表1可以看出，对于频繁1 项集，左、右换道 是一样的(左换道的项Z2与右换道的项Z4是等价的)。对于频繁2 项集，右换道比左换道多了12 个动作组合模式。对于频繁3项集，右换道有18种组合，左换道有13种组合，右换道与左换道相同的组合有12种。左换道特有模式为{Z2,R3,P10}，右换道特有模式为{Z1,R1,P8},{Z1,R1,P9},{Z1,R1,P10},{Z1,R3,P11},{Z1,R5,P9},{Z1,R5,P10}。鉴于换道需要眼手脚三者配合，因此频繁3项集的意义更大。右换道的频繁模式多于左换道，说明右换道时眼手脚出现的组合更多样，动作种类更多。

换道时看左、右后视镜是极其重要的信息感知方式，左、右换道时看左、右后视镜的时间占总换道时间的平均比例分别为6.01%、6.59%，右换道看后视镜的时间多于左换道看后视镜的时间。看后视镜时手脚的动作对换道安全与换道效率尤为重要，因此对看后视镜时手脚的操作进一步分析。理论上，换道看后视镜时手脚动作的组合模式有55 种模式。本次实验经统计，左换道看左后视镜时手脚动作组合模式出现20 种模式；右换道看右后视镜时，手脚动作组合模式出现28种模式。从表1可以看出，无论左换道还是右换道，{看对应的后视镜，方向盘保持不动、油门恒定}是频繁模式。换道过程中看左或右后视镜时，手脚动作的详细情况如图3和图4所示。

图3 看后视镜时手的各动作比例Fig.3 Proportion of hand operating when looking at rearview mirror

从图3中可以看出，左、右换道过程中看左、右后视镜时手操作方向盘的共同点有：手握方向盘“保持不动”的比例最大；向哪个方向换道，则向这个方向“缓慢转动”方向盘的比例较大。左、右换道过程中看左、右后视镜时手操作方向盘的不同点是：左换道时，基本没有方向盘“急速右转”；而右换道时，有方向盘“急速左转”。

从图4中可以看出，左、右换道过程中看左、右后视镜时脚操作油门刹车的共同点是“油门恒定”的比例最大，然后依次是缓踩油门、缓收油门。不同点是左换道时脚的动作主要有6种，而右换道时脚的动作主要有9种。

图4 看后视镜时脚的各动作比例Fig.4 Proportion of foot operating when looking at rearview mirror

综合上述分析可以看出，右换道看右后视镜的时间多于左换道看左后视镜的时间。左换道发现13种频繁3项集模式，右换道发现18种频繁3项集模式。无论左换道还是右换道，{看对应的后视镜，方向盘保持不动、油门恒定}是频繁模式。左换道时，手操作方向盘、脚操作油门刹车的动作种类少，操作相对简单；右换道时，手操作方向盘、脚操作油门刹车的动作种类多，操作相对复杂；右换道比左换道表现出更复杂的瞬时感知-操作行为。

关于换道过程中瞬时感知-操作关联规则，由于大多数时间是“看前方”，同时换道瞬时事务集的项为3，挖掘到的规则几乎全部是关于“看前方Z1”的，如R3→Z1，P3→Z1等，实际意义不大。因此本次实验没有挖掘到有实际价值的瞬时感知-操作关联规则。

4.2 全过程感知与操作模式的结果

理论上眼手脚全过程感知与操作模式共有48种模式。经统计，在本次实验中右换道出现14 种模式，左换道出现15 种模式。左、右换道全过程事务集的个数都为40，将全过程感知与操作模式支持度阈值设为10%，由此找到的频繁项集如表2所示。

从表2可以看出，左右换道的频繁1 项集是完全一样的，左右换道的频繁2 项集基本一样，左换道的频繁3 项集比右换道多6 个，左换道的频繁4项集比右换道多1个。可以看出，左换道的频繁模式数量多于右换道的，左换道全过程感知-操作模式数量相对多、模式相对分散；右换道全过程感知-操作模式数量相对少、模式相对集中。右换道的{V2,S2,T1,O3}、{V2,S2,T2,O1}、{V2,S2,T1,O1}的支持度分别为25%、25%、10%；左换道的{V2,S2,T2,O1}、{V2,S1,T1,O3}、{V2,S2,T1,O3}、{V1,S1,T1,O3}的支持度分别为17.5%、12.5%、12.5%、10%。右换道整个过程中，V2的支持度(75%)比V1的支持度(20%)大得多，S2的支持度(77.5%)比S1的支持度(22.5%)大得多。因此，右换道全过程感知-操作模式相对集中于含有V2、S2的模式。左换道全过程中，V2的支持度为65%，V1的支持度为27.5%；S2的支持度为57.5%，S1的支持度为42.5%。因此，相对于右换道，左换道过程感知-操作模式分散于含有V2、V1、S2、S1的模式。左换道比右换道多出的模式是含有V1、S1的模式，如表1所示。

表2 换道全过程感知-操作的频繁项Table 2 Frequent items of perception and operation of whole process

本文将置信度阈值设为80%，左换道挖掘到22条规则，右换道挖掘到27 条规则，相同规则有11条，结合换道实际情况进一步筛选得到的重要规则如表3所示。

表3 关联规则Table 3 Association rules

右换道的规则说明方向盘快速转动S2与感知滞后操作V2是互相强关联的。因为感知滞后，有“相对少的时间”进行决策与操作，所以换道过程中会相对快速操作方向盘；与此同时，如果脚只操作油门踏板且快速操作，便形成{V2,S2,T1,O1} 模式；如果脚只操作油门踏板且缓慢操作，便形成{V2,S2,T1,O3} 模式；如果脚在油门和刹车踏板交替操作，此时100%是快速操作，便形成{V2,S2,T2,O1}模式，这是右换道感知-操作3 种频繁模式的机理所在。“感知滞后操作”可能的原因是当驾驶人有了换道意图，眼睛转向右后视镜前手会无意识地往该方向稍为转动方向盘，这一点还需进一步研究。

左换道的规则，如果感知超前操作，那么90.9%是单踏板；如果方向盘是缓慢转动，那么82.4%是单踏板。因为感知超前，有“相对多的时间”进行决策与操作，多数情况下缓慢操作油门，缓慢转动方向盘，从而形成了{ }V1,S1,T1,O3模式；左换道的方向盘快速转动与感知滞后操作尽管没形成强关联，但V2的支持度(65%)，S2的支持度(57.5%)也都超过50%，因此类似右换道的机理也形成了{V2,S2,T1,O3}、{V2,S2,T2,O1} 模式；至于{V2,S1,T1,O3}模式，一个可能的解释是尽管“感知滞后操作”，但看了左后视镜发现换道条件足够，因此就缓慢转动方向盘、只操作油门踏板且缓慢操作，这是左换道感知-操作4种频繁模式的机理所在。

5 结论

车辆换道是车辆行驶过程中最常见的驾驶行为之一。换道过程中驾驶人的感知-操作细节、感知与操作相互作用的内在机理对换道安全和换道效率至关重要。本文通过提取换道瞬时和换道全过程的眼睛感知-手脚操作的特征，采用Aprior 算法发现眼睛感知-手脚操作的频繁模式，挖掘它们的关联规则，得出如下结论：

(1)刻画了换道过程瞬时感知操作的微观细节，挖掘了瞬时感知操作模式。左换道有13 种频繁3 项集模式，右换道有18 种频繁3 项集模式；看对应的后视镜时，方向盘保持不动与油门恒定是经常同时出现的模式；右换道比左换道需要较多的后视镜感知时间、较复杂的瞬时感知-操作行为。

(2)刻画了换道全过程感知操作的整体行为，挖掘了全过程感知操作模式。左换道有4种频繁4项集模式，右换道有3种频繁4项集模式，左换道全过程感知-操作模式数量相对多、模式相对分散；右换道全过程感知-操作模式数量相对少、模式相对集中。

(3)左右换道感知-操作的细节与机理不完全一致，右换道的“感知滞后操作”“方向盘快速转动”比例比左换道高。

上述结论的贡献和启示为：①研判换道过程中的风险。在进行换道时，尽量做到“感知超前操作”，因为“无视觉感知”与“感知滞后操作”都有一定的碰撞风险。②提升驾驶培训的效果。让新学员明确右换道比左换道需要较多的后视镜感知时间、较复杂的手脚操作行为，右换道时更要谨慎操作；同时，将新学员每一次换道的视觉感知与手脚操作的微观时序弄清楚，便于进行个性化培训、提升学习效果。③表征驾驶经验与技巧。将安全、平稳、快捷、舒适的换道过程的视觉感知、手脚操作模式和规则挖掘出来，为无人驾驶提供借鉴，提高无人驾驶换道的安全性与舒适性。

需要指出的是换道过程中眼睛感知-手脚操作之间的关联性、感知与操作相互作用的内在机理是复杂的、是一个研究难点，本文仅进行了初步探索，由于使用的是驾驶模拟舱，与真实环境有所区别，同时样本数据相对少，故左右换道感知-操作的机理还需进一步探究。本文方向盘、油门和刹车的分类阈值是根据本文实验数据的统计分析进行选取的，不同实验环境下分类阈值的选取有待进一步验证与标定。另外，换道行为模式会受周围交通环境的影响，本文研究的是环境相对简单的高速公路下的自由换道，其他环境下的换道行为模式还需深入研究。