高铁ATO对驾驶任务效能的影响研究

郭北苑，易子旺 ，杜昊

(1.北京交通大学 轨道交通控制与安全国家重点实验室，北京 100044；2.北京交通大学 电子信息工程学院，北京 100044)

1 引言

高速列车驾驶任务效能指在保障列车安全的前提下，驾驶员或自动化设备对列车实现精准可靠控制的能力。在自动化程度不断提高的高速列车运营环境中，人和自动化共同执行列车运行控制任务成为新的趋势。我国高速列车自动化程度不断提高，探究自动化技术发展对高速列车的驾驶任务效能产生的影响，将对保障行车安全和乘客生命财产安全，以及人-自动化列车控制系统的优化升级产生重要指导意义。

高铁ATO是未来轨道交通发展的活力源泉，为智能高速铁路时代的到来奠定了坚实的基础[1]。有研究指出高铁ATO提高了运行效率，减轻了驾驶员的工作负荷和人为失误的几率[2]。但由于高速列车速度高、运行环境复杂、易受外界影响等特点，使得人类驾驶员作为保障列车运行的最后一道安全防线，仍具有不可或缺的地位。高铁ATO会对驾驶任务效能中与驾驶员有关的指标产生不良影响。未来的高速列车具有运行高度自动化、驾驶员监督持续时间长的特点，这样的驾驶模式使得驾驶员由主动操作者的角色转变为被动监督者[3]，并且导致驾驶员的警惕性降低和突发事件的反应能力延长，驾驶员的精神压力增加。尤其是自动化出现故障时，由情景意识丧失带来的后果将更加严重。相似的结果也可见于Brandenburger等人[4]的研究，他们认为自动化系统降低了列车驾驶员的主动性和警惕性。此外他们还发现在降级运行的场景中，自动驾驶模式比手动驾驶模式表现出更差的接管绩效，并且在突发状况时需要更长的时间采取紧急制动措施[5]。上述研究均显示出自动化对驾驶任务效能的负面影响。但没有分析高速列车ATO对驾驶任务效能产生负面影响的原因。

基于此，本文开展模拟驾驶试验，以手动驾驶模式为基线，探究自动驾驶模式下的高铁ATO对驾驶任务效能的影响。并在此基础上，对驾驶过程进行认知工作分析，深入剖析影响驾驶任务绩效的机理，为高速列车人-自动化系统的设计提供参考。

2 对象与方法

本试验将基于模拟高速列车的驾驶任务开展。试验考察手动驾驶模式和自动驾驶模式下的驾驶任务效能。选取了具有代表性的若干指标：驾驶绩效、突发事件检测绩效、工作负荷和情景意识。情景意识水平反映了被试对工作环境的认识程度，情景意识水平越高，表明被试越能对环境保持清楚的认识，在遇到突发事件或者紧急状况时会处理得更加及时且适当。

2.1 被试

考虑到寻找实际的驾驶员作为试验被试的困难程度，本研究考虑使用学生作为试验被试。有研究表明高水平学生可以成为相关专业人员的合适替代对象[6]，他们经过培训后可以达到年轻司机的水平。高速列车的驾驶员通常为男性，所以我们选取了18名北京交通大学的男性学生，年龄分布在20-28岁(Mage=23.8，SD=1.70)作为试验被试，所有被试均无高速列车模拟驾驶经验。为了确保被试具有良好的驾驶能力和应急事件处理能力，我们对被试进行了约两小时的驾驶技能培训，并进行考核。考核标准为：被试需要精确地连续完成5次速度追踪任务，即在手动驾驶模式下追踪目标速度的精度在±1 km/h以内。

2.2 试验平台

本试验依托北京交通大学国家重点试验室的高速列车仿真驾驶平台。平台由视景、仿真驾驶台、控制显示面板、音频设备等组成，为列车司机提供仿真驾驶环境。列车司机通过视景获取驾驶环境信息。仿真驾驶台的操纵器件采用真实的高速列车控制器件，其布局与真实的高速列车驾驶台相似。被试操控驾驶台的物理控件或触碰控制显示面板进行交互，实现对列车的运行控制。手动驾驶模式下，被试通过司控器施加速度控制指令，司控器前置为牵引，后置为制动。自动驾驶模式由列车自动运行单元ATO提供支持。正常行驶条件下，驾驶员无需额外操纵列车。音频设备主要用作模拟列车运行过程中的听觉效果。

2.3 试验场景

试验场景为总长145公里的三站两区间高速铁路线路。线路没有较大的坡度、曲度变化，线路周边环境简单，主要由车站、轨道、建筑物、接触网、天空等组成。当驾驶员进行较长时间的巡航驾驶时，其驾驶表现在30 min前和70 min后随时间变化情况较为明显，在30 min后趋于稳定[7]。因此我们将每次模拟驾驶试验的时间设定为40 min。

2.4 试验任务

本试验模拟列车在手动驾驶模式和自动驾驶模式下的区间速度控制任务。手动驾驶模式下，被试操纵牵引制动手柄，追踪Automatic Tvain Protection生成的限速曲线，手动完成速度控制任务。将低于ATP限制速度5 km/h设置为手动模式下的目标追踪速度，追踪精度为目标追踪速度±1 km/h。假设当前ATP限速为300 km/h，则目标追踪速度295 km/h。被试将速度控制在294 km/h至296 km/h表示成功完成速度控制任务。当速度超过300 km/h，系统记录为超速。当列车司机结束速度调整任务时，若速度追踪精度不满足要求，系统程序会记录为追踪失误，当列车运行速度超过限制速度5 km/h时则触发列车的紧急制动，视为试验任务失败，需重新开始试验。在自动驾驶模式下，速度控制任务由自动驾驶单元ATO完成，驾驶员仅需要完成与驾驶安全相关的其他任务。

为了模拟列车运行过程中可能出现的意外状况，我们设置了视景屏幕的障碍物识别和DMI的车门报警信号处理两个子任务。视景障碍物由程序编写实现，为了模拟现实场景中异物出现的过程，视景障碍物由小变大出现，被试需要尽可能快的识别障碍物的类型(石头、轿车、动物)并做出口头报告，由主试记录反应时间。Directional Movement Index车门报警信号反映了车门意外打开的情况，被试需要及时触碰DMI上的车门信号将门关闭。被试对两个子任务的反应时间均由系统程序记录。

2.5 试验变量

本研究旨在确定高铁ATO对驾驶任务效能的影响，试验的自变量为手动驾驶模式和ATO驾驶模式。试验的因变量为超速次数、追踪失误次数、车门故障反应时、视景障碍物反应时、主观工作负荷和情景意识。采用SART量表测量被试的情景意识，采用NASA-TLX量表用作主观负荷评价量表。这两种量表的可信度及有效性已经得到了验证，被广泛应用于主观评价。NASA-TLX是美国国家航空航天局开发的一套对工作负荷进行多维度主观评估的流程和标准。具体包括心智要求(Mental Demands)、体力要求(Physical Demands)、时间要求(Temporal Demands)、个人表现(Own Performance)、努力程度(Effort)及挫折感(Frustration)六个维度。最终的工作负荷评分通过上述六个维度由被试确定的权重值进行加权平均计算，得分越高，代表工作负荷越高。SART是一种应用最为广泛的情景意识自评量表，它由10个维度、每个维度划分了7个级别的量表。通过将不同维度的评定值进行综合，计算被试的情景意识水平，得分越高，代表情景意识水平越高。

2.6 试验流程

共有两种试验方案：手动驾驶模式和依靠ATO运行逻辑的自动驾驶模式。试验流程如图1所示在每种模式下的正式试验开始之前，被试需要进行10 min左右的练习模式。然后休息5 min后进行正式试验。在正式试验的过程中，被试需要完成手动驾驶模式下的速度控制任务以及两种驾驶模式下的检测事件处理。在40 min的驾驶过程结束后，被试立即填写情景意识量表SART和主观负荷量表NASA-TLX。填写完成后，当次试验结束。两种驾驶模式都完成后，该被试的试验结束。试验场景如图2所示。

图1 试验流程

图2 试验场景

2.7 数据分析

对试验数据使用IBM SPSS statistics25软件进行单因素方差分析(One-Way ANOVA)，分析了被试在手动驾驶模式和ATO自动驾驶模式下的驾驶任务绩效指标，即超速次数、追踪失误次数、车门故障反应时、视景障碍反应时、工作负荷主观评价和情景意识的差异，数据的离散程度采用标准误S表示。显著性水平P=0.05。

3 结果

3.1 驾驶绩效

列车超速次数和列车追踪失误次数作为驾驶绩效的考察指标。如图3所示，手动驾驶模式下的超速次数(M=0.560，S=0.232)较自动驾驶模式(M=0.0，S=0.0)更高，手动驾驶模式下的追踪失误次数(M=1.78，S=0.298)比自动驾驶模式下的追踪失误次数(M=0.0，S=0.0)高。由于ATO模式下的超速次数和追踪失误次数均为0，不具有正态性，无法与手动驾驶模式下的数据进行方差分析。由图可见，ATO显著降低列车速度控制的失误次数。然而，本试验并未考虑ATO失效的情况，在实际的列车运行中，一旦ATO发生失效，便需要驾驶员介入干预。关于ATO失效情况下驾驶员的接管绩效，也是未来的研究中需要探索的问题。

图3 驾驶绩效

3.2 事件检测绩效

驾驶员能否快速地对驾驶过程中出现地突发状况采取反应措施，是衡量驾驶员驾驶绩效的重要标准。如图4所示，手动驾驶模式下，被试对车门故障的反应时间(M=3.943，S=0.546)低于自动驾驶模式(M=11.974，S=2.105)，二者存在显著性差异(F(1,34)=13.634,P=0.001,η2=0.286)。手动驾驶模式下的视景障碍物反应时间(M=10.105，S=0.463)低于自动驾驶模式(M=14.917，S=2.152)，二者存在显著性差异(F(1,34)=4.777,P=0.036,η2=0.123)。

图4 事件检测绩效注：***P<0.001； **P<0.01；*P<0.05;图中误差线表示标准误。

2.3 主观评估

如图5所示，手动驾驶模式下的主观工作负荷(M=47.260,S=3.469)高于自动驾驶模式下的主观工作负荷(M=40.408,S=2.854)。两种模式下的工作负荷不存在显著性差异(F(1,34)=2.326,P=0.136,η2=0.064)。

图5 主观评价注：***P<0.001； **P<0.01；*P<0.05;图中误差线表示标准误。

手动驾驶模式下的情景意识得分(M=48.56,S=2.223)高于自动驾驶模式下的情景意识得分(M=38.67,S=2.139)，且两种模式存在显著性差异(F(1,34)=10.274,P<0.001,η2=0.232)。

4 讨论

通过模拟驾驶平台开展手动驾驶和自动驾驶对照试验，结果发现，被试在两种驾驶模式下的驾驶绩效、事件检测绩效、情景意识水平存在显著性差异，主观工作负荷不存在显著性差异。自动驾驶单元具有较高的可靠性，它在避免人为控制速度失误方面发挥了积极的作用，这也是发展自动驾驶技术的重要原因之一。然而，自动驾驶单元仍然存在一定的故障几率，当自动驾驶单元故障，便需要驾驶员执行手动接管。驾驶员的检测绩效关乎行车安全。在自动驾驶模式下，被试对异常事件的检测时间延长，十分不利于行车安全。自动驾驶模式无需人工执行速度控制，看似减少了驾驶员的客观工作负荷。但试验结果表明两种驾驶模式下的工作负荷并没有显著性差异，换而言之，自动驾驶模式在降低工作负荷的作用方面并不显著。被试在手动驾驶模式表现出更好的情景意识水平。

为了更深入分析自动驾驶场景，我们阅读了相关操作流程、采用半结构化访谈采访了京张线的指导驾驶员，并使用认知任务分析中的决策梯，对驾驶过程中的认知活动进行描述。

认知作业分析(Cognitive Work Analysis，CWA)是一个用作对复杂社会技术系统建模的理论框架，能够有效地分析系统中人员的认知需求并获得用于支持作业绩效的系统潜在配置[8]。决策梯模型是最常用的一种控制任务分析工具，可以清楚地获得任务处理所涉及的不同认知阶段。决策梯中的矩形框表示信息处理活动，圆形框表示信息处理之后获得的知识状态。为了明确驾驶员在驾驶过程中需要进行哪些认知活动，从而深入了解驾驶过程，我们采用决策梯模型描述了高速列车的速度控制任务，如图6所示。

图6 速度控制任务的决策梯分析

在手动驾驶模式下，速度控制从“激活”开始。当驾驶员注意ATP屏幕上的当前速度值与目标速度值存在较大差距时，他获得了激活信息，认识到当前速度相对限制速度发生较大偏移，需要进入速度调整流程。驾驶员紧接着需要对当前的状态进行“观察”和“识别”。在观察当前速度值、目标速度、车载信号显示、列车运行前方线路状况等一系列状态信息，并结合驾驶员的专业知识对这些信息进行解读后，驾驶员获得了对当前列车运行环境的认识。手动驾驶模式下，驾驶员的主要任务是速度控制，在控制列车安全高效平稳运行的前提下，尽可能地将列车准点驶向下一站。所以驾驶员在进行速度控制时，需要考虑是否可能晚点、是否可能超速等问题，并选择相应的速度控制策略，这一认知活动便对应着“定义任务”。在任务定义完成后，驾驶员需要“制定动作流程”，并选择适当的牵引或制动档位“执行”速度控制任务。若出现异常状况，如线路侵限，驾驶需要立即执行紧急制动。驾驶员在决策梯描述的手动驾驶模式下的速度控制任务中，具有完整的认知回路。在自动驾驶模式下，追踪限制速度曲线是ATO的控制逻辑。一旦列车限制速度发生变化，ATO便自动计算当前车速与目标速度的差值，进行加速或减速控制，如图6中由“激活信息”到“目标状态”的捷径所示。这一过程不需要驾驶员的干预。

高速列车的自动驾驶技术使驾驶员的任务发生了巨大的变化，驾驶员被移出“控制回路”，成为被动的监督者。受访驾驶员反映其在自动驾驶模式下的参与程度下降，给驾驶员造成了焦虑、不舒适等感觉，甚至会感到更加疲惫。在汽车的自动驾驶模式下也有相似的研究结论[9]。神经影像学领域的相关研究结果显示，持续的警惕性任务产生较高的精神压力[10]，本研究支持这一结论。NASA-TLX数据结果显示自动驾驶模式和手动驾驶模式下的工作负荷没有显著性差异，所以由ATO执行速度控制并没有减少驾驶员的工作负荷，而是改变了工作负荷类型，产生更大的监督负荷。

驾驶员的情景意识依赖于环境的反馈。驾驶员在手动驾驶模式下操纵牵引制动手柄，列车速度随之发生变化，形成了一个完整的执行-反馈回路，这有利于形成驾驶员的情景意识的基础。当驾驶员监督由ATO控制的列车时，驾驶员不需要主动思考操作程序和场景，以致驾驶员难以发展更高层次的情景意识，即Endsley在模型中描述的 “理解”和“预测”阶段，并且更大可能地停留在情景意识的第一阶段，也就是“感知”阶段。然而较高层次的情景意识对于驾驶员监督系统状态、及时发现和诊断问题是至关重要的。

本研究的目的并非否定自动驾驶技术本身，而是指出现行的自动驾驶模式将对驾驶任务效能产生不良影响，难以可靠地保障整个人机系统的安全。虽然自动驾驶技术能减少人为操作失误带来的事故风险，但期望驾驶员在列车自动化运行过程中能够达到较好的监督绩效，并在自动化设备或安全防护设备失效的情况下提供正确、安全的决策和操作，仍是我们需要努力的研究方向。在高铁ATO未来的发展中，研究设计人员更应当关注驾驶员在这一人-自动化系统中的角色，加强对智能化背景下司机的驾驶人机交互认知特征、驾驶情景意识表现特征等方面的研究，体现以人为中心的自动化系统设计理念，优化人机功能分配关系，实现人和自动化的良好耦合。

5 小结

(1)高铁ATO自动驾驶技术能提高操作的准确性、减少人因失误，但也导致驾驶员的检测绩效降低，情景意识水平降低，且在降低驾驶员的工作负荷方面与手动驾驶模式没有显著性差异。

(2)结合访谈法和认知工作分析，总结了自动驾驶技术对驾驶员的影响机理，即高铁ATO导致驾驶员的警惕性降低、获得的反馈减少、转换为被动的信息处理者、产生的监督负荷增加。

(3)在高速列车自动驾驶的发展过程中，我们不应只关注自动化技术层面的发展，还应当关注驾驶员在整个人机系统中的角色。