编辑推荐：
在人类 - 自动化驾驶研究中，为探究驾驶员 - 环境 - 自动化系统行为模式，研究人员运用动态系统分析（DSA）工具，采用 MFDFA、RQA 和 WCT 方法。结果发现驾驶行为受长短期过程影响，该研究有助于理解复杂系统行为。
随着科技飞速发展，半自动化系统越来越多地融入人们的日常生活，汽车自动驾驶辅助功能就是典型代表。如今，在普通道路上，配备自动驾驶辅助的汽车随处可见。然而，理解人类驾驶员对这些自动化系统的信任与依赖并非易事，它涉及驾驶员自身的能力与偏好、自动化系统的质量，以及车辆行驶时的环境约束等多方面因素。过往研究虽已分别发现这些因素对驾驶员行为有影响，但对于它们之间复杂的交互作用，却缺乏深入、全面的研究。这种交互作用就像一团迷雾，阻碍着人们对人类 - 自动化驾驶行为的深入理解，也限制了自动驾驶技术的进一步优化。为了拨开这团迷雾，来自国外的研究人员开展了一项旨在探究驾驶员 - 环境 - 自动化系统行为模式的研究。他们运用动态系统分析（DSA）工具，深入剖析这一复杂系统，相关研究成果发表在《Cognitive Systems Research》上。该研究成果对于优化自动驾驶技术、提升驾驶安全性和舒适性有着重要意义，为后续相关研究和技术改进指明了方向。
研究人员在这项研究中，主要运用了三种关键技术方法。一是多重分形去趋势波动分析（MFDFA），用于分析时间序列数据中嵌套波动的结构，判断行为数据波动是否随机，以及波动模式变化情况；二是递归定量分析（RQA），通过生成吸引子景观和递归图，量化系统行为重复程度，探寻行为模式与自动化使用及环境变化的关联；三是小波相干分析（WTC），计算两个时间序列在不同时间和频率下的相关性，确定行为与环境变量高度相关的时间频率带。研究样本来自招募自美国大底特律地区的 26 名健康参与者，最终 16 名参与者的数据纳入分析。
研究结果
- MFDFA 分析结果：对车道偏离时间序列进行 MFDFA 分析，如在一个代表性试验中，得到斜率α为 1.56，表明存在高度结构化、纠正性的波动模式。在?3<q<+3范围内进行 MFDFA 分析，得到的α斜率在 2.28 至 1.32 之间，斜率发散，这意味着存在多个缩放区域，暗示不同的驾驶模式。
- RQA 分析结果：RQA 用于研究车道偏离的重复模式，以及其与环境变化和自动化使用的关系。若发现重复模式的差异与特定环境特征相关，就能进一步深入研究行为数据与环境变量之间的关系。
- WTC 分析结果：WTC 用于识别行为与环境变量在不同时间和频率下的相关性。通过计算连续小波变换（CWT）、交叉小波变换（XWT），最终得到小波相干性（WTC），以确定行为与环境变量高度相关的时间频率带，从而深入了解驾驶员、自动化系统和环境之间相互作用的驱动过程。
研究结论与讨论
该研究通过系统运用 DSA 工具，展示了其在理解人类 - 自动化团队任务中，操作员、自动化和环境之间复杂相互作用的实用性。研究表明，驾驶员对自动化的依赖既取决于环境因素，也与自动化的能力有关，并且这种依赖会随着条件变化而动态调整。动态系统分析还揭示了潜在的相关过程，这些过程涉及到驾驶行为受长短期过程影响，在不同路段（如直道和 S 形弯道），长短期过程的相对贡献有所不同。
这项研究的意义重大。一方面，它为人类 - 自动化驾驶行为研究提供了新的视角和方法，让研究者能更深入地理解复杂系统中各因素的相互作用；另一方面，对于自动驾驶技术的发展具有指导价值，有助于优化自动化系统，提高驾驶安全性和舒适性。它也为后续相关研究奠定了基础，推动该领域朝着更深入、更全面的方向发展。
