基于XGBoost和SHAP分析的自动驾驶接管时间关键影响因素研究

《Displays》：Analyzing SHAP values of XGBoost algorithms to understand driving features affecting take-over time from vehicle alert to driver action

本研究针对自动驾驶向人工驾驶转换过程中的接管时间(TOT)预测难题，采用XGBoost机器学习算法结合SHAP可解释性分析框架，系统揭示了自动化等级、动态驾驶参数和人机界面设计等多维度因素的影响机制。研究发现SAE Level 3自动化等级是主导因素（特征重要性增益达0.820），HADRIAN集成流体HMI虽略微延长TOT但提升了安全性。模型测试集R2达到0.871，为自动驾驶人机交互设计提供了量化依据，对优化接管策略具有重要实践价值。

　　

当汽车逐渐从人工驾驶迈向自动驾驶时代，一个关键挑战浮出水面：如何让驾驶员在需要时安全、及时地重新接管车辆控制权？这看似简单的"交接班"过程，背后却隐藏着复杂的人机交互难题。特别是在SAE Level 2和Level 3自动驾驶场景下，驾驶员可能因过度依赖自动化系统而降低警觉性，或在从事非驾驶相关任务时难以快速恢复驾驶状态。现有研究多采用传统统计方法，难以捕捉多因素间复杂的非线性关系，且对先进人机界面(Human-Machine Interface, HMI)系统的评估不足。

为破解这一难题，雅典国立理工大学的研究团队在《Displays》上发表了一项创新研究，他们首次将XGBoost机器学习算法与SHAP(SHapley Additive exPlanations)可解释性分析相结合，系统揭示了影响接管时间(Take-Over Time, TOT)的关键因素。研究团队通过高保真驾驶模拟器实验，收集了39名参与者应对290次接管请求(Take-Over Request, TOR)的高频数据，涵盖自动化等级、动态驾驶参数、障碍物类型和HMI条件等多维度变量。

研究方法上，团队采用驾驶模拟器实验平台，集成HADRIAN项目开发的先进HMI系统，包含平视显示器(Head-Up Display, HUD)、LED提示灯带、触觉方向盘等多模态交互装置。通过5折交叉验证优化XGBoost模型超参数，利用SHAP值进行特征重要性排序和影响方向解析，最终构建了预测精度高且可解释性强的TOT分析框架。

3.1. 模型优化和验证

研究显示优化后的XGBoost模型在测试集上表现优异，R²达到0.871，RMSE为0.772，训练集与测试集性能接近，表明模型具有良好的泛化能力而未出现过拟合。

3.2. 特征重要性分析

特征重要性排序揭示自动化等级(AD Level 2或3)是决定性因素，增益值高达0.820。纵向加速度(Acceleration X)和纵向速度范围(Speed X Range)分别第二、三位重要，表明车辆动态参数对TOT有显著影响。

3.3. SHAP分析和见解

3.3.1节发现Level 3自动化下的平均TOT(4.97秒)显著长于Level 2(3.33秒)，SHAP值持续为正，反映更长的预算时间和驾驶员参与度减少的共同作用。

3.3.2节显示强烈的负向纵向加速度对应较短TOT，表明紧急制动可促发快速反应；速度在80-110 km/h时TOT延长，而超过110 km/h后反应加快；高速公路复杂障碍场景引发更快接管反应。

3.3.3节表明HADRIAN HMI虽小幅增加TOT(4.65秒 vs 基线3.64秒)，但通过多模态反馈提供了安全增益，SHAP值分析证实其在Level 3条件下对引导驾驶员安全接管有积极作用。

研究结论强调，自动化等级是影响TOT的最主导因素，Level 3自动化下驾驶员因可从事非驾驶相关任务(Non-Driving-Related Tasks, NDRTs)而响应延迟。动态驾驶参数如加速度和速度变化范围提供了车辆状态的关键线索，而环境复杂度和HMI设计共同塑造了驾驶员的应对策略。HADRIAN HMI通过集成倒计时显示、多感官提示和个性化辅导功能，在适度延长TOT的同时显著提升了接管安全性。这些发现为自动驾驶系统设计提供了重要启示：应针对不同自动化等级制定差异化接管策略，开发能够根据实时驾驶状态自适应调整的HMI系统，平衡响应速度与安全性能的关系。未来研究可进一步探索驾驶员个体特征、任务复杂性与HMI设计的交互影响，推动自动驾驶人机协作向更安全、更高效的方向发展。