在真实道路上进行部分自动化驾驶过程中感知风险的检测

《International Journal of Industrial Ergonomics》：Detection of perceived risk during partially automated driving on real road

自动驾驶 风险感知 CNN-LSTM模型 多模态数据 驾驶员状态监测 车辆动力学 生理信号 环境因素 模型优化 用户接受度

　　
自动驾驶技术快速发展背景下，驾驶员风险感知研究成为提升智能网联汽车安全性和用户接受度的关键领域。本研究通过构建CNN-LSTM深度学习框架，首次实现了对SAE L2级自动驾驶场景中驾驶员风险感知的实时检测。实验采集了包含车辆动态、环境信息、生理信号及面部表情的多元数据，创新性地将智能手机作为辅助传感器记录潜在高风险事件。研究团队通过主观评估将风险等级划分为低/中/高三个维度，并对比了传统机器学习与深度学习模型的性能表现。

核心发现显示，多模态数据融合显著优于单一数据源。生理信号中皮肤电导水平（SCL）和肌电信号均方根（RMS）能准确捕捉风险波动，特别是皮肤电导的快速相位成分（SCR）与风险等级呈现强相关性。行为特征方面，转向角度的剧烈变化与中高风险场景存在显著关联，而周围摩托车数量超过阈值时，驾驶员风险感知会提升至中高风险级别。这些发现为智能座舱的人机交互设计提供了关键参数参考。

在模型架构上，CNN模块通过卷积神经网络提取面部表情和车辆环境的时空特征，特别是对驾驶员眼睑运动和嘴角形态的捕捉精度达到92.3%。LSTM层则有效整合了长达15分钟的连续驾驶数据，通过门控机制筛选出具有时间关联性的关键特征。这种架构创新使模型在真实道路场景中保持了85.6%的泛化能力，较传统模拟环境训练的模型提升18.7%。

对比实验表明，在包含超过50个特征维度的数据集上，CNN-LSTM模型各项指标均优于基准模型。准确率（82.8%）超越随机森林（78.5%）和XGBoost（79.2%），F1值（83.6%）较支持向量机（81.4%）提升2.2个百分点。AUC曲线分析显示，模型对高/中风险事件的区分度优于其他方法，特别是对低风险误判率控制在4.3%以下。

特征重要性分析揭示，生理信号中的皮肤电导水平（SCL）和肌电信号均方根（RMS）贡献度最高（分别占18.7%和16.3%），其次是环境数据中的摩托车数量（12.9%）和转向角度变化率（9.8%）。值得注意的是，驾驶员在发现系统未及时响应时，面部肌肉紧张度（MNF）的异常波动成为关键预警信号，其敏感度达到97.4%。

研究提出的实时监测系统具有三个显著优势：首先，通过多模态数据融合实现了对复杂风险场景的全面覆盖，如同时检测到前方急刹和车内对话压力的叠加效应；其次，采用边缘计算架构，使模型在车载终端的推理速度达到120FPS，满足实时反馈需求；最后，开发的可解释性模块能清晰展示风险来源，为系统提供多级预警机制。测试数据显示，该系统在突发道路施工场景中的预警响应时间较传统方案缩短43%。

在工程应用层面，研究成果已转化为三个技术模块：风险识别模块（实时分类准确率89.2%）、驾驶行为矫正模块（接管请求触发率91.5%）、以及驾驶员状态反馈模块（焦虑指数预测误差±2.1%）。实测表明，集成该系统的自动驾驶车辆在复杂路况下的用户信任度提升37%，接管请求误触发率控制在3.8%以内。目前相关技术正在上海临港智能交通示范区进行部署测试，累计处理超过2万次驾驶场景。

研究同时发现环境动态特征的增强作用。当车辆处于高流量道路且摩托车数量超过设定阈值时，驾驶员风险感知会呈现指数级增长，此时生理信号的敏感度提升至94.6%。这种环境-生理协同效应为智能驾驶系统提供了重要的优化方向，建议在算法中引入时空关联权重机制。

该研究为自动驾驶系统的风险控制提供了新的方法论框架。通过构建包含数据采集、特征工程、模型训练、部署优化的完整技术链条，成功解决了真实道路场景中多源异构数据融合的技术难题。实验证明，该框架可使车辆在遭遇突发风险时的系统响应速度提升至200ms以内，较现有方案提高40%的应急处理效率。

未来研究可着重于极端天气条件下的模型鲁棒性提升，以及小样本学习场景的应用优化。建议在车辆配备多模态生物传感器的同时，开发基于强化学习的动态风险预警系统，通过实时反馈机制形成人-车协同的闭环控制。这种技术演进将推动自动驾驶从辅助驾驶向主动安全防护的实质性跨越。