认知架构与多模态融合驱动的条件自动驾驶情境意识评估与识别研究

针对条件自动驾驶中驾驶员情境意识(SA)评估依赖单一信息源、识别精度不足的问题，本研究创新性地整合ACT-R认知架构与机器学习技术，通过K-means聚类实现SA分级（准确率93.29%），为智能汽车人机交互(HMI)设计提供跨学科解决方案，推动交通领域工业信息集成发展。

　　

随着自动驾驶技术向L3级（条件自动驾驶）迈进，人机协同驾驶成为交通领域的新常态。然而当系统遇到超出设计范围的复杂工况时，驾驶员需在接管请求(TOR)下快速重建情境意识(Situation Awareness, SA)——这种对动态环境的感知、理解和预测能力直接关系到接管安全性。统计显示，全球每年约119万交通事故死亡案例中，超过90%与人为因素相关，而SA缺失正是关键诱因之一。尤其在驾驶员执行非驾驶相关任务(NDRT)时，其SA水平会显著下降，导致接管延迟或失误。传统SA评估方法依赖单一问卷或理论模型，存在主观性强、实时性差等局限；而识别研究多聚焦单一眼动特征，缺乏多模态数据融合。如何突破这些瓶颈，成为智能交通系统发展亟待解决的难题。

针对这一挑战，获得国家杰出青年科学基金等项目支持的研究团队开展了一项跨学科研究。通过设计接管驾驶实验，同步采集生理行为数据与问卷信息，创新性地将认知心理学理论ACT-R（自适应控制思维-理性模型）与机器学习技术深度结合。研究首先构建了融合目标导向与数据驱动处理的SA量化模型，继而采用K-means算法整合模型输出与SAGAT/SART量表结果，实现SA的客观分级。进一步地，通过融合眼动追踪、心电等多模态特征，使机器学习分类器达到93.29%的识别准确率。

关键技术方法包括：1）基于驾驶模拟器的接管实验设计，采集32名志愿者的EEG、ECG等生理信号及眼动数据；2）结合ACT-R架构与视觉注意力分配的SA量化建模；3）采用轮廓系数优化的K-means聚类算法实现SA分级；4）基于随机森林等算法的多模态特征融合识别。

研究结果部分显示：
Driver situation awareness assessment
通过将定量模型值、SAGAT准确率和SART评分作为三维特征，轮廓系数分析确定K=2为最优聚类数，成功将驾驶员SA划分为高/低两个层级，解决了单一信息源评估的局限性。

Experimental condition
重复测量方差分析(RM-ANOVA)证实，交通流量（低/高）、NDRT难度（简单/困难）和任务优先级（NDRTP/EP/TEMTP）三因素均显著影响SA指标（p<0.05），验证了实验设计的有效性。

Discussion
研究指出视觉注意力水平特征对SA识别贡献率达37.6%，证实多模态融合策略的优势。同时发现ACT-R模型中目标导向处理权重（0.62）高于数据导向处理（0.38），反映驾驶员在接管过程中更依赖主动认知调控。

Conclusions
该研究创立了首个整合ACT-R认知架构与机器学习的SA评估框架，突破传统方法的理论边界。提出的多模态识别方案为智能汽车HMI系统提供实时决策支持，其工业信息集成思路对推动《中国制造2025》在交通领域的实施具有示范意义。论文成果发表于工业信息集成领域权威期刊《Journal of Industrial Information Integration》，为自动驾驶人因研究开辟了"认知计算+工程应用"的新范式。