在条件自动化驾驶中的跨学科情境感知建模：一种基于统计先验的不变特征学习方法

《ADVANCED ENGINEERING INFORMATICS》：Cross-subject situation awareness modeling in conditionally automated driving: a statistical-prior-guided invariant feature learning approach

条件自动化驾驶（SAE L3）中，驾驶员情况意识（SA）的跨个体建模存在显著个体差异（ISV）挑战。本文提出SP-DIFAN框架，整合统计先验引导的注意力机制、熵稀疏正则化及类条件不变性约束，通过多任务学习预测SA充分性及连续认知梯度。实验验证其具有优异跨个体泛化性能（AUC=0.824，r=0.771），优于传统模型，并揭示稳定的神经-视觉耦合特征。

　　

作者：Si Yihao | Wang Wuhong | Yang Kai

北京工业大学机械工程学院，中国北京 100081

摘要

条件自动驾驶（SAE 级别 3）要求驾驶员在有限的接管窗口内重新获得足够的情境意识（SA）并恢复控制，因此强大的 SA 监控对于安全部署至关重要。然而，现有的 SA 预测模型由于神经生理和视觉反应的个体间差异较大，通常难以泛化到未见过驾驶员的情况。本研究通过提出一种统计先验引导的深度不变特征注意力网络（SP-DIFAN）来解决跨个体 SA 建模问题。该框架整合了以下内容：（i）从效应大小分析中得出的特征级统计先验，用于引导关注与 SA 相关的线索；（ii）基于熵的稀疏正则化，以促进集中和可复制的软特征选择；（iii）类条件下的个体不变正则化，以在保持 SA 相关类别结构的同时减轻跨个体分布偏移。多任务架构同时预测二元 SA 充分性和连续的 SAGAT 分数，提高了跨目标的表示鲁棒性。我们进行了一项高沉浸式驾驶模拟器研究，共有 56 名参与者完成了 18 次接管试验。同步记录的脑电图（256 Hz）和眼动追踪（50 Hz）信号被总结为 59 个试验级特征，涵盖从接管请求开始到接管启动的整个过程。在严格的留一法评估下，SP-DIFAN 显示出强大的跨个体泛化能力（AUC = 0.824；Pearson’s r = 0.771），其性能优于代表性的线性、核方法和集成基线方法。消融实验验证了统计先验引导和个体不变正则化的互补优势。进一步解释表明，稳定的跨个体神经-眼部特征耦合了视觉采样动态、镜像监控行为以及脑电图指示的工作负荷和警觉性。所提出的框架支持实时 SA 评估，并为三级自动化的自适应接管辅助和以人为中心的 HMI 设计提供信息。

引言

车辆自动化技术正在迅速发展，条件自动驾驶（CAD，SAE L3）系统现已从受控的实验环境走向实际应用 [1]。在 CAD 场景中，车辆在其操作设计域（ODD）内自主处理整个动态驾驶任务（DDT）[2]。这使得驾驶员可以暂时脱离控制，从事与驾驶无关的任务（NDRTs）[3]。这种劳动分工显著改变了驾驶员和自动化系统的传统角色 [4]，为交通安全和人机协作带来了新的挑战。

尽管 CAD 在正常条件下表现出高自动化能力，但当系统达到其能力极限并发出接管请求（TOR）[5] 时，驾驶员必须在有限的时间内介入并恢复手动控制。大量研究表明 [6]，[7] 长时间的脱离会使驾驶员处于“脱离回路（OOTL）”状态，损害他们对交通环境、系统状态和潜在风险的理解。这种认知分离常常导致反应迟缓、判断错误和不安全的操作。因此，OOTL 被广泛认为是导致 CAD 中事故风险的关键因素 [8]。

在接管场景中，驾驶员的情境意识（SA）被认为是自动化性能和接管安全之间的核心认知链接 [9]。SA 反映了驾驶员对环境元素的感知、对情况的理解以及对未来状态的预测 [10]。受损的 SA 直接降低了接管过渡期间做出正确决策的可能性 [11]。因此，可靠地表征和预测 CAD 场景中的驾驶员 SA 是开发安全和以人为中心的自动驾驶系统的关键前提。

从工程角度来看，实时感知驾驶员的 SA 可以促进自适应人机交互（HMI）机制的发展 [12]，[13]。这些机制，如动态接管时机、自适应警告策略和个性化界面设计，提高了交通安全性，同时优化了驾驶体验。然而，现有的驾驶员 SA 建模方法在 CAD 场景中仍面临根本性挑战。

首先，驾驶员在生理反应和行为策略上表现出显著的个体间差异（ISV）[14]。即使在相同的场景和任务条件下，脑电图（EEG）模式、视觉扫描策略和认知处理风格在个体之间也往往存在显著差异 [15]，[16]，[17]。这种 ISV 并非随机噪声，而是人类认知多样性的自然表现。然而，它对数据驱动模型泛化到未见过驾驶员的能力构成了重大障碍。其次，现有的 SA 建模方法缺乏足够的机制透明度和跨部分一致性。近年来，端到端的深度模型被广泛用于捕捉多模态生理信号之间的非线性交互，显示出比传统线性模型更优越的表示能力 [18]。然而，如果没有明确的结构约束，这些模型通常以纯数据驱动的方式学习区分性模式。因此，在它们的内部表示和特定的生理或认知机制之间建立稳定的对应关系仍然具有挑战性 [19]。鉴于脑电图（EEG）和眼动追踪（ET）特征之间的强相关性及衍生结构，这一点尤为重要。在这种情况下，模型经常在形式不同但传达等效信息的冗余特征簇之间切换不稳定。这种不稳定性导致关键生理线索在不同个体间发生漂移，从而削弱了模型在安全关键的人机系统中的工程可靠性和可复现性 [20]。此外，现有 SA 建模的可解释性主要依赖于事后归因，这与模型训练过程是脱节的。虽然像 SHapley 加性解释（SHAP）这样的归因方法可以识别特征贡献，但其加性框架隐含地假设特征独立性。鉴于多模态生理特征之间的高相关性，这种假设很少成立 [21]。更重要的是，这种事后解释无法在训练过程中主动引导模型关注生理上有意义和鲁棒的特征子集。从更广泛的人机协作角度来看，CAD 中的 SA 建模体现了智能系统在理解、限制和适应人类认知差异方面面临的共同挑战 [22]。因此，迫切需要一个能够在个体间保持稳定性能并提供清晰且生理一致解释的 SA 建模框架。这样的框架对于支持安全、可信和以人为中心的自动驾驶系统的设计至关重要。

基于这一背景，本研究通过提出一种统计先验引导的深度不变特征注意力网络（SP-DIFAN）来解决 CAD 接管场景中驾驶员 SA 的跨个体建模问题。所提出的框架将来自多模态生理差异分析的统计先验整合到端到端的深度学习架构中。通过将这些先验作为可微的结构约束嵌入到特征级注意力和表示学习中，SP-DIFAN 在预测性能、可解释性和跨个体泛化之间实现了原则性的平衡。此外，采用多任务学习策略来共同建模离散的 SA 状态判别和连续的认知梯度。为了进一步增强跨驾驶员的表示鲁棒性，在共享的潜在空间内施加了类条件下的跨个体不变性约束。

本文的主要贡献总结如下：

• (1)
  提出了一种用于 CAD 接管场景中驾驶员 SA 建模的统计先验引导的深度不变特征注意力网络（SP-DIFAN），该网络将多模态统计先验和跨个体不变性约束整合到端到端学习框架中。
• (2)
  开发了一种基于上下文的特征级注意力机制，其中统计先验被嵌入为可微的结构约束。这种设计使模型能够在保持生理一致性和跨个体区分稳定性的同时捕捉非线性多模态交互。
• (3)
  通过将多任务学习与类条件下的跨个体不变性正则化相结合，所提出的方法有效减轻了由个体认知差异引起的特征分布偏移，从而提高了对未见过驾驶员的泛化能力。
• (4)
  使用严格的留一法（LOSO）评估协议进行了全面验证。结果表明，所提出的方法在 CAD 接管场景中的预测性能、表示稳定性和工程可解释性方面都是有效的。

部分摘录

CAD 中驾驶员情境意识的测量和建模

在 CAD 接管过程中准确评估驾驶员的 SA 对确保安全和及时的控制转换至关重要。根据主流理论框架 [23]，SA 包括三个层次：感知当前环境中与任务相关的元素（一级 SA）、理解它们的含义（二级 SA）以及预测它们的未来状态（三级 SA）。为了实现这一认知结构，使用了冻结-探测方法——尤其是情境意识全局

统计先验构建

此阶段旨在从多模态生理数据中提取具有统计基础和生理可解释性的区分信息。然后，将这些信息形式化为特征级统计先验，可以直接纳入深度模型中，作为后续表示学习的显式归纳偏差。与仅限于事后特征选择的传统统计分析不同，本研究强调识别

实验数据描述和预处理

本研究使用了来自高沉浸式 CAD 模拟实验的多模态生理和行为数据。共招募了 56 名持证驾驶员（37 名男性和 19 名女性），年龄在 20 至 55 岁之间（平均年龄 = 34.77 岁，标准差 = 9.89 岁）。所有参与者都持有有效的中国驾驶执照，并报告有常规的驾驶经验。表 1 总结了参与者的 demographic 特征和驾驶相关属性，包括性别、年龄、年行驶里程等

统计先验构建的 SA 级别离散化

为了验证第 3.1.1 节中定义的 SA 学习目标的统计有效性，我们首先检查了从 SAGAT 规范中得出的连续 SA 分数的分布特性及其离散化的适当性。Shapiro–Wilk 检验显示分布没有显著偏离正态性（W = 0.968，p = 0.1083），表明分数分布适合后续的分位数分析。

基于这一观察，本研究采用了

讨论

在 CAD 中，接管安全不仅取决于 TOR 的发出时间，更重要的是驾驶员是否能够在非常有限的时间内恢复一种能够准确评估情境和做出适当决策的认知状态。因为实际应用将不可避免地涉及开发数据中未包含的驾驶员，因此准确识别不同个体之间的驾驶员 SA 对开发既安全又以人为中心的接管支持策略至关重要

结论

本研究解决了 SAE 级别 3 条件自动驾驶接管过渡期间跨个体 SA 识别的挑战。所提出的 SP-DIFAN 框架将基于统计的先验知识嵌入到端到端优化范式中，统一了先验引导的注意力学习、多任务 SA 建模和类条件下的不变性正则化。在严格留一法评估的 56 名驾驶员的多模态 EEG–ET 数据上进行了评估

CRediT 作者贡献声明

Si Yihao：撰写 – 审稿与编辑，撰写 – 原稿，可视化，方法论，正式分析，数据管理，概念化。Wang Wuhong：资源，项目管理，调查，资金获取。Yang Kai：验证，监督，软件。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。