个性化车载警告：一种基于因果机器学习的方法，用于优化工作负担和风险感知

《Accident Analysis & Prevention》：Personalizing In-Vehicle warnings: A causal machine learning approach to optimizing workload and risk perception

驾驶者认知负荷与风险感知的非线性交互机制研究，采用3×3×5因子实验设计结合DML-CF框架分析多模态CI提示的因果效应，揭示场景复杂度、提前时间与模态组合对驾驶状态的非均质影响，提出动态适配的人机交互优化方案。

　　

彭志鹏|霍一赫|王晨珠|Said M. Easa|赵晓通

西安工业大学经济与管理学院，中国西安710021

摘要

车载连接信息（CI）的有效性往往受到统一警告策略的限制，这些策略忽略了警告设计、交通环境和驾驶员状态之间的相互作用。本研究建立了一个因果机器学习框架，以量化CI模式和预警时间如何影响多种交通场景下的驾驶员工作负荷（WL）和感知风险（PR）。一个3×3×5的因子驾驶模拟实验收集了52名驾驶员的多模态生理、行为和自我报告数据。采用双机器学习与因果森林（DML-CF）方法来识别平均和异质性因果效应。结果表明，CI的有效性具有很强的环境依赖性，并且存在明显的非线性模式。在5.5到6.5秒范围内的适时警告，结合双重模态提示，能够持续降低驾驶员工作负荷和感知风险。延迟或单一模态提示则经常增加认知需求和感知危险。条件处理效应（CATE）分析揭示了显著的异质性，并识别出具有不同生理和行为特征的驾驶员亚群。例如，某些个体即使在接收到对大多数驾驶员有益的多模态预警时，也会表现出更高的工作负荷。这些发现表明，最佳的CI设计需要警告参数、情境不确定性和驾驶员状态之间的持续对齐。这些证据为开发能够根据信息需求调整信息传递的适应性CI系统提供了定量的因果基础，从而提高安全性和人机交互。

引言

在现代交通系统中，尽管车辆安全技术和道路基础设施不断进步，驾驶员仍然是交通安全链中最不稳定的因素。现有证据表明，人为因素仍然是导致大多数道路交通事故的原因，感知、判断和注意力失误约占所有事故的90%（Singh, 2018; Kiwango等人, 2024）。美国国家公路交通安全管理局（NHTSA, 2023）的最新报告显示，与驾驶员错误和分心相关的事故持续增加，成为交通事故死亡的主要原因之一。过重的工作负荷和不足的风险感知被认为是这些错误背后的两个核心心理机制（Savage等人, 2020; Zhang等人, 2024）。在驾驶过程中，驾驶员必须快速整合来自道路、周围行人和车载系统的多源视觉和听觉信息，以支持风险评估和决策。当环境复杂性增加或信息需求超过个体处理能力时，认知处理和注意力分配效率会显著下降。这种下降会导致风险感知延迟、判断失误和过度反应（Li等人, 2025a），从而大大增加安全风险。

近年来，随着车路协作和车载人机交互技术的进步，各种形式的连接信息（CI）被广泛用于帮助驾驶员识别潜在危险和优化操作行为。CI警告系统整合了环境感知数据、车辆状态信息和交通控制信号，并通过视觉、听觉或触觉模式实时向驾驶员传递处理后的输出。通过这种方式，它们在风险显现之前提供感知和决策支持（Ahmed等人, 2020; Zhang等人, 2021）。其核心原则在于缩短驾驶员从危险检测到行为执行的感知-决策-行动链。例如，当系统检测到异常的行人穿越或前方的障碍物时，通过语音提示或仪表盘视觉显示的CI警告使驾驶员能够形成风险预期并准备相应的行动，从而减少紧急制动或控制偏差的可能性（Zhang等人, 2019a）。在多车辆协作场景中，CI还可以共享基本的时空信息，帮助驾驶员保持情境意识，而不会增加认知负荷（Swain等人, 2025）。

尽管CI警告在改善驾驶员反应和降低事故风险方面显示出益处，但它们的实际有效性在不同的驾驶环境中差异很大（Ali等人, 2020; Zhang等人, 2021; Lyu等人, 2024）。越来越多的证据表明，当CI警告的特性与驾驶场景的信息需求不匹配时，可能会产生反效果。例如，延迟的警报或冗余的信息可能会引发认知冲突或信息过载，增加心理压力和操作错误（Ali等人, 2020; Ma等人, 2022）。相反，在交通规则明确或可预测性高的场景中，过多的提示可能会扰乱驾驶节奏并降低注意力集中度（Li等人, 2025b）。因此，在现实世界的交通环境中，确定何时警告、警告什么以及如何警告仍然是CI警告系统设计中的核心挑战。这些观察结果强调了理解不同情境下CI性能的必要性。然而，现有研究仍缺乏对警告时机、显示模式和交通环境如何共同影响CI有效性的系统和定量分析。

此外，大量证据表明，驾驶员在生理唤醒、注意力分配策略和行为反应模式上存在显著差异，这些因素直接影响CI警告的有效性（Savage等人, 2020; Tao等人, 2024）。在相同条件下，相同的CI警告可能对某些驾驶员减轻工作负荷，但对其他驾驶员却可能引发额外的压力甚至产生反效果，这表明CI警告设计不能采用“一刀切”的方法。然而，现有研究要么依赖群体平均水平，要么根据性格特征或经验等静态特征对驾驶员进行分组，这些方法只能提供粗略的区分，无法捕捉实际驾驶过程中影响CI有效性的生理-行为机制（Folli等人, 2023）。这一限制不仅掩盖了驾驶员实时生理和行为反应的显著差异，还限制了CI警告系统向个性化和适应性调节的发展，使得这些系统难以在现实环境中动态调整警告策略。

为了解决上述问题，本研究采用了一个基于3（交通场景）× 3（CI预警时间）× 5（CI模式类型）因子设计的模拟驾驶实验，系统地研究了交通场景复杂性、CI预警时间和模式的交互效应。收集了多模态生理信号（如皮肤电活动（EDA）、心电图（ECG）、眼球运动）和驾驶行为数据（如反应时间、制动力、停车距离），以量化不同条件下CI警告对驾驶员工作负荷（WL）和感知风险（PR）的影响。方法上，本研究应用双机器学习-因果森林（DML-CF）框架，在适当调整混杂因素的情况下，估计实验条件组合的总体和异质性效应。这种方法允许模型恢复CI影响的方向和幅度，并提取关键的交互结构和差异化的反应模式。

本研究的贡献有四个方面：

1.

引入了一种新的因果推断框架，用于驾驶员状态分析。该研究使用DML-CF框架提供了一种稳健的方法来估计CI参数对驾驶员主观状态的真正因果效应

2.

量化CI参数的情境依赖性和非线性效应。该研究系统地证明了CI有效性不是普遍的，而是交通场景复杂性、CI预警时间和模式之间交互作用的非线性函数。

3.

识别和描述了显著的驾驶员异质性。该研究提供了稳健的、数据驱动的证据，表明驾驶员对相同的CI警告条件有不同的反应，识别出由生理和行为特征定义的不同驾驶员亚群。

4.

为个性化、适应性CI警告系统提供了基础蓝图。该研究将实证发现转化为下一代人机界面设计的直接、可操作的启示。

本文的其余部分组织如下。第2节对相关文献进行了系统回顾。第3节描述了实验设计和数据收集程序。第4节详细介绍了DML-CF框架的构建及其在本研究中的应用。第5节和第6节报告了实证结果，并与现有研究进行了深入讨论。第7节总结了主要发现并概述了研究的局限性。

节选

CI警告时间和模式对驾驶员的影响

对于CI警告，预警时间被广泛认为是警告有效性的关键决定因素。先前的研究表明，警告必须覆盖驾驶员的感知-反应间隔，通常约为1.5-2.5秒（Lerner, 1993; Olson和Sivak, 1986）。基于这一要求，许多研究在不同交通条件下采用了3-8秒的预警时间，以适应制动距离、安全裕度和动态场景变化（Winkler等人, 2016; Yan等人

实验设计

实验道路网络参考了中国西安的典型城市道路设计，如图1所示。模拟区域包括十条主要道路，排列成六乘五的网格。为了确保场景一致性，所有道路都遵循标准化设计：双向六车道道路，车道宽度为3.75米，中间有1.5米的中央隔离带，交叉口之间的链接长度统一为0.8公里，限速为60公里/小时。在实验过程中，对立的车流被随机设置

方法论

在本研究中，每个风险事件（定义为从CI激活到驾驶员反应直至行人清除的整个序列）被视为一个大约15秒的独立分析单元。每个事件之后，提取了驾驶反应行为和生理信号的统计特征，以建模驾驶员的工作负荷（WL）和感知风险（PR）。与点对点预测相比，这种事件级建模方法提供了更连贯的驾驶员感知-反应表示

描述性统计

1总结了本研究中使用的三类变量的描述性统计信息。每个值都是从整个事件窗口提取的平均特征计算得出的。对于驾驶反应行为，平均BTTC为9.35秒，平均BDTC为45.61米，两者都显示出显著的个体差异（标准差分别为2.84秒和19.46米）。平均RECT为1.76秒，表明大多数驾驶员对CI警告反应迅速。对于生理特征，SCLM

实验因素对驾驶员主观反应的主要影响

为了明确不同实验因素如何影响驾驶员的主观反应，本研究在两个层面上讨论了ATE结果：单个实验因素和多个实验因素的组合。

单因素分析突出了每个因素的独立效应。在交通场景2中，显著增加了WL和PR。这种模式表明，当存在交通基础设施时，尽管如此，行人行为仍会偏离既定的交通规则，

结论与局限性

本研究旨在系统地揭示多模态CI警告如何影响不同交通场景下驾驶员的主观反应。进行了一项3×3×5因子设计的模拟实验，以研究场景复杂性、CI预警时间和CI模式的交互效应。通过整合多模态生理和行为数据并应用DML-CF框架，本研究估计了不同CI配置的ATE和异质性CATE

CRediT作者贡献声明

彭志鹏：撰写——原始草稿，项目管理，方法论。霍一赫：撰写——原始草稿。王晨珠：撰写——审阅与编辑，验证，监督。Said M. Easa：赵晓通：数据整理。

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

作者感谢国家自然科学基金（52302443）的财政支持。