路边事故中的引颈观望行为：一项基于阿布扎比青年驾驶员的探索性仿真眼动研究

《Sustainable Futures》：Rubbernecking at a roadside accident: An exploratory, simulated eye-tracking study of young adult drivers in Abu Dhabi

　　

路边事故可能会在受阻车道之外引发次生风险，但在人类驾驶车辆 和自动驾驶车辆 混合行驶的交通环境中，对这一现象的描述尚不充分。这项仿真研究对38名18至29岁的驾驶员进行了测试，测试环境为一条类似于阿布扎比的4公里8车道城市走廊，其中在第1车道2255米至2330米处发生了一起路边事故。STISIM输出数据和Tobii注视数据被汇总为事故中心前13个连续的10米阶段。由于较后阶段的数据仅在碰撞后缺失，主要推断仅限于第1至第8阶段（事故中心前130至50米）。研究人员使用广义估计方程 分析了各阶段的结果，并使用9个预定义的兴趣区 汇总了注视数据。碰撞发生情况因车道而异（第1车道：2/8；第2车道：13/22；第3车道：0/8）。在车速、纵向加速度、制动减速度、方向盘转角、与AV的最小碰撞时间 和最小距离方面，发现了显著的车道与阶段交互效应。变异性分析表明，第1车道和第2车道的驾驶不稳定性强于第3车道。AOI分析显示，注视分配存在依赖车道的差异：在第1车道和第2车道，更大比例的注视落在驾驶员侧挡风玻璃AOI内，而第3车道则表现出更分散的模式。在第2车道，发生碰撞的试验显示出在较后阶段最小距离和最小碰撞时间的压缩，以及较窄的注视分配。这些发现是探索性的且针对特定场景的。它们为混合交通预警研究指出了候选监测信号，而非经过验证的部署阈值。

**研究背景与意义**
在过去十年中，将自动驾驶车辆 集成到现有驾驶环境中是一个重要议题。理解 AV 与人类驾驶车辆 在“混合”驾驶环境中的交互复杂性，对于评估 AV 预测 HV 行为的能力以及 HV 对 AV 系统的信任程度至关重要。在真实世界中评估这种混合环境的驾驶行为既复杂又充满风险，而计算机虚拟仿真提供了安全有效的手段。分心驾驶是引发交通事故的重要因素，涵盖视觉、手动和认知元素。其中“引颈观望”行为会导致驾驶员减速，进而引发交通振荡和通行能力下降。然而，在包含 HV 和 AV 的混合交通中，路边事故引发的次生风险尚未得到充分描述。此外，海湾阿拉伯国家合作委员会 国家道路交通事故率较高，但针对该地区驾驶行为的研究有限。因此，研究人员开展这项研究，以探索阿布扎比城市环境中青年驾驶员在混合交通路边事故场景下的驾驶行为和眼动特征，这对于识别混合交通预警系统的候选监测信号具有重要学术和安全意义。该论文发表在《Sustainable Futures》上。

**关键技术方法**
研究人员采用 STISIM Drive? Model (100) 驾驶模拟器和 Tobii Pro Glasses 2 眼动仪进行数据采集。样本队列来源为 38 名 18 至 29 岁的阿布扎比青年驾驶员。实验场景设置为一条类似于阿布扎比的 4 公里、8 车道城市走廊，在第 1 车道的 2255 米至 2330 米处设置了一起静态路边事故。数据被划分为事故中心前 13 个连续的 10 米阶段。由于碰撞后数据缺失，主要推断分析限制在第 1 至第 8 阶段（事故中心前 130 至 50 米）。眼动数据被汇总到 9 个预定义的兴趣区 中。数据分析采用广义估计方程，并使用 Benjamini-Hochberg (BH) 错误发现率 (FDR) 进行校正。还采用了留一法交叉验证 逻辑模型评估候选预测变量，并使用受试者工作特征曲线下面积 进行总结。

**研究结果**
参与者比较：研究人员通过 Fisher-Freeman-Halton 精确检验发现，碰撞发生情况因车道而异，第 2 车道的碰撞率（59.1%）显著高于第 3 车道（0%）。各车道参与者的年龄、驾驶经验等基线特征无显著差异，排除了混杂因素。
阶段覆盖与主要分析窗口：由于碰撞后数据缺失，所有 38 名参与者仅在第 1 至第 8 阶段拥有完整数据。因此，主要推断分析仅限于这些早期接近阶段。
第 1-8 阶段特定车道接近轨迹：通过 GEE 模型分析，研究发现驾驶行为随车道不同而变化。在速度（χ²=61.6）、纵向加速度（χ²=133.7）、制动减速度（χ²=80.8）、方向盘转角（χ²=80.9）、与 AV 的最小碰撞时间 (MTC-AV; χ²=48.5) 以及最小距离（χ²=27.8）方面，均发现了显著的车道与阶段交互效应。
跨车道变异性和不稳定性：通过分析阶段内标准差，研究发现速度变异性（χ²=70.0）、纵向加速度变异性（χ²=57.0）和转向变异性（χ²=42.8）存在显著的车道与阶段交互效应，表明第 1 和第 2 车道的驾驶行为比第 3 车道更不稳定。
第 2 车道碰撞与非碰撞轨迹：因第 2 车道具有足够的碰撞与非碰撞样本，研究人员对其进行了对比。发现碰撞试验在分阶段速度（χ²=21.8）、制动（χ²=17.3）、MTC-AV（χ²=17.7）和最小距离（χ²=20.6）模式上与非碰撞试验存在显著差异。
候选监测信号的探索性预测效用：在第 2 车道的 LOOCV 分析中，第 8 阶段的最小距离与速度组合模型产生了 0.96 的 AUC 值。但由于样本量小且在同一数据集中评估了多个候选信号，该值仅作为内部筛选结果。
基于 AOI 的注视分析：眼动数据显示注视分配存在依赖车道的差异。第 1 和第 2 车道的驾驶员更多注视驾驶员侧挡风玻璃 AOI，而第 3 车道则表现出更分散的注视模式和更高的仪表盘注视比例。在第 2 车道，碰撞试验在碰撞前表现出注视向驾驶员侧挡风玻璃区域的转移。

**讨论与结论**
研究人员总结认为，路边事故造成的干扰不仅限于受阻车道，而是最明显地蔓延至相邻车道（第 2 车道），该车道具有最高的碰撞风险和最明显的碰撞与非碰撞差异。最有用的信号来自车辆控制和替代安全指标，而非单一的眼动追踪。注视数据支持了这一整体情况，但眼动结果弱于模拟器控制结果。本研究是探索性的，基于 38 名青年驾驶员、一个预设路边事故场景和模拟器环境，因此不能作为最终阈值或自动化规则的依据。研究结果确定了未来验证研究中应包含的变量和车道条件，特别是与相邻车道相关的变量。它们并未确定可用于智能交通系统的操作触发器、预警阈值或可直接实施的变量。未来的研究应在更大的样本量、其他路边事件场景中测试相同的信号，并结合同步的试验级注视和控制数据。