一种考虑人为因素的可解释式跟车模型,用于分析异常的分心驾驶行为以及分心状态的恢复过程。该模型采用分段化的任务难度设定方式,并结合了相对速度这一关键参数
《Physica A: Statistical Mechanics and its Applications》:A human factor interpretable car-following model for abnormal distracted driving behaviors and distraction recovery with a piecewise task difficulty formulation incorporating relative speed
【字体:
大
中
小
】
时间:2026年08月29日
来源:Physica A: Statistical Mechanics and its Applications 3.1
编辑推荐:
摘要:分心驾驶在实际交通中十分普遍,这是由于驾驶员的生理和心理状态与周围交通环境的共同作用所致,它可能会显著影响车辆跟随过程中的交通系统的稳定性和安全性。传统研究通常通过在经典的车辆跟随模型中加入噪声或引入与人为因素相关的小结构来表示分心行为。尽管这些方法可以在一定程度上再现与分
摘要:分心驾驶在实际交通中十分普遍,这是由于驾驶员的生理和心理状态与周围交通环境的共同作用所致,它可能会显著影响车辆跟随过程中的交通系统的稳定性和安全性。传统研究通常通过在经典的车辆跟随模型中加入噪声或引入与人为因素相关的小结构来表示分心行为。尽管这些方法可以在一定程度上再现与分心相关的异常驾驶轨迹,但它们往往无法从人为因素的角度解释多样化的分心驾驶行为及其影响。为了提高车辆跟随模型对实际人类驾驶的解释能力,在现有任务难度车辆跟随框架(TDCF)的基础上,本研究提出了一种新的模型,该模型将相对速度纳入任务难度(TD)的表述中,以进一步增强TD在描述驾驶任务难度方面的能力。同时,引入了一个分段风险参数函数来表示分心和恢复阶段。实验结果表明,所提出的模型能够有效捕捉由于前车行为变化引起的任务难度增加。通过进一步考虑分心状态下的驾驶员反应敏感性,该模型可以在一个统一且可解释的框架内合理再现几种典型的分心驾驶模式,如过度反应、延迟反应和麻木反应。这些发现揭示了分心驾驶的行为机制,并为分心相关车辆跟随行为的建模和解释提供了有意义的支持。
引言:车辆跟随行为是交通流动态的基本微观机制之一,因为个别驾驶员的纵向决策直接影响车辆间的互动、干扰传播和交通状态的演变。经典的车辆跟随模型主要通过速度、间距、相对速度和加速度等变量之间的数学关系来描述个体车辆的纵向互动行为。例如,最优速度模型(OVM)根据间距确定的期望速度来描述车辆加速度[1]。全速度差(FVD)模型进一步结合了连续车辆之间的相对速度,以改善对动态车辆跟随响应的描述[2]。智能驾驶员模型(IDM)也被广泛用于再现实证微观交通流演變状态和各种拥堵交通条件[3]。这些经典模型为分析车辆跟随过程中的交通性能和稳定性提供了重要基础。基于这些经典模型,已经开发了许多改进模型,以表示在不同信息、道路和车辆条件下的更复杂交通流动态。其中一些模型探讨了在车对一切(V2X)环境下的协同驾驶[4][5][6],而其他模型则考虑了不同的道路场景,如螺旋形道路[7]、斜坡道路[8]以及高速公路隧道和环形道路[9,10]。特别是随着连接自动驾驶技术的发展,近年来混合交通中自动驾驶车辆与人工驾驶车辆[11][12][13]的车辆跟随特性,以及车辆跟随车队和连接车辆系统的安全问题[14][15][16][17][18][19][20][21][22]引起了越来越多的关注。除了上述车辆跟随模型中讨论的具体交通因素外,人类驾驶行为也是影响车辆跟随动态的重要因素,因为车辆跟随依赖于驾驶员、车辆和道路基础设施之间的协调操作。事实上,人类驾驶员的异质性可能导致车辆跟随决策的随机性和制度依赖性差异,从而影响交通安全、可持续性和交通流演变[23]。此外,以人为因素为导向的研究强调,在开发微观车辆跟随模型时应考虑驾驶员能力、行为适应性和个体驾驶特性[24]。一些改进的车辆跟随模型进一步结合了驾驶员记忆和历史交通状态信息,以描述先前感知的驾驶条件对当前车辆跟随行为的影响[25,26]。这些研究表明,与人类相关的因素在塑造微观交通流动态中起着重要作用。
在这些人相关因素中,分心驾驶是一种典型且重要的暂时行为,可以被视为车辆跟随过程中的干扰,因为它削弱了驾驶员的注意力分配、判断能力和车辆控制能力。分心可能由车内人机交互、思绪游离、乘客交谈和外部视觉刺激引起[27][28][29][30]。在分心状态下,驾驶员可能需要更长的反应时间[31],表现出降低的变道决策性能[32],并对交通安全和交通运行产生负面影响。自然驾驶数据表明,驾驶员分心和交通密度与碰撞和接近碰撞事件的发生概率相关[33],而信号化路口的现场观察表明,分心驾驶会增加车辆 dispatch 间隔并降低路口运行效率[34]。为了解释和预测车辆跟随动态中的这种由分心引起的干扰,现有的分心驾驶模型大体上可以分为两类。第一类侧重于分心状态下的驾驶表现的统计或实证建模。例如,Gazder等人[35]结合了问卷调查、路边观察、双向方差分析(ANOVA)和回归分析,研究了不同分心源和驾驶员年龄对速度和时间间隔的影响。Tian等人[33]进一步使用线性模型来量化驾驶员离路注视行为与碰撞或接近碰撞发生之间的关系。最近,这一研究方向通过数据驱动和基于深度学习的模型得到了扩展。Ping等人[36]结合了时空深度学习网络和因果推理,从视频序列中连续识别分心驾驶行为。Mou等人[37]开发了一种双通道CNN-Transformer网络,从多模态数据中识别正常驾驶、情绪分心、认知分心和感觉运动分心。Mohammed等人[38]提出了一种半监督轻量级视觉Transformer,利用标记和未标记样本进行实时分心驾驶员检测。Qiao等人[39]通过多视图时空网络整合了驾驶员眼动行为和行车记录仪图像来检测认知分心。这些统计、实证和数据驱动的研究提供了识别分心相关状态的有用证据和有效工具,但它们主要建立的是观察特征与分心结果之间的关联或输入输出映射,而不是明确描述分心驾驶员在驾驶过程中如何感知和响应周围车辆的运动状态变化。第二类开发了微观仿真模型来再现与分心相关的驾驶行为。Zhang等人[40]将风险稳态理论纳入期望安全距离车辆跟随模型中,以模拟分心的行为影响。Xiao和Shi[41]修改了最优速度模型中的变道概率和安全距离参数,以表示由分心驾驶引起的交通流变化。Saifuzzaman等人[42]将任务能力接口理论引入智能驾驶员模型,并从任务难度的角度表现了分心车辆跟随行为。与统计模型相比,微观仿真模型更适合描述分心如何改变车辆互动和交通流演变[43]。然而,许多现有模型仍然通过简化机制(如参数调整、反应时间延迟、估计误差、预判或随机干扰)来表示与驾驶员相关的效应[44,45]。尽管这些方法可以再现某些异常轨迹,但它们没有明确描述分心特定的机制,如过度反应、延迟反应、麻木反应和分心后的恢复。因此,现有模型对多样化分心驾驶行为的解释能力仍然有限[46]。数据驱动模型在从多模态观察中提取高维和非线性关系方面非常有效,并且在有足够代表性的训练数据时可以实现强大的识别或预测性能。然而,学习到的输入输出关系通常难以从具体的物理过程或人为因素机制角度进行解释,且模型性能可能受训练数据的数量、质量和分布的影响[47,48]。
在分心驾驶中,仅仅识别或预测异常驾驶状态并不能完全解释任务需求、驾驶员能力、风险感知和环境响应性的变化如何共同产生不同的行为反应。因此,仍然需要一个基于统一机制的建模框架,将这些行为模式与可解释的驾驶员-车辆互动过程联系起来,并描述它们在车辆跟随动态中的演变。这样的框架可以通过为基于机制的分心驾驶行为建模和解释提供透明基础,从而补充数据驱动方法。现有的分心驾驶车辆跟随模型在描述分心的几个重要行为特征方面仍然不足。在许多模型中,分心通常通过增加反应时间、调整模型参数或引入随机干扰来表示。这些方法可以再现某些延迟或异常轨迹,但它们未能充分解释为什么会出现不同的分心驾驶模式或分心后的恢复。实验研究表明,当分心结束时,驾驶员能力并不会立即恢复。Bowden等人[49]使用视觉检测反应任务(DRT)来检查分心后的恢复情况,发现DRT准确性在分心结束后的前0-20秒内仍然受损。Snider等人[50]还报告了智能手机分心后驾驶员驾驶风险恢复的延迟,并将这种残留影响称为“分心后遗症”。此外,Zatmeh-Kanj和Toledo[51]发现分心驾驶员在车辆跟随过程中对交通状态变量(如速度和间距)的变化感知敏感度降低。这些发现表明,分心驾驶不仅涉及临时的反应延迟,还包括分心后的恢复和反应敏感性的降低。然而,这些特征尚未充分纳入现有车辆跟随模型中。因此,应该进一步开发一个分心驾驶车辆跟随模型,以在一个统一且可解释人为因素的框架内合理表征异常的分心驾驶模式、降低的反应敏感性和分心后的恢复。因此,有必要在车辆跟随模型中进一步表征分心驾驶行为,以研究分心如何影响交通流的稳定性。本研究开发了一个可解释人为因素的分心驾驶微观车辆跟随模型。本研究的主要贡献总结如下:首先,提出了基于相对速度的任务难度表述方法,以改进车辆跟随情况下的任务需求描述。通过结合后车与前车之间的正相对速度,所提出的表述能够更好地捕捉靠近条件下的任务难度增加。其次,引入了一个分段风险参数函数来描述分心驾驶及其后的恢复,从而能够表示分心事件结束后的剩余影响。第三,引入了一个递归输入更新机制,以表征分心驾驶员对速度、相对速度和间距的降低反应敏感性。基于这些机制,通过模拟验证了所提出的相对速度任务难度智能驾驶员模型(RSTDIDM),并分析了其再现分心驾驶行为的能力,如过度反应模式、延迟模式、麻木模式和分心恢复。本文的其余部分安排如下:第2节介绍了任务难度的理论背景和任务难度车辆跟随(TDCF)框架。第3节制定了所提出的RSTDIDM。第4节提出了数值实验并讨论了仿真结果。第5节总结了本文并讨论了未来的研究方向。
任务难度的定义:任务难度(TD)来源于经典的任务能力接口(TCI)模型(图1)。TCI将驾驶行为描述为任务需求与驾驶员能力之间差距的动态表示。任务需求是指当前驾驶情况施加的客观复杂性,它受到环境条件、道路特征、其他道路使用者的行为和位置以及车辆运行状态的影响。驾驶员能力指的是驾驶员...与传统的时间差距离控制(TDIDM)相比,所提出的模型通过将相对速度纳入原始的TD公式中,提高了任务的难度。这样,RSTD不仅可以反映间距对驾驶任务需求的影响,还能捕捉到后车与前车接近趋势所导致的任务需求增加。
**作者贡献声明:**
秦瑞红:形式分析、调查、方法论、验证、初稿撰写、审稿与编辑。
张耕:概念构思、资金获取、调查、方法论、监督、初稿撰写。
彭江豪:调查、方法论、验证、审稿与编辑。
马汉明:形式分析、调查、验证、审稿与编辑。
杨晨勋:验证、审稿与编辑。
**利益冲突声明:**
作者声明与本研究无任何利益冲突。
**致谢:**
本研究部分得到了国家自然科学基金(项目编号62272397)和智能车辆安全技术国家重点实验室(IVSTSKL-202415)的资助。
**作者信息:**
秦瑞红 | 张耕 | 彭江豪 | 马汉明 | 杨晨勋
中国重庆西南大学计算机与信息科学学院,400715
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号