人机共驾中的链状认知过程：揭示驾驶员接管失败的因果链机制

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Chain-like cognitive processes in human-machine co-driving: Uncovering causal-chain mechanisms of driver takeover failure

　　

•提出 DBSE-SOR C2Net，将接管失败建模为接管前、接管中及接管后阶段的因果链。
•开发分层贝叶斯学习，以捕捉时变因素并揭示可解释的失败机制。
•实现接管失败链的反向诊断和自适应安全干预的前向评估。
•验证增强的接管请求和 MRM 干预，其中 MRM 使碰撞减少 75%。

1. 引言
随着条件自动驾驶车辆的日益普及，驾驶正从连续手动控制转向人机共驾模式，在此模式中，驾驶员主要监督系统，但必须在自动化达到其操作设计域（ODD）限制时恢复控制（Du et al., 2020b, Xing et al., 2021, Zhang et al., 2022）。然而，这种监督角色往往降低了驾驶员的参与度，并鼓励从事非驾驶相关任务，从而削弱了监控能力并增加了陷入脱离环路状态（out-of-the-loop state）的易感性（Yoon and Ji, 2019, Zhao et al., 2024）。因此，当接管请求（TORs）在低准备度和高时间压力下发生时，驾驶员更有可能响应迟缓、决策犹豫以及执行不稳定的控制操作，最终增加碰撞风险并导致接管失败（Chen et al., 2024, Du et al., 2020c）。重要的是，接管失败很少源于单一的错误动作；相反，它作为一个因果链过程展开，其中接管过程的任何阶段传递和积累的风险都可能最终导致接管失败（Li et al., 2025, Yu et al., 2023）。因此，理解和预防接管失败需要揭示这一连续接管过程背后的因果机制。

为了对接管过程背后的因果机制进行建模，现有研究大致可分为四个方法论流派：（1）线性因果模型，（2）结构方程模型（SEM），（3）认知因果模型，以及（4）贝叶斯网络。线性因果模型在假设因果方向下估计因素效应，将任务条件或心理生理信号与接管结果（如反应时间和控制质量）联系起来（Alrefaie et al., 2019, Li et al., 2023, Wu et al., 2022），但在捕捉非线性阈值效应方面能力有限。SEM 指定了因素与接管质量之间的多路径关系（Chen et al., 2023b, Gao et al., 2024, Jin et al., 2021, Kaneko and Yamada, 2024），但其推断严重依赖于研究者指定的结构。为了获得更强的机制解释，认知因果模型通过“情境刺激 - 认知状态 - 行为响应”过程来描述接管（Bhattacharyya et al., 2021, Chu et al., 2022, Wang et al., 2026, Wu et al., 2023），但通常依赖于专家假设和校准。贝叶斯网络使用有向无环图建模条件依赖关系并支持概率推断；它们已被应用于半自动驾驶汽车环境中的风险评估和传递（Sheehan et al., 2017）以及自动驾驶行为中经过验证的安全决策（Li et al., 2024b）。

尽管上述方法为研究接管的因果机制提供了有价值的工具，但它们在过程级建模方面的贡献仍然有限。一个关键原因是接管表现出两个显著的结构特征：（1）多模态和时变因素，以及（2）链式因果传播。这些特征共同使得构建面向机制的因果链网络变得困难。一方面，接管涉及异质信息源，如驾驶员状态和环境风险，这些来源是多模态的、高维度的且紧密耦合的（Chen et al., 2024, Chen et al., 2023a, Liang et al., 2021, Zhu et al., 2023）。此外，接管作为一个动态过程展开，在此期间驾驶员生理和情境风险可能在短时间内迅速变化，从而产生强烈的时间依赖性。另一方面，接管失败通常通过渐进的因果链出现：外部刺激触发内部状态响应，进而影响恢复和控制操作，最终形成的操作模式表现为失败结果（Deng et al., 2024, Sch?ffer et al., 2021, Yoon et al., 2021）。因此，主要依赖从接管前条件到接管后表现的直接映射，而忽视中间状态和过程级转换的方法，不足以完全解释接管的因果机制（Chen et al., 2023b, Jin et al., 2021）。

基于接管过程的这些特征，构建接管过程的因果链网络面临三个挑战：因素建模、链构建和网络求解。首先，有效的因素建模必须能够容纳来自驾驶员和环境的、随时间迅速演变的多模态信号（Zhao et al., 2026）。然而，许多现有研究将这一动态过程简化为静态特征或单点指标，从而掩盖了瞬态波动和时间变异性（Chen et al., 2024, Gu et al., 2024, Zhu et al., 2023）。尽管有几项研究尝试使用基于 LSTM 的模型学习时间表示（Bonyani et al., 2023, Greer et al., 2023），但此类循环架构通常是单向的，并且在同时捕捉短期和长期依赖方面仍然有限。其次，链构建需要一个明确的过程中介——即接管反应阶段——而不是将接管视为从接管前状态到接管后结果的直接转换。在自动驾驶中，驾驶员经常采用非驾驶姿势，如低头或将手和脚从控制装置上移开，因此接管必须从运动准备开始（Chen et al., 2021, Sch?ffer et al., 2021, Yoon et al., 2021）。在此基础上，驾驶员随后需要重新获取关键环境线索，重建情境意识，并做出控制决策，形成涉及运动准备、感知归因和认知决策的分阶段反应链（Chai et al., 2024, Huang and Pitts, 2022, Yu et al., 2023）。第三，网络求解因多因素交互、中介路径和时变效应的共存而变得复杂，所有这些使得因果依赖难以识别。例如，尽管一些研究引入接管信任作为中介变量并使用 SEM 估计网络关系，但它们仍然无法明确表示接管响应过程内部的链式反应（Jin et al., 2021）。因此，开发一个支持反向诊断和向前干预的自适应因果链网络仍然是一个主要挑战。

为了解决上述因素建模、链构建和网络求解三个挑战，本研究开发了一种基于动态贝叶斯结构方程的刺激 - 机体 - 反应因果链机制网络（DBSE-SOR C2Net），以表征接管过程的因果机制并支持接管失败链诊断和自适应安全干预（Ma et al., 2025）。由于接管失败作为一个链式过程展开，其中接管前条件影响中间接管反应，随后决定接管后结果，我们将提出的框架建立在刺激 - 机体 - 反应（SOR）认知框架（Wu et al., 2023）之上。具体而言，我们将跨越接管前、接管中和接管后的完整时间序列路径组织为 SOR 结构，其中接管前状态被视为刺激（S），接管反应被视为机体状态（O），接管后表现被视为反应（R）。为了明确捕捉现有研究中经常被忽视的内部中介过程，我们将 O 建模为 S 和 R 之间的关键过程级中介，并进一步将其分解为三个分阶段节点——姿态、感知和认知（PPC），分别对应运动准备、感知重新获取和认知决策。为了解决接管因素的多模态和强烈时变性质，我们进一步为生理和环境时间序列信号构建机制上有意义的多时间尺度表示，使用 TCN 编码反映稳定趋势的长程基线（Ruan and Di, 2022），并使用 Bi-LSTM 捕捉反映瞬态波动的短程扰动（Li et al., 2024a）。在此基础上，我们开发了一个分层 DBSE 求解方案，其中底层测量层通过贝叶斯结构方程建模将多指标观测映射到潜变量构造，而顶层机制层使用概率因果图学习潜因素和 PPC 阶段节点之间的结构依赖和条件关系。通过这种方式，提出的框架提供了一个具有不确定性量化的可解释和可推断的因果链网络，能够实现接管失败链的反向诊断和自适应安全干预的前向推理。最后，通过在一个人在环实验平台上实时部署，验证了所提出网络的有效性。

本工作的主要贡献如下：
•我们提出了一种基于 SOR 的接管失败分析因果链框架，明确将接管反应过程建模为接管前状态和接管后结果之间的关键中介，并将此过程进一步分解为姿态、感知和认知（PPC）阶段，以实现可解释的机制建模。
•我们开发了一种基于 DBSE 的因果网络学习方法，将多时间尺度时间编码与分层动态贝叶斯结构方程求解相结合，能够从多模态和时变观测中以概率可解释性识别接管失败链。
•基于提出的因果链表示和网络学习方法，我们构建 DBSE-SOR C2Net 作为一个统一的概率框架，用于反向失败链诊断和自适应安全干预的前向推理，从而将因果机制分析与面向干预的决策支持联系起来。
•我们通过在一个人在环实验平台上实时部署验证了提出的框架，证明了其在线接管监控和安全干预方面的有效性。

本文的结构如下。第 2 节制定了问题陈述。第 3 节详细阐述了方法论，其中包括 DBSE-SOR C2Net。第 4 节描述了数据收集和实验设置。第 5 节和第 6 节展示了结果和讨论。最后，第 7 节总结全文。

2. 问题制定
2.1. 问题陈述
为了更好地解释和缓解条件自动驾驶应急场景中的接管失败，有必要对接管过程背后的因果机制进行建模。为此，开发了 DBSE-SOR C2Net（图 1）以解决三个耦合任务：（i）链式接管过程的可解释表示，（ii）对其因果路径的不确定性感知概率推理，以及（iii）基于学习网络的失败链诊断和自适应安全干预。

下载：下载高分辨率图像 (938KB)
下载：下载全尺寸图像
图 1. 应急接管失败分析的问题解决流程。

（1）网络元素（SOR 构造和 PPC 阶段反应节点）。为了形式化应急接管的完整失败链，我们采用刺激 - 机体 - 反应（SOR）认知框架，因为其顺序结构直接对应于接管前状态、接管中恢复过程和接管后表现结果。刺激块由潜向量 ??=[??demo,??env,??phys]?表示，其中 Sdemo、Senv 和 Sphys 分别代表静态个体特征、环境风险信息以及动态生理状态。机体块由 ??=[??pos,??per,??cog,??all]?表示，其中 Opos、Oper 和 Ocog 分别代表姿态、感知和认知恢复，而 Oall 表示整体接管反应。反应块由 ??=[??saf,??com,??eff]?表示，代表安全性、舒适性和效率结果。因此，S、O 和 R 表示构成接管前、接管中和接管后因果链的机制级变量，而 s 和 r 表示其相应的观测指标。

（2）网络求解（动态贝叶斯结构方程，DBSE）。为了从多模态、动态时变接管数据中获得对接管因果路径的概率推理，我们采用了一种集成多时间尺度时间编码、潜变量构造的贝叶斯 SEM 测量以及贝叶斯因果图学习的 DBSE 求解方案。

首先，对于每个动态接管前流 u?∈?{envdyn, physdyn} 及其时间序列 ????∈???×????，我们通过将序列分解为长程基线分量和短程扰动分量来推导事件级编码特征。具体而言，编码器产生一个标量事件级摘要
(1)?????????·????,??∈{envdyn,physdyn},
其中 μu 表示长程基线水平，ρu 表示短程扰动幅度。相比之下，静态环境描述符和人口统计变量在标准预处理后作为事件级协变量保留。因此，观测到的接管前向量 s 是由 ??envdyn、??physdyn 和静态协变量拼接而成。时间编码器的细节在第 3.2 节中给出。

然后，使用贝叶斯 SEM 层将多指标观测映射到潜变量构造：
(2)??=??????+???,???～???(??,????),
(3)??=??????+???,???～???(??,????),
其中 ΛS、ΛR 是载荷矩阵，ΨS、ΨR 是残差协方差矩阵。

最后，我们在机制一致的方向 S?→?O?→?R 下学习潜变量构造和 PPC 阶段节点上的贝叶斯因果图（细节见第 3.3 节）。

（3）失败诊断和自适应干预。为了支持失败诊断和自适应干预，我们将提出的 DBSE-SOR C2Net 构建为一个概率因果网络，其分解为
(4)???(??,??,??,??,??∣??,Θ)=???(??∣??)????(??∣??)?∏????∈?????(????∣Pa???(????);????),
其中 ?? 表示 SOR 链中机制级变量的集合。图 G 被限制为满足方向 S?→?O?→?R 的机制一致有向无环图（DAG）。

在这种表述中，接管前状态对接管后结果的影响是通过接管反应阶段 O 介导的。

给定一个接管事件数据集 ??={(??(??),??(??),??(??))}????=1，其中 s(n) 表示第 n 个事件观察到的接管前指标，O(n) 表示观察到的 PPC 阶段反应变量，r(n) 表示观察到的接管后结果指标，模型参数 Θ 以及适用的图结构 G 是通过贝叶斯方式估算的。DBSE-SOR C2Net 中的因果方向受 SOR 机制、接管过程的时间顺序、受控实验设计以及人在环实验证据的约束。在由 S?→?O?→?R 定义的机制一致性图空间内，利用观察数据学习特定的依赖关系并估算其后验参数。学习完成后，提出的模型支持两种概率推理任务：(i) 前向传播，通过 p(R∣s)、p(r∣s) 和 ???(??∣??????(??=??′),??=??) 用于风险预测和干预效果评估，其中 U?{S, O} 表示可操作变量，E 表示对未干预变量的观察证据；以及 (ii) 后向推理，通过 p(S, O∣r) 将退化的接管后结果追溯回上游状态因素和 PPC 阶段瓶颈，从而实现故障链诊断和自适应安全干预。

2.2. DBSE-SOR C2Net 元素的构建

大多数现有研究通过将接管前状态直接映射到接管后性能来建模紧急接管（S?→?R），这支持风险预测，但通常将接管反应视为黑箱，并省略了过程级的中介机制（图 2）。这限制了故障链定位和基于机制的干预。为解决这一差距，我们采用 SOR 框架（Ma et al., 2025），并将接管公式化为机制一致性链条 S?→?O?→?R，其中 O 作为内生接管反应中介。

图 2. 黑箱 S?→?R 建模与基于机制的 S?→?O?→?R 公式化对比示意图。

2.2.1. DBSE-SOR C2Net 元素：S、O 和 R

接管前状态 S 由静态个体特征 Sdemo、环境风险信息 Senv 和动态生理信号 Sphys 组成，而接管后性能结果 R 包括安全性 Rsaf、舒适性 Rcom 和效率 Reff（见表 1）。在表 1 的环境指标中，??1-8env 被视为动态序列并由长短时编码，而 ??9-12env 被保留为事件级描述符并直接拼接为 s。下面详细说明 O 的定义和构建。

表 1. DBSE-SOR C2Net 元素。

| 模块 | 节点 | 向量名称 | 单位 | 来源 |
| :--- | :--- | :--- | :--- | :--- |
| (S) | Senv | ??1-2env 自车速度 (x, y) | m/s | (Chen et al., 2024, So et al., 2021, Wang et al., 2025, You et al., 2025) |
| | | ??3env 交互车辆数量 | veh. | (So et al., 2021, Wang et al., 2025) |
| | | ??4-5env 相对位置 (x, y) | m | (Chen et al., 2024, Wang et al., 2025) |
| | | ??6-7env 最小 TTC (x, y) | s | (Ayoub et al., 2022, Du et al., 2020c, Wu et al., 2022) |
| | | ??8env 交通流量 | | (So et al., 2021, Wang et al., 2025) |
| | | ??9env 场景类型 | | (Chen et al., 2024, Chen et al., 2023a) |
| | | ??10env 次要任务条件 | | (Wandtner et al., 2018, Yoon et al., 2021, Zeeb et al., 2017) |
| | | ??11env TORs 领先时间 | | (Chen et al., 2021, Johns et al., 2017, Roche and Brandenburg, 2018, Roche and Brandenburg, 2019) |
| | | ??12env TORs 模态 | | (Roche and Brandenburg, 2019, Tan and Zhang, 2025, Wu et al., 2022) |
| (S) | Sphys | ??1phys 重心移动距离 | a.u. | (Greer et al., 2023, Rezaei and Azarmi, 2025) |
| | | ??2-3phys 重心位置 (x, y) | a.u. | |
| | | ??4phys 超阈值压力 | a.u. | (Du et al., 2020a, Guo et al., 2023, Zhu et al., 2023) |
| | | ??5phys 压力总和变化 | a.u. | |
| | | ??6phys 压力总和变化率 | a.u./s | |
| | | ??7-8phys 头部姿态 (偏航，俯仰) | deg | (Greer et al., 2023, Rezaei and Azarmi, 2025) |
| | | ??9-10phys 眼睑开度 (左，右) | mm | (Huang et al., 2023, Liang et al., 2021, Wu et al., 2021) |
| | | ??11-12phys 瞳孔直径 (左，右) | mm | |
| | | ??13-14phys 屏幕点 (x, y) | px | (Huang et al., 2023, Liang et al., 2021, Wu et al., 2021) |
| | | ??15phys 足部运动 | a.u. | (Greer et al., 2023, Rezaei and Azarmi, 2025, Zeeb et al., 2017) |
| | | ??16phys 手部运动 | a.u. | |
| (S) | Sdemo | ??1demo 驾驶风格 | | (Chen et al., 2024, So et al., 2021) |
| | | ??2demo 年龄 | year | (Loeb et al., 2019, Ucińska et al., 2021) |
| | | ??3demo 驾驶年限 | year | (Li et al., 2019, Ucińska et al., 2021) |
| | | ??4demo 驾驶里程 | km | (So et al., 2021, Ucińska et al., 2021) |
| (O) | Opos | ??1pos 姿势恢复时间 | s | |
| | Oper | ??1per 感知恢复时间 | s | |
| | Ocog | ??1cog 认知恢复时间 | s | |
| | Oall | ??1all 整体接管时间 | s | (Chen et al., 2024, Huang et al., 2024) |
| (R) | Rsaf | ??1saf 最大加速度 | m/s2 | (Du et al., 2020c, Jin et al., 2021) |
| | | ??2saf 时间偏差 | | (Johns et al., 2017, Johns et al., 2018, Wandtner et al., 2018) |
| | | ??3saf 最小 TTCs | | (Chen et al., 2025, Du et al., 2020c, Lahmer et al., 2018, Wu et al., 2022) |
| | | ??4saf 平均速度 | m/s | (Bourrelly et al., 2019, Pampel et al., 2019) |
| | | ??5saf 碰撞指示器 | | (Li et al., 2019, Meteier et al., 2023, Zeeb et al., 2017) |
| (R) | Rcom | ??1com 最大偏移 | m | (Borojeni et al., 2018, Chen et al., 2025, Jin et al., 2021) |
| | | ??2com 平均加速度 | m/s2 | (Jin et al., 2021) |
| | | ??3com 最大制动力 | N | (Zhang et al., 2019) |
| (R) | Reff | ??1eff 绝对差值 | m | (Chen et al., 2025, Jin et al., 2021) |
| | | ??2eff 脱离危险时间 | | (Han et al., 2026) |

PPC 阶段节点。为了支持机制解释和故障链定位，O 被建模为一个分阶段恢复过程。具体来说，使用可观察的行为和控制事件边界定义三个 PPC 阶段节点，而整体接管反应时间 (Oall) 被保留为机制分析的补充节点。

第一阶段，姿势恢复 (Opos)，描述了驾驶员从非驾驶任务姿势向控制就绪驾驶姿势的过渡。它始于 TORs 出现，结束于驾驶员双手返回方向盘控制区域、双脚到达踏板就绪位置且坐姿变得稳定时。这些边界是使用同步的手部位置和足部位置信号识别的。

第二阶段，感知恢复 (Oper)，捕捉视觉注意力从次要任务到驾驶环境的重定向。它始于驾驶员发起抬头或视线转移运动时，结束于视线稳定固定于驾驶相关区域内。头部姿态和眼动信号共同用于区分稳定的道路场景获取与瞬时的视线转移或短暂的视觉扫描。

第三阶段，认知恢复 (Ocog)，描述了从信息获取到有效控制决策和执行的过程。它始于驾驶员脱离次要任务时，结束于第一次有效的控制动作。在当前的实现中，当转向扭矩超过 (3, N?·?m) 或踏板压力超过 (3, N) 时，识别出有效动作，随后在 (?±?1, N?·?m) 或 (?±?1, N) 内稳定 (Zhou et al., 2021)。整体接管反应时间 (Oall) 定义为从 TORs 出现到第一次有效的手动控制动作。

如图 1(b) 所示，三个阶段是顺序的，但可能部分重叠。通过传感器校准、同步 40-Hz 采集、基于稳定性的检测和异常值去除，减少了测量不确定性，而通过参与个体内的归一化控制了驾驶员特定的变异性。

3. 方法论

3.1. DBSE-SOR C2Net 概述

为了揭示条件自动驾驶中接管失败背后的因果机制，我们开发了一种 DBSE-SOR C2Net，它明确捕捉了接管前状态如何通过接管反应过程传播并表现为接管后性能结果。其核心设计是一种机制约束的分层因果链学习架构，将多模态观察表示与概率机制推断连接起来。如图 3 所示，包含两个模块：(a) 多时间尺度元素编码和 (b) DBSE-SOR C2Net 因果边学习。

• 在模块 (a) 中，我们通过多时间尺度特征分解对动态生理信号和环境风险序列进行编码，处理多模态接管前输入，同时静态人口统计和事件级分类变量被标准化并拼接为辅助协变量。

• 在模块 (b) 中，编码后的观察被集成到一个 DBSE 解决方案中，该方案结合贝叶斯 SEM 测量层与贝叶斯因果图学习，从而估算可解释的因果依赖关系。

图 3. DBSE-SOR C2Net 的两步解决方案：元素编码和因果边学习。

以下章节详细说明了这两个模块。“动态”一词是指时变的接管前信号首先通过长短时编码转换为事件级摘要，然后进行贝叶斯 SEM 测量和因果图学习。

3.2. 长短时编码与特征融合

为了表征 TORs 前多模态信号中的稳定趋势和瞬态变化，我们为每个动态模态 u?∈?{envdyn, physdyn} 设计了一个统一的长短时编码。给定接管前序列 ????∈???×????，其中 T 表示观察窗口内的时间步数（20 秒窗口为 T=400）且 mu 是模态 u 的特征维度，编码将输入分解为长期基线和短期扰动分量。

通过 TCN 进行长期基线编码。我们初始化 ??(0)??=???? 并使用具有 L 个空洞残差块的时间卷积网络 (TCN) 来捕捉长程时间依赖。第 l 个残差块，具有空洞率 dl 和核宽度 k，公式化为

(5) ??(??)??=??(???1)??+???(??(??)??,2*???????(??(??)??,1*??????(???1)??+??(??)??,1)+??(??)??,2), ??=1,?,??,

其中 *???? 表示 1D 空洞卷积，且 ?(?·?) 是非线性激活函数。最终输出 ??(??)??∈???×???? 提供了模态 u 的缓慢变化、长水平基线表示。

为了获得标量基线通道，我们对 TCN 输出应用一维投影：

(6) ???????(??)??????(??(??)???(??)), ??=1,?,??,

其中 πu(?·?) 表示可学习投影。然后我们计算最终时间窗口的平均值作为基线水平：

(7) ??????????(??????)=1|??|?∑??∈?????????(??),

其中 W 表示最终时间窗口的索引集。

通过 BiLSTM 进行短期扰动编码。接管前状态也可能涉及在时间上局部化的显著瞬态波动。为了分离这种短期扰动，我们构建相对于长水平基线表示的偏差序列：

(8) ?????(??)=?????(??)??????(??(??)???(??)), ??=1,?,??,

其中 ψu(?·?) 将 TCN 输出映射回模态 u 的输入空间。然后将偏差序列 Eu 输入到双向 LSTM 中以编码短期时间动态：

(9) ????,??=[→????,??;←????,??]=[←←←←←←←←→LSTM???(?????(??));←←←←←←←←←LSTM???(?????(??))]∈????,

其中 →????,?? 和 ←????,?? 表示前向和后向隐藏状态。我们进一步将双向隐藏状态投影到标量扰动通道：

(10) ???????(??)??????(????,??), ??=1,?,??,

其中 ηu(?·?) 是可学习的一维投影。

长短特征融合（基线 × 扰动）。对于每个动态模态，编码器通过结合其基线水平和扰动幅度产生标量事件级表示。具体来说，我们通过短期和长期标量通道之间的均方根偏差来量化扰动幅度：

(11) ?????√1???∑????=1(???????(??)????????(??))2,

而基线水平由 (7) 中的尾部窗口平均值 μu 给出。在使用训练集统计量进行标准化后，融合的事件级指标通过乘法耦合定义：

(12) ?????????·????, ??∈{envdyn,physdyn}.

静态协变量预处理。在贝叶斯 SEM 测量之前，静态人口统计变量和事件级分类描述符被预处理为事件级协变量。具体来说，分类变量被独热编码，数值变量被标准化，所有静态协变量与编码后的动态摘要拼接形成观察到的接管前向量 s。多时间尺度时间编码器的详细架构、训练和预处理设置见附录 B（B 节）。

3.3. DBSE-SOR C2Net 因果边学习

为了在统一的概率框架内实现机制可解释建模、故障链推理和自适应安全干预，DBSE-SOR C2Net 采用分层学习策略。具体来说，底层采用贝叶斯 SEM 将多模态和多指标观察融合为机制一致性潜在结构（见 3.3.1 节），而顶层在潜在状态/结果块、PPC 阶段节点以及派生的补充节点 Oall 上学习概率因果图，从而捕捉接管前状态、分阶段接管恢复、整体接管反应和接管后性能结果之间的因果依赖关系（见 3.3.2 节，图 4）。这种分层设计避免了直接将高维噪声指标注入因果图，并明确量化了不确定性，以实现鲁棒的后向诊断和前向干预（见 3.3.3 节）。

图 4. 分层因果边学习：贝叶斯 SEM 测量层和贝叶斯网络机制层。

3.3.1. 底层：贝叶斯 SEM 测量

在接管场景中，接管前状态和接管后结果都由异构指标表征，这些指标在尺度、噪声水平和缺失模式上各不相同。令 ??∈??? 表示接管前观察向量，??∈??? 表示接管后性能观察向量，指标定义见表 1。为了将这些观察指标映射到机制一致性潜在结构，同时明确量化测量不确定性，我们采用贝叶斯 SEM 公式化：

(13) ??=???????+????,????～???(??,????), ??=???????+????,????～???(??,????),

其中 ΛS 和 ΛR 是载荷矩阵，ΨS 和 ΨR 是残差协方差矩阵。

载荷矩阵规定了每个观察指标如何贡献于其对应的潜在结构，而残差协方差矩阵考虑了指标特定的噪声和未建模的相关性。为了实现不确定性感知估算，我们对测量参数施加弱信息先验：

(14) vec?(????)～???(??,??2Λ???),????～InvWishart?(????,????), vec?(????)～???(??,??2Λ???),????～InvWishart?(????,????).

3.3.2. 顶层：贝叶斯网络因果边学习

在贝叶斯 SEM 之上，DBSE-SOR C2Net 引入 PPC 阶段节点作为显式的过程级中介（图 3），并在机制变量上学习贝叶斯网络。令 ?? 表示 SOR 链中的机制变量集，包括潜在状态/结果块、PPC 阶段节点和派生的补充过程节点 Oall。我们用有向无环图 (DAG) G 表示它们的依赖结构，并用局部条件参数 Θ 表征每个有向边。机制层分解为

(15) ???(??∣??,Θ)=∏????∈?????(????∣Pa???(????);????),

其中 PaG(Vi) 表示 G 中节点 Vi 的父集，θi 参数化其局部条件机制。

局部机制参数化。对于连续机制变量，我们采用线性高斯条件机制，以产生具有不确定性的可解释边强度：

(16) ???(????∣Pa???(????);????)=???(????;????????Pa?(??),??2??), ????={????,??2??},

其中 vPa(i) 堆叠 Vi 的父变量。

在此，$\beta_i$ 捕捉因果影响的方向和强度（即边效应），而 $\sigma^2_i$ 量化局部机制不确定性。**机制一致的结构先验。** 为了确保学习到的图与 SOR 语义以及图 3 中的 PPC 阶段流程链一致，我们将机制一致性编码为结构约束和稀疏性先验：
(17) $p(G) \propto \mathbb{I}[G \in \mathcal{G}_{SOR}] \cdot \exp(-\lambda |E_G|)$
其中 $\mathcal{G}_{SOR}$ 表示满足 SOR 方向的允许 DAG（有向无环图）集合、PPC 阶段排序约束以及 Oall 作为阶段性恢复下游的派生补充汇总节点的允许角色，$E_G$ 是 G 的边集，$\lambda > 0$ 控制稀疏性以避免在样本有限的情况下过拟合。**结构和参数学习。** 给定事件级数据 $\mathcal{D}$，通过最大化后验进行结构学习：
(18) $G^* = \arg\max_G p(G|\mathcal{D}) = \arg\max_G p(\mathcal{D}|G)p(G)$
随后在已知结构下进行贝叶斯参数估计：
(19) $p(\Theta|\mathcal{D}, G) \propto p(\mathcal{D}|\Theta, G)p(\Theta)$
这为后续的推理任务提供了后验边效应估计和不确定性。**3.3.3. 概率推理与应用**
为了在统一的概率框架下支持机制感知的推理，DBSE-SOR C2Net 实现了两个后学习应用：接管失败链的反向诊断和自适应安全干预的前向评估。特别是，它可以追溯退化的接管后结果回到上游的 PPC 阶段瓶颈和接管前状态因素，同时量化针对状态或阶段的干预对接管后性能的潜在影响。**反向故障链诊断（结果 → 过程 → 状态）。** 当观察到退化结果 $r$ 时，可以通过后验推理推断上游瓶颈及其潜在原因：
(20) $p(S, O|r, G, \Theta) \propto \int p(r|R)p(S, O, R|G, \Theta)dR$
特别地，可以通过比较后验信念如 $p(O_{pos}|r)$、$p(O_{per}|r)$ 和 $p(O_{cog}|r)$ 来定位瓶颈 PPC 阶段，从而得出可解释的故障链，将接管过程断裂的位置与导致失败的上游状态因素联系起来。**前向自适应干预（用于安全分析的 do 算子）。** 对于可操作的子集 $U \subseteq \{S, O\}$，例如针对特定 PPC 阶段节点的阶段性辅助，通过以下公式评估干预对接管后结果的影响：
(21) $p(R|do(U=u'), E=e, G, \Theta), \quad U \subseteq \{S, O\}$
此外，可以通过最小化期望风险目标来选择自适应干预：
(22) $u^* = \arg\min_{u' \in \mathcal{U}} \mathbb{E}[\mathcal{L}(R)|do(U=u'), E=e, G, \Theta]$
其中 $\mathcal{L}(\cdot)$ 表示以安全为中心的损失函数。因此，DBSE-SOR C2Net 不仅提供了机制一致的接管失败解释，还为风险感知和阶段性自适应安全干预提供了原则性基础。**4. 数据收集与实验设置**
为了系统地研究条件自动化驾驶中紧急接管背后的因果传播机制，本研究关注从接管前状态到接管反应，进而到接管后性能结果的转换。为了支持 DBSE-SOR C2Net 的开发和验证，我们建立了一个具有同步多模态感知的高保真人在环实验平台。该平台记录驾驶行为、环境风险信息以及驾驶员的多模态生理信号，从而涵盖接管前刺激状态（S）、分阶段的接管反应过程（O）以及多维度的接管后性能结果（R）。所得到的数据集（n=41）为随后的因果链推断、基于机制的分析以及自适应干预策略的验证提供了经验基础。**4.1. 人在环实验平台**
在软件层面，使用集成了 RoadRunner、CARLA (v0.9.15) 和 Unreal Engine 的耦合仿真框架构建紧急接管场景。选择典型的高风险高速公路施工区作为紧急接管场景 (Coyne et al., 2023)，其中明确建模了车道变窄、工作区护栏和周围交通干扰。为了模拟不同水平的风险压力，通过改变交通流量密度生成了多个代表性子场景。具体而言，采用了 2.25 秒、2.0 秒和 1.75 秒三种时间车头时距设置 (Siebert and Wallis, 2019)，这增加了场景多样性，同时减轻了因重复参与造成的学习效应。
在硬件层面，建立了一个多模态、非侵入式的生理和行为感知系统，以构建接管前驾驶员生理状态 $S_{phys}$（图 5）。该系统在整个接管过程中同步捕捉动态驾驶员状态。它集成了六自由度眼动追踪系统，用于记录注视转移、瞳孔动态和头部姿态信息。安装在仪表盘和脚窝区域的深度相机用于提取手至方向盘和脚至踏板的运动位置线索。此外，座椅压力传感器阵列连续测量压力分布、压力重心位置和重心运动轨迹。所有传感器流通过中央控制模块进行时间同步，并以统一的 40 Hz 采样率记录，确保多源信号之间有一致的时间参考。
图 5. 用于基于 SOR 的接管建模的多模态感知人在环实验平台。
该实验平台进一步集成了辅助感知和交互设备，以支持环境风险状态 $S_{env}$ 和接管后结果变量 R 的构建。安装在油门和制动踏板上的压力传感器用于捕捉踏板操作时机、力变化和操quantity。安装在方向盘上的惯性或动作捕捉传感器记录方向盘角度、角速度和操作起始时间。此外，中央人机交互界面 (HMI) 用于展示 TORs（接管请求）信息并控制 TORs 的触发时机和显示格式。**4.2. 实验变量设计**
实验变量设计侧重于影响紧急接管行为的关键因素。系统地操纵了三个变量，包括次要任务类型、TORs 提前时间和 TORs 策略，以构建多样化的接管场景组合（图 6）。
图 6. 紧急接管场景的实验变量设计。**次要任务。** 引入四种次要任务条件以操纵接管前驾驶员的认知参与度 (Yoon et al., 2021)。遵循多重资源理论，任务按认知沉浸度从低到高排序如下：无次要任务（仅道路监控）、低沉浸任务（观看平板视频）、中沉浸任务（玩 2048 手机游戏）和高沉浸任务（阅读书籍）。**TORs 提前时间和策略。** 为了模拟具有不同时间紧迫性水平的接管情况，定义了四个 TORs 提前时间水平，即 4 秒、6 秒、8 秒和 10 秒 (Gold et al., 2018)。
在 TORs 设计方面，基于先前的实证发现关于警报强度、模态配置和语义信息内容 (Li et al., 2023)，构建了八个代表性 TORs。从基线 TORs 开始，策略在声学强度和频率、听觉与视听模态配置以及是否存在与风险相关的语义信息维度上进行了系统扩展。**4.3. 实验程序与参与者**
本研究采用基于 $L_{32}(8^{14^2})$ 阵列的混合正交实验设计，将八个 TORs、四个 TORs 提前时间和四种次要任务类型系统地组合成 32 个实验试验，实现了对主效应和关键交互作用的均衡覆盖。在此设计下，32 种接管配置随机嵌入到三个预定义的子场景中，并采用拉丁方方案对参与者间的试验顺序进行平衡，从而减轻潜在的顺序和学习效应。每次实验会话开始于知情同意，随后是座椅调整和安装及校准多模态感知设备，包括眼动仪、深度相机和座椅压力传感器。随后进行练习试验，以便参与者在正式数据收集前熟悉系统操作和实验程序（图 7）。
图 7. 分块实验程序。
我们招募了 41 名年龄在 20 至 35 岁之间的参与者（25 名男性和 16 名女性；$M=23.05$ 岁，$SD=2.11$），具有多样化的教育背景。每位参与者完成了 32 次接管试验，产生了 1312 次试验级接管观察。参与者样本超过了使用集群稳健分析功效、参数化集群蒙特卡洛模拟和贝叶斯保证分析（第 A 节附录 A）估计的主要结构路径的最大保守需求 30。所有参与者均持有有效驾驶执照，报告的平均驾驶经验为 3.60 年，平均终身驾驶里程为 33,520.92 公里。为了确保实验期间的充分警觉性，指示参与者在测试前 24 小时内保持规律睡眠和休息，并避免饮酒和剧烈体育锻炼。研究方案经同济大学教育部道路与交通工程重点实验室批准，并在所有参与者参与前获得了书面知情同意。**5. 结果**
本节首先展示推断的分层因果结构，包括顶层潜在依赖关系和底层指标重要性排名（第 5.1 节）。然后报告故障链诊断的反向推理结果（第 5.2 节）。**5.1. DBSE-SOR C2Net：分层因果结构推断**
**顶层潜在 S-O 和 O-R 依赖特征分析。** 为了验证网络学习到的顺序与 SOR 框架隐含的链式传播顺序一致，我们对 $S-O$ 和 $O-R$ 子图（图 8）进行因果度分析。基于学习到的有向依赖关系，每个节点通过其影响度 R 和被影响度 C 进行量化，我们进一步计算中心性 $m=R+C$ 和因果性 $u=R-C$（图 8）。据此，我们基于 u 的符号对节点角色进行分类：如果 $u > 0$，节点被识别为原因因素；如果 $u < 0$，节点被识别为效应因素。
图 8. DBSE-SOR C2Net 中顶层依赖关系的因果度特征分析，包括补充过程节点 Oall。（a）状态到过程子图。（b）过程到结果子图。
如表 2 总结所示，在 S-O 子图中，三个接管前状态块始终被归类为原因因素，包括生理状态块（$S_{phys}$）（例如，$R=6.370$ 和 $u=5.814$）。相比之下，接管过程节点在 $S-O$ 中被归类为效应因素。例如，感知恢复时间（$O_{per}$）和认知恢复时间（$O_{cog}$）表现出高中心性（$m=18.192$ 和 $m=18.489$）（表 2）。转向 $O-R$ 子图，表 3 显示 PPC 阶段节点变为原因因素，例如因果性 $u=1.089$ 的认知恢复时间（$O_{cog}$），而接管后结果被归类为效应因素，例如因果性 $u=-1.498$ 的安全结果（$R_{saf}$）。
**S 和 R 块内的观测变量重要性分析。** 为了增强 S 和 R 块内的可解释性，我们总结了与每个潜在构念相关的观测变量的相对重要性（图 9）。这些结果提供了描述性观点，表明哪些观测变量对相应的状态和结果块的贡献最强。
表 2. 潜在 $S \to O$ 依赖关系的因果度结果。
| 符号 | R | C | m | u | 角色 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| $S_{phys}$ | 6.370 | 0.556 | 6.927 | 5.814 | 原因 |
| $S_{demo}$ | 4.973 | 0.700 | 5.672 | 4.273 | 原因 |
| $S_{env}$ | 3.581 | 0.455 | 4.036 | 3.126 | 原因 |
| $O_{all}$ | 0.839 | 1.594 | 2.433 | -0.755 | 效应 |
| $O_{pos}$ | 1.688 | 3.533 | 5.221 | -1.844 | 效应 |
| $O_{per}$ | 6.493 | 11.700 | 18.192 | -5.207 | 效应 |
| $O_{cog}$ | 6.541 | 11.948 | 18.489 | -5.406 | 效应 |

表 3. 潜在 $O \to R$ 依赖关系的因果度结果。
| 符号 | R | C | m | u | 角色 |
| :--- | :--- | :--- | :--- | :--- | :--- |
| $O_{cog}$ | 2.147 | 1.058 | 3.204 | 1.089 | 原因 |
| $O_{per}$ | 2.116 | 1.040 | 3.156 | 1.077 | 原因 |
| $O_{pos}$ | 0.910 | 0.280 | 1.190 | 0.631 | 原因 |
| $O_{all}$ | 0.601 | 0.146 | 0.747 | 0.455 | 原因 |
| $R_{com}$ | 0.131 | 0.757 | 0.888 | -0.627 | 效应 |
| $R_{eff}$ | 0.264 | 1.391 | 1.656 | -1.127 | 效应 |
| $R_{saf}$ | 0.224 | 1.722 | 1.946 | -1.498 | 效应 |

图 9. S 和 R 块内的观测变量重要性排名。
如图 9 所示，环境风险块（$S_{env}$）主要由场景类型（$S_{9env}$, Est.=?1.000）和 TORs 提前时间（$S_{11env}$, Est.=1.000）捕捉。对于动态生理块（$S_{phys}$），最强的贡献者是压力总和变化率（$S_{6phys}$, Est.=0.999）和压力总和变化（$S_{5phys}$, Est.=0.968）。对于静态个体特征块（$S_{demo}$），最显著的指标是年龄（$S_{2demo}$, Est.=0.902）和驾驶年限（$S_{3demo}$, Est.=0.788）。在性能结果方面，安全（$R_{saf}$）最直接反映在碰撞（$R_{5saf}$, Est.=0.777）和横向偏移时间（$R_{2saf}$, Est.=0.759）上；舒适（$R_{com}$）主要由平均加速度（$R_{2com}$, Est.=?0.704）和最大制动（$R_{3com}$, Est.=0.704）捕捉；效率（$R_{eff}$）主要由绝对差值（$R_{1eff}$, Est.=?0.274）和脱离危险时间（$R_{2eff}$, Est.=0.274）代表。
**分层两层解决方案。** 图 E.1 和表 E.1（第 E 节附录 E）报告了 DBSE-SOR C2Net 的完整分层解决方案，分别展示了顶层潜在因果图和底层贝叶斯结构方程模型测量链接。
如图 E.1 所示，认知恢复时间到整体接管反应时间的影响是强且显著的（例如，$O_{cog} \to O_{all}$，Est.=0.939，$p < .001$），阶段到结果的链接提供了安全性、舒适性和效率评估的量化敏感性。在测量层，表 E.1 显示大多数指标表现出统计显著贡献，特别是 TORs 提前时间（$S_{11env}$）、场景类型（$S_{9env}$）、压力总和变化率（$S_{6phys}$）和年龄（$S_{2demo}$）具有主导效应，以及安全结果的碰撞指标（$R_{5saf}$）。**5.2. DBSE-SOR C2Net：故障链诊断的反向推断**
**O 层优势比与敏感性分析。** 为了量化分阶段的接管过程节点如何对碰撞风险作出贡献，并定位最相关的风险链接以便随后的故障链诊断，我们对恢复的 O 层机制进行基于优势比的效果分析。具体而言，对于每个候选链接，我们估计其对碰撞指标 $R_{5saf}$ 的优势比效果（OR）并报告相关的敏感性，其中 OR > 1 表示碰撞几率增加，OR < 1 表示碰撞几率减少；统计显著性使用相应的 p 值进行评估。
图 10 (a) 说明 PPC 阶段节点在碰撞风险上的优势比效果存在显著差异。特别地，认知恢复时间（$O_{cog}$）显示出与碰撞的最强风险放大关联（OR ? 1，$p < .001$），其次是姿势恢复时间（$O_{pos}$），而其他链接表现出相对较小的效果。图 10(a) 还总结了 O 层节点之间的优势比效果，突出了共同塑造整体接管反应时间及其下游碰撞风险的关键阶段间依赖关系。

此外，图 10(b1)-(b4) 量化了代表性观测到的 S 指标如何调节每个接管阶段，提供了上游影响证据，支持随后对高风险故障链的向后推理。下载：下载高分辨率图像 (542KB) 下载：下载全尺寸图像 图 10. 故障链效应的优势比和敏感性分析。(a) 顶层过程节点 O 之间的优势比效应及其对碰撞 ($R_{5saf}$) 的影响。(b1-b4) 关键观测到的 S 指标对接管过程节点 O（姿态、感知、认知和整体反应阶段）的优势比效应。S 因子在故障链中的频率和显著性。为了总结哪些上游 S 侧观测变量最常涉及高风险碰撞故障链，并评估它们的状态分布是否非随机，我们分析了在检索到的高风险链中选定的离散化 S 侧指标（低/中/高）的出现模式。报告的变量对应于最频繁或统计上显著的上游因子。如表 4 所示，多个上游变量表现出高度偏斜的状态占据率且具有强统计显著性，表明它们在高风险链中是系统性集中的，而非偶然出现。在环境方面，几乎只在低状态下观察到 TORs 领先时间 $S_{11env}$（1.000/0.000/0.000, p < .001），而交通流量 $S_{8env}$ 和 TORs 模态 $S_{12env}$ 显示出向高状态的显著富集（例如，在高状态下分别为 0.655 和 0.571，均 p < .001）。在生理方面，几个指标同样偏向高状态，包括 $S_{3phys}$ 和 $S_{4phys}$（高状态 = 0.889 和 0.667，均 p < .001）。对于静态个体特征，驾驶风格 $S_{1demo}$ 集中在低状态（0.857/0.143/0.000, p < .01），驾驶经验 $S_{4demo}$ 显示出向高状态的显著富集（高状态 = 0.667, p < .001）。高风险故障链。为了具体实例化向后诊断结果并揭示导致碰撞的代表性高风险传播模式，我们检索了具有较高碰撞率的最频繁故障链模板。具体来说，我们在离散化的上游状态（高/低）下枚举 $S-O-R$ 路径配置，并选择那些 (i) 满足学习到的因果顺序，(ii) 包含统计支持的链接，以及 (iii) 产生高经验碰撞率的链。表 4. 高风险碰撞链中选定的上游 S 侧变量的状态频率分布。| 变量 | 低 | 中 | 高 | P 值 | 变量 | 低 | 中 | 高 | P 值 || :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- || $S_{11env}$ | 1.000 | 0.000 | 0.000 | *** | $S_{14phys}$ | 0.273 | 0.273 | 0.455 | 0.664 || $S_{8env}$ | 0.000 | 0.345 | 0.655 | *** | $S_{10phys}$ | 0.300 | 0.100 | 0.600 | 0.429 || $S_{3phys}$ | 0.056 | 0.056 | 0.889 | *** | $S_{11phys}$ | 0.100 | 0.400 | 0.500 | 0.108 || $S_{4phys}$ | 0.056 | 0.278 | 0.667 | *** | $S_{5env}$ | 0.200 | 0.500 | 0.300 | * || $S_{7env}$ | 0.059 | 0.353 | 0.588 | ** | $S_{10env}$ | 0.000 | 0.200 | 0.800 | ** || $S_{12phys}$ | 0.188 | 0.313 | 0.500 | 0.205 | $S_{16phys}$ | 0.000 | 0.333 | 0.667 | * || $S_{13phys}$ | 0.250 | 0.313 | 0.438 | 0.379 | $S_{6phys}$ | 0.111 | 0.333 | 0.556 | 0.202 || $S_{6env}$ | 0.067 | 0.133 | 0.800 | *** | $S_{4env}$ | 0.222 | 0.222 | 0.556 | 0.533 || $S_{12env}$ | 0.143 | 0.286 | 0.571 | *** | $S_{4demo}$ | 0.111 | 0.222 | 0.667 | *** || $S_{8phys}$ | 0.286 | 0.143 | 0.571 | *** | $S_{7phys}$ | 0.375 | 0.125 | 0.500 | * || $S_{2phys}$ | 0.231 | 0.308 | 0.462 | * | $S_{2demo}$ | 0.500 | 0.375 | 0.125 | 0.232 || $S_{5phys}$ | 0.308 | 0.185 | 0.508 | 0.258 | $S_{3demo}$ | 0.625 | 0.375 | 0.000 | * || $S_{2env}$ | 0.062 | 0.385 | 0.554 | 0.120 | $S_{1demo}$ | 0.857 | 0.143 | 0.000 | ** || $S_{1phys}$ | 0.167 | 0.333 | 0.500 | 0.227 | $S_{12phys}$ | 0.167 | 0.167 | 0.667 | ** || $S_{15phys}$ | 0.250 | 0.333 | 0.417 | 0.420 | $S_{1env}$ | 0.333 | 0.250 | 0.417 | 0.862 |图 11 显示了几个反复出现的高风险模板，其中上游环境条件与驾驶员状态条件结合，延长了 PPC 阶段恢复时间，并传播至碰撞 ($R_{5saf}$)。第一种主导模式是时间压力驱动链：在短 TORs 领先时间 ($S_{11env}$) 下，姿态恢复时间变得延长 ($O_{pos}$ 高)，随后是感知和认知恢复时间异常压缩（例如，$O_{per}$ 低），最终导致接近饱和的碰撞率（图 11 中排名靠前的模板）。第二种模式是认知瓶颈链：即使认知阶段持续时间本身较短 ($O_{cog}$ 低)，整体接管反应时间仍然较长 ($O_{all}$ 高)，表明有效控制完成延迟；这种“$O_{cog}$ 短但 $O_{all}$ 长”的配置在高碰撞概率的高风险模板中反复出现。第三种模式是多阶段延长链，其中姿态和感知恢复阶段同时延长 ($O_{pos}$ 高且 $O_{per}$ 高)，通过在有效控制前的累积延迟放大下游碰撞可能性。下载：下载高分辨率图像 (485KB) 下载：下载全尺寸图像 图 11. 检索到的高风险 $S-O-R$ 故障链模板及碰撞率。除了环境触发因素外，高风险链还涉及生理和特征相关的上游条件。例如，与异常压力动态 ($S_{6phys}$，压力总和变化率) 相关的链通常通过认知和整体恢复阶段 ($O_{cog}$ 和 $O_{all}$) 传播，并对应高碰撞率，表明分散注意力的交互和运动准备不稳定性可以增加故障链风险。此外，如驾驶年限 ($S_{3demo}$) 等静态个体特征可以作为某些高风险模板中的上游条件出现，表明不同驾驶员群体之间存在异质性易感性。驾驶员状态混淆分析。为了进一步检查潜在的驾驶员状态混淆，我们基于瞳孔直径特征构建了接管前疲劳代理变量 $D_{fat}$(Ahlstr?m 等，2021) 和基于姿态及视线特征的分心代理变量 $D_{dist}$(Zhao 等，2024)。如图 12 所示，在标准 TORs 和增强 TORs 条件下，碰撞事件通常表现出比非碰撞事件更高的 $D_{fat}$ 和 $D_{dist}$ 值。Kruskal-Wallis 检验对 $D_{fat}$ (p=0.0015) 和 $D_{dist}$ (p=0.0030) 均显著；在族系校正后 (p_{adj}=0.0090) 和全局 Benjamini-Hochberg 校正后 (q=0.0270 和 q=0.0405) 仍然显著。这些结果支持在因果链分析中包含动态驾驶员状态变量。下载：下载高分辨率图像 (543KB) 下载：下载全尺寸图像 图 12. 在 (a) 标准 TORs 和 (b) 增强 TORs 条件下，碰撞和非碰撞事件的接管前疲劳和分心指标分布。6. 讨论为了验证学习到的 DBSE-SOR C2Net 的实际适用性，本节展示了提出的两阶段干预机制及其在线闭环验证。6.1 节介绍了实时干预流程，而 6.2 节报告了与 12 名驾驶员进行在线部署后获得的人机环实验结果，包括自适应 TORs 增强的有效性和基于 MRM 干预的安全效益。6.1. 通过向前传播进行自适应在线干预遵循公式 (21)，核心思想是实时估计 $S \rightarrow O \rightarrow R$ 链上的碰撞风险，并通过两阶段干预策略中断故障传播。在第一阶段，从实时观测中在线推断与上游接管前状态相关的风险，以自适应增强 TORs，从而通过状态到过程 ($S \rightarrow O$) 干预改善随后的接管反应过程。在第二阶段，接管启动后，实时连续监控 PPC 阶段恢复过程以评估下游结果风险。当检测到恢复不足时，通过最小风险策略 (MRM) 激活过程到结果 ($O \rightarrow R$) 干预。两阶段自适应干预。我们实施了一种与学习到的因果传播链相一致的两阶段自适应干预机制。在第一阶段，系统通过适应其呈现方式（例如，声学强度和语义视听线索）于当前上游风险条件，在接管前增强 TORs（图 13b）。在第二阶段，接管启动后，系统在线监控 PPC 阶段恢复过程。当检测到持续高风险恢复模式时，它会升级为 MRM（例如，靠边停车）以防止故障传播至碰撞（图 13c）。如果没有触发升级，驾驶员在成功接管后继续正常的风险规避操作（图 13d）。接管前上游 2D 风险推断用于自适应 TORs 增强。设 $s$ 表示用于在线推断的当前可观测上下文证据，包括多模态指标和必要的个体特征上下文。为了专注于碰撞风险，我们用碰撞指标 $R_{5saf} \in \{0,1\}$ 实例化公式 (21) 中的 $R$，并通过干预环境和生理状态块 ($U \subseteq S$) 计算两个上游风险分数：(23) $\text{risk}_{env}(\mathbf{s}) \triangleq p(R_{5saf}=1 \mid do(S_{env}=s'_{env}), \mathbf{s}),$(24) $\text{risk}_{phys}(\mathbf{s}) \triangleq p(R_{5saf}=1 \mid do(S_{phys}=s'_{phys}), \mathbf{s}).$这里，$s'_{env}$ 和 $s'_{phys}$ 表示从实时环境和生理证据中估计的当前推断上游状态水平。生成的 2D 上游风险向量 $(\text{risk}_{env}, \text{risk}_{phys})$ 随后用于选择风险匹配的 TORs 增强策略，例如，当推断风险表明准备不足或环境威胁升高时，增加声学强度并添加语义信息丰富的视听线索（图 13a-b）。这样，第一步干预旨在减少下游 PPC 阶段延迟。下载：下载高分辨率图像 (847KB) 下载：下载全尺寸图像 图 13. 在线闭环安全干预流程。接管后 PPC 阶段监控和升级至 MRM。接管启动后，DBSE-SOR C2Net 连续监控 PPC 阶段恢复过程，使用在线分阶段反应时间证据。为了确定正在进行的过程是否已进入高风险模式，我们在 PPC 阶段节点 ($U \subseteq O$) 的干预下评估碰撞风险，并采用任意阶段风险标准：(25) $\text{risk}_{ppc}(\mathbf{s}) \triangleq \max_{k \in \{pos, per, cog\}} p(R_{5saf}=1 \mid do(O_k=o'_k), \mathbf{s}),$其中 $o'_k$ 表示 PPC 阶段 $k$ 的当前观测恢复水平。因为 $\text{risk}_{env}$, $\text{risk}_{phys}$ 和 $\text{risk}_{ppc}$ 是后验碰撞概率，所以先验固定 0.5 作为对称决策成本下的中性概率决策边界；它不是使用在线验证结果进行微调或优化的。因此，当任一上游风险超过 0.5 时激活自适应 TORs 增强，而当 $\text{risk}_{ppc} > 0.5$ 时激活 MRM 升级。当 $\text{risk}_{ppc}(s)$ 超过预定义的安全阈值时，系统从 TORs 增强升级为 MRM，从而用受控的最小风险轨迹替代自然过程演变，并在碰撞前切断故障链（图 13c）。否则，不触发 MRM，驾驶员完成接管并继续正常的风险规避操作（图 13d）。6.2. 验证结果在遵循前述章节中描述的 DBSE-SOR C2Net 离线学习和校准后，本节评估了其在线闭环部署在人机环接管实验中的实际有效性。对照组采用常规 TORs，而实验组使用在线 DBSE-SOR C2Net 框架，包含自适应 TORs 增强、实时 PPC 阶段监控和 MRM 干预。验证侧重于三个方面：(1) 两组是否暴露于可比的上游风险条件，从而确保公平的实验比较；(2) 自适应 TORs 增强是否改善了 PPC 阶段和整体接管反应性能；以及 (3) 实时 PPC 阶段监控和 MRM 激活是否减少了碰撞结果。首先，检查了两组之间上游风险暴露的可比性，以确保后续干预比较的公平基础。如图 14 所示，实验组和对照组之间的 $\text{risk}_{env}$ 和 $\text{risk}_{phys}$ 联合分布高度一致。Jensen-Shannon 散度分别为 $\text{risk}_{env}$ 的 0.095 和 $\text{risk}_{phys}$ 的 0.043，表明两组暴露于高度相似的接管前风险条件。因此，随后的性能差异可主要归因于提出的干预策略，而不是场景难度的系统性差异。下载：下载高分辨率图像 (313KB) 下载：下载全尺寸图像 图 14. 实验组和对照组之间上游环境和驾驶员状态风险的分布一致性。二维平面由 $\text{risk}_{env}$ 和 $\text{risk}_{phys}$ 组成。$\text{risk}_{env} > 0.5$、$\text{risk}_{phys} > 0.5$ 或两者的样本被突出显示为自适应 TORs 增强的触发区域。其次，通过接管反应性能评估了自适应 TORs 增强的有效性。如图 15 所示，实验组通常实现了比对照组更短的接管反应时间。具体而言，第一阶段反应时间从 1.66 秒减少到 1.55 秒。第二阶段反应时间从 0.45 秒减少到 0.38 秒，显示出统计学上的显著改善。第三阶段反应时间进一步从 1.46 秒减少到 1.01 秒，差异更加明显。相应地，整体反应时间从 3.02 秒减少到 2.71 秒。这些结果表明，提出的干预主要改善了中后期接管恢复过程，尤其是感知和认知恢复阶段。下载：下载高分辨率图像 (362KB) 下载：下载全尺寸图像 图 15. 建筑区场景中对照组和实验组之间分阶段及整体接管反应时间的比较。面板 (a)-(d) 对应第一阶段、第二阶段、第三阶段和整体反应时间。第三，通过在线 PPC 阶段风险监控和 MRM 激活评估了下游实时干预策略的有效性。在每次实验试验中，当 $\text{risk}_{ppc} > 0.5$ 时，在线系统激活 MRM 以中断高风险传播链。如表 5 总结所示，五次实验试验 (E3-E7) 超过了 MRM 阈值，且在 MRM 激活后均避免了碰撞。相比之下，六次对照试验 (C7-C12) 的 $\text{risk}_{ppc} > 0.5$，在常规策略下均导致碰撞。总体而言，碰撞案例从对照组的 8/12 减少到实验组的 2/12，对应 75% 的相对减少。实验组中剩余的两个碰撞案例 (E1 和 E2) 发生在非升级试验中且 $\text{risk}_{ppc} < 0.5$，表明 MRM 防止了所有超过当前激活阈值的实验试验中的碰撞，而剩余的故障发生在升级阈值以下。表 5. 实验组和对照组之间的比较。| 实验组 | | | | 对照组 | | || 样本 | riskppc | 碰撞 | MRM | 样本 | riskppc | 碰撞 || :--- | :--- | :--- | :--- | :--- | :--- | :--- || E1 | 0.364 | 1 | 0 | C1 | 0.425 | 0 || E2 | 0.365 | 1 | 0 | C2 | 0.435 | 0 || E3 | 0.596 | 0 | 1 | C3 | 0.262 | 0 || E4 | 0.596 | 0 | 1 | C4 | 0.478 | 0 || E5 | 0.640 | 0 | 1 | C5 | 0.454 | 1 || E6 | 0.651 | 0 | 1 | C6 | 0.497 | 1 || E7 | 0.566 | 0 | 1 | C7 | 0.589 | 1 || E8 | 0.312 | 0 | 0 | C8 | 0.600 | 1 || E9 | 0.335 | 0 | 0 | C9 | 0.606 | 1 || E10 | 0.328 | 0 | 0 | C10 | 0.645 | 1 || E11 | 0.366 | 0 | 0 | C11 | 0.732 | 1 || E12 | 0.407 | 0 | 0 | C12 | 0.794 | 1 |7. 结论本研究旨在揭示条件自动驾驶中接管失败的因果传播机制。为此，我们开发了 DBSE-SOR C2Net，将紧急接管组织为从接管前状态 (S)，到接管反应过程 (O)，最后到接管后性能结果 (R) 的机制一致链。具体而言，我们引入了 PPC 阶段节点 O 作为连接 S 和 R 的关键中介，以提高可解释性，并通过多时间尺度编码方案捕捉接管元素的多模态和时间变化特性。我们进一步构建了一个分层 DBSE 解决方案，底层测量层用于潜变量映射，顶层机制层用于依赖学习。生成的框架能够在统一的概率设置下实现向后故障链诊断和向前自适应干预。结果表明，提出的框架可以有效揭示接管失败的机制。在顶层，学习到的网络识别出接管前生理状态是最强的上游因果因子，而感知和认知恢复成为最核心的过程节点。

在最底层测量层中，场景类型和 TORs 领先时间主导了环境风险模块，压力总和变化率和压力总和变化是最具影响力的生理指标，而碰撞和横向偏差时间对安全结果的影响最大。反向诊断结果进一步揭示了几个代表性的高风险故障链，包括时间压力驱动、认知瓶颈和多阶段延长模式。人在回路的两阶段干预实验进一步验证了所提出框架的实用有效性：自适应 TORs 增强将第一阶段、第二阶段和第三阶段的反应时间分别缩短了 0.11 秒、0.07 秒和 0.45 秒，并将总体接管时间减少了 0.31 秒。此外，基于 MRM 的下游干预将碰撞率降低了 75%。DBSE-SOR C2Net 被构建为一个针对接管失败分析的一般机制导向框架。目前的实证验证侧重于高速公路作业区紧急场景和相对年轻的参与者群体。未来的工作将把自适应 TORs 增强和 MRM 框架扩展到个性化共享控制策略和自适应决策政策，同时进一步考察其在更广泛的交通环境、替代 HMI 配置和更多样化的驾驶员群体中的适用性。总体而言，本研究为自动驾驶中的因果归因、故障链诊断和安全干预提供了一种机制导向的因果链框架和在线闭环干预范式。

CRediT 作者贡献声明
王杰：写作 – 初稿，可视化，方法论，形式分析，概念化。史浩天：写作 – 审阅与编辑，可视化，方法论，概念化。赵宇佳：写作 – 初稿，方法论，概念化。赵晓聪：写作 – 审阅与编辑，方法论，概念化。梁浩洋：验证，概念化。杭鹏：写作 – 审阅与编辑，可视化。孙健：写作 – 审阅与编辑，方法论，形式分析，概念化。

王杰 | 史浩天 | 赵宇佳 | 赵晓聪 | 梁浩洋 | 杭鹏 | 孙健