在能见度低的情况下，考虑不同驾驶前任务状态时，对老年人接管驾驶任务的风险评估

《International Journal of Industrial Ergonomics》：Risk assessment of older drivers' takeover in low visibility conditions considering different pre-takeover task states

　　•研究了在能见度低的情况下老年驾驶员的接管行为和风险演变。•使用动态贝叶斯网络识别了关键的接管风险因素。•能见度降低和非驾驶任务增加了接管风险发生的概率。•老年驾驶员表现出更高的初始接管风险水平以及更快的风险累积速度。

随着预期寿命的增加，老年人口在全球的比例持续上升。在英国，2016年65岁及以上的人口占总人口的18%，预计到2046年这一比例将增加到25%（Li等人，2019年）。在中国，2020年65岁及以上的人口约占14%，预计到2050年将达到24%（Li等人，2023年）。联合国进一步预测，到2050年全球60岁及以上的人口将达到21亿。与这一人口结构变化相平行的是，老年驾驶员的持证率也在稳步增加（Koppel和Berecki-Gisolf，2015年）。随着年龄的增长，通常会观察到感知敏锐度、认知处理速度和运动反应时间的下降。这些变化增加了驾驶风险，尤其是在复杂的交通环境和突变驾驶任务中。

随着车内信息技术和5G通信系统的快速发展，自动驾驶系统（ADS）的连接性和智能性得到了显著提升。这些发展为提高道路安全性、缓解交通拥堵和增加出行效率提供了巨大潜力（Tian等人，2023年）。因此，老年驾驶员可能会获得更大的移动性、便利性和独立性。根据汽车工程师协会（SAE）建立的分类框架，ADS根据自动化程度分为六个级别。其中，3级条件自动化允许在大多数常规道路条件下进行自动化驾驶，同时允许驾驶员执行非驾驶相关任务（NDRTs）。这种操作模式通常被称为人机协同驾驶。在此阶段，驾驶控制权转移到自动化系统，驾驶员暂时不再承担主动控制责任，从而可以执行次要的非驾驶任务。因此，驾驶员的角色从主动操作者转变为系统监督者。注意力的分配和任务参与模式相应改变，对周围交通环境的持续感知也减少了。

当环境变化或系统限制超出操作设计域（ODD）时，自动驾驶系统会发出接管请求（TOR），并且必须在有限的时间内恢复控制（Lu等人，2020年）。接管过程对情境感知恢复、信息整合和响应执行提出了重大要求。这是人机协同驾驶中的一个关键安全相关阶段。在能见度低的情况下，自动驾驶系统的感知和决策能力往往受到限制，环境感知也可能下降（Thompson等人，2018年）。在这种情况下发出TOR时，驾驶员需要迅速重建情境感知。能见度降低严重限制了对周围信息的感知和对意外事件的响应能力，从而增加了接管风险。与年龄相关的感知敏感性、注意力转移速度、信息处理效率和运动控制稳定性的下降进一步加剧了这些挑战。在时间紧迫且认知要求高的接管过程中，这些限制变得更加明显。因此，老年驾驶员可能在有限的接管时间内更难以恢复情境感知并实现稳定的车辆控制。因此，在能见度低等复杂环境中，老年驾驶员的接管风险更高。因此，系统地评估老年驾驶员在能见度低条件下的接管风险对于改进人机协同驾驶安全评估框架和优化接管策略设计至关重要。

自动驾驶接管过程是短暂、连续且动态耦合的，涉及不确定的风险演变。在能见度低的情况下，驾驶员必须快速恢复情境感知并建立操作控制，尽管环境感知受到限制。接管风险并非瞬间产生，而是通过感知、认知和行为反应的相互作用形成、累积和发展，从而表现出明显的时间和动态特征。然而，传统分析方法在描述风险状态的时间变化和多源变量之间的动态耦合方面仍然有限。因此，本研究采用动态贝叶斯网络（DBN）来建模和评估接管风险。与主要关注隐藏状态转换或时间序列预测的方法（如隐马尔可夫模型和循环神经网络）相比，DBN可以明确表示多源风险因素之间的条件依赖关系，并描述风险状态演变过程中的变量相互作用。通过整合时间建模、概率推理和领域特定约束，DBN提供了一个框架，用于描述视觉、生理和车辆控制因素对接管风险变化的综合影响。此外，通过诊断推理和敏感性分析，可以识别关键风险因素及其相对贡献，从而深入了解老年驾驶员在能见度低条件下接管风险的形成过程、动态演变模式和影响因素。

基于这一基础，本研究考察了老年驾驶员在能见度低条件下的接管风险动态演变和定量评估，其中视觉信息受到限制，接管请求突然发生，非驾驶任务可能显著干扰驾驶员的反应。构建了一个基于DBN的接管风险评估模型，以描述不同能见度水平、接管前任务状态和年龄组的风险演变。随后分析了风险水平、风险累积模式和关键影响因素的差异。还研究了老年驾驶员在接管过程中的感知恢复、生理唤醒和控制调整及其与风险演变的关系。本研究旨在阐明老年驾驶员在复杂驾驶环境中接管风险演变的特点，并为接管安全评估和设计适合年龄的接管系统提供参考。这项研究加深了对复杂环境条件下人机协同驱动风险形成机制的理解，为老年驾驶员接管风险的动态评估、自适应接管策略的开发以及具有挑战性环境中的自动驾驶系统安全优化提供了理论支持和方法指导。

本研究的主要贡献如下：1. 建立了一个适用于能见度低条件下的接管场景的比较评估框架，包括三个维度：能见度、任务和年龄。设计了一个结合了三种代表性能见度区间和两种接管前任务状态（基线驾驶和非驾驶相关任务）的综合操作条件系统。老年驾驶员作为主要研究组，年轻驾驶员作为对照组。在整个接管过程中收集了多源数据，包括车辆操作参数、驾驶行为测量以及生理和视觉指标。这种实验设计为评估环境条件和任务状态对接管风险的影响提供了系统框架。2. 为老年驾驶员在能见度低的人机协同驾驶场景中开发了一种动态接管风险评估方法。基于动态贝叶斯网络（DBN）构建了一个接管风险评估模型，通过前向概率推理实现了接管风险的动态定量评估。然后比较和分析了不同操作条件下的接管风险水平及其演变模式的差异。这种方法为复杂环境中老年驾驶员接管风险的定量特征提供了方法支持。3. 识别了不同驾驶条件下影响老年驾驶员接管风险的关键因素。通过整合多源指标（包括视觉、生理和车辆控制数据），并结合诊断推理与敏感性分析，联合评估了各个风险因素的诊断贡献和敏感性。这一程序使得识别和优先考虑影响老年驾驶员接管风险的关键因素成为可能，并为分析接管状态的变化和风险演变机制提供了基础。

本文的其余部分组织如下：第2节回顾了相关的国内和国际研究。第3节描述了低能见度人机协同驾驶接管场景的实验设计。第4节介绍了接管风险评估指标。第5节开发了基于动态贝叶斯网络的接管风险评估模型。第6节报告了主要结果。第7节讨论了研究发现。第8节总结了主要结论并概述了未来研究的方向。

当SAE 3级自动驾驶车辆无法管理当前的交通环境时，会向驾驶员发出接管请求（TOR）。TOR发出与驾驶员执行接管操作之间的间隔通常被定义为自动驾驶接管过程（Wang等人，2023a，2023b）。接管过程是从非驾驶或半驾驶状态向完全手动控制的过渡，涉及情境感知的恢复...

为了确保足够的统计功效，在实验设计阶段使用公式（1）估算了所需的最低样本量。共招募了30名驾驶员，其中老年驾驶员作为主要研究组，年轻驾驶员作为年龄匹配的对照组。所有参与者都持有有效的驾驶执照，年龄在22至65岁之间，具有4到45年的驾驶经验。老年组包括13名男性和7名女性...

接管风险评估指标涵盖了三个维度：视觉感知、生理唤醒和车辆控制。指标选择基于在自动驾驶车辆接管行为、驾驶工作负载和驾驶生理反应研究中常用的客观评估系统。强调了接管风险形成过程中的三个关键阶段：视觉感知、生理状态变化和控制调整。先前的研究表明，眼动特征...

为了表征低能见度条件下人机协同驾驶接管过程中风险状态的时间演变，引入了动态贝叶斯网络（DBN）来建模接管风险。由于接管风险受到多种因素的影响，包括驾驶行为、生理反应和视觉特征，并且这些因素之间存在显著的时间依赖性，因此DBN结构是基于接管风险形成机制构建的...

表1和表2展示了不同能见度条件下老年驾驶员的风险因素的描述性统计数据。均值、中位数、第85百分位数和标准差是从经过预处理后的1秒时间切片数据计算得出的，用于表征接管过程中的风险指标总体分布。如表1和表2所示，多个风险相关指标在不同条件下存在分布差异...

综合概率推理、诊断分析和敏感性分析的结果表明，接管风险通常遵循一个演变模式，其特征是在不同能见度条件、接管前任务状态和年龄组中最初的快速增加和逐渐稳定。然而，风险水平和关键影响因素在不同条件下有所不同。就风险因素而言，速度在所有能见度条件下都是主导因素...

本研究考察了低能见度条件下人机协同驾驶中的接管风险。系统地分析了老年驾驶员在不同接管前任务状态下的接管风险动态演变以及影响这种风险的关键因素。在不同的能见度条件下进行了驾驶接管实验，并在接管过程中收集了眼动追踪、生理和行为数据。通过应用基于DBN的方法...

徐玉婷：概念化、数据整理、方法论、原始稿撰写。尚婷：形式分析、资金获取、项目管理、写作——审阅与编辑。

本研究由重庆市研究生研究创新项目（2025B0025）和重庆市中小学创新人才培养项目（CY250707）资助。

作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文所述的工作。

徐玉婷|尚婷