不同认知负荷非驾驶任务下高度自动化驾驶接管绩效预测

doi:10.19562/j.chinasae.qcgc.2023.12.015

摘要/Abstract

摘要：

在高级自动化驾驶中，准确预测驾驶接管绩效对于提高自动驾驶接管安全水平意义重大。文中设计了不同认知负荷非驾驶任务下驾驶接管场景，分析不同认知负荷非驾驶任务下驾驶接管绩效指标与脑电指标的显著性，采用驾驶人eSense数值和脑电波数据作为输入特征，构建了基于随机森林的驾驶接管绩效预测模型，分析了模型在3、5、7、9 s 4种时间窗下的预测性能，并开展了模型的有效性验证。结果表明，不同认知负荷非驾驶任务下的接管时间、最大横向加速度、最小TTC及驾驶人eSense等存在显著性差异；随机森林在9 s时间窗下的预测性能最佳，其准确率达到了0.94；随机森林的预测准确率和micro-AUC面积高于支持向量机、朴素贝叶斯和逻辑回归。研究方法可有效预测驾驶员自动驾驶接管绩效，并为驾驶员与自动驾驶车辆之间的交互设计提供理论依据。

关键词: 交通工程, 接管绩效预测, 随机森林, 认知非驾驶任务, 高度自动化驾驶

Abstract:

In highly automated driving， accurate prediction of takeover performance is of great significance to improve the safety of automated driving takeover. Based on the design of driving take-over scenarios under different cognitive load non driving-related tasks （NDRT）， the significance of takeover performance indicators and EEG indicators under different cognitive load NDRT of automated driving is analyzed. Using eSense value and brainwave data of the driver as input， a prediction model of take-over performance based on random forest is constructed to analyze the prediction effect of the model within time windows of 3， 5， 7 and 9 s， and the validity of the model is verified. The results show that there are significant differences in take-over time， maximum lateral acceleration， minimum TTC and driver’s eSense under different loads of NDRT. It is found that the random forest has the best prediction performance within 9 s time window， with the accuracy of 0.94. The prediction accuracy and micro-AUC area of random forest are higher than the results of support vector machine， naive Bayes and logistic regression. The proposed method can effectively predict the take-over performance and provide a theoretical basis for the interaction design between the driver and the autonomous vehicle.

Key words: traffic engineering, takeover performance prediction, random forest, cognitive DNRT, highly automated driving

马艳丽,卢俊,朱洁玉,韩笑雪. 不同认知负荷非驾驶任务下高度自动化驾驶接管绩效预测[J]. 汽车工程, 2023, 45(12): 2330-2337.

Yanli Ma,Jun Lu,Jieyu Zhu,Xiaoxue Han. Take-over Performance Prediction Under Different Cognitive Loads of Non-driving Tasks in Highly Automated Driving[J]. Automotive Engineering, 2023, 45(12): 2330-2337.

图/表 15

图1

图2

图3

图4

表1

脑波配对比较"

变量	组别	检验统计	标准误差	标准检验统计	p	$p'$
δ波	0B -1B	0.097	0.062	1.560	0.119	0.713
	0B -2B	0.097	0.062	1.560	0.119	0.713
	0B-无	-0.317	0.062	-5.125	0.000	0.000**
	1B-2B	0.000	0.062	0.000	1.000	1.000
	1B-无	-0.221	0.062	-3.565	0.000	0.002**
	2B-无	-0.221	0.062	-3.565	0.000	0.002**
θ波	0B -1B	0.087	0.062	1.411	0.158	0.949
	0B -2B	0.090	0.062	1.448	0.147	0.885
	0B-无	-0.237	0.062	-3.825	0.000	0.001**
	1B-2B	-0.002	0.062	-0.037	0.970	1.000
	1B-无	-0.149	0.062	-2.414	0.016	0.095
	2B-无	-0.147	0.062	-2.377	0.017	0.105
高α波	0B -1B	0.124	0.062	1.996	0.046	0.275
	0B -2B	0.141	0.062	2.275	0.023	0.138
	0B-无	-0.005	0.062	-0.074	0.941	1.000
	1B-2B	-0.017	0.062	-0.279	0.781	1.000
	1B-无	-0.128	0.062	-2.071	0.038	0.230
	2B-无	-0.145	0.062	-2.349	0.019	0.113
低β波	0B -1B	0.238	0.062	3.844	0.000	0.001**
	0B -2B	0.280	0.062	4.531	0.000	0.000**
	0B-无	-0.217	0.062	-3.510	0.000	0.003**
	1B-2B	-0.043	0.062	-0.687	0.492	1.000
	1B-无	-0.021	0.062	-0.334	0.738	1.000
	2B-无	-0.063	0.062	-1.021	0.307	1.000
低γ波	0B -1B	0.047	0.062	0.761	0.446	1.000
	0B -2B	0.048	0.062	0.771	0.441	1.000
	0B-无	-0.158	0.062	-2.553	0.011	0.064
	1B-2B	-0.095	0.062	-1.532	0.126	0.753
	1B-无	-0.205	0.062	-3.315	0.001	0.006**
	2B-无	-0.110	0.062	-1.783	0.075	0.448

表1

表2

eSense数值配对比较结果"

变量	组别	检验统计	标准误差	标准检验统计	p	$p'$
注意力	0B -1B	0.339	0.062	5.469	0.000	0.000**
	0B -2B	0.341	0.062	5.515	0.000	0.000**
	0B-无	-0.256	0.062	-4.132	0.000	0.000**
	1B-2B	-0.003	0.062	-0.046	0.963	1.000
	1B-无	-0.083	0.062	-1.337	0.181	1.000
	2B-无	-0.086	0.062	-1.383	0.167	0.999
放松度	0B -1B	0.341	0.062	5.506	0.000	0.000**
	0B -2B	0.450	0.062	7.270	0.000	0.000**
	0B-无	-0.386	0.062	-6.239	0.000	0.000**
	1B-2B	-0.109	0.062	-1.764	0.078	0.466
	1B-无	-0.045	0.062	-0.733	0.463	1.000
	2B-无	-0.064	0.062	-1.031	0.303	1.000
用脑度	0B -1B	0.013	0.062	0.214	0.831	1.000
	0B -2B	0.149	0.062	2.405	0.016	0.097
	0B-无	-0.276	0.062	-4.457	0.000	0.000**
	1B-2B	-0.162	0.062	-2.618	0.009	0.053
	1B-无	-0.263	0.062	-4.243	0.000	0.000**
	2B-无	-0.425	0.062	-6.861	0.000	0.000**

表2

表3

表4

图5

表5

图6

表6

图7

图8

图9

参考文献 14

1	YOON S H， LEE S C， JI Y G. Modeling takeover time based on non-driving-related task attributes in highly automated driving［J］. Applied Ergonomics， 2021， 92： 103343.
2	LI Q， HOU L， WANG Z， et al. Drivers’ visual-distracted take-over performance model and its application on adaptive adjustment of time budget［J］. Accident Analysis and Prevention， 2021， 154： 106099.
3	AYOUB J， DU N， YANG X J， et al. Predicting driver takeover time in conditionally automated driving［J］. IEEE Transactions on Intelligent Transportation Systems， 2022，23（7）： 9580-9589.
4	GREER R， DEO N， RANGESH A， et al. Safe control transitions： machine vision based observable readiness index and data-driven takeover time prediction［C］. International Conference on The Enhanced Safety of Vehicles （ESV）， Japan， 2023， 4.
5	PAKDAMANIAN E， SHENG S， BAEE S， et al. Deeptake： prediction of driver takeover behavior using multimodal data［C］.Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems， 2021： 1-14.
6	GOLD C， HAPPEE R， BENGLER K. Modeling take-over performance in level 3 conditionally automated vehicles［J］. Accident Analysis & Prevention， 2018， 116： 3-13.
7	BRAUNAGEL C， ROSENSTIE W， KASNECI E. Ready for take-over？ a new driver assistance system for an automated classification of driver take-over readiness［J］. IEEE Intelligent Transportation Systems Magazine， 2017， 9（4）： 10-22.
8	DU N， ZHOU F， PULVER E M， et al. Predicting driver takeover performance in conditionally automated driving［J］. Accident Analysis and Prevention， 2020， 148： 105748.
9	ZHOU F， YANG X J， DE WINTER J C F. Using eye-tracking data to predict situation awareness in real time during takeover transitions in conditionally automated driving［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 23（3）： 2284-2295.
10	GUPTA S， MISHRA R， CHANG Y H， et al. Modeling driver takeover intention in automated vehicles with attention-based CNN algorithm［C］.Proceedings of the Human Factors and Ergonomics Society Annual Meeting. Sage CA： Los Angeles， CA： SAGE Publications， 2022， 66（1）： 1607-1611.
11	鲁光泉，陈发城，李鹏辉，等. 驾驶人跟车风险接受水平对其接管绩效的影响［J］. 汽车工程， 2021， 43（6）： 808-814.
	LU G Q， CHEN F C， LI P H， et al. Effect of drivers’ acceptance level of car-following risk on the takeover performance ［J］. Automotive Engineering， 2021， 43（6）： 808-814.
12	ZHU J， MA Y， LOU Y. Multi-vehicle interaction safety of connected automated vehicles in merging area： a real-time risk assessment approach［J］. Accident Analysis & Prevention， 2022， 166： 106546.
13	王雪松，徐晓妍. 基于自然驾驶数据的危险事件识别方法［J］. 同济大学学报（自然科学版）， 2019， 48（1）.
	WANG X S， XU X Y. Dangerous event recognition method based on natural driving data ［J］. Journal of Tongji University （Natural Science）， 2019， 48（1）.
14	WANG S， GWIZDKA J， CHAOVALITWONGSE W A. Using wireless EEG signals to assess memory workload in the n-back task［J］. IEEE Transactions on Human-Machine Systems，2015， 46（3）： 424-435.

绩效等级	累积频率
绩效等级	接管时间/s	最大横向加速度/（m·s^-2）	最大纵向减速度/（m·s^-2）	最小TTC/s
不佳	>4.2	>3.72	>1.36	<1.21
良好	（3.5，4.2）	（2.53，3.72）	（0.35，1.36）	（1.21，2.16）
优秀	<3.5	<2.53	<0.35	>2.16

特征类型	特征名称	特征定义	具体特征指标	降维后的特征
eSense特征	注意力	大脑精神专注集中程度	均值、最大值、最小值、标准差	均值、标准差
	放松度	大脑放松程度	均值、最大值、最小值、标准差	均值、标准差
	用脑度	大脑实时工作负荷	均值、最大值、最小值、标准差	均值、标准差
EEG特征	θ波	频域信号能量幅值	均值、最大值、最小值、标准差	最小值、标准差
	高α波	频域信号能量幅值	均值、最大值、最小值、标准差	最小值、标准差
	低β波	频域信号能量幅值	均值、最大值、最小值、标准差	均值、标准差

参数		数值	准确率	Δ准确率
默认参数设置		默认	0.927	0.016
参数寻优	弱学习器迭代次数	191	0.944
	决策树最大深度	18
	最大特征数	7
	叶子节点最少样本数	1
	最大叶子节点数	2
	特征评价标准	gini

时间窗	eSense			EEG			eSense+ EEG
	验证集	测试集		验证集	测试集		验证集	测试集
	准确率	准确率	F1值	准确率	准确率	F1值	准确率	准确率	F1值
3 s	0.66	0.71	0.71	0.50	0.55	0.54	0.78	0.79	0.79
5 s	0.73	0.75	0.74	0.70	0.69	0.69	0.86	0.87	0.87
7 s	0.80	0.84	0.84	0.81	0.84	0.83	0.92	0.93	0.93
9 s	0.84	0.88	0.88	0.85	0.89	0.89	0.93	0.94	0.94

[1]	马艳丽, 秦钦, 董方琦, 娄艺苧. 基于风险场的不同认知次任务下接管风险评估模型[J]. 汽车工程, 2024, 46(1): 9-17.
[2]	龙文民,鲁光泉,石茜,谭海天. 基于驾驶人跟驰特性的前撞预警指标与阈值确定方法[J]. 汽车工程, 2022, 44(9): 1339-1349.
[3]	秦大同,王康,冯继豪,刘永刚. 基于行驶数据挖掘的DCT车辆平直道路换挡规律研究[J]. 汽车工程, 2022, 44(11): 1763-1771.
[4]	郭柏苍,谢宪毅,金立生,戎辉,贺阳,纪丙东. 考虑多维驾驶特性的制动反应时间预测模型[J]. 汽车工程, 2021, 43(11): 1683-1692.
[5]	李亚勇, 蔡英凤, 陈龙, 孙晓强, 何友国, 张云顺. 考虑前后方车辆行驶状态的ACC系统控制方法^*[J]. 汽车工程, 2019, 41(8): 865-871.
[6]	朱冰, 李伟男, 汪震, 赵健, 何睿, 韩嘉懿. 基于随机森林的驾驶人驾驶习性辨识策略^*[J]. 汽车工程, 2019, 41(2): 213-218.