汽车-动力两轮车碰撞前驾驶员风险感知研究

doi:10.19562/j.chinasae.qcgc.2024.03.014

摘要/Abstract

摘要：

人机共驾阶段人类驾驶员对驾驶环境保持较高的风险感知水平是保证及时有效、稳定安全接管的核心。本研究通过开展风险感知模拟驾驶试验，获取了驾驶员在典型汽车-动力两轮车碰撞场景下的驾驶行为及脑电响应数据。从驾驶行为层面以制动TTC（time to collision）和平均加速度为评价指标，利用分位数回归构建了驾驶员风险感知量化模型，通过独立样本检验发现驾驶经验、碰撞场景类型对驾驶员风险感知存在显著影响。在脑电响应层面，通过双独立样本检验及FDR校正发现Alpha频段与驾驶员风险感知显著相关。此外，提出了驾驶员风险感知神经机理，包括视觉感知与认知加工两个阶段。研究结果有助于提升人机共驾汽车的安全性。

关键词: 汽车-动力两轮车碰撞, 模拟驾驶试验, 驾驶行为, 脑电响应, 风险感知

Abstract:

In the human-machine co-driving stage， the drivers' hazard perception of driving environment at a high level is the core to ensure timely， effective， stable， safe takeover. In this study， the driving behaviors and electroencephalogram （EEG） responses of drivers in typical vehicle-to-powered two-wheeler crash scenarios are obtained by conducting the hazard perception simulation driving tests. From the perspective of driving behaviors， a quantitative model of drivers' hazard perception is built through quantile regression with the braking TTC （Time to Collision） and average acceleration as evaluation indexes. Through independent sample test， it is found that the driving experience and collision scenario types have a significant impact on drivers' hazard perception. From the perspective of EEG responses， it is found that the Alpha band is significantly correlated with hazard perception ability through double independent sample test and FDR correction. Furthermore， the drivers' hazard perception neural mechanism is proposed， including two stages of visual perception and cognitive processing. The research results contribute to improving the safety of human-machine co-driving vehicles.

Key words: vehicle-to-powered two-wheeler crashes, simulation driving tests, driving behaviors, EEG responses, hazard perception

王兴华,胡林,彭勇,伍贤辉,向国梁,许倩. 汽车-动力两轮车碰撞前驾驶员风险感知研究[J]. 汽车工程, 2024, 46(3): 498-508.

Xinghua Wang,Lin Hu,Yong Peng,Xianhui Wu,Guoliang Xiang,Qian Xu. Research on Drivers' Hazard Perception Before Vehicle-to-Powered Two-Wheeler Crashes[J]. Automotive Engineering, 2024, 46(3): 498-508.

图/表 20

表1

图1

图2

图3

图4

表2

图5

图6

表3

图7

表4

图8

表5

图9

表6

图10

图11

图12

图13

图14

参考文献 33

1	魏雯，杜雨萌，董傲然，等. 基于CIDAS数据与集成学习的电动两轮车骑行者伤害致因分析［J］. 交通信息与安全， 2022， 40（2）： 45-52.
	WEI W， DU Y M， DONG A R， et al. An analysis of factors affecting injury of electric two-wheeler riders based on CIDAS data and ensemble learning［J］. Journal of Transport Information and Safety， 2022， 40（2）： 45-52.
2	韩勇，袁小宾，卢明，等. 汽车与电动两轮车碰撞典型场景下的AEB纵横向触发策略研究［J］. 汽车工程， 2023， 45（3）： 501-509.
	HAN Y， YUAN X B， LU M， et al. Research on AEB longitudinal and transverse triggering strategy in typical scenarios of vehicle to electric two-wheeler collisions［J］. Automotive Engineering， 2023， 45（3）： 501-509.
3	胡林，易平，黄晶，等. 基于真实事故案例的自动紧急制动系统两轮车测试场景研究［J］. 汽车工程， 2018， 40（12）： 1435-1446.
	HU L， YI P， HUANG J， et al. A research on test scenes of two-wheeled vehicles for automatic emergency braking system based on real accident cases［J］. Automotive Engineering， 2018， 40（12）： 1435-1446.
4	ZHANG X X， LI F， WU X B. CSG： critical scenario generation from real traffic accidents［C］. 2020 IEEE Intelligent Vehicles Symposium. Las Vegas， 2020： 1330-1336.
5	FILDES B， KEALL M， BOS N， et al. Effectiveness of low speed autonomous emergency braking in real-world rear-end crashes［J］. Accident Analysis and Prevention， 2015， 81： 24-29.
6	WANG X H， PENG Y， XU T， et al. Autonomous driving testing scenario generation based on in-depth vehicle-to-powered two-wheeler crash data in China［J］. Accident Analysis and Prevention， 2022， 176： 106812.
7	HAMDANE H， SERRE T， MASSON C， et al. Issues and challenges for pedestrian active safety systems based on real world accident［J］. Accident Analysis and Prevention， 2015， 82： 53-60.
8	WANG X H， PENG Y， YI S G， et al. Risky behaviors， psychological failures and kinematics in vehicle-to-powered two-wheeler accident： results from in-depth Chinese crash data［J］. Accident Analysis and Prevention， 2021， 156： 106150.
9	许倩. 汽车-动力两轮车碰撞场景下驾驶员风险感知能力研究［D］. 长沙：中南大学， 2023.
	XU Q. Study on driver’s risk perception ability in vehicle-to-powered two-wheeler collision scenarios［D］. Changsha： Central South University， 2023.
10	SILAS J， TIPPLE A， JONES A. Event-related alpha desynchronization in touch - comparing attention and perception［J］. Neuroscience Letter， 2019， 705： 131-137.
11	HORSWILL M S， MARRINGTON S A， MCCULLOUGH C M， et al. The hazard perception ability of older drivers［J］. The Journal of Gerontology. Series B， Psychological Sciences and Social Science， 2008， 63B （4）： 212-218.
12	ISKANDER J， HANOUN S， HETTIARACHCHI I， et al. Eye behaviour as a hazard perception measure［C］. 2018 Annual IEEE International Systems Conference， 2018.
13	LACHEREZ P， VIRUPAKSHA S， WOOD J M， et al. The effects of auditory satellite navigation instructions and visual blur on road hazard perception［J］. Accident Analysis & Prevention， 2019， 125： 132-137.
14	郭子彬，陈慧，夏韬锴，等. 弯道工况下驾驶员主观风险感知的量化研究［J］. 汽车工程， 2022， 44（9）： 1447-1455.
	GUO Z B， CHEN H， XIA T K， et al. Study on quantification of driver’s subjective risk perception in curve driving condition［J］. Automotive Engineering， 2022， 44（9）： 1447-1455.
15	余泰初. 机动车驾驶人危险感知能力测试方法研究［D］. 北京：中国人民公安大学， 2019.
	YU T C. Research on test method of vehicle drivers’ hazard perception ability［D］. Beijing： People’s Public Security University of China， 2019.
16	许文利. 不同风险感知效用驾驶人视觉行为及特性分析［D］. 昆明：昆明理工大学， 2017.
	XU W L. Analysis of drivers' visual behaviors and characteristics with different hazard perception effectiveness［D］. Kunming： Kunming University of Science and Technology， 2017.
17	JENKINSON N， BROWN P. New insights into the relationship between dopamine， beta oscillations and motor function［J］. Trends in Neurosciences， 2011， 34（12）： 611-618.
18	LIN C T， CHEN Y C， WU R C， et al. Assessment of driver’s driving performance and alertness using EEG-based fuzzy neural networks［C］. 2005 IEEE International Symposium on Circuits and Systems， 2005， 1： 152-155.
19	KATSIS C D， KATERTSIDIS N， GANIATSAS G， et al. Toward emotion recognition in car-racing drivers： a biosignal processing approach［J］. IEEE Transactions on Systems， Man， and Cybernetics - Part A： Systems and Humans， 2008， 38（3）： 502-512.
20	SUI B， LUBBE N， BÄRGMAN J. A clustering approach to developing car-to-two-wheeler test scenarios for the assessment of automated emergency braking in China using in-depth Chinese crash data［J］. Accident Analysis and Prevention， 2019， 132： 105242.
21	PAN D， HAN Y， JIN Q Q， et al. Study of typical electric two-wheelers pre-crash scenarios using K-medoids clustering methodology based on video recordings in China［J］. Accident Analysis and Prevention， 2021， 160： 106320.
22	SCANLON J M， KUSANO K D， DANIEL T， et al. Waymo simulated driving behavior in reconstructed fatal crashes within an autonomous vehicle operating domain［J］. Accident Analysis & Prevention， 2021， 16.
23	汪济洲. 基于视频数据的交叉口进口道车辆变道碰撞风险研究［D］. 武汉：武汉理工大学， 2018.
	WANG J Z. Study on vehicle lane-changing collision risk on the approach of intersection based on video data［D］. Wuhan： Wuhan University of Technology， 2018.
24	李青，景云超，朱彤，等. 基于LightGBM的驾驶人风险感知能力判别方法［J］. 交通信息与安全， 2021， 39（4）： 16-25.
	LI Q， JING Y C， ZHU T， et al. A method for identifying drivers’ risk perception based on LightGBM［J］. Journal of Transport Information and Safety， 2021， 39（4）： 16-25.
25	李霖，贺锦鹏，刘卫国，等.基于驾驶员紧急制动行为特征的危险估计算法［J］. 同济大学学报（自然科学版）， 2014， 42（1）： 109-114.
	LI L， HE J P， LIU W G， et al. Threat assessment algorithm based on characteristics of driver emergency braking behavior［J］. Journal of Tongji University （Natural Science）， 2014， 42（1）： 109-114.
26	张洁，郭钢，李文博. 驾驶员危险感知研究现状及展望［C］. 2020中国汽车工程学会年会暨展览会， 2020： 174-179.
	ZHANG J， GUO G， LI W B. Research status and prospect of driver’s hazard perception［C］. SAECCE 2020， 2020： 174-179.
27	KLIMESCH W. Alpha-band oscillations， attention， and controlled access to stored information［J］. Trends in Cognitive Sciences， 2012， 16（12）： 606-617.
28	FREY J N， RUHNAU P， WEISZ N. Not so different after all： the same oscillatory processes support different types of attention［J］. Brain Research， 2015， 1626： 183-197.
29	RÜB U， SEIDEL K， VONSATTEL J P， et al. Huntington’s disease （HD）： neurodegeneration of brodmann’s primary visual area 17 （BA17）［J］. Brain Pathology， 2015， 25（6）： 701-711.
30	BURGESS P W， GILBERT S J， DUMONTHEIL I. Function and localization within rostral prefrontal cortex （area 10）［J］. Philosophical Transactions of the Royal Society of London. Series B， Biological Sciences， 2007， 362（1481）： 887-899.
31	OKUDA J， FUJII T， OHTAKE H， et al. Differential involvement of regions of rostral prefrontal cortex （Brodmann area 10） in time-and event-based prospective memory［J］. International Journal of Psychophysiology， 2007， 64（3）： 233-246.
32	PENG K， STEELE S C， BECERRA L， et al. Brodmann area 10： collating， integrating and high level processing of nociception and pain［J］. Progress in Neurobiology， 2018， 161： 1-22.
33	樊双义，李志方，孙彬彬，等. 睡眠剥夺影响数字记忆的功能磁共振成像研究［J］. 中国现代神经疾病杂志， 2013， 13（5）： 405-410.
	FAN S Y， LI Z F， SUN B B， et al. A functional MRI study of the influence of sleep deprivation on digital memory in human brain［J］. Chinese Journal of Contemporary Neurology and Neurosurgery， 2013， 13（5）： 405-410.

场景类型	场景设计	场景建模
LC场景
RC场景
On场景
Run场景

项目	未避撞成功	避撞成功	合计
数量	106	163	269
百分比	39.41%	60.59%	100%

特征参数	例数	平均值	标准差	曼-惠特尼U	显著性
感知水平	269	2.003 7	0.895 67	7 611.500	0.919
性别	269	3.695 2	0.461 19	7 611.500	0.919

特征参数	例数	平均值	标准差	曼-惠特尼U	显著性
感知水平	269	2.003 7	0.895 67	5 917.000	0.000
职业	269	1.480 0	0.500 00	5 917.000	0.000

特征参数	例数	平均值	标准差	曼-惠特尼U	显著性
感知水平	269	2.003 7	0.895 67	8 601.500	0.456
场景风险度	269	1.494 4	0.500 90	8 601.500	0.456