城市不同道路线形下的驾驶人注视特性

引用本文

李显生, 李明明, 任有, 严佳晖, 陈小夏. 城市不同道路线形下的驾驶人注视特性. 2016, 46(5): 1447-1452
LI Xian-sheng, LI Ming-ming, REN You, YAN Jia-hui, CHEN Xiao-xia. Driver's fixation characteristics in different urban road alignments. Journal of Jilin University Engineering and Technology Edition, 2016, 46(5): 1447-1452 复制到剪切板

Permissions

城市不同道路线形下的驾驶人注视特性

李显生¹, 李明明¹, 任有¹, 严佳晖², 陈小夏²

1.吉林大学交通学院,长春 130022

2.三菱电机(中国)有限公司上海分公司,上海 200336

通信作者:任有(1967-),男,副教授,博士.研究方向:交通安全,驾驶行为.E-mail:renyou@jlu.edu.cn

作者简介:李显生(1965-),男,教授,博士生导师.研究方向:车辆行驶安全性与可靠性.E-mail:282636987@qq.com

基金:国家自然科学基金项目(51578262); 运输车辆运行安全技术交通运输行业重点实验室开放课题(KFKT2015-06)

摘要

为研究城市不同道路线形下的驾驶人注视特性,采用FaceLAB5非接触式眼动仪采集了城市道路实车试验条件下驾驶人的眼动数据,应用层次分析法筛选出表征注视特性的眼动指标(注视和眼跳),在把驾驶人注视区划分为5个区域的基础上,对比分析了不同道路线形下驾驶人注视点及注视转移在各区域中的分布规律。研究发现:不同道路线形下,驾驶人50%以上的关注落在远方和前方区域中,左侧区域几乎相同;直行路段对左侧区域的关注约是右侧区域的3倍;转弯路段对右侧区域的关注约是直行路段的3倍。研究结果既能为驾驶人培训提供指导,也为道路线形的设计及判断驾驶人是否有转弯意图提供了理论依据。

关键词: 交通运输系统工程; 城市道路; 不同道路线形; 层次分析法; 驾驶人注视特性

中图分类号:U491.2 文献标志码:A 文章编号:1671-5497(2016)05-1447-06

Driver's fixation characteristics in different urban road alignments

LI Xian-sheng¹, LI Ming-ming¹, REN You¹, YAN Jia-hui², CHEN Xiao-xia²

1.College of Transportation, Jilin University, Changchun 130022, China

2.Shanghai Branch, Mitsubishi Electric (China) Co., Ltd., Shanghai 200336, China

Abstract

In order to research driver's fixation characteristics in different urban road alignments, the non-contact FaceLAB5 eye tracker is used to capture the driver's eye movement data. Analytic Hierarchy Process is applied to select the eye movement indices: gaze and saccade. The driver's visual area is divided into five regions, and then the driver's gaze and gaze shift distribution in different road alignments are comparatively analyzed. It is found that, in different road alignments, the driver pays more than 50% focus on the far and front regions, the left region is almost the same; focus on the left region is about three times on the right region while driving straight. Focus on the right region in turning is about three times as in straight section. The results not only proved guidance to the driver training, but also provide a theoretical basis for the road design and to determine whether the driver has the turning intention.

Keyword: engineering of communication and transportation system; urban road; different road alignment; analytic hierarchy process; driver' fixation characteristics

Show Figures

在城市道路环境下, 由于交通状况复杂多变, 驾驶人若未能快速准确地获取交通信息很可能会引发交通事故。城市道路交通环境既复杂多变也具有统一的规律, 城市道路主要是由直行、左转和右转3种道路线形相互交替组合而成, 因此为了获得城市道路上驾驶人注视特性规律, 有必要对城市中此3种道路线形下的驾驶人注视特性进行研究。我国关于道路交通事故数据统计中, 每年约有40%发生在城市道路上, 90%的交通事故是由驾驶人因素导致的^[1], 视觉获取的道路交通信息约是驾驶人各器官总和的80%^[2]。国外学者采用虚拟场景及实车试验方法研究年龄和性别对驾驶人视觉的影响^{[3, 4]}、驾驶人在特定路段的视觉特性^{[5, 6, 7]}、应用视觉分析驾驶人注意力分散^{[8, 9, 10]}。国内学者多采用理论模型和道路试验方法研究在特殊路段^[11]、驾驶行为变化^{[12, 13]}过程中驾驶人视觉特性的变化规律, 道路环境对驾驶人眼动行为的影响^[14], 以及驾驶人生理状态对驾驶行为差错的影响^[15]。但以上研究中对驾驶人因素、驾驶行为对视觉变化的影响研究较多, 而对不同道路线形驾驶人注视特性的研究较少, 尚缺乏对比不同道路线形下驾驶人注视特性方面的研究。因此, 本文通过实车试验对比研究了驾驶人注视特性在城市不同道路线形下的变化规律。研究结果既能对驾驶人培训进行指导, 也能为辨别驾驶人选择直行或转弯提供理论依据。

1 驾驶人注视特性指标筛选

眼动是眼球的运动。眼动的基本形式主要有注视、眼跳和眨眼3种类型, 在人们的视觉认知过程中, 通过眼动形式的变化来获取视觉信息。本文应用层次分析法分析3种眼动形式对驾驶人获取道路信息的重要性, 筛选表征注视特性的眼动指标, 即注视和眼跳。

层次分析流程图如图1所示。根据层次分析法相对重要性设置标准, 设置准则层对目标层的成对比较矩阵如表1所示。

	Figure Option View Download New Window
	图1 层次分析法眼动指标筛选Fig.1 AHP to select eyemovement index

表1 准则层对目标层成对比较矩阵 Table 1 Pairwise comparison matrix of guidelines layer to target layer

A_ij	c₁	c₂	c₃	c₄	c₅
c₁	1	1/2	4	3	3
c₂	2	1	7	5	5
c₃	1/4	1/7	1	1/2	1/3
c₄	1/3	1/5	2	1	1
c₅	1/3	1/5	3	1	1

$\begin{matrix} A_{ij} = c_{i} : c_{j} (1) \end{matrix}$

表1 准则层对目标层成对比较矩阵 Table 1 Pairwise comparison matrix of guidelines layer to target layer

式中: $\begin{matrix} A_{ij} \end{matrix}$ 为准则层第 $\begin{matrix} i \end{matrix}$ 个指标与准则层第 $\begin{matrix} j \end{matrix}$ 个指标对目标层重要程度的比值; $\begin{matrix} c_{i} \end{matrix}$ 为准则层第 $\begin{matrix} i \end{matrix}$ 个指标。

对建立的准则层对目标层成对比较矩阵进行一致性检验。一致性检验指标 $\begin{matrix} CI = \frac{λ - n}{n - 1}, \end{matrix}$ 其中, $\begin{matrix} n \end{matrix}$ 为成对比较矩阵的阶数; $\begin{matrix} λ \end{matrix}$ 为 $\begin{matrix} n \end{matrix}$ 阶成对比较矩阵的最大特征根。 $\begin{matrix} CI = 0, \end{matrix}$ 表示有完全的一致性; $\begin{matrix} CI \end{matrix}$ 接近于0, 表示有满意的一致性; $\begin{matrix} CI \end{matrix}$ 越大, 表示不一致性越严重。不同阶数的成对比较矩阵即使有相同的一致性也会出现不同的 $\begin{matrix} CI \end{matrix}$ 值, 因此引入一致性比率指标 $\begin{matrix} CR = CI / RI, \end{matrix}$ 其中, $\begin{matrix} RI \end{matrix}$ 为随机一致性指标。一般地, 当一致性比率 $\begin{matrix} CR < 0.1 \end{matrix}$ 时, 认为成对比较矩阵的不一致程度在允许的范围内, 具有满意的一致性, 通过一致性检验。可将其归一化的特征向量作为权向量, 否则重新构造成对比较矩阵, 直到成对比较矩阵满足一致性检验为止。 $\begin{matrix} n \end{matrix}$ 从1~11所对应的 $\begin{matrix} RI \end{matrix}$ 值分别为0, 0, 0.58, 0.90, 1.12, 1.24, 1.32, 1.41, 1.45, 1.49, 1.51。

应用Matlab软件编程计算可得准则层对目标层的成对比较矩阵的最大特征根 $\begin{matrix} λ = 5.141, \end{matrix}$ 最大特征根所对应的特征向量即权向量 $\begin{matrix} ω = {(0.257, 0.442, 0.055, 0.107, 0.139)}^{T}, \end{matrix}$ 一致比率 $\begin{matrix} CR = 0.032 < 0.1, \end{matrix}$ 通过一致性检验, 因而所建立的准则层对目标层的成对比较阵是合理的。应用同样的方法建立方案层对准则层的成对比较矩阵, 并计算方案层各方案占准则层各准则的权重以及一致性比率结果, 如表2所示。

表2 方案层对准则层的计算结果 Table 2 Results of program level to guidelines layers

$\begin{matrix} ω \end{matrix}$	0.257	0.442	0.055	0.107	0.139
$\begin{matrix} ω_{z} \end{matrix}$	0.098	0.475	0.358	0.328	0.665
	0.755	0.408	0.071	0.562	0.251
	0.147	0.117	0.571	0.110	0.084
$\begin{matrix} λ_{k} \end{matrix}$	3.007	3.003	3.001	3.004	3.001
$\begin{matrix} C I_{k} \end{matrix}$	0.004	0.002	0.001	0.002	0.001
$\begin{matrix} C R_{k} \end{matrix}$	0.006	0.003	0.001	0.003	0.001

表2 方案层对准则层的计算结果 Table 2 Results of program level to guidelines layers

由表2可知, 方案层对准则层的成对矩阵满足一致性检验, 故所建立的成对矩阵是合理的。方案层对目标层的组合权向量为: $\begin{matrix} W = ω \cdot {ω_{z}}^{T} = (0.382, 0.474, 0.144), \end{matrix}$ 眼动指标权重如图2所示。

	Figure Option View Download New Window
	图2 眼动指标权重图Fig.2 Weight of eye movements index

由于个人差异, 即使是在完全相同的条件下, 个体之间的眨眼情况也会有所不同, 并且眨眼表征注视特征的权重相对于注视和眼跳的权重较小, 仅为0.144。因此, 本文选取注视和眼跳作为研究城市不同道路线形下驾驶人注视特性的指标。

2 驾驶人眼动参数采集及试验方案

2.1 驾驶人眼动参数采集

澳大利亚Seeing-Machines公司生产的FaceLAB 5非接触式眼动仪能够采集人眼注视、眼跳和眨眼等眼动参数, 本文采用该设备采集驾驶人的眼动指标参数, 并根据眼动参数计算注视点在道路场景中的位置, 注视点在场景图片上所覆盖的物体即为驾驶人关注的事物。根据眼动仪采集的眼动参数计算左、右眼注视视线向量。结合FaceLAB 5所采集驾驶人眼睛在其定义的坐标中的位置(FaceLAB 5采集眼动参数坐标系如图3所示), 计算左、右眼视线在场景中的投影, 并定义左、右视线注视点的中点, 即实际注视点的位置。

	Figure Option View Download New Window
	图3 FaceLAB 5坐标系Fig.3 Coordinates of FaceLAB 5

左眼视线向量:

$\begin{matrix} \{\begin{matrix} {\vec{I}}_{l} = - \cos a_{l} \cdot \sin b_{l} \\ {\vec{J}}_{l} = \sin a_{l} \\ {\vec{K}}_{l} = - \cos a_{l} \cdot \cos b_{l} \end{matrix} (2) \end{matrix}$

右眼视线向量:

$\begin{matrix} \{\begin{matrix} {\vec{I}}_{r} = - \cos a_{r} \cdot \sin b_{r} \\ {\vec{J}}_{r} = \sin a_{r} \\ {\vec{K}}_{r} = - \cos a_{r} \cdot \cos b_{r} \end{matrix} (3) \end{matrix}$

式中: $\begin{matrix} a_{l} 、 a_{r} \end{matrix}$ 分别为左、右眼视线绕 $\begin{matrix} x \end{matrix}$ 轴的旋转角度; $\begin{matrix} b_{l} 、 b_{r} \end{matrix}$ 分别为左、右眼视线绕 $\begin{matrix} y \end{matrix}$ 轴的旋转角度。

2.2 试验方案设计

试验场地:某城市市内约23 km的道路。试验路线如图4所示。

	Figure Option View Download New Window
	图4 行驶轨迹图Fig.4 Driving track

试验设备:某自动挡轿车一辆、FaceLAB 5眼动仪、Vbox(记录行车路线)、罗技C920摄像头、笔记本电脑(用于Vbox设备通道设置及眼动数据采集)。

被试者:招募25名裸眼视力4.8以上的驾驶人进行实车驾驶试验, 从中选取具有代表性及试验数据较好的10名驾驶人眼动数据进行分析, 被试者信息如表3所示。

表3 驾驶人信息 Table 3 Drivers’ information

试验开始前, 在试验车辆上正确安装FaceLAB 5、Vbox、摄像头等试验设备, 指导驾驶人熟悉试验路线, 而后对驾驶人进行眼动标定, 驾驶人按照正常的驾驶方式进行实车试验, 采集驾驶人眼动数据及行车路线。

3 注视区域划分及眼动数据分析

3.1 注视区域划分

驾驶人注视区域即表征获取道路及交通信息的位置, 也表征行车过程中驾驶人的关注区域。本研究将注视区域划分为远方区域(Far)、正前方区域(Ahead)、近区域(Near)、左侧区域(Left)、右侧区域(Right)5个部分, 如图5所示。

	Figure Option View Download New Window
	图5 注视区域划分Fig.5 Visual regional division

远方区域:距驾驶人100 m以外的前方区域; 正前方区域:距驾驶人20~100 m的正前方区域; 近区域:距驾驶人20 m以内的前方区域; 左侧区域:左侧车道及左后视镜区域; 右侧区域:右侧车道及右后视镜区域。

3.2 眼动数据分析

根据Vbox设备采集的试验车辆的行驶路线, 提取出直行、左转和右转3种道路线形下的试验数据。根据注视点位置算法, 通过Matlab编程统计在直行、左转、右转路段驾驶人注视点在图5各个注视区域中的注视点数, 统计结果如表4所示。

表4 不同道路线形驾驶人注视点分布 Table 4 Drivers’ fixations distribution under different road alignment

城市不同道路线形驾驶人注视点分布统计结果显示:①3种道路线形下驾驶人的注视点均主要集中于远方区域和前方区域, 注视点均占各自总注视点数的55%以上; ②直行路段左侧区域中注视点约是右侧区域中注视点的3倍, 而转弯路段左、右两区域中注视点比例相差无几; ③左右转弯路段, 左侧区域的注视点比例约比直行路段增加5%, 右侧区域的注视点比例约是直行路段的3倍。

根据研究的需要, 本文将注视点的转移定义为注视点从其余4个注视区域转移到目标区域(如:表5中远方区域即注视点自图5中的其余4个区域转移到远方区域的统计结果)。通过Matlab编程统计城市直行、左转和右转3种道路线形下驾驶人注视点转移到各区域的分布情况, 如表5所示。

表5 不同道路线形驾驶人注视转移到各区域的分布 Table 5 Distribution of drivers’ gaze shifted to regional under different road alignment

城市不同道路线形驾驶人注视点转移到各区域的分布结果显示:①城市3种道路线形下, 驾驶人的注视转移主要集中于远方区域和前方区域, 转移次数占各自总次数的50%以上, 近区域的注视转移比率均为15%左右, 且左侧区域的注视转移比率基本一致; ②转弯路段注视点向前方区域的转移比率均比向远方区域的高, 而直行路段刚好相反; ③直行路段左侧区域的注视转移比率约是右侧区域的3倍, 而转弯路段左侧区域注视转移比率比右侧区域稍高但均在15%左右。

4 结论

(1)驾驶人在复杂多变的城市道路驾驶车辆过程中, 不同道路线形(直行、左转、右转)环境下对驾驶人的注视点及注视转移在远方区域和前方区域中的分布没有体现出明显差异, 表明在任何道路线形下驾驶人的主要关注区域均是远方和前方区域。

(2)直行路段驾驶人在左侧区域的注视点及注视转移明显高于右侧区域, 表明驾驶人在选择观察交通环境更倾向于便于观测的左侧区域, 以此判断车辆的左右交通状况。

(3)转弯路段左侧区域的驾驶人注视点及注视转移比率约是直行路段的3倍, 且左、右两侧区域相差不多, 均在15%左右, 表明由于转弯路段交通环境更加复杂, 驾驶人对不便于观察的右侧区域的注意力明显提高。

(4)本研究揭示了驾驶人在城市不同道路线形下的信息搜索方式, 研究结果既能对驾驶人培训进行指导, 也能为辨别驾驶人选择直行或转弯以及道路线形的安全设计提供理论依据。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	公安部交通管理局. 中华人民共和国道路交通事故统计年报[Z]. [本文引用:1]
[2]	李作敏. 交通工程学[M]. 2版. 北京: 人民交通出版社, 2000. [本文引用:1]
[3]	Bao S, Boyle L N. Age-related differences in visual scanning at median-divided highway intersections in rural areas[J]. Accident Analysis and Prevention, 2009, 41(1): 146-152. [本文引用:1]
[4]	Lavallière M, Reimer B, Mehler B, et al. The effect of age and gender on visual search during lane changing[C]∥Driving Assessment: International Driving Symposium on Human Factors in Driver Assessment, Lake Tahoe, California, 2011: 621-628. [本文引用:1]
[5]	Sun Qian, Xia Jian-hong, Nadarajah Nand akumaran, et al. Positioning eye fixation and vehicle movement: visual-motor coordination assessment in naturalistic driving[J]. CEUR Workshop Proceedings, 2015, 1323: 90-99. [本文引用:1]
[6]	Brimley B K, Carlson P J, Hawkins H G. Use of fixation heat maps to evaluate visual behavior of unfamiliar drivers on horizontal curves[J]. Transportation Research Record, 2014, 2458: 16-26. [本文引用:1]
[7]	Lehtonen E, Lappi O, Koirikivi I, et al. Effect of driving experience on anticipatory look-ahead fixations in real curve driving[J]. Accident Analysis and Prevention, 2014, 70: 195-208. [本文引用:1]
[8]	Atchley P, Dressel J. Comersation limits the functional field of view[J]. Human Factors, 2004, 46(4): 664-673. [本文引用:1]
[9]	Zhang W, Kontou E. Isolating stationary and temporal sources of driver distraction through eye tracking study[J]. Advances in Transportation Studies, 2014, 1(Special Issue): 87-100. [本文引用:1]
[10]	Harbluk J L, Noy Y I, Trbovich P L, et al. An on-road assessment of cognitive distraction: impacts on drivers' visual behavior and braking performance[J]. Accident Analysis & Prevention, 2007, 39(2): 372-379. [本文引用:1]
[11]	田晶晶, 李世武, 孙文财, 等. 高速公路隧道环境对驾驶人视觉特性的影响[J]. 长安大学学报: 自然科学版, 2015, 35(增刊1): 216-221. Tian Jing-jing, Li Shi-wu, Sun Wen-cai, et al. Effect of freeway tunnel on driver's visual characteristics[J]. Journal of Chang'an University (Natural Science Edition), 2015, 35(Sup. 1): 216-221. [本文引用:1]
[12]	张文会, 李鹏辉, 胡孟夏, 等. 高速公路驾驶人超车过程视觉行为特性[J]. 清华大学学报: 自然科学版, 2014, 54(9): 1204-1208. Zhang Wen-hui, Li Peng-hui, Hu Meng-xia, et al. Driver's visual behavior characteristics during overtaking on a freeway[J]. Tsinghua University (Natural Science), 2014, 54(9): 1204-1208. [本文引用:1]
[13]	吴付威, 付锐, 牛增良. 车辆换道过程中驾驶人注视转移模式研究[J]. 交通运输系统工程与信息, 2014, 14(2): 68-73. Wu Fu-wei, Fu Rui, Niu Zeng-liang. Driver's fixation transition mode during lane changing process[J]. Journal of Transportation Systems Engineering and Information Technology, 2014, 14(2): 68-73. [本文引用:1]
[14]	马勇, 付锐, 孟妮, 等. 道路环境对驾驶人眼动行为影响的试验研究[J]. 交通运输系统工程与信息, 2015, 15(3): 82-88. Ma Yong, Fu Rui, Meng Ni, et al. Impact of road conditions on car drivers fixation behavior with on-road vehicle tests[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(3): 82-88. [本文引用:1]
[15]	李显生, 付坤. 驾驶员生理状态对驾驶行为差错的影响[J]. 吉林大学学报: 工学版, 2012, 42(增刊1): 161-165. Li Xian-sheng, Fu Kun. Effect analysis of drivers' physiological states causing their behavior errors during driving[J]. Journal of Jilin University (Engineering and Technology Edition), 2012, 42(Sup. 1): 161-165. [本文引用:1]

0.0

... 我国关于道路交通事故数据统计中,每年约有40%发生在城市道路上,90%的交通事故是由驾驶人因素导致的^[1],视觉获取的道路交通信息约是驾驶人各器官总和的80%^[2] ...

2000

0.0

2009

0.0

... 国外学者采用虚拟场景及实车试验方法研究年龄和性别对驾驶人视觉的影响^[3,4]、驾驶人在特定路段的视觉特性^[5,6,7]、应用视觉分析驾驶人注意力分散^[8,9,10] ...

2011

0.0

2015

0.0

2014

0.0

2014

0.0

2004

0.0

2014

0.0

2007

0.0

2015

0.0

. 2015, 35(增刊1):216-221

Effect of freeway tunnel on driver's visual characteristics

高速公路隧道环境对驾驶人视觉特性的影响

Tian Jing-jing , Li Shi-wu , Sun Wen-cai

田晶晶, 李世武, 孙文财

为了定量分析高速公路隧道对车辆行车安全的影响,采用Smart Eye眼动仪、照度计、五轮仪和行驶记录仪搭建了道路试验平台,选取长春—珲春高速路段双向共24个隧道分别进行了2次实车道路试验,对比分析了不同等级隧道对驾驶人瞳孔直径、注视特性和眨眼特性变化的影响。通过试验分析可知:在隧道环境下,驾驶人的瞳孔直径均值随着隧道长度的增加而增大来适应隧道的低照度环境;驾驶人平均注视时间随着隧道长度的增加而减小,平均注视次数增加,驾驶人逐渐适应隧道内低照度环境,视认难度降低;驾驶人的平均眨眼次数随着隧道长度的增加而增多,驾驶人逐渐适应隧道内低照度环境,注意力降低。通过对高速公路隧道环境对驾驶人视觉特性的影响的分析,可以为不同等级隧道照明装置以及交通指示装置的设定提供理论基础。

... 国内学者多采用理论模型和道路试验方法研究在特殊路段^[11]、驾驶行为变化^[12,13]过程中驾驶人视觉特性的变化规律,道路环境对驾驶人眼动行为的影响^[14],以及驾驶人生理状态对驾驶行为差错的影响^[15] ...

2014

0.0

. 2014, 54(9):1204-1208

Driver's visual behavior characteristics during overtaking on a freeway

高速公路驾驶人超车过程视觉行为特性

Zhang Wen-hui , Li Peng-hui , Hu Meng-xia

张文会, 李鹏辉, 胡孟夏

摘　要：基于驾驶模拟器构建高速公路超车行为模拟场景,利用眼动仪采集30位驾驶人的眼动视频数据,通过后处理软件逐帧分析,获得驾驶人超车过程中注视、扫视和眨眼等视觉行为参数。将驾驶人视觉区域划分为左后视镜、右后视镜、原始车道、目标车道和其余区域共5部分,经过统计分析,获得驾驶人视觉区域驻留概率。研究结果表明：驾驶人超车过程中目标车辆的速度对注视频率、扫视频率、眨眼频率和平均眨眼时间没有显著影响,与平均扫视时间正相关,与平均注视时间负相关;在同一速度水平下,超车目标为大型车时,驾驶人的平均注视时间、平均扫视时间较长,注视频率、扫视频率较低。超车过程中驾驶人在原始车道和目标车道的驻留时间概率超过70%,在左后视镜和右后视镜驻留时间概率相差不大,均为7%左右,在其他区域驻留时间概率为10%左右。驾驶人主要通过观察目标车道和原始车道获得交通信息,通过左后视镜和右后视镜获得交通信息的概率（约为14%）高于其余区域。

2014

0.0

. 2014, 14(2):68-73 DOI:doi:10.3969/j.issn.1009-6744.2014.02.011

Driver's fixation transition mode during lane changing process

车辆换道过程中驾驶人注视转移模式研究

Wu Fu-wei , Fu Rui , Niu Zeng-liang

吴付威, 付锐, 牛增良

为了研究高速公路换道过程中驾驶人的视觉转移特性,在高速公路上开展实车换道试验,利用faceLAB 5非接触式眼动仪,监控并记录13名驾驶人在换道过程中的眼动行为数据.首先根据眼动数据的统计分析得出换道意图阶段时窗宽度;然后运用马尔可夫链理论,探索注视点在各个注视区域之间的注视转移规律及其平稳分布特性;最后分析在换道意图阶段与换道执行阶段驾驶人的注视分布情况差异.研究发现,在换道意图阶段驾驶人的视线在原车道与目标车道之间转移比正常驾驶更为频繁,且水平方向视线分布角度更广.研究结果能够为判断驾驶人是否有换道意图提供理论依据.

2015

0.0

. 2015, 15(3):82-88

Impact of road conditions on car drivers fixation behavior with on-road vehicle tests

道路环境对驾驶人眼动行为影响的试验研究

Ma Yong , Fu Rui , Meng Ni

马勇, 付锐, 孟妮

为了分析道路类型条件对驾驶人眼动行为的影响,分别在城市道路、城乡结合道路及山区公路上开展试验,利用Eye LinkⅡ型眼动仪对20名驾驶人的眼动行为进行测试和记录,分析不同道路环境中驾驶人的注视区域、注视目标及注视时长等特征.结果表明,驾驶人根据道路环境的变化调整其视觉搜索行为,在交通环境相对简单的道路上,驾驶人注视较远且平均注视时间较短,而在交通环境复杂多变的道路上,驾驶人注视较近且平均注视时间较长.研究结果为深入研究驾驶人的视觉行为规律、提高驾驶人行车安全性奠定了试验基础.

2012

0.0

. 2012, 42(增刊1):161-165

Effect analysis of drivers' physiological states causing their behavior errors during driving

驾驶员生理状态对驾驶行为差错的影响

Li Xian-sheng , Fu Kun

李显生, 付坤

A driving behavior motion system was established according to the physiological mechanism of driving behaviors, which describes a variety of physiological states and the corresponding driving behavior errors. By group survey of 470 drivers, contingency table analysis on driving behavior errors which were caused by the driver' physiological states was applied. The results show that the drivers' physiology states and the driving behaviors are highly correlated.

根据驾驶行为的生理机制,建立了驾驶行为运动系统,并依据人的行为差错理论分析了驾驶行为过程中驾驶员的各种生理状态,以及生理状态导致的各种驾驶行为差错。通过分组调查470名驾驶员的生理状态导致的驾驶行为差错,应用主成份分析原理,得出驾驶员的生理状态对驾驶行为差错的影响。