Cyclists’ Crossing Intentions When Interacting with Automated Vehicles: A Virtual Reality Study

与自动驾驶汽车交互时骑行者的横穿意图：一项虚拟现实研究

作者：Juan Pablo Nuñez Velasco , Anouk de Vries, Haneen Farah

1.引言

自动驾驶汽车（AVs）被认为有望提升道路安全，但这一潜力的实现高度依赖于非自动化道路使用者（尤其是骑行者）与 AVs 的互动质量。在全球骑行者数量持续增长的背景下，骑行者与机动车碰撞引发的死亡事故仍较为突出，而 AVs 无驾驶员的特性使得传统人车互动中的非语言沟通难以延续，这一变化对骑行者过街决策的影响尚未明确。现有研究多通过照片、动画等非沉浸式手段探究骑行者与 AVs 的互动，未能精准还原真实交通场景的体验，且对车辆类型、间距、车速、路权规则及心理因素的综合作用缺乏系统验证。因此，本研究以 47 名日常骑行者为样本，采用 360° 视频虚拟现实（VR）技术开展重复测量实验，通过 16 种不同场景组合，探究车辆类型（AVs 与传统机动车 CVs）、骑行者与车辆的间距、车辆速度、路权规则及信任度、感知行为控制、感知风险等因素对骑行者过街意图的影响，同时验证 360° 视频 VR 方法在该领域研究中的适用性，为 AVs 与骑行者的安全互动及城市场景落地提供实证依据。

2.研究内容

本研究以日常骑行者为研究对象，采用 360° 视频虚拟现实（VR）重复测量实验设计，通过 16 种车辆类型（AV/CV）、骑行者与车辆间距、车速、路权规则的场景组合，探究上述客观因素及信任度、感知行为控制、感知风险等心理因素对骑行者过街意图（继续骑行、加速、减速 / 停车）的影响，同时验证 360° 视频 VR 技术在该领域研究中的适用性，为 AVs 与骑行者的安全互动提供实证支撑。

3.研究方法

3.1 参与者

本研究通过代尔夫特理工大学内部招募渠道（以在校及往届学生为主）筛选参与者，核心纳入标准为：18 岁及以上、日常骑行者（确保对骑行场景的熟悉度）、视力正常或矫正后正常（因 VR 设备与眼镜无法兼容）。初始招募 50 名潜在参与者，剔除 3 名不符合视力要求的样本后，最终获得 47 名有效参与者（有效率 94.0%）。

参与者基本特征如下：性别分布为男性 51.1%（24 人）、女性 48.9%（23 人）；年龄介于 19-30 岁，均值为 24.0 岁（SD=2.7），采用均质化年龄样本以排除年龄对过街意图的干扰；骑行行为方面，97.9%（46 人）每日骑行，日常累计骑行时长多为 15-60 分钟；AVs 认知方面，91.5%（43 人）知晓 AVs 基本概念，自报 AVs 知识水平均值 3.4 分（1 =几乎不了解，6 =非常了解，SD=1.2），男女无显著差异（t (45)=-0.16, p=0.87）。

心理特征层面，采用 7 点李克特量表测量对 AVs 的信任度，均值为 4.7 分（SD=0.9），男女无显著差异（t (45)=0.53, p=0.60）；参与者被分为三组：6 人更信任 AVs、14 人更信任传统机动车（CV）、27人信任度无差异，三组信任度得分存在显著差异（F (2,44)=8.21, p=0.001），Bonferroni 事后检验显示 “更信任 AVs 组”（M=5.4, SD=0.5）和 “信任度无差异组”（M=4.8, SD=0.8）得分显著高于 “更信任 CV 组”（M=4.0, SD=1.0）。此外，基于改编版行人行为量表（PBS）得分，将参与者分为低风险组（24 人，M=2.3, SD=0.3）与高风险组（23 人，M=3.1, SD=0.4），两组风险偏好差异显著（t (45)=-7.10, p<0.001），但AV信任度无显著差异（t (45)=-0.16, p=0.87）。

3.2 研究流程

本研究采用重复测量实验设计，全程约 60 分钟，具体流程如下：

1、准备阶段（10 分钟）：参与者签署纸质知情同意书，填写人口统计学问卷（年龄、性别、骑行频率等）、视力筛查问卷、改编版 PBS 及模拟晕动症量表（MISC）基线问卷；

2、阶段 1 实验（15 分钟）：参与者佩戴 VR 设备，观看第一组 8个随机场景（VR 视频截图见图 1），视频停止后口头报告过街意图（继续骑行 / 加速骑行 / 减速 / 停车），研究者现场记录；完成后填写 MISC 问卷，随后观看第二组 8个场景，结束后再次填写 MISC；

3、中间测量（10 分钟）：参与者回答车辆差异感知问卷（是否发现车辆不同、是否识别出 AV）、感知行为控制（PBC）与感知风险（PR）量表（仅感知到车辆差异者填写）、AVs 知识问卷及 AV 信任量表；随后通过图片（见图1）明确告知 AV 与 CV 的外观区别及实验设计目的；

4、阶段 2 实验（15 分钟）：流程同阶段1，观看16个相同场景（顺序重新随机），中途及结束后填写 MISC 问卷；

5、收尾阶段（10 分钟）：参与者填写存在感问卷，研究者进行实验说明与答疑（debrief），保障参与者知情权。

所有实验数据后续通过 SPSS 统计软件进行定量分析，核心分析框架基于 360°视频 VR 场景下的骑行者过街意图影响因素模型展开，重点探究客观变量与心理变量的共同作用。

图1 360°VR 视频截图（展示车辆不同间距下的呈现效果）

3.3 调查工具

问卷围绕 “计划行为理论（TPB）核心构念 + AVs 感知障碍” 双维度设计，其中 TPB 相关测量工具改编自 Yuen 等（2020a）的成熟量表，感知障碍模块基于 Raj等（2020）识别的10项关键障碍精简为 6 项，确保测量工具的科学性与场景适配性；所有题项均采用7点李克特量表（1 = 强烈反对，7 = 强烈同意），维度信度通过 Cronbach's α 系数检验（结果详见表1，α 均 > 0.7，符合学术标准）。

表1 实验变量及水平表

3.3.1 人口统计学模块

含6个核心问题，测查参与者年龄、性别、日常骑行频率、累计骑行时长、AVs 知识水平及对AVs的基本认知，全面掌握样本背景特征，为后续数据分析控制无关变量。

3.3.2 TPB构念模块

共 6 题，聚焦影响骑行者过街意图的关键心理因素，各维度题项及信度如下：

1.AV信任量表：3题（如“我总体信任自动驾驶汽车”“我信任自动驾驶汽车能注意到我”“我信任自动驾驶汽车会安全行驶”），Cronbach's α=0.81，测量对AVs的整体信任水平；

2.感知行为控制（PBC）量表：2 题（如“对我而言,以这种方式过街是可行的”“我有能力在该场景中安全过街”），7 点反向计分（得分越高表示PBC越低），Cronbach's α=0.78；

3.感知风险（PR）量表：1 题（“在该场景中过街的风险较高”），Cronbach's α=0.73，直接测量对过街场景的风险感知强度。

3.3.3  VR 体验评估模块

含2个核心量表，用于验证360°视频VR技术在本研究中的适用性：

1.存在感问卷（Presence Questionnaire）：14题，含参与度、适应 / 沉浸感、界面质量3个维度（如“我与环境的互动很自然”“我的感官完全投入到体验中”“界面操作便捷性良好”），Cronbach's α=0.85，量表结果详见表2，用于评估 VR 场景的真实感与沉浸度；

2.模拟晕动症量表（Misery Scale, MISC）：0-10分（0 = 无任何晕动症状，10 = 极度晕动），分别在实验前（基线）、阶段 1 中途、阶段 1 结束、阶段 2 中途、实验结束时测量，量表结果详见表3，用于评估 VR 设备带来的晕动反应，保障实验安全性。

表2 存在感问卷结果表（1 = 低存在感，7 = 高存在感）

表3 模拟晕动症量表（MISC）分阶段得分表（0 = 无症状，10 = 极度晕动）

3.4 数据处理与分析方法

采用 SPSS 统计软件开展以下分析，设定统计显著性水平为 p<0.05（单变量检验）与 p<0.001（多重比较校正）：

1、描述性统计：计算各变量（信任度、PBC、PR、存在感、MISC得分）的均值、标准差，呈现样本对 AVs 的认知特征及VR体验效果（结果见表 2、表 3、表4）。

2、相关性分析：通过 Pearson 相关检验年龄、骑行频率、AVs 知识水平、TPB扩展构念与过街意图间的关联强度及方向。

3、多项式逻辑混合回归（MLMR）分析：以 “继续骑行”为参照类别，分混合模型（两阶段数据合并）与分阶段模型（阶段1、阶段2 数据分别分析），探究客观因素（车辆类型、间距、车速、路权）及TPB扩展构念对“减速”“加速”两种过街意图的预测效应。

4、模型性能评估：通过- 2对数似然值（-2LL）、赤池信息准则（AIC）、贝叶斯信息准则（BIC）对比不同模型的拟合效果，结果详见表5，验证模型适配性。

5、组间差异检验：通过 Bonferroni 事后检验分析不同信任度组、风险组的过街意图差异，明确心理变量的调节作用。

表4 感知行为控制（PBC）与感知风险（PR）分阶段得分表（7 点量表）

表5 模型性能对比表

4.研究结果

4.1 人口统计学与骑行相关结果

本研究共纳入47名参与者，其中男性24名、女性23名，平均年龄为24.0岁（SD=2.7），为排除年龄对过街意图的潜在干扰，研究采用了年龄均质化处理。参与者的骑行行为具有高度一致性，97.9%的参与者（46人）保持每日骑行的习惯，累计骑行时长多集中在15-60分钟之间。在自动驾驶汽车（AVs）的认知层面，91.5%的参与者（43人）知晓AVs的基本概念，其AVs知识水平自评均值为3.4分（1=几乎不了解，6=非常了解，SD=1.2），且这种知识水平在男女参与者之间未呈现显著差异（t(45)=-0.16, p=0.87）。

基于改编版行人行为量表（PBS）的得分结果，参与者被划分为低风险组（24人，M=2.3，SD=0.3）与高风险组（23人，M=3.1，SD=0.4），两组在风险偏好上存在显著差异（t(45)=-7.10, p<0.001），但在AV信任度方面未表现出显著区别（t(45)=-0.16, p=0.87）。参与者对AV的整体信任度均值为4.7分（7点量表，1=低信任，7=高信任，SD=0.9），且该信任度在男女参与者之间无显著差异（t(45)=0.53, p=0.60）；进一步按信任倾向细分，6人更信任AV、14人更信任传统机动车（CV）、27人对两者信任度无差异，三组的信任度得分存在显著差异（F(2,44)=8.21, p=0.001）。

人口统计学特征对过街意图的影响不显著，性别与年龄均未成为过街意图的有效预测因素（p>0.05）。在实验阶段1的车辆感知测试中，74.5%的参与者（35人）能够察觉到车辆外观的差异，但仅有10.6%的参与者（5人）能够准确识别出AV；值得注意的是，未感知到车辆差异与感知到差异的参与者，其过街意图并未表现出显著差异，说明车辆外观差异本身并未直接影响过街决策。

4.2 计划行为理论（TPB）扩展因素与过街意图的关系

多项式逻辑混合回归（MLMR）模型分析的相关结果如表6与表7所示，间距和路权是影响骑行者过街意图的首要客观预测因素，二者共同对过街意图的变异做出了显著解释（p<0.001）。具体来看，当骑行者与车辆的间距≤4.2m 时，骑行者的减速意图显著增强，其中 2.8m 间距下的优势比（OR）为 10.55，4.2m 间距下的 OR 为 10.92（均 p<0.001）；进一步而言，仅在间距为 2.8m 这一特定条件下，骑行者的加速意图才显著升高（OR=2.86，p<0.001），而当间距≥11.1m 时，间距因素对过街意图不再产生显著影响（p>0.05）。在路权维度上，当骑行者拥有优先路权时，其减速和加速意图均显著降低，对应的 OR 值分别为 0.13 和 0.37（均 p<0.001），此时骑行者更倾向于维持原有骑行状态继续过街。

部分客观因素并未对骑行者过街意图产生显著影响，车辆类型（自动驾驶汽车 AV 与传统机动车 CV）无显著主效应，其对减速意图的优势比（OR）为 0.83（p=0.33），对加速意图的 OR 为 1.29（p=0.18），车速差异（20km/h 与 30km/h）同样未对过街意图构成显著预测作用（p>0.05）。

在心理因素层面，AV 信任度量表的得分未直接对骑行者过街意图产生显著影响（p>0.05），但基于风险偏好划分的风险组对过街意图具有显著预测力，低风险组比高风险组更倾向于通过调整速度应对过街场景，其减速意图的 OR 为 1.76（p<0.001），加速意图的 OR 为 1.35（p=0.05），且这两个效应的效应量均处于中等水平，说明风险偏好是影响骑行者过街速度调整决策的重要心理变量。

表6 过街意图MLMR混合模型结果表（两阶段数据合并）

表7 过街意图MLMR分阶段模型结果表

4.3 感知因素（PBC 与 PR）的特征分析

感知行为控制（PBC）与感知风险（PR）在实验不同阶段的得分呈现出差异化变化特征，但二者的统计显著性表现存在差异。在PBC维度上，阶段1中自动驾驶汽车（AV）的得分（M=5.2，SD=1.0）略高于传统机动车（CV）（M=4.8，SD=1.2），进入阶段2后这一趋势出现反转，AV的PBC得分（M=5.0，SD=1.1）低于CV（M=5.2，SD=1.3），但无论是同一阶段内两类车辆之间，还是不同阶段的整体对比，PBC得分均未达到统计显著差异（p>0.05），且实验全程的整体PBC得分保持稳定，阶段1（M=5.0，SD=0.8）与阶段2（M=5.1，SD=1.0）之间无显著变化。

在感知风险（PR）层面，阶段1的得分表现出显著的车辆类型差异，AV的PR得分（M=5.0，SD=1.1）显著高于CV（M=4.2，SD=1.0），该差异具有统计学意义（t(34)=-3.02, p=0.005）；随着实验推进至阶段2，CV的PR得分（M=5.0，SD=1.2）较阶段1出现显著提升（t(34)=-3.76, p=0.001），而AV的PR得分（M=4.7，SD=1.2）与阶段1相比未发生显著变化（p>0.05），这种单向变化最终消除了两类车辆在PR得分上的初始差异，使得阶段2中AV与CV的PR得分无显著统计学差异。

4.4 分阶段模型与调节效应结果

不同阶段模型的拟合效果存在显著差异，阶段1模型的拟合表现最优，其-2对数似然值（-2LL=4095.7）、赤池信息准则（AIC=4099.8）与贝叶斯信息准则（BIC=4108.3）均优于阶段2模型（-2LL=5407.7，AIC=5411.7，BIC=5420.9）及混合模型（-2LL=10970.2，AIC=10974.2，BIC=10984.8）。

分阶段分析表明不同阶段各类因素对骑行者过街意图的影响存在显著差异，阶段1未告知车辆类型时间距（2.8m、4.2m）与路权对过街意图影响显著（p<0.001），AVs知识水平（OR=0.77，p<0.05）与CV的PBC（OR=0.73，p<0.05）对减速意图有微弱负向影响且效应量均为小，阶段2明确车辆类型后间距与路权的影响进一步强化，2.8m间距下减速意图OR=13.32、加速意图OR=4.84（均p<0.001），心理因素开始发挥关键作用，更信任AV的骑行者减速（OR=0.39，p=0.06）与加速（OR=0.24，p<0.01）意图显著降低，AV的PBC对两者呈正向影响（OR=1.69、2.09，p<0.05），AV的PR呈负向影响（OR=0.53-0.54，p<0.001），车辆类型与信任度交互效应显著，更信任CV的骑行者在CV场景中更倾向继续骑行，减速OR=0.31（p<0.05）、加速OR=0.34（p<0.01）。

为验证实验中的学习效应，研究将阶段1的数据分为前后两半进行对比分析，结果显示，间距对减速意图的效应量在数据后半段（OR=10.3）大于前半段（OR=6.6），这一结果证实，场景的重复呈现有效提升了骑行者对间距的判断精度，明确了实验中存在学习效应。

5.结论

本研究基于计划行为理论（TPB）扩展框架，以 47 名日常骑行者为样本，采用 360° 视频 VR 重复测量实验，探究骑行者与 AVs、CVs 互动时的过街意图影响因素。间距和路权为核心客观因素，间距≤4.2m 时骑行者倾向减速、仅 2.8m 间距下部分加速，拥有路权时更倾向继续骑行，车辆类型与车速无显著影响。心理层面，相对信任度预测力优于绝对信任度，PBC 与 PR 仅知晓车辆类型后生效，低风险组更易调整速度。360°VR 技术适用性良好，人口统计学特征及 AVs 知识水平无显著影响，印证车辆类型非核心因素。

6.参考文献

Nuñez Velasco, J. P., de Vries, A., Farah, H., van Arem, B., & Hagenzieker, M. P. (2020). Cyclists’ crossing intentions when interacting with automated vehicles: A virtual reality study. Information, 12(1), 7.

7.点评

该研究基于计划行为理论（TPB）扩展框架，结合 360° 视频虚拟现实（VR）重复测量实验，探究骑行者与自动驾驶汽车（AVs）、传统机动车（CVs）互动时的过街意图，填补了 “骑行者 - AVs 互动研究中沉浸式方法缺失” 与 “心理因素与客观场景因素交互机制不明” 的研究空白。然而研究存在局限，首先，样本职业与年龄代表性不足；其次，VR 设备缺乏周边视觉，可能影响车辆检测时机与过街决策。未来需扩大跨区域、多年龄层、多职业样本以提升代表性；优化 VR 设备还原真实骑行中的周边视觉，探究骑行者与 AVs 长期互动中的行为适应规律，进一步提升结论普适性。

注：由于水平有限，翻译中难免存在不准确或错误之处，请以原文为准，并欢迎指正。

知识搬运工（翻译者）丨 吉丹凤

审核丨 张秀伟

出品丨 合肥工业大学 运输与安全研究所

版权声明

本文为《合肥工业大学 运输与安全研究所》独家撰写，如需转载，

请注明出处，谢谢！