从SAE2级和3级自动驾驶到人工控制的接管时间:系统综述与元分析

Systematic review and meta-analysis of take-over time from automated driving at SAE levels 2 and 3 to manual control

从SAE2级和3级自动驾驶到人工控制的接管时间：系统综述与元分析

作者：Marios Sekadakis, George Yannis

1.引言

随着自动驾驶技术的快速发展，道路运输的安全性、效率和用户舒适性有望得到提升。鉴于人为因素导致了高达94%的交通事故，自动驾驶车辆的普及预计将显著减少与交通事故的人为错误。然而，在通往全自动驾驶的过渡阶段，即SAE 2级和3级自动化水平下，驾驶员仍需在系统发出接管请求时重新通过人工控制车辆，这一过渡过程充满了安全挑战。理解影响接管时间的因素对于确保驾驶员有效且安全地响应接管请求至关重要，特别是考虑到道路环境、交通状况及人机交互设计的复杂性。本研究采用系统综述与元分析的方法，基于PRISMA框架筛选了51项实证研究，深入探讨了道路类型、交通流量、自动化等级、HMI设计及接管请求（Takeover Request, TOR）警报类型对接管时间的影响，并进一步分析了TOT与驾驶绩效及安全指标之间的关联，旨在填补现有文献中关于多因素交互影响TOT的空白，为设计以人为本的自适应自动驾驶系统提供科学依据。

2.研究背景与目标

2.1接管过程与关键概念

在SAE 2级和3级系统中，驾驶员的角色发生了根本性变化。在2级系统中，驾驶员需持续监控环境；而在3级系统中，驾驶员可以从事非驾驶相关任务，但必须准备好在系统请求时接管车辆。

接管过程是一个包含感知、认知处理、决策制定、动作准备以及最终车辆控制动作的复杂序列。这一过程受到多种情境因素的影响，必须在有限的“时间预算”内完成，以避免安全事故（见图1）。

图1 从自动驾驶到人工控制的接管过程及关键时间点

2.2研究目标

本研究旨在解决以下核心研究问题（RQ）：

RQ1：接管时间在不同道路环境（高速公路、农村道路、城市道路）中有何变化？

RQ2：交通流量（从自由流到高密度交通）如何影响驾驶员接管所需的时间？

RQ3：自动化等级对接管时间有何影响？

RQ4：不同的HMI设计或TOR警报类型如何改变接管时间？

RQ5：不同的TOT如何影响驾驶绩效和安全指标，且这些影响如何量化？

3.方法

3.1文献检索与筛选

研究采用了系统综述和元分析的首选报告项目（Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA）指南。检索范围涵盖Scopus、ScienceDirect和IEEE Xplore三大数据库，主要关注2015年以后发表的关于SAE 2级和3级接管请求的实证研究。

筛选标准严格：必须涉及SAE 2级或3级自动驾驶系统；仅限包含实验的实证研究；必须报告客观的驾驶测量数据；排除纯理论论文、综述、仅关注老年人或特定医疗状况人群的研究；经过层层筛选，最终纳入了51篇高质量研究进行详细分析（见图2）。

图2 PRISMA 2020流程图：通过数据库和注册表识别研究

3.2数据提取与变量定义

研究从文献中提取了大量变量，包括研究细节、道路环境因素、样本特征、自动驾驶相关变量、分心任务以及驾驶与安全相关测量指标。表1详细列出了部分关键变量及其编码方式。

表1 驾驶自动化分级摘要 

为了进行元分析，研究特别关注了样本量的大小，因为它决定了每个研究在分析中的权重。图3展示了纳入研究的样本量分布。

图3 系统综述中包含研究的样本量分布

3.3元分析方法

元分析分为两个阶段，聚合数据分析：计算总体效应量，评估异质性和发表偏倚。解聚数据分析：使用随机效应元回归模型处理多行数据，以深入探讨调节变量（如交通量、HMI类型）对TOT的具体影响。

4.研究结果

4.1总体描述性统计与发表偏倚

描述性统计显示，纳入研究的平均接管时间（TOT）均值为2.62秒。然而，异质性检验表明研究间存在显著差异，这说明除了随机误差外，还有其他因素导致了结果的变异，验证了进行元回归分析的必要性。漏斗图分析显示了一定的不对称性，这可能暗示存在发表偏倚，但也可能是由于反应时间数据的自然属性（即存在最小生理反应时间，且分布通常向长尾倾斜）所致（见图4）。

图4 评估发表偏倚的平均接管时间漏斗图

4.2影响接管时间的关键因素

元回归模型揭示了多个显著影响TOT的因素。表2展示了模型的具体估算值。

表2 平均TOT(s)的随机效应元回归模型

主要发现包括如下：

交通流量（负相关）：交通流量越大，TOT越短。这可能是由于复杂的交通环境迫使驾驶员保持更高的警觉性，从而反应更快；驾驶员警报（负相关）：警报的存在极大地缩短了TOT；HMI类型（HUD）：使用平视显示器相比传统仪表盘显著减少了TOT；时间预算（正相关）：给驾驶员的时间越多，他们接管所用的时间也越长，这表明在非紧急情况下驾驶员倾向于利用更多时间来平稳接管；接管紧迫性（正相关）：数据显示紧急情况下的TOT反而增加，这可能反映了高压下的认知负荷增加或决策冻结现象，或者是由于数据中包含了复杂的紧急场景；单向车道数（正相关）：车道越多，驾驶员需要处理的信息越多，TOT随之增加。

4.3敏感性分析：量化影响

为了更直观地理解各因素的影响程度，研究进行了敏感性分析，计算了各变量变化对平均TOT的百分比影响（见表3）。

表3 平均TOT的敏感性分析

结果显示，驾驶员警报是最具影响力的因素，能使TOT减少近65%。相反，接管紧迫性可能会使TOT增加约37%。

4.4道路类型与交通流量的交互影响

研究进一步分析了不同道路类型和交通流量组合下的TOT分布。

图5 不同道路类型和交通流量下的平均TOT分布

高速公路：通常表现出较长的平均TOT，这可能与高速公路驾驶环境相对单调、驾驶员警觉性较低有关。

交通流量效应：在高交通流量下，TOT普遍较短，验证了高负荷环境下驾驶员反应更快的结论。自由流状态下，驾驶员往往处于较为放松的状态，导致接管反应较慢。

4.5接管时间与安全性指标的关联

研究探讨了TOT的长短如何影响驾驶操作和安全性。

图6 接管时间与驾驶或安全测量指标的散点图

相关性分析（图6）揭示了几个关键的权衡关系：最大纵向加速度：与TOT呈强负相关。这意味着TOT越短，驾驶员的急加速行为越明显，操作越剧烈。车道位置标准差：与TOT呈显著负相关。较短的TOT伴随着更大的车道波动，表明快速接管可能牺牲了车辆控制的稳定性。平均最大横向加速度：与TOT呈负相关，同样暗示了快速接管伴随着急转弯等剧烈操作。碰撞率：虽然统计上不显著，但呈现出中度负相关趋势，即TOT越短，碰撞率似乎越高。这提示我们，过快地强迫驾驶员接管可能会增加事故风险，因为他们可能没有足够的时间全面评估环境。

5.结论

本研究通过系统的元分析，揭示了自动驾驶接管过程中影响驾驶员反应时间的复杂机制。研究发现，虽然高交通流量、有效的HMI设计和明确的驾驶员警报能显著缩短接管时间，但这种快速反应往往伴随着驾驶稳定性的下降，表现为更大的纵向加速度和车道偏离波动。相反，给予驾驶员更长的时间预算虽然延长了TOT，但有助于实现更平稳地控制过渡。此外，高速公路环境下的接管时间普遍长于复杂的城乡道路，且紧急情况下的接管反而耗时更多，这可能与高压下的认知决策延迟有关。这些发现强调了“越快不一定越好”的观点，提示未来的自动驾驶系统设计应具备情境感知能力，根据当前的交通密度、道路类型及紧迫程度动态调整接管策略，例如在复杂高压场景下提供更直观的多模态警报，或在条件允许时适当延长接管缓冲期，以在响应速度与驾驶安全之间找到最佳平衡点。

6.文献出处

Sekadakis, M., & Yannis, G. (2025). Systematic review and meta-analysis of take-over time from automated driving at SAE levels 2 and 3 to manual control. Transportation Research Part F: Psychology and Behaviour, 113, 263-306.

7.点评

这是一篇极具分量的综述性研究，其价值不仅在于对海量文献的梳理，更在于通过元分析量化了各因素对接管时间的影响权重。作者创新性地将交通流量作为一个连续变量纳入模型，揭示了交通拥堵环境下驾驶员被迫提高警觉性的有趣现象。特别是关于驾驶员警报能减少65%接管时间与紧急情况增加37%接管时间的对比发现，深刻揭示了技术辅助与心理压力之间的博弈。此外，研究指出的快速接管与车辆控制稳定性之间的权衡对OEM厂商极具指导意义，即盲目追求短接管时间可能会牺牲安全性。尽管受限于原始研究数据的异质性和自然驾驶数据的匮乏，该研究仍为SAE L3级自动驾驶系统的HMI设计标准制定提供了坚实的实证基础，特别是在如何平衡警报强度与接管平稳性方面指明了方向。

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 蒋宇

审核丨 张思晴

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！