有条件自动驾驶情境下驾驶员疲劳的个性化整体干预研究

Counteracting driver fatigue in the context of conditional automated driving: an individualized and overarching approach

有条件自动驾驶情境下驾驶员疲劳的个性化整体干预研究

作者：Alexandra Loew，Christina Kurpiers，Martin Götze，Christian Gold，Klaus Bengler

1.引言

随着有条件自动驾驶（SAE L3）的逐步落地，驾驶员在接管车辆后仍需继续执行手动驾驶任务，而自动化阶段诱发的疲劳可能持续影响后续驾驶表现，成为影响行车安全的关键隐患。以往研究多聚焦于自动化期间的疲劳监测与即时干预，缺乏对接管后疲劳持续效应的系统考察，且较少探讨干预措施的个性化适配问题。本研究通过驾驶模拟器实验，结合主观疲劳量表与多维度驾驶绩效指标，系统比较了标准化与个性化车载功能组合（如温控、照明、音乐、座椅调节等）对自动化阶段及接管后驾驶疲劳的缓解效果，为智能座舱疲劳干预策略的延展设计提供了实证依据。

2.研究内容

本研究使用驾驶模拟器进行实验，探究在SAE L3场景下驾驶员疲劳的检测与抵消机制；研究设计包含疲劳诱导阶段与抵消措施应用阶段，并比较标准化车内功能组合、个性化组合及无措施三种条件下的主观疲劳与接管后手动驾驶绩效。

3.研究方法

3.1参与者

本研究共招募82名参与者（41名女性），每名参与者完成一次约1.5小时的模拟驾驶实验，包括自动化驾驶前、中、后三个阶段。因技术故障及未在规定时间内达到疲劳阈值，分别排除4名和15名参与者，最终纳入分析的样本中包含63名参与者。

3.2研究设计

本研究采用2×3混合设计。第一个被试内变量为“驾驶阶段”，包含两次人工驾驶，分别安排在有条件自动驾驶之前与之后。条件自动驾驶前的驾驶阶段作为被试清醒状态下驾驶行为的基线。第二个被试间自变量为干预措施。标准化组的被试体验一组固定的车内功能组合；个性化组则是根据被试偏好组合这些车内功能；控制组在条件自动驾驶阶段不施加任何干预措施。为保证可比性，明确告知被试不得从事任何活动，并关闭车辆信息娱乐系统。被试被随机分配到各组，年龄与性别分布较为均衡。

3.3 干预措施——“车内功能组合”

干预措施由车内功能组合构成。在个性化版本中，被试需填写一份初步问卷，回答其通常在驾驶疲劳时采取的应对方式。基于预试验中报告频率最高的策略，提供了五个选项：打开车窗、开启制冷、听音乐、打开照明、调节座椅，允许多选。表1汇总了这些车内功能及其实现方式。车内功能的实现依据文献确定。根据初步问卷中个体答案，为每位被试设置不同的车内功能组合。

表1 本研究车辆内功能概览

3.4实验场景

实验包括三个部分：15分钟的手动驾驶基线测试、有条件自动驾驶阶段（CAD），以及CAD后的15分钟手动驾驶测试。图1示意性地说明了这一流程。所有参与者在CAD前后的手动驾驶路线完全相同。在CAD阶段，系统以130公里/小时的速度管理车辆的横向和纵向控制。通过方向盘按钮激活自动驾驶功能，系统状态持续显示在方向盘后方的仪表盘上。CAD阶段结束时，通过听觉和视觉提示发出接管请求（TOR）。

图1 研究流程示意图

参与者每五分钟被询问一次其困倦程度，采用卡罗林斯卡嗜睡量表（KSS）来进行量化困倦程度。在CAD期间，参与者不得从事非驾驶相关活动（NDRAs）。如果参与者在CAD期间报告KSS值达到7，则启动标准化或个性化干预措施。对照组则在无干预的情况下继续进行有条件自动驾驶5分钟。如果参与者在此时间内未出现疲劳，则在60分钟后启动TOR。TOR包括听觉警报和仪表盘上显示的视觉人机界面（HMI），以方向盘图标及双手握持的图形示意。

3.5 实验设备

本研究在驾驶模拟器上进行，模拟场景设定为黄昏时分，交通流量较低，路线以直道为主，以营造单调的驾驶环境。

3.6 因变量

采用KSS作为驾驶员疲劳的主观报告测量工具。该量表为9点李克特量表，范围从“非常警觉”（1）到“困倦，但尚需努力保持清醒”（9）。

在CAD阶段之前和之后的两段手动驾驶中，对驾驶表现进行了测量。因此，评估了横向位置标准差（SDLP）、最小碰撞时间（TTC），以及与前车车头时距的均值和标准差这些参数。

为衡量驾驶员在接管情境中的表现，记录了驾驶员干预的时间与质量指标。测得了双手握持时间、最小TTC、最大侧向加速度和最大纵向加速度这些参数。

3.7统计程序与数据分析

手动驾驶时段被划分为每5分钟一段，与每5分钟一次的主观疲劳自评（KSS）在时间上保持一致。

首先，对CAD过程中的驾驶员疲劳进行评估，采用2×3的混合设计方差分析（ANOVA）。随后，针对因变量KSS，计算2×3×3的三因素混合ANOVA。下一步，对驾驶绩效指标进行2×3×3的多变量方差分析（MANOVA），其中包含相同的被试内和被试间因素。

4.研究结果

4.1 抗疲劳干预措施对条件自动驾驶中驾驶员疲劳的影响

第一步，分析在CAD中应用抗疲劳干预措施对驾驶员疲劳的影响，为此比较了“措施开始”与“措施结束”两个测量时间点。图2展示了采用不同措施应用方式时，CAD过程中驾驶员自我报告的疲劳变化趋势。参与者驾驶至KSS达到7分的中位时间为15分钟。

采用3×2混合方差分析，其中时间为被试内因素，不同的抗疲劳干预措施为被试间因素。结果显示时间主效应显著，不同措施主效应显著，效应量均较大。事后成对比较表明，“个性化”与“无措施”和“标准化”与“无措施”间差异显著，而“个性化”与“标准化”间无显著差异。此外，时间与抗疲劳干预措施的交互效应显著，效应量较大（见表2）。结果表明，与无措施相比，应用措施能显著降低驾驶员自我报告的疲劳水平；无措施组维持在高疲劳水平（KSS=7），各效应量均较大。

图2 在条件自动驾驶的各个条件下，自我报告的平均疲劳水平

表2 事后成对比较

4.2 抗疲劳干预措施对接管性能的影响

对三组（标准化、个性化、无措施）的接管性能进行比较，统计分析结果见表3，结果显示，各组间接管性能无显著差异。

表3 用于单因素组间方差分析的推断统计

4.3 抗疲劳干预措施对条件自动驾驶后驾驶员疲劳与驾驶表现的影响

KSS结果见图3，采用2×3×3的混合方差分析，其中驾驶阶段与测量时间为被试内因素，抗疲劳干预措施为被试间因素。结果显示，驾驶阶段主效应显著，测量时间主效应显著，效应量均较大。事后成对比较表明，5分钟与10分钟、5分钟与15分钟、10分钟与15分钟之间差异显著。结果表明，第二次手动驾驶中的自我报告疲劳水平高于第一次，且两次手动驾驶中疲劳均随测量时间增加而上升。三组间（无措施、标准化、个性化）无显著差异，表明标准化或个性化的车内功能在第二次手动驾驶中并未显著影响自我报告疲劳。

采用2×3×3混合多元方差分析（MANOVA）驾驶表现的结果显示，驾驶阶段主效应显著，测量时间主效应显著，效应量均较大，其余结果均不显著。随后，针对驾驶阶段与测量时间分别进行了单变量方差分析（见表4）。结果表明，与第一次手动驾驶相比，参与者在第二次手动驾驶中与前车距离显著更小，且车道保持问题显著更多。此外，Bonferroni校正的事后分析显示，第三个测量时间的横向位置标准差（SDLP）显著高于第一个测量时间。

图3 在第一次和第二次手动驾驶中，不同条件下的平均自我报告疲劳水平

表4 单变量检验结果

5.结论

本研究强调了在有条件自动驾驶（CAD）中采取有效抗疲劳干预措施的重要性，未干预条件下驾驶员疲劳水平持续偏高。尽管标准化与个性化干预均能在CAD期间显著缓解自报疲劳，但这一效果在接管后未能延续，对接管后的驾驶表现与疲劳状态无积极影响。结果表明，抗疲劳措施仅具有短暂效应，无法应对接管后的再次疲劳，需要更全面地保障自动化与手动驾驶间的安全过渡，并关注接管后的疲劳管理。此外，个性化干预相较于标准化设置未表现出明显优势，未来的研究应进一步探索涵盖自动驾驶阶段及接管后的持续抗疲劳策略。

6.文献出处

Loew A, Kurpiers C, Götze M, et al. Counteracting driver fatigue in the context of conditional automated driving:an individualized and overarching approach[J]. Transportation Research Part F: Psychology and Behaviour,2026,121:103696.

7.点评

本研究通过驾驶模拟器实验，结合主观疲劳量表（KSS）与驾驶绩效指标，系统评估了标准化与个性化车内特征组合对L3级自动驾驶中驾驶员疲劳的缓解效果，并首次考察了干预措施在接管后手动驾驶阶段的延续性影响，为疲劳干预设计提供了实证依据。但研究受限于模拟器环境、单调场景及较短的手动驾驶时长，且个性化组合未呈现显著增益，未来可拓展至真实道路、更长驾驶时程，并探讨不同特征组合的独立贡献与动态适应机制，以提升干预策略的有效性与适用性。

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 徐立丽

审核丨 董俊

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！