缓解混合交通中对自动驾驶车辆的攻击:自动驾驶风格和人类驾驶风格的影响

Mitigating aggression toward AVs in mixed traffic: Effects of automated driving styles and human driving styles

缓解混合交通中对自动驾驶车辆的攻击:自动驾驶风格和人类驾驶风格的影响

作者：Haitao Chen , Yiqi Zhang

1.引言

随着自动驾驶车辆技术的不断发展，自动驾驶车辆与人类驾驶车辆在道路上共存形成的混合交通环境已成为现实。这种环境不仅给道路安全带来新挑战，也引发了关于人类驾驶员如何与自动驾驶车辆互动的深入研究。驾驶风格被定义为驾驶员在长期驾驶中形成的习惯性行为模式。攻击性驾驶员更注重行驶效率，愿意为快速到达目的地承担风险；防御性驾驶员则更注重风险规避。现大多研究对“人类驾驶车辆-自动驾驶车辆”在道路实际交互中的行为影响机制了解不足，尤其是自动驾驶车辆的驾驶风格（攻击型vs防御型）如何与人类驾驶员的驾驶风格相互作用。

因此，本研究旨在通过驾驶模拟实验，探讨自动驾驶车辆驾驶风格与人类驾驶风格对混合交通中人类驾驶员行为与心理的交互影响。

2.研究内容

本研究旨在系统探讨以下问题：

[1]自动驾驶车辆驾驶风格（攻击型vs防御型）如何影响人类驾驶员在混合交通中的决策倾向与驾驶行为？

[2]人类驾驶员的驾驶风格（攻击型、中等型、防御型）是否调节其与自动驾驶车辆的交互行为？

[3]自动驾驶车辆驾驶风格与人类驾驶风格的交互作用如何影响驾驶员的主观信任与风险感知？

[4]驾驶环境（城市vs高速）是否对上述交互产生影响？

3.研究方法

3.1实验设计

采用3（人类驾驶员驾驶风格：攻击型vs中等型vs防御型）×2（自动驾驶车辆驾驶风格：攻击型vs防御型）混合因子设计。人类驾驶员驾驶风格为组间变量（按ADS分数分类，每组12人），自动驾驶车辆风格为组内变量，自动驾驶车辆驾驶风格设计如表1所示。

表1自动驾驶车辆驾驶风格设计：基于场景的决策和驾驶参数

3.2实验场景

研究设计了如表2所示四种典型交互场景，涵盖城市与高速两种环境：

[1]城市右转：自动驾驶车辆在停车标志处右转，攻击型自动驾驶车辆停3秒后直接转，防御型自动驾驶车辆停6秒并让行。

[2]城市左向来车：两辆自动驾驶车辆从左驶来，攻击型自动驾驶车辆减速但不完全停车，防御型自动驾驶车辆停车3秒。

[3]高速并线：人类驾驶车辆试图并入自动驾驶车辆车道，攻击型自动驾驶车辆加速不让行，防御型自动驾驶车辆减速让行。

[4]高速切入：自动驾驶车辆切入人类驾驶车辆前方，攻击型自动驾驶车辆加速切入，防御型自动驾驶车辆保持速度谨慎切入。

表2场景及人类驾驶员的决策标准

3.3实验者

实验共招募36名有效被试（14男，22女），年龄19–61岁（M=25.34,SD=9.1），均持有驾照至少2年，年均驾驶里程M=8929英里。参与者通过StudyFinder平台招募，实验报酬15美元，获宾州州立大学伦理审查委员会批准。

3.4实验设备

采用STISIM Drive® M300WS-Console 驾驶模拟器（见图1），包含135°视野的三屏显示系统、真实方向盘、油门和刹车踏板。场景编程及数据采集均由STISIM软件完成，采样率10Hz。模拟器中自动驾驶车辆以粉色区分，人类驾驶车辆为其他颜色。

图1驾驶模拟器

3.5实验问卷

(1)攻击性驾驶量表（ADS）：24题，5点Likert评分（0=从不，4=经常），总分越高代表越攻击性。用于预筛选和分组。

(2)自动驾驶信任问卷：12题，7点Likert评分，实验前测量对自动驾驶车辆的基础信任。

(3)主观评价：每次交互后测量风险感知（请评价在场景中与自动驾驶车辆交互时感知的风险水平）和信任感（请评价在场景中对自动驾驶车辆的信任水平）。

(4)人口统计学问卷：年龄、性别、年驾驶里程、驾龄、违章记录。

3.6实验流程

图2实验流程

实验流程如图2所示，首先签署知情同意书，填写ADS和人口统计学问卷及预测试信任问卷，其次进行10分钟驾驶模拟器热身驾驶，熟悉操作，接着开始正式试验，每个场景结束填写主观评价问卷。

3.7数据分析

将ADS作为连续变量，采用混合效应模型。决策行为（二分类：攻击性=1，防御性=0）用混合逻辑回归（随机截距：被试ID），报告Odds Ratio (OR)。minTTC、信任感、风险感知分别用线性混合模型（随机截距：被试ID），环境（城市/高速）作为协变量，信任模型还纳入预测试信任作为协变量。

4.研究结果

4.1决策行为

实验结果如图3、图4所示，驾驶员在与攻击型AV交互时，攻击性决策显著少于与防御型AV交互时；驾驶员ADS分数越高（越攻击型），攻击性决策越多；攻击型和中等型驾驶员对防御型AV更易做出攻击性决策。

图3自动驾驶车辆驾驶风格和ADS评分对攻击性决策的影响

图4自动驾驶车辆和人类驾驶员驾驶风格的攻击性决策的影响

4.2最小碰撞时间（minTTC）

实验结果如图5、图6所示，人类驾驶员与防御型AV交互时，minTTC显著更短，表明驾驶行为更激进；驾驶员ADS分数越高，minTTC越短；在高速环境下minTTC显著高于城市环境；攻击型驾驶员minTTC最短，防御型驾驶员最长。

图5自动驾驶车辆驾驶风格和ADS评分对minTTC的影响

图6自动驾驶车辆和人类驾驶员驾驶风格对minTTC的影响

4.3信任感知

如图7、图8所示，驾驶员对防御型自动驾驶车辆的信任显著低于攻击型自动驾驶车辆；中等型驾驶员对防御型自动驾驶车辆信任最低，攻击型驾驶员对两种自动驾驶车辆信任无差异。

图7自动驾驶车辆驾驶风格和ADS评分对驾驶员信任的影响

图8自动驾驶车辆和人类驾驶员驾驶风格对驾驶员信任的影响

5.结论

本研究通过驾驶模拟实验，系统探讨了自动驾驶车辆驾驶风格与人类驾驶风格在混合交通中的交互影响。发现自动驾驶车辆驾驶风格显著影响人类驾驶员行为：攻击型自动驾驶车辆能有效抑制人类驾驶员的攻击性决策与激进驾驶行为，而防御型自动驾驶车辆则易被利用，引发更激进的行为反应。人类驾驶风格起调节作用：攻击型驾驶员对自动驾驶车辆风格更敏感，防御型驾驶员行为较为稳定；中等型驾驶员在信任与风险感知上表现出最明显的风格依赖。驾驶员主观心理受自动驾驶车辆驾驶风格影响：驾驶员对防御型自动驾驶车辆信任更低、风险感知更高，这可能加剧其攻击性行为，形成保守引发攻击的恶性循环。驾驶环境存在显著影响：高速环境下驾驶员保持更长minTTC，说明环境特征是设计适应性自动驾驶车辆算法时需考虑的重要因素。

6.参考文献

CHEN Haitao, ZHANG Yiqi.Mitigating aggression toward AVs in mixed traffic: effects of automated driving styles and human driving styles.Transportation Research Part F: Psychology and Behaviour, 2026, 116: 103431.

7.点评

本研究通过驾驶模拟器实验与混合效应模型，对36名具有不同攻击性驾驶风格（攻击型、中等型、防御型）的驾驶员在面临攻击型与防御型自动驾驶车辆时的决策行为、驾驶表现（最小碰撞时间）、信任感与风险感知进行了系统分析。总体而言，该研究为理解传统驾驶员与自动驾驶车辆在混合交通中的交互行为提供了重要的行为学证据，揭示了防御型自动驾驶车辆可能因过度谨慎而诱发驾驶员的攻击性反应，而适度坚定的攻击型自动驾驶车辆风格反而有助于缓解攻击行为，对自动驾驶车辆外部交互算法的设计、混合交通环境下的交通法规制定及驾驶员培训具有参考价值。然而，研究存在一定局限：样本量较小（仅36人）且偏年轻化，性别分布不均，可能限制结果的普遍性。

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 冯桂洲

审核丨 李珺

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！