自动驾驶接管时，哪些眼动与脑电指标真正解释情境意识？

论文基础信息

30秒先读懂

自动驾驶接管研究里，一个常见做法是把几十个眼动、脑电和问卷指标扔进机器学习模型，然后用SHAP解释“哪些特征最重要”。问题在于，这些变量并不独立：工作负荷可能先改变脑节律与视觉搜索，再影响情境意识。这篇论文提出CCSF框架，用SHAP筛选变量，再用领域知识约束因果图，最后计算因果Shapley贡献。它想回答的不是只有“能不能预测”，而是“模型为什么这样预测”。

实验在什么时点测情境意识

45名持证驾驶员在高保真三级自动驾驶模拟器中完成实验。每人经历9个接管场景，突发事件包括施工区、追尾风险和故障车辆；接管时间预算设为3、5、7、9或12秒，非驾驶任务分视觉—认知、听觉和动作三类。接管前，驾驶员约5分钟不参与驾驶并执行非驾驶任务；接管请求出现后，只要方向盘输入超过±2°或制动踏板超过10%，系统立即冻结场景。随后完成SAGAT、NASA-TLX和自动驾驶情境信任量表。这个“首个控制动作即冻结”的节点，使眼动和EEG窗口与决策前的情境重建过程对齐。

从36个变量，筛到6个核心指标

基线模型比较中，LightGBM的RMSE为0.0426、MAE为0.0206、预测与真实值相关r=0.859。随后按SHAP排名逐步加入变量，六个变量处出现明显拐点；从6个增加到9个，RMSE只再下降不到0.003。这说明对解释型模型而言，少量高价值变量可能比大而全的指标库更稳定。

常规SHAP与因果解释，差别在哪里

作者先用LiNGAM获得候选方向，再结合认知心理学和自动驾驶理论构建分层有向无环图。SHAP在这里仅用于排序和降冗余，不负责宣称因果。真正的解释来自受DAG约束的因果Shapley分解。加入结构后，NASA-TLX从常规SHAP的第5位升到因果贡献第2位，而瞳孔变化和水平凝视离散的相对贡献下降。合理的读法是：部分瞳孔和凝视反应可能是上游工作负荷的同步表现，不能简单当作彼此独立、直接作用于情境意识的原因。

为什么值得注意扩展模型加入年龄、接管时间预算、非驾驶任务和车道后，原6个变量仍占总因果贡献的81.8%；新变量提供了背景，却没有提高预测表现。

结果不是简单的“越高越好”

三类贡献倾向，不是三种驾驶员人格

作者用留一被试框架计算样本级因果贡献，再做共识聚类。K=3时PAC最低，为0.218，于是得到神经主导、神经—视觉联合、视觉主导三类贡献倾向。这里的分类描述的是某个预测实例主要依赖哪条路径，不是把驾驶员永久划成三种类型。同一个人换一个任务、负荷或场景，贡献结构也可能改变。这个表述边界很重要，也特别适合教育、体育协作和XR研究借鉴：聚类可以帮助理解异质性，但不能替代对条件和个体内变化的建模。

做类似课题，四个环节最容易被忽略

结论能说到哪里

可以说：在这组模拟驾驶接管数据中，工作负荷、额枕区脑节律、瞳孔变化和水平视觉搜索共同支持情境意识预测；因果结构约束会改变贡献分配。

不能说：模型已经证明这些变量具有真实干预因果效应，或三类聚类就是固定驾驶员类型。研究来自模拟器，DAG也不是完整的人类认知系统。

原文引用

Si, Y., Wang, W., Ranjitkar, P., Guo, M., & Huang, M. (2026). A causally consistent explainable framework for situation awareness formation in autonomous driving takeovers. Reliability Engineering & System Safety, 277, 113198.https://doi.org/10.1016/j.ress.2026.113198

服务边界：提供研究咨询、实验设计、设备与采集支持、分析训练和学术表达辅导；不代写，不编造或操纵数据，不承诺论文录用、项目立项或职称结果。

没有实验室，不代表不能做实验研究。眼动、脑近红外及多模态设备可根据项目需要进入学校，现场指导实验，并持续支持数据、论文指导和返修指导。后台回复【咨询】。