智能手机应用程序使用与操作的驾驶分心风险影响研究

为研究智能手机应用程序操作方式与使用行为对驾驶分心影响的问题,探讨智能手机程序操作方式对驾驶分心影响的优劣关系,基于结构方程模型提出4个因果关系假设,构建涵盖程序使用、驾驶分心、驾驶绩效等潜变量的智能手机使用行为影响的结构方程模型。通过收集线下问卷的方式进行调查,搭建模拟场景,设计6项实验方案,通过驾驶模拟实验方式收集相关数据,建立相对偏差矩阵。研究结果表明:手机通话功能的使用(路径系数0.472)对驾驶分心影响显著,手机导航功能使用(路径系数0.256)、手机音乐功能使用(路径系数0.249)对驾驶分心影响不显著。语音交互方式均优于手动操作方式,其中语音交互启动导航方式(F_(3)=0.019)的影响最小。研究结果可对道路驾驶情况下智能手机应用使用与操作方式的研究起推动作用。

不同年龄段人群驾驶分心时的视觉特性分析

针对驾驶过程中浏览车载信息系统次任务时引发的驾驶分心问题,研究聚焦不同年龄段驾驶员的视觉注意资源分配策略,分析在动态视觉信息源的刺激下发生驾驶分心时的视觉行为表征。通过视觉搜索的实验方法,模拟驾驶过程中驾驶员浏览车载信息系统次任务的视觉行为过程,并分别测量了横向和纵向两种车载中控屏摆放方式下的参试者视觉特性数据与搜索绩效数据。通过分析驾驶员浏览车载信息系统次任务时视觉注意资源的分散程度,以衡量其在行程中的驾驶分心程度,在此基础上提出有益于缓解驾驶分心行为的车载中控屏视觉区域。实验结果表明:横向中控屏测试中,参试者在上部区域的平均视觉搜索反应时长为641.92 ms,眼动数据显示,注视点集中分布于上部区域。纵向中控屏测试中,参试者在下部区域的平均视觉搜索反应时长为751.75 ms,眼动数据显示,注视点集中分布于右侧区域。年龄在59~68岁这个范围的老年参试者在执行模拟浏览车载信息系统次任务时的视觉搜索反应时长更长,平均为11639.57 ms,注视点分布更分散。可知,在横向中控屏的上部区域与纵向中控屏的下部区域的反应时间更长,在横向中控屏的上部区域与纵向中控屏的右侧区域交叉的占用的注视资源更多。研究表明,在动态视觉信息源的刺激下老年参试者与静态信息源刺激差异较为明显,且横向运动的信息源更容易被参试者捕捉,所占用的视觉资源少,不易引发驾驶分心行为。

基于双任务范式的驾驶分心研究

目的基于心理不应期这一双任务研究基本范式,围绕多模态这一研究重点、驾驶这一应用背景,探讨混合刺激模态下驾驶分心时反应机制。方法在实验室搭建模拟驾驶平台,招募40位被试进行实验;实验数据用重复测量方差分析方法进行分析。结果不同刺激模态组合下心理不应期效应的影响不同,但不支持反向串扰现象的存在。结论验证了视觉注意的执行控制理论及多重资源相关理论,为后续的深入研究和现实应用提供一定的帮助。

基于驾驶分心的次级交互任务沉浸等级研究

随着智能化时代的到来,汽车不再是单纯的交通工具,而是人们生活中不可或缺的移动终端。人在车内完成交互任务时,会在一定程度上沉浸在交互任务中,各种各样的因素都会导致驾驶员分心,这将直接影响行车安全。文章对驾驶时的次级交互任务沉浸等级进行分析,提出座舱交互任务优化策略。首先,通过深度访谈确定用户行车过程中的主要次级交互任务;其次,通过搭建实验平台对各交互任务的沉浸等级进行量化分析,确定驾驶员在行车过程中对交互任务的沉浸程度;最后,通过AHP层次分析法对交互任务的沉浸等级进行验证支持,并分析其分心因素。通过实验和AHP层次分析验证,调查几种次级交互任务的沉浸等级,以及交互任务对驾驶员分心现象的影响因素,进而通过分析分心因素,最终得到针对座舱的交互设计优化策略。驾驶过程中的驾驶分心大多是沉浸于次级任务造成的,造成分心的因素有多种,在文章提出的交互感官通道、交互界面、内饰布局三个优化策略中,内饰布局优化的权重最高。

识别驾驶分心方法综述

据统计,交通意外事故已成为第二大人类死亡因素,而在这其中驾驶分心导致的意外事故占很大比例。如何对驾驶分心进行准确检测已成为国内外研究重点,本文从驾驶分心类型、识别指标和识别方法角度对驾驶分心识别进行了详细阐述,对比分析了机器学习和深度学习识别驾驶分心的优劣,为未来驾驶分心识别工作开展提供参考。

驾驶分心行为的测量方法及其应用研究进展

驾驶分心行为的研究以成为工程心理学的研究热点。本文概述了驾驶分心行为的测量方法,重点介绍了外周视觉任务检测法(PDT)的应用。外周视觉任务检测法(peripheral detection task,PDT)是一种近年来较流行的用来测量驾驶分心的方法,文章总结了使用PDT测量法的主要研究进展,PDT测量法可以应用于视觉分心和认知分心的各种研究中,并且在和其他方法的比较中,PDT测量法也显示出了较好的安全性和易用性,最后展望了驾驶分心行为的研究趋势。

驾驶分心行为及应对策略研究综述

驾驶分心行为对驾驶安全具有重要影响,文中对驾驶分心行为的定义、来源、影响因素、心的检测,研究实验方法以及缓解应对策略进行了综述。

手机打车软件操作驾驶分心检测模型研究

为探寻操作手机打车软件时的驾驶分心识别方法,本文开展模拟驾驶实验,采集了驾驶员在不同驾驶状态下的驾驶行为参数,通过对参数的统计分析,确立分心检测参数集。采用支持向量机分类算法理论构建基于驾驶绩效的分心检测模型,并利用实验数据验证模型的有效性。结果表明:该模型对驾驶员视觉分心驾驶行为检测率最高,正常驾驶行为次之,对认知分心驾驶行为的检测能力最弱,模型的平均检测正确率为86.67%,检测效果较好,可用于驾驶分心检测。

驾驶分心行为驾驶人的多重对应分析

对536名驾驶人的人口统计学特征(包括年龄、性别、受教育程度、职业和家庭月收入)以及基本的驾驶情况(驾龄、车型、周均驾驶里程、驾驶能力)进行调查.使用多重对应分析的方法对其中报告在驾驶行为中存在驾驶分心的363名驾驶人的年龄、性别、职业、驾龄、周均驾驶里程和驾驶能力等特征进行了分析.结果显示,男性、非固定职业、驾龄在3~5 a在同一方向出现聚集;18~35岁与驾龄在3 a以内、周均驾驶里程为中途(50~400 km)与固定职业也存在一定的关联性.同时,不同性别、不同驾驶能力认知的驾驶人分布出现差异,相对而言,女性驾驶人可能更多地受到驾驶能力认知的影响.

驾驶分心行为量表设计与影响因素分析

为揭示驾驶人分心行为的心理作用机制,首先,按照计划行为理论(TPB)设计初始驾驶分心行为量表;然后,在重庆地区开展问卷调查工作,并描述性统计分析有效回收的321份量表数据;最后,划分驾驶分心态度、知觉行为控制、主观规范、注意力特征、人口学信息、驾驶信息6个主要影响因素,并将其作为外源性潜变量,将分心行为频次作为内生性潜变量,构建结构方程模型(SEM)。根据修正指标(MI)和临界比值(CR)优化模型路径后,检验6个外源性潜变量对分心行为的相关假设,并提取其中具有显著性的影响路径。研究结果表明:对分心驾驶行为影响最显著的外源性潜变量是驾驶人的主观规范,对应的路径系数为0.650;而知觉行为控制、驾驶分心态度、人口学信息3个潜变量影响较小,路径系数分别是0.152、0.134和0.113,而注意力特征、驾驶信息对分心行为的影响不具有显著性。

基于驾驶员操纵及车辆运动轨迹信息的驾驶分心辨识方法

提出了一种驾驶分心辨识方法,该方法采用的信号可从配备了车道偏离报警系统的车辆上获得。在驾驶模拟器上,驾驶员通过在驾驶过程中执行第二任务模拟分心驾驶,从而获得专注与分心两种驾驶状态下的数据。采用车辆偏航角以及转向盘转速的标准差作为辨识特征量,基于高斯混合隐马尔可夫模型,建立了专注与分心的驾驶员状态模型。对模型的离线验证表明,该方法对驾驶分心辨识具有较高的准确率。

基于迁移学习的驾驶分心行为识别及模型解释

为了提高驾驶分心识别的应用性及识别模型的可解释性,利用迁移学习方法研究构建驾驶人驾驶分心行为识别模型并采用神经网络可视化技术研究对模型进行解释。以VGG-16模型为基础,对原模型全连接层进行修改以适应驾驶分心行为识别任务,将原数据集中的10类驾驶行为按照所包含的分心类型合并为6类,采用合并后的数据集进行模型训练和验证。利用Grad-Cam方法提取了模型在识别不同驾驶行为时的重点关注区域并进行可视化,对照各分心行为的特点及模型分类时的重点关注区域对模型进行了解释。结果表明:所构建模型在测试集中的平均识别准确率达98.89%,经过训练的模型已具备了定位各驾驶行为的关键特征并据此判别行为类别的能力。

基于视觉的高速公路施工区车路协同系统的驾驶分心

为明确车路协同系统(CVIS)对驾驶分心的影响,提升车路协同系统在高速公路施工区场景下的安全应用水平,该文基于驾驶模拟技术搭建车路协同仿真测试平台并开展实验,从注视分配和分心程度两个层面构建指标体系,采用配对T检验和非参数检验比较有无车路协同系统条件下各指标的差异。车路协同车载终端人机交互界面(HMI)使用后,驾驶人前方道路注视时间比例与注视次数比显著降低,分心指数及单位分心指数显著升高。结果表明:车路协同HMI会占用驾驶人视觉资源并具有分心隐患。因而,车路协同安全评估及HMI设计优化是必要的。

车载智能终端使用对驾驶分心的影响

为了探究车载智能终端使用对于行车安全的影响,本文概述了近年来国内外相关研究现状,提出驾驶分心的定义及类型,将可能导致驾驶人分心的车载智能终端分为手机、导航设备、收音机与CD播放机四类,分析了各类车载智能终端对行车安全的影响,发现行车时使用车载智能终端的事故几率是正常情况的4-23倍,且与操作内容相关,其中视觉分心与操作分心极易发生事故,阐述了国内外相关驾驶分心法规政策及其警示产品,概括了驾驶分心常用研究方法和评价指标,呼吁监管部门加强宣教与执法,制订车载智能终端使用及界面设计标准,最后对驾驶分心未来研究提出展望。

驾驶分心影响因素的研究

以驾驶员驾驶习惯等主观因素以及道路环境客观因素为研究对象,从驾驶行为构成及特点入手,分析驾驶员分心行为的形成及影响因素。以驾驶行为操纵失误为因变量,以驾驶员主观因素及道路环境客观因素为自变量,统计分析影响驾驶行为要素的数据以及对驾驶行为的影响。分析结果表明:驾驶过程中道路两旁广告标识密度大以及不熟悉路况环境对驾驶员注意力的影响较大。

驾驶分心检测方法综述

道路交通事故已经成为世界人民非自然死亡的主要原因,有学者认为90%的交通事故与驾驶员自身因素关联,而其中又有超过50%与驾驶分心相关。为了对驾驶员分心进行识别以及为下一步的分心预警干预提供结果判断,文章介绍了常见的驾驶分心检测与识别方法,包括人脸识别方法,眼睛瞳孔位置识别以及基于驾驶员生理信号(EEG)的分心监测方法。结果表明检测方法各有优劣,非接触式、无侵入性检测,对驾驶员行车体验影响小,但测试精度具有一定的局限性。利用头戴仪等接触式设备,对驾驶员具有一定的侵入性,但是与其他检测方式相比,则具有较高的准确性优势。

面向应用的驾驶分心功能与标准改进探究

随着汽车安全要求与智能化水平的不断提升,驾驶分心监测与预警功能成为提升行车安全的重要手段,然而针对该功能的相关技术标准不完善,大量投用产品的功能无法满足实际运行与监管要求。本文通过研究当前驾驶分心识别监测的技术方案与特点,分析了造成已投用功能技术适用性低的产品方案因素,综合目前缺少科学指引标准及评价体系的现状,从技术方案采用与标准化研究角度提出了解决思路,为进一步的标准制修订提供参考。

基于改进YOLOv8n的轻量化分心驾驶检测算法

针对驾驶员分心驾驶检测领域中深度学习模型参数量大,在嵌入式设备上难以部署的问题,提出一种基于YOLOv8n的轻量化分心驾驶检测算法YOLOv8n-SGC。首先,构建ShuffleNetV2轻量化骨干网络,引入幻影卷积(GhostConv),减少模型参数量和计算量,实现模型轻量化;其次,在骨干网络后加入卷积和注意力融合模块(CAFM),融合全局和局部特征,提升算法检测精度。验证结果表明,相较于基准模型,改进模型的参数量和计算量都有所降低,且体积减小了28.67%,推理时间缩短了41.79%,mAP提高了1.1百分点。

基于上下文语义联合YOLOv7的分心驾驶检测算法

针对分心驾驶检测方法存在实时性差、精度低、可部署性差的问题,提出了一种基于上下文语义增强联合YOLOv7的分心驾驶检测算法。首先将模型backbone和head部分的ELAN模块替换成语义上下文增强模块(contextual transformer,CoT),提高上下文语义信息的捕获能力。其次,将语义关联增强机制(triplet attention)融入卷积块中,插入backbone和head的连接头之间以及融合MP2模块,强化目标间的关联关系以及提升目标特征提取能力。最后,将自注意力双向Transformer模块(Biformer)模块融合SPPCSPC模块,提升模型对分心驾驶中的复杂场景和遮挡目标的处理能力。改进的YOLOv7算法在分心驾驶数据集下平均精度均值(mean average precision,mAP)达到了87.3%,比原算法提高了4.3%,模型参数量减少了4.7%,每秒传输帧数达到了90 fps,具有较好的检测精度与速度。

危险驾驶行为在分心与事故间的中介效应分析

为了探讨分心驾驶对事故伤亡后果影响的因果关系机制,选取事故报告采样系统(crash report sampling system, CRSS)中2020年交通事故数据作为样本,采用因果中介效应分析方法和蒙特卡罗近似算法进行估计,并进行敏感性分析以验证因果中介效应的基本假设。研究结果表明:分心驾驶对事故伤亡后果具有显著的中介效应,不同危险驾驶行为在分心和事故伤亡间的中介效应不同,没有让行这一危险驾驶行为的平均因果中介效应占总效应比例为21.2%,中介效应最大。该研究证实危险驾驶行为在分心和事故伤亡间的中介效应存在,并且计算不同危险驾驶行为对应的中介效应。研究结果可为缓解事故风险提出具体的安全对策。