智能网联汽车创新联盟+L3驾驶员接管能力检测模型实验介绍-29页_13mb

中国智能网联汽车产业创新联盟 L3驾驶员接管能力监测模型实验总结

核心内容概述

本总结围绕中国智能网联汽车产业创新联盟（CIACV）中“预期功能安全工作组-HMI任务组”开展的L3驾驶员接管能力监测模型实验项目，介绍了实验背景、驾驶员状态因素、场景因素、实验参数设计及实验流程等内容。实验旨在建立一套针对中国驾驶员的接管能力判断参考数据集，以支持L3自动驾驶系统中驾驶员状态监测与接管策略的开发。

主要观点

1. L3接管能力监测的重要性
   在L3自动驾驶模式下，驾驶员的职责性质发生变化，需具备在系统请求接管时迅速响应的能力。因此，建立一套科学的驾驶员接管能力监测模型，是保障L3自动驾驶安全的关键。

2. 驾驶员状态监测的挑战
   L3系统下驾驶员监测需考虑其认知状态、生理指标、情景意识及次任务操作能力等因素。这些因素在不同场景下对接管表现的影响各不相同，需动态调整监测与提醒策略。

3. 标准与研究参考
   实验参考了SAE J3016、UN ECE R157等国际标准及多项研究成果，明确了驾驶员“可用”状态的定义及评估方法，为实验设计提供了理论依据。

4. 实验设计目标
   实验旨在通过多维度数据采集，建立中国驾驶员在不同场景下的接管能力判断模型，为HMI设计、接管策略制定及测试标准提供数据支持。

关键信息

一、背景

• 驾驶员接管能力监测要求
  L3系统下，驾驶员需具备“receptivity”（响应能力）以应对系统失效或接管请求。监测系统需判断驾驶员是否处于可接管状态，以确保安全。

• 相关标准

  • SAE J3016：定义驾驶员需具备执行动态驾驶任务的能力。
  • UN ECE R157：强调多指标同步监测驾驶员状态，并在状态不佳时立即响应。
  • 团体标准《智能网联汽车自动驾驶系统要求及测试方法第1部分：高速公路及城市快速路》（待发布）：提出接管策略需考虑驾驶员注意力水平。

• 实验目标
  建立一套针对中国驾驶员的接管能力判断参考数据集，用于支持L3自动驾驶系统的HMI交互逻辑与接管策略设计。

二、驾驶员状态因素

1. 觉醒水平

   • 测量参数：皮肤电导率、KSS疲劳量表、HR与HRV、表情、眨眼频率
   • 引入方式：疲劳任务（如24分钟高负荷任务、90分钟2-back任务）、压力任务（如连续倒读数字、社交压力测试）

2. 情景意识与道路注意力

   • 测量参数：视线在路面时间百分比、视线在路面次数、脑电EEG、扫视行为、头部转动、主动/被动干预（如踏板控制、方向盘干预）
   • 引入方式：执行分神次任务（主动或被动），以评估驾驶员对驾驶环境的关注程度。

3. 次任务操作能力占用

   • 影响因素：任务类型（视觉、认知）、是否需要手部操作、任务与接管的相似度
   • 测量参数：次任务姿态（如腿部收回、手部设备握持）、任务负荷、扫视稳定性、眨眼频率、瞳孔直径等

4. 其他个体因素
   包括年龄、睡眠状况、药物影响、信任水平、接管经验等，这些因素均会影响驾驶员的接管表现。

三、场景因素

1. 场景属性

   • 紧迫性：接管所需时间（紧急：＜8秒；中等：8-15秒；充裕：＞15秒）
   • 可预测性：是否可提前判断接管即将发生
   • 安全关键性：接管失败的严重程度
   • 接管复杂度：所需操作类型（如稳定车辆、避障、变道等）

2. 实验场景设计

   • 障碍物场景：事故车辆、施工封闭（TOR lead time 4s或8s）
   • 系统失效场景：道路标线缺失（TOR lead time 0s）
   • 计划接管场景：下匝道（TOR lead time 15s）
   • 场景类型：紧急、中等、充裕，均考虑碰撞风险

四、实验参数与流程

1. 实验参数

   • 自变量：场景变量、次任务类型
   • 因变量：驾驶员状态参数（如疲劳、情景意识、认知负荷等）、生理参数（如HR、HRV、瞳孔直径等）、接管质量参数（如接管时间、成功率、最小碰撞时间等）

2. 实验流程

   • 实验前准备：介绍与练习阶段（模拟器控制与接管方式说明）
   • 正式实验阶段：分为主动分神、被动分神、疲劳引入三个部分
   • 实验后：收集主观问卷数据，评估驾驶员对接管过程的感知与体验

3. 受试者招募

   • 预计招募25-59岁驾驶员，数量为36-48人
   • 记录基本信息（年龄、性别、身高、自动驾驶使用经验）

五、实验数据应用

• HMI设计参考：实验数据可用于后续HMI接管辅助设计的评估，如情绪交互、AR-HUD、副任务提醒策略等
• 测试标准制定：为L3车辆的测试与验证提供数据支持，辅助制定行业标准
• 接管质量评估：采用多种评价框架（如HCMTP、TOPI、TOPS、TOC-Rating）对接管表现进行标准化评分

总结

本实验项目聚焦于L3自动驾驶下驾驶员接管能力的监测与评估，结合国际标准与学术研究，构建了涵盖驾驶员状态、场景属性及接管质量的多维评估体系。通过系统化的实验设计，旨在为行业提供科学的数据支持与模型参考，推动L3自动驾驶系统的安全与人机交互设计发展。