为了量化不同驾驶次任务下驾驶人视觉负荷特征,基于驾驶模拟平台搭建各类型次任务加载下的高速公路跟车场景,招募46名被试开展试验。采集驾驶人注视、扫视及瞳孔直径等眼动指标,对比不同驾驶次任务下视觉特征变化规律。基于因子分析方...为了量化不同驾驶次任务下驾驶人视觉负荷特征,基于驾驶模拟平台搭建各类型次任务加载下的高速公路跟车场景,招募46名被试开展试验。采集驾驶人注视、扫视及瞳孔直径等眼动指标,对比不同驾驶次任务下视觉特征变化规律。基于因子分析方法构建驾驶人视觉负荷评价模型,量化不同次任务下的视觉负荷。在视觉负荷量化的基础上,引入变异系数,采用K均值聚类算法将驾驶人视觉负荷分为低、中、高稳定型类别。并通过相关性分析,探究次任务下驾驶人视觉负荷与行车安全的关系。结果表明,执行快速串行视觉呈现(Rapid Serial Visual Presentation, RSVP)任务使驾驶人扫视速度和扫视幅度显著增加,单次注视持续时间显著下降。但驾驶人通过增加注视频次,弥补了总注视持续时长的下降,即采取小幅快速搜索方式补偿了视觉信息的获取。执行延迟数字召回任务(1-Back)占用驾驶人认知资源,导致视觉搜索出现弱化。驾驶人不仅减少了对非前方道路区域的关注,且扫视频率和注视持续时长占比均显著下降。视觉负荷量化模型结果显示,RSVP手机操作次任务下相比正常驾驶视觉负荷平均上升了22.29%,执行1-Back数字记忆次任务时视觉负荷平均下降了8.93%。不同驾驶人视觉负荷存在明显个体差异,64.2%的被试视觉负荷可以保持高稳定性。驾驶人视觉负荷与车速指标虽不相关,但与车头间距、车头时距和时间裕度等安全替代指标具有显著负相关,表明次任务加载下视觉负荷过高会导致驾驶绩效下降,影响行车安全。展开更多
文摘为了量化不同驾驶次任务下驾驶人视觉负荷特征,基于驾驶模拟平台搭建各类型次任务加载下的高速公路跟车场景,招募46名被试开展试验。采集驾驶人注视、扫视及瞳孔直径等眼动指标,对比不同驾驶次任务下视觉特征变化规律。基于因子分析方法构建驾驶人视觉负荷评价模型,量化不同次任务下的视觉负荷。在视觉负荷量化的基础上,引入变异系数,采用K均值聚类算法将驾驶人视觉负荷分为低、中、高稳定型类别。并通过相关性分析,探究次任务下驾驶人视觉负荷与行车安全的关系。结果表明,执行快速串行视觉呈现(Rapid Serial Visual Presentation, RSVP)任务使驾驶人扫视速度和扫视幅度显著增加,单次注视持续时间显著下降。但驾驶人通过增加注视频次,弥补了总注视持续时长的下降,即采取小幅快速搜索方式补偿了视觉信息的获取。执行延迟数字召回任务(1-Back)占用驾驶人认知资源,导致视觉搜索出现弱化。驾驶人不仅减少了对非前方道路区域的关注,且扫视频率和注视持续时长占比均显著下降。视觉负荷量化模型结果显示,RSVP手机操作次任务下相比正常驾驶视觉负荷平均上升了22.29%,执行1-Back数字记忆次任务时视觉负荷平均下降了8.93%。不同驾驶人视觉负荷存在明显个体差异,64.2%的被试视觉负荷可以保持高稳定性。驾驶人视觉负荷与车速指标虽不相关,但与车头间距、车头时距和时间裕度等安全替代指标具有显著负相关,表明次任务加载下视觉负荷过高会导致驾驶绩效下降,影响行车安全。
