基于可穿戴传感器的自动驾驶接管时间评估及影响因素分析

Hindawi传感器杂志第2022卷，文章ID 7924444，31页https://doi.org/10.1155/2022/7924444研究文章基于可穿戴传感器的部分自动驾驶汽车驾驶员接管时间性能评估Daghan Dogan，1Seta Bogosyan，2和Tankut Acarman，31土耳其伊斯坦布尔工业大学机电一体化工程系2土耳其伊斯坦布尔工业大学控制与自动化工程系土耳其伊斯坦布尔加拉塔萨雷大学计算机工程系信件应寄往Daghan Dogan;dogandaghan@itu.edu.tr投稿日期：2022年4月15日;修订日期：2022年6月19日;接受日期：2022年6月30日;发布日期：2022年7月22日学术编辑：Ashok K.孙德拉莫西版权所有© 2022 Daghan Dogan et al.这是一篇开放获取的文章，根据知识共享署名许可证分发，该许可证允许在任何媒体上无限制地使用，分发和复制，前提是正确引用原始作品。高级驾驶员辅助系统和条件自动化（SAE L3级）带来了诸多挑战，这些挑战是人类在自动驾驶中的核心角色，也是从自动驾驶模式到手动驾驶模式的过渡：驾驶员监控系统应该能够适应检测到的人类状态，调整接管请求的时间。在这项研究中，人类驾驶员的控制权在过渡期间，从自动化系统进行评估，通过使用一个大的传感器，包括皮肤电反应传感器，速度和电流传感器的电动汽车。本地异常值因子（LOF）方法检测驾驶员在控制权过渡过渡阶段期间是否准备好进行控制。年龄在24至65岁之间的18名驾驶员（8名女性和10名男性）参加了实验性评价和数据收集活动。接管请求时间分析评估每个驱动程序和三个驱动程序类别，如有经验的，半经验的，和没有经验的，和调查问卷验证接管请求时间分析。皮肤电反应测量和LOF方法说明了当在真实道路驾驶场景中请求从自动化系统转换驾驶权限时，成功检测驾驶员关于他/她准备接管和调节驾驶任务的状态。针对每个驾驶员个性化接管请求时间，这可以提高当前有条件自动驾驶技术的渗透率和接受度。1. 介绍车辆的自动化水平被归类为SAE J3016驾驶自动化水平[1]。从自上而下的方法来看，5级意味着完全自动驾驶的车辆，驾驶员处于驾驶外循环，他/她没有任何动态驾驶任务。在4级，驾驶员在大多数驾驶情况下不会干预，除了自动系统故障。4级驾驶部署在特定区域内，同时不超过给定的速度限制，即，采用地理围栏，当自动化系统发生故障时，驾驶员会被提醒进行干预，并且它将用于无人驾驶公共车辆，例如出租车和公共汽车。3级是有条件的自动化，一旦车辆脱离自动驾驶系统的操作设计领域，就需要将控制权转移是为了正常工作而设计的动态驾驶任务（如道路感知、轨迹和运动）需要由驾驶员监控，以便在系统无法避免可能发生的危险和事故。警觉性、注意力或压力水平，可能会受到干扰无驾驶相关任务（NDRT），需要跟踪驾驶员监控系统，用于在驾驶控制权限过渡瞬变期间执行操纵任务。高级驾驶员辅助系统（ADAS）属于2级自动化，它构成了车辆的横向和纵向控制，我们希望驾驶员随时控制操纵任务。单个驾驶自动化系统为1级，当车辆由系统（如自适应巡航控制系统）沿纵向调节时，驾驶员控制转向，或当车辆轨迹2传感器杂志时间图1：L3条件自动驾驶中的接管过程。由车道保持系统控制最后，0级在这种高度自动化的驾驶中，人类角色的核心是从自动驾驶模式过渡到手动驾驶模式，反之亦然。我们应该确保驾驶员安全地接管驾驶任务，只要存在自动化无法处理的情况。条件自动化L3级强制驾驶员和自动化系统之间的转换，但这需要监控人类驾驶员的控制权限级别 人类驾驶员可能受到若干因素的影响，例如NDRT，其可能导致压力和注意力分散，并削弱驾驶员命令车辆进行可能的安全关键和具有挑战性的操纵任务的准备。此外，接管时间可能取决于驾驶员的经验、技能、性别和年龄。另一方面，当根据驾驶员的特性调整车辆控制中的某些参数时，我们可以提高驾驶员操作车辆系统的能力[2]。在这项研究中，我们的目标是提高驾驶员的能力时，响应接管请求产生的自动驾驶系统，其失败，在短时间内执行复杂的操纵任务。 我 们 根 据 碰 撞 时 间 （ TTC ） 和 碰 撞 距 离（DTC）等指标，个性化并调整每个驱动程序的接管请求（TOR）时间作为控制权限瞬变的安全关键和时间关键参数。最后，根据驾驶员的感知和反应时间调整每个驾驶员的 TO R 时 间 ， 确 保 自 动 化 系 统 和驾驶员之间的可接受的控制权限转换。本研究的重点是确定在哪些接管时间的司机接管车辆控制作为一个人为因素。为此，设计了一种具有纵向自动驾驶功能的电动汽车，在校园区域，交通场景和驾驶任务进行了检查。实验中的任务被设计成适应不同复杂度的场景，包括穿过交叉路口，检测迎面而来的行人，以及跟随突然停止的车辆。皮肤电反应传感器（GSR）用于测量驾驶员TTC显示出潜力在控制权转换期间，操纵任务可能导致危险或事故。LOF方法检测驾驶员的异常。年龄在24至65岁之间的18名驾驶员（8名女性和10名男性）参加了实验评价和数据收集活动。测试和分析了驾驶员状态的基于测量的统计分析，该统计分析是关于在从自动驾驶系统的控制权限转换期间能够指挥驾驶任务，该统计分析受到特定区域中的挑战性驾驶场景的影响，同时不超过给定的速度限制;当自动驾驶系统即将失败时，警告驾驶员进行干预。接管请求时间评估每个司机和司机类别，如经验丰富，半经验，和缺乏经验，并通过问卷调查进行验证。4种不同的接管时间（0 s、2 s、4 s和6s）应用于5种不同的传输场景并进行比较。结果说明了最合适的接管时间，因为短的接管时间导致一个毫无准备的过渡，尽管提供距离的关键情况。我们包括主要的和次要的（NDRT）任务在交通情况下，并检查四个不同的TOR时间（0秒，2秒，4秒和6秒）。TOR时间的设计的基础上，现实的，抽象的，和各种场景分析捕获的一个大的传感器，包括可穿戴传感器（GSR），提出。本研究的重点是检测和提取驾驶员的接管反应时间（TOT）和TOR时间的自动控制权过渡系统符合驾驶员的接管感知和反应时间间隔。该研究有助于检测权威接管期，并有助于安全的作者，城市转型过程和研究。本研究的主要内容如下：在引言之后，对本研究的设计方法和实验设计进行了详细的介绍。最后对结果进行了讨论，并提出了结论和进一步的工作。1.1. 相关研究。驾驶员风险的定义，即导致驾驶错误的因素，引起了人们的广泛关注来预测驾驶安全。在[3]中，驾驶员的风险使道路事故被分类为低、中和高;通过评估驾驶员对驾驶风格的感知与纵向和横向方向上的加速度和速度的测量之间的差距，驾驶行为被检测为安全或不安全。他们做了一个调查自动驾驶手动驾驶接管请求接管反应危急局势接管时间（TOT）接管请求时间/时间预算传感器杂志3表1：任务、任务描述和任务照片。情说明/任务任务照片通过十字路口：在道路1上的自动驾驶结束时（也见图2），驾驶员在TOR期限到期时接管控制权驾驶员驾驶车辆穿过交叉路口（由图2中的道路21在行人穿越的交叉路口处穿越：在3号道路上的自动驾驶结束时，驾驶员在TOR期限到期时接管控制司机驾驶车辆穿过行人穿过的4号公路交叉口。2在音乐声中穿过十字路口：在5号公路上进行自动驾驶时，人机界面（HMI）开始播放音乐，这是一项与驾驶无关的任务。在道路5上的自动驾驶结束时，驾驶员在TOR时段到期时接管控制司机驾驶车辆穿过6号公路的交叉口。3车辆从旁边的道路（粉红色车辆）通过十字路口：在到达道路5的自动驾驶结束时，驾驶员在TOR期限到期时接管控制权驾驶员命令车辆穿过道路4上的交叉口，在该交叉口处，另一辆车辆从辅路接近。4通过另一辆车停下来的交叉路口，司机超车：在到达3号公路的自动驾驶结束时，司机在TOR期限到期时接管控制驾驶员驾驶车辆穿过道路2上的交叉路口，其中车辆停在交叉路口处。54传感器杂志图2：研究中的行驶路线和任务点五名驾驶员在七条不同的道路上行驶了1000公里，并分析了驾驶风格与记录测量的感知。驾驶风险的定义较为复杂，并受多个变量影响。通过使用第二个战略公路研究计划（SHRP 2）的10，800个6秒行程段构成的自然驾驶数据，分析了影响驾驶员的潜在风险因素[4，5]。驾驶员行为和惊讶的差异，视觉上分散注意力的次要任务，已被检测为导致交通违规和驾驶错误的主要因素。在[6]中，通过加权三个交通安全专家的知识来检测驾驶场景中的驾驶风险和驾驶课程由同一名驾驶员在一个逼真的卡车模拟器中进行，专家的在文献[2]中，引入了控制权转移（CAT）以避免可能的冲突。在监控驾驶员意图的同时评估驾驶员的操作特性，感知可能的危险和情况，并修改控制以确保驾驶员作为主要控制机构执行的安全操纵任务。考虑到L3级条件自动化，驾驶员的TOT我们在图1中绘制时间序列。TOT定义了接管请求和接管行动之间的时间[7]，TOR时间定义了接管请求和关键情况之间的驾驶时间[8]。在[8]中，给出了TOR时间的设计方法。虽然所有驾驶员都具有相同的信息，但个体反应能力与驾驶员特征之间存在潜在差异。反应时间被认为是和人在回路基于PC的仿真实验进行测试和评估四个给定的TORS执行条件自动化。提出了一种基于性能的方法，并计算了在有碰撞事件或无警报情况下成功警报和不必要警报的条件概率。三十名具有有效驾驶执照的驾驶员参与了模拟器实验，并且对TOR的反应时间、最大加速度、平均车道偏离距离、碰撞次数和TOR期间的平均心率构成了用于分析目的的定量结果。问卷调查用于收集参与者的接受程度。对于各个驱动因素，检测到四个TOR阈值之间的统计显著差异。这种基于模型的方法依赖于人、车辆和环境模型的准确性，需要通过大量的数据和真实的实验研究来改进。在[9]中，提出了四种与TOR相关的关键情况;静止障碍物、慢速车辆、出口高速公路和在四向无控制交叉口右转是模拟场景。通过增加速度和交通量以及增加接近车辆或行人过街交叉口来改变临界度。33名男性和3名女性司机参加了比赛，他们给了TOR 7传感器杂志5表2：接管时间质量指标。信函名称参考描述a平均纵向加速度b最大速度c最小速度独立指标（a，b，c，d，e）[26，27]自动驾驶（AD）后手动驾驶（MD）时的平均加速度或减速度值（5个值）。AD后MD期间的最大速度值AD后MD期间的最小速度值d碰撞距离（DTC）在改变车道之前与碰撞的最小距离。e碰撞时间（TTC）：换车道前的碰撞时间。FFXa电流的标准差（SD）值电流的SD值乘以平均纵向加速度值研究的自定义新指标研究的自定义新相关指标3个当前值的标准差（第一个值在权威机构过渡（AT），在过渡到权威时和AT之后的第一个值）。3个当前值的SD（权限转换（AT）前的第一个值，转换到权限时的第一个值，AT后的第一个值）乘以MDg GSR值的SD值自定义新指标研究3个GSR值的SD（ AT前的第一个值、过渡到授权时的第一个值、AT后的第一个值）。图3：伊斯坦布尔技术大学校园地图和路线（红线）。秒到司机。一个通用的模型中的几个变量被假定为反应时间。在[10]中，回顾了L3条件自动驾驶中TOR请求的文献交通状况，路况-自动驾驶系统到人工驾驶系统的过渡系统被认为是客观复杂性，NDRT、年龄、信任、HMI和态势感知被认为是主观复杂性，6传感器杂志(a)（b）（c）图4：（a）安装有HMI系统的移动电话，（b）路线上的边界框，以及（c）HMI系统上的TOR输入屏幕。图5：数据收集系统。个别司机。也审查了这些问题。横向和纵向指标，包括TTC，实际和成功的操纵任务的数量，以避免障碍物通过制动或通过执行车道变化，认知工作负荷，信任，和舒适性作为前者的指标。真实世界的测试被认为是有待填补的研究空白，以改善TOR瞬态过程。在文献[11]中，在一个有49名经验丰富的驾驶员的纵向自动驾驶模拟器中研究了控制权限转换的HMI设计和策略。在30分钟的通勤时间段内，驾驶员承担次要任务，并且研究了由驾驶技能层次激励的HMI对改善态势感知的可能贡献，同时在10秒的接管瞬态期间恢复控制权限。接管期可以为驾驶员提供诸如交通安全和准备等益处。为了对收购绩效进行建模，建立回归模型来预测收购绩效传感器杂志7表3：病例1的分析结果。DTORa（m/s2）b（km/h）c（km/h）d（m）e（s）f（A）f：a（Am/s2）g6秒0.85 12 2 4 2 9.39 7.98 32.534 s 0.90 13.76 7.67 9 3.62 7.94 7.15 6.8012秒1.01 14.13 7.76 15 5.41 4.83 4.88 3.210 s 1.22 10.43 6.43 21 7.60 6.53 7.97 38.506秒0.98 13.67 4.41 5 2.22 7.63 7.48 4.5824 s 0.99 10.95 4.87 11 4.25 7.01 6.94 3.602秒1.00 15.3 6.69 17 6.56 4.55 4.55 0.570 s 1.11 19.06 4.72 24 15.09 7.57 8.40 2.086 s 1.02 12.2 0.02 5 1.62 6.76 6.90 7.3734 s 0.30 12.39 6.07 10 3.2 3.28 0.98 4.612秒0.57 8.56 4.02 16 8.33 5.69 3.24 50.89 8.78 3.67 23 9.02 8.28 7.37 5.686 s 0.96 11.65 5.43 4 1.75 4.97 4.77 9.2944 s 1.01 13.78 8.07 9 2.24 2.69 2.72 9.862 s 0.54 11.39 6.02 16 6.30 2.04 1.10 3.460.89 10.06 4.59 24 10.12 11.77 10.48 7.636秒1.10 9.35 5.43 5 2.13 7.58 8.33 3.644秒1.17 12.8 6.95 10 3.52 6.80 7.95 3.0552 s 1.14 17.45 9.02 16 6.40 8.47 9.66 4.160 s 1.16 17.33 5.70 23 8.36 6.89 7.99 3.606秒0.62 7.39 3.39 5 2.49 5.77 3.58 5.2964 s 0.67 8.32 5.13 11 5.28 5.13 3.43 3.212秒0.66 10.5 5.78 17 6.27 5.95 3.93 5.130 s 0.59 15.76 7.87 23 10.5 7.92 4.62 4.046 s 0.76 9.3 3.87 5 2.11 3.69 2.80 5.2974 s 0.82 7 3.15 10 5.15 1.96 1.61 1.732 s 0.95 9.72 4.17 16 8.88 6.79 6.45 2.080 s 0.90 11.5 5.43 22 9.95 7.42 6.68 2.576秒1.27 9.89 4.85 6 2.18 4.82 6.12 1.5284 s 0.43 11.2 4.82 11 4.80 14.34 6.17 0.572 s 0.91 11.2 4.70 17 5.44 4.58 4.17 0.570 s 0.80 12.3 5.82 24 8.82 6.96 5.57 1.526秒1.02 13.52 5.24 6 2.98 2.28 2.33 24 s 1.03 10.48 4.87 12 4.04 3.40 3.50 0.5792 s 0.96 10.46 6.33 17 5.85 5.06 4.85 3.050.98 11.37 5.67 24 7.89 3.63 3.55 16秒0.61 15.78 5.15 6 2.64 7.50 4.58 1.154秒0.74 11.45 4.91 12 5.42 4.79 3.54 1.15102 s 0.84 11.54 6.02 18 8.14 12.98 10.90 2.510 s 0.52 10.98 6.83 25 8.20 5.05 2.63 2.086秒0.57 13.1 5.17 4 1.28 11.2 6.38 10114 s 0.93 17.67 7.54 10 3.22 7.65 7.11 6.242 s 0.55 11.57 4.93 17 7.55 3.87 2.13 2.50.63 10.74 1.28 25 7.71 18.79 11.84 1.156秒1.01 11.19 3.87 5 1.6 8.14 8.22 25.5124 s 0.90 13 7.56 10 3.08 13.09 11.78 8.082 s 0.85 11.13 6.87 16 5.16 8.09 6.88 0.572019 - 06 - 25 16：00：RQ2s2s2s4s4s2s2s2s4s4s4s2s4s4s2s4s4s4s4s4s2s0s2s2s8传感器杂志DTORa（m/s2）b（km/h）c（km/h）d（m）e（s）f（A）f：a（Am/s2）G6 s0.998.504.4162.668.768.673.78134秒0.5010.33.89124.197.893.951.522 s0.2910.285.82176.743.050.884.040秒0.5410.155.72248.863.892.101.156 s0.826.831.5252.6312.3310.111.57144秒0.8911.35113.6112.4511.081.152 s0.8412.043.46175.483.583.011.150秒0.7910.133.37249.192.992.361.526 s1.0216.88.5061.7511.6211.853.51154秒0.8713.114.89123.2914.0912.261.522 s0.8213.416.67185.537.986.541.520秒0.7713.854.87256.578.626.6311.676 s1.0313.545.7062.537.417.6310.1116个4秒0.4811.024.70113.594.262.042.082 s1.2015.7610.95174.6410.7212.860.570秒0.5412.636.06246.834.102.210.576 s1.4714.636.3051.655.508.094.15174秒0.1813.566.4893.7012.742.291.522 s0.4912.393.72164.652.811.381.210秒0.6513.484.80246.4017.7611.542.086 s0.7211.355.3251.5810.227.3615.03184秒0.6614.372.301236.264.132.082 s0.8510.263.75186.38.226.991.52RQ0s2s2s2s2s2s0s2s2s2s0s4s表3：续。变量，如接管时间，最小碰撞时间，制动应用和碰撞概率[12]。这些模型是通过考虑情境和驾驶员相关因素，如时间预算，交通密度，非驾驶任务，重复，当前车道和驾驶员的年龄创建的。在这项研究中，模型设计使用753接管数据，和729接管验证数据准确地捕捉接管时间，TTC，碰撞概率和预测制动应用在一个中等水平。时间预算、交易密度和重复对收购绩效的影响较大，而其他参数对收购绩效的影响较小。考虑到TOR程序，驾驶员要么接受驾驶任务，要么接受NDRT（如听音乐、阅读、交谈和打电话）。驾驶员可能会遇到诸如技能、经验、疲劳、压力和NDRT等问题[13]。复杂性因素分为两类：客观和主观[14]。客观复杂性包括交通状态、道路状态和控制权转移。主观复杂性包括NDRT、年龄、信任、情况的紧迫性、HMI和情景意识。NDRT对驾驶员和接管时间质量的影响使用模拟器进行检查[15- 20]。这些研究考察了不同的交通场景和NDRT对自动驾驶过程中接管过程的影响，因为NDRT是可能影响人的因素并危及驾驶安全的身体，心理或视觉活动。在[21]中，反应时间与五个不同的模拟交通情景和两种不同的NDRT。 据确定，90%的司机需要至少8秒的正确反应。在[22]中，事故场景在三车道高速公路的右车道上表示。比较了5 s和7 s TOR时间在[23]中，他们测试了27名参与者在紧急情况下进行权限转换后在驾驶模拟器中的表现。三个过渡时间条件进行了测试：道路危险前2秒，5秒，或8秒。根据测试结果，少数驾驶员在2s条件下能够安全地克服道路危险现场，而大多数驾驶员在5s或8s条件下能够安全地通过危险。2. 基于驾驶员能力和准备状态的TOR时间设计方法2.1. LOF（Local Outlier Factor离群点是一个当前的工作空间，其类别包括基于分布、基于深度和基于距离。离群值研究在大型数据集中发现有效的新知识。LOF是Breunig等人提出的一种异常检测算法，用于显示多维数据集的点的异常程度，LOF算法指出对象与周围邻域的隔离程度是传感器杂志92520151050a b c d e f g表2中的职权范围质量措施图6：18名驾驶员的试驾案例1的分析结果的箱形图。表4：病例1、病例2、病例3和问卷的TOR结果。算法的执行类似于KNN分类算法。当KNN试图找出谁是想要的点时，司机TOR案例1TOR案例2TOR案例3Tor问卷LOF试图找出谁不再像它的邻居。1秒2秒4秒2秒22 s2 s4 s4 s34 s2 s4 s2 s42 s2 s4 s2 s54 s4 s4 s4 s64 s2 s2 s2 s74 s4 s4 s4 s82 s2 s2 s4 s94 s4 s2 s4 s10∗4s4s4s4 s11∗2s4s0s0秒122s4s4s2 s130s0s2s2 s142s0s0s2 s152s4s2s2 s160s0s0s2 s172s2s0s2 s180s0s2s4 s”[24]。因此，LOF是局部的，因为其程度取决于对象与周围邻居的隔离程度。LOF算法可以检测到以前的方法无法找到的显著局部离群值。这种发现局部离群值的方法对于索引结构支持最近邻查询的数据集是有效的，并且对于非常大的数据集是实用的[25]。相对于全局方法，特别是到密集集群的小距离作为局部邻域优势，结果得到改善另一方面，由于该算法没有特定的阈值，因此选择离群值取决于用户。通常，当LOF分数> >1时，对象被认为是离群值。然而，该算法没有一定的阈值。总体而言，LOF3. 实验设计3.1. TOR情景。 在这项研究中，每个司机测试五个案例。任务需要在接近或穿过十字路口时执行。第一个案例是在校园交通中穿越交叉路口，以车辆的控制权限作为基线实验。然后，驾驶员被要求遵循相同的测试路线，但是他/她受到NDRT（例如听音乐）和动态障碍物（例如打算沿着自我车辆和其他参与车辆的迎面而来的路径穿过道路的行人）的影响。 这五种情况见表1，并在图2中的校园道路上的自我车辆的路线。3.2. 变量和方法。使用了两种方法。 第一种方法是获取和解释接管时间质量测量。因此，它是为了确定每个驱动程序的最理想的接管时间。接管质量措施是根据以前的研究[25，26]和测试路线确定的。我们的TOR点和测试路线位于一条笔直的道路上。已经选择了用于接管质量的直接接管措施，表2中描述了用于接管质量的额外质量措施。考虑到第二种TOR设计方法，来自GSR传感器数据的离群值寻求理想的TOR时间。我们可以将权限转换视为交通环境中驾驶员的干扰输入，因为存在需要改变权限的关键情况。自然地，从由人类驾驶员记录的传感器数据中提取反射。在我们之前的研究中，发现驾驶员的压力水平与驾驶员的皮肤电反应之间存在关系[28]。 在本研究中，不同的接管时间被应用到相同的驾驶员在相同的交通场景。我们在监控GSR传感器数据的同时确定单个驱动程序的TOR时间间隔职权范围质量计量的价值10传感器杂志66566065565064510 20 30 40 50 60 70 80 90 100 110 120数据号450TOR 6 sTOR 4 s（a）TOR 2 sTOR 0 s4003503002502001501000 20 40 60 80 100 120数据号TOR 6 sTOR 4 s(b)TOR 2 sTOR 0 s图7：续。GSR传感器原始值GSR传感器原始值传感器杂志11560540520500480460440420400010 2030405060 708090 100TOR 6sTOR 4s3.26数据号TOR 2 sTOR 0 s(c)3.243.223.23.183.163.140 2 4 6TOR时间(d)图7：续。GSR传感器原始值GSR电压12传感器杂志Þ ðÞð Þð2.221.81.61.41.210.80.60.40 2 4 6TOR时间(e)2.72.62.52.42.32.22.120 2 4 6TOR时间(f)图7：对于不同的TOR时间：（a）驱动器10的GSR值，（b）驱动器11的GSR值，（c）驱动器1的GSR值，（d）驱动器10的GSR电压的箱形图，（e）驱动器11的GSR电压的箱形图，以及（f）驱动器1的GSR电压的箱形图权力过渡期间的波动。通过将LOF算法应用于GSR数据，确定驾驶员在过渡阶段的状态是否不同于驾驶员的一般兴奋集。自动驾驶系统和人类驾驶员之间的接管时间由各种道路场景和不同的驾驶员决定。十八名驾驶员已在五个不同的道路场景中驾驶配备一套传感器和人机界面系统的原型电动汽车，并具有不同的接管时间。 我们在图3所示的30，000名学生的校园区域进行了实验研究。通过分析360个（= 18个驾驶员数量×5个场景数量×4个不同的接管时间）案例，这些案例来自18个不同的驾驶员，使用5个不同的道路场景和4个不同的接管时间（0 s，2 s，4 s，和6秒），确定合适的接管时间为例如，6s TOR时间是从6s到0s的倒计时，并且在该6秒的倒计时时段结束时，驾驶员干预车辆。因此，允许驾驶员有6秒的感知时间并准备干预车辆。与6秒不同，0秒的TOR时间不允许驾驶员感知，驾驶员被迫迅速指挥这些分析是使用传感器数据的接管质量测量进行的，并且我们特别评估了GSR传感器的影响，其显示了驾驶员的兴奋和3.3. 实验程序。图3所示的路线长1公里，位于伊斯坦布尔技术大学校园内。纵向自主电动汽车在自动驾驶时的固定速 度为14 km/h ，在 手动驾 驶时最 高可 加速至25km/h。GSR电压GSR电压传感器杂志13图8：案例4任务;在交叉口可能造成碰撞的参与车辆被涂成红色。图9：案例5任务;停在车道上的另一辆车被涂成红色。表5：病例4和病例5的结果司机驾驶numberTOR案例1、案例2和壳体3TOR案例4和案例5(fxa)（上午2时）为案件4和案件5（g）对于情况4和情况516 s2 s9.731.23专家24 s2 s5.641.1832 s2 s9.273.1840秒2 s7.621.4716 s2 s11.499.25半经验24 s2 s13.326.8932 s2 s8.505.4040秒2 s9.311.2516 s2 s10.826.91经验不足24 s2 s16.473.3332 s2 s17.069.1340秒2 s12.701.4514传感器杂志2.221.81.61.41.210.80 20 40 60 80 100120数据号（a）15010050043.532.521.510.50 10 20 30 40 50 60特征数据编号（b）3.532.521.51150 200 250 300 350 400 450特征1（平均值）（c）图10：（a）对于6s TOR的驱动器1的GSR电压值，（b）对于6s TOR的驱动器1的GSR数据LOF分数，以及（c）对于6s TOR的驱动器1的GSR数据LOF分数的视觉图。图2所示的蓝色车辆是用于TOR测试和数据收集目的的电动车辆（ego vehicle），具有纵向自主性，位于实验测试路线的起点。另一方面，粉红色车辆是由人类驾驶员驾驶的传统内燃机车辆，我们将其作为实验研究的参与车辆用于两个不同的任务道路上的绿色虚线表示自动驾驶路径，红色实线表示手动驾驶路径。每个驾驶员驾驶四次，因为在该测试路线上使用了四个不同的TOR值此路由使用的TOR时间为6 s、4 s、2 s和0 s。3.4.人机界面（HMI）设计。HMI将TOR时间作为及时消息通知给驾驶员。根据请求的紧急程度，交互必须是动态的，消息必须放在车辆的显著位置，以吸引驾驶员的注意力。信息传递的方式可以分为视觉、听觉和触觉[9]。在我们的研究中，我们使用了视觉和听觉HMI系统通过手机应用提供在指定路线上的同一点进行权限转换。设计的HMI系统允许驾驶员跟踪过渡点和TOR时间倒计时。使用视觉和声音HMI系统的原因：视觉系统会分散注意力，并在屏幕上显示太多信息。另一方面，音频系统不需要眼神接触，但可能不会非常清楚地发出警告信号[9]。我们旨在通过使用视觉和声音HMI输出来消除可能的负面结果。我们为HMI设计了一个Android应用程序我们将此应用程序嵌入安装在车辆上的智能手机中，如图4（a）所示。基于位置的边界框绘制在视觉HMI上，以在车辆进入由TOR时间和自主车辆速度创建的交叉区域时发出警报。当车辆到达该位置时，开始进行视听TOR倒计时（见图4（b））。红色区域表示前进路线上的边界框，蓝色区域表示返回路线上的边界框。在接口测试开始时选择TOR电压特征2（标准差）LOF评分传感器杂志151.41.210.80.60.40 20 40 60 80 100数据号（a）80604020765432100 51015 20 25 30 35 40 45 50 55特征数据编号（b）654320 1100 150 200 250 300特征1（平均值）（c）图11：（a）对于4s TOR的驱动器1的GSR电压值，（b）对于4s TOR的驱动器1的GSR数据LOF分数，以及（c）对于4s TOR的驱动器1的GSR数据LOF分数的视觉图。按下启动按钮，HMI启动，如图4（c）所示。TOR倒计时对驱动器是可听和可视的; TOR倒计时从每次测试的同一点启动。 此功能激发NDRT到每个播放音乐，ING驱动程序执行表1中的第三种情况。3.5. 参与者年龄在24至65岁之间的18名参与者（8名女性和10名男性）参加了这项研究。年龄的平均值和标准差（SD）为分别为40.3年和14.7年。所有参与者都有有效的驾驶执照，至少高中学历，至少一年的驾驶经验（平均值：19.8，SD：15.3）。参与者包括以不同频率驾驶的人（每天：11名司机，每周一次：2名司机，每月一次：4名司机，每年一次：1名司机）。其中五名参与者卷入了一起交通事故。没有一个参与者有任何视觉和认知障碍，这将影响他们的驾驶。3.6. 设备. 本同步数据采集系统中使用的设备：(i) 具有纵向自主性的原型电动汽车（BLDC 750W）。(ii) 10转Vishay 860电位计检测转向角度(iii) Tomura 300 A AC/DC霍尔电流传感器用于电流（扭矩）数据(iv) Pololu FSR用于检测方向盘和制动踏板(v) Seeedstudio GSR传感器检测应力(vi) MinIMU-9 v3 IMU用于检测陀螺仪、加速度计和罗盘值(vii) GY-NEO 6 MV 2 GPS检测底盘速度(viii) 安装在2RM 200编码器上以检测车轮速度电压特征2（标准差）LOF评分16传感器杂志ð Þ1.81.61.41.210.80.60.40 20 40 60 80 100数据号（a）14012010080604020021.510 10 20 30 40 50特征数据编号（b）2.221.81.61.41.21100 150 200 250 300特征1（平均值）（c）图12：（a）对于2s TOR的驱动器1的GSR电压值，（b）对于2s TOR的驱动器1的GSR数据LOF分数，以及（c）对于2s TOR的驱动器1的GSR数据LOF分数的视觉图。(ix) Techsmart Dash摄像头可检测环境和驾驶员行为(x) 激光雷达（光探测和测距）探测物体并测量距离(xi) 笔记本电脑和电子卡收集数据(xii) 在手机中嵌入HMI（人机界面）系统，以适当地确保权限转换上述传感器和电动车辆构成数据收集系统，如图5所示。4. 实验结果4.1. 案例1、案例2和案例3的接管请求（TOR）时间结果。 在使用这些数据之前，有必要向驾驶员提出一个问题，因为这辆车不是传统汽车，而是一辆原型电动汽车。我们问司机下面的问题（见附录）：“你认为你今天的驾驶行为代表你的正常驾驶行为吗？根据答 案（ 李 克 特量表 ： 1-5 （ 根 本 没 有 - 相 当 多 ） ， 83.3% 的 司 机（ 15 名 司 机 ） 回 答 “ 相 当 多 “ （ 李 克 特 5 ） ，11.1% 的 司 机 （ 2 名 司 机 ） 回 答 “ 很 多 ” （ 4 ） ，5.5%的司机（1名司机）回答“很少”（2）。已针对每个驾驶员和不同TOR时间计算了情况1的以下标准;在表3（fxa）中，其是当前标准偏差（f）乘以五个加速度测量值的平均值（a）和GSR值的标准偏差（g），确定驾驶员是否平稳地执行了权限转换情况1的关键情况是在接近交叉口时从自动化系统到驾驶员的控制权限转换。在表3中，d表示距离，即过渡期间的平均速度，其由v_transition表示，并给出交点的时间，由表3中的e=d/v转变表示。在下文中， 一表示五个连续加速度电压特征2（标准差）LOF评分传感器杂志171.61.41.210.80.60.40.20 20 40 60 80 100数据号（a）2001501005043.532.521.510.50 10 20 30 40 50特征数据编号（b）3.532.521.50 150 100 150 200 250 300特征1（平均值）（c）图13：（a）针对0 s TOR的驱动器1的GSR电压值，（b）针对0 s TOR的驱动器1的GSR数据LOF分数，以及（c）针对0 s TOR的驱动器1的GSR数据LOF分数的视觉图。由TOR触发器收集的测量值。在过渡期间，提取最大速度（b）和最小速度（c）的值。并且发现了在接近交叉口时驾驶员的权威性和准备性。驱动程序1是最平滑的过渡，TOR约为2 s。脉冲偏差验证了这一点：（g）值是TOR 2 s的最低值3.21，而TOR 6 s为32.53，TOR 4 s为 6.80，TOR 0 s为38.50由（fxa）表示的度量对于TOR 2 s以相同的方式给出最低值，这也验证了不通过制动或加速电动车辆而激励的驾驶员1的控制权限，而不是他/她在TOR瞬态阶段的平滑命令能力。对于TOR 2 s，到临界情况的距离（用DTC表示）为15 m，到达交叉口的时间驾驶员1平稳地执行操纵任务以接近交叉口。当驾驶员1进行控制时，加速度达到1.01 m/s2，并且具有比其他TOR情况高得多的最大和最小速度值，表示为（b）和（c）分别在表3这也显示了驾驶员1在控制权限从自动化系统转换之后指挥车辆时的信心。考虑到驱动器2，脉冲偏差度量（g）和（fxa）对于TOR 2 s采用相对于其他TOR（例如0 s、4 s和6 s）的测试度量值较低的值在TOR为2s的情况下，DTC为17m，TTC为6.56s.这为驾驶员控制车辆提供了足够的距离和时间。转换后，驱动程序以1 m/s 2的速度加速。车辆最高速度达到15.3 km/h，最低速度达到6.69 km/h。通过比较表3中不同TOR的速度值（d），驾驶员2有权控制车辆，同时在TOR请求后更有把握地命令牵引/制动大约2 s。通过对驱动程序3的TOR实验结果的分析，与 其 它 TOR 请 求 时 间 相 比 ， TOR 4 的 （ fxa ） 和（fxa）度量值较低。对于TOR 4 s，DTC为10 m，TTC为3.