软件学报

作者：张杨杨，张浩，甘涛，冷昶，黄承超，张立军

单位：张杨杨，基础软件与系统重点实验室 (中国科学院 软件研究所), 北京 100190;计算机科学国家重点实验室(中国科学院 软件研究所) , 北京 100190;中国科学院大学, 北京 10004911,张浩，中国科学院 软件研究所 人机交互技术与智能信息处理实验室, 北京 100190;中国科学院大学, 北京 10004902,甘涛，基础软件与系统重点实验室 (中国科学院 软件研究所), 北京 100190;计算机科学国家重点实验室(中国科学院 软件研究所) , 北京 100190;中国科学院大学, 北京 10004903,冷昶，中国科学院 软件研究所 人机交互技术与智能信息处理实验室, 北京 100190;中国科学院大学, 北京 10004904,黄承超，中科南京软件技术研究院 软件安全与可信实验室, 江苏 南京 211135;中国科学院大学, 北京 10004905,张立军，基础软件与系统重点实验室 (中国科学院 软件研究所), 北京 100190;计算机科学国家重点实验室(中国科学院 软件研究所) , 北京 100190;中国科学院大学, 北京 10004906

关键词：自动驾驶;接管绩效;深度神经网络;可解释性;人机交互

基金：中国科学院基础研究青年团队计划 (CASYSBR-040)

随着自动驾驶技术的快速发展, 车辆控制权的接管问题成为研究的热点. 装载辅助驾驶系统的汽车并不能完全处理所有的驾驶场景, 当实际驾驶场景超出辅助系统的操作设计域时, 仍需要人类驾驶员控制汽车以安全完成驾驶任务. 接管绩效是衡量驾驶员接管表现的重要指标, 包括接管反应时间和接管质量两个方面. 接管反应时间是指系统发出接管请求后到驾驶员控制方向盘的时间开销, 接管反应时间长短不仅一定程度上反映了当前驾驶员的状态, 还对后续面对复杂场景进行操作也有一定影响. 接管质量是指驾驶员获得车辆控制权后手动驾驶车辆的质量. 基于CARLA驾驶模拟器, 构建6个典型驾驶场景下, 对车辆控制权接管过程进行仿真并通过多通道采集系统搜集了31名驾驶员的生理信号和眼动数据. 根据驾驶员的接管表现, 参考国际标准基于多个车辆数据提出包括驾驶员接管反应时间、最大横、纵向加速度、最小碰撞时间在内的更为客观的接管绩效评价标准. 综合驾驶员数据、车辆数据和场景数据, 研究利用深度神经网络(DNN)模型对接管绩效进行了预测, 并运用SHAP模型分析各特征的影响, 以提高模型的解释性和透明度. 实验结果表明, 所提出的DNN模型在接管绩效预测方面优于传统机器学习方法, 预测准确率达到92.2%, 且具备良好的泛化性. SHAP分析揭示了心率变异性、驾驶经验、最小安全距离等关键特征对预测结果的重要影响. 为自动驾驶系统的安全性优化和人机交互设计提供了理论和实证基础, 对提高自动驾驶技术中人车合作的效率和安全性具有重要意义.

来源：2025年第12期

《软件学报》期刊编辑部

查看软件学报杂志2025年第12期