在非驾驶相关任务下，高速公路隧道进出口接管系统的承载能力分析：一种多维信息耦合方法

《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》：Driving workload capacity of highway tunnel entrance and exit takeover under non-driving-related tasks: a multi-dimensional information coupling method

　　朱双凯|梁波|牛佳安|苏瑞|龙浩楠|邓涛|徐梦迪
重庆交通大学交通与运输学院，中国重庆400074

**摘要**
道路隧道中的驾驶环境为人与机器协同驾驶（HMC）技术的研发与应用带来了独特的机会与挑战。隧道入口和出口处突然的光线变化对驾驶员主观和客观驾驶负荷的影响，以及非驾驶相关任务（NDRTs）的复杂性，目前尚不明确。本研究通过设计两种接管场景（一种发生在隧道入口，另一种发生在隧道出口），探讨了这些因素对驾驶负荷的影响。测试了四种常见的NDRTs以及无任务的基线情况。数据来自28名驾驶员，在十种实验条件下收集了眼动追踪、生理和行为测量数据。基于接管过程中的“情境意识恢复-接管操作执行”阶段，开发了一个多维度信息特征系统来量化驾驶负荷指标。采用核主成分分析和模糊C均值聚类方法构建了驾驶负荷能力（DWC）的量化和分级模型。结果表明，隧道入口处的接管场景对驾驶负荷的影响大于隧道出口处；两种场景下的生理反应和速度控制表现存在显著差异。NDRTs复杂性的增加进一步提高了对注意力资源的需求，从而加剧了驾驶负荷。使用Dempster-Shafer证据理论进行的主观负荷分析也支持了DWC的量化结果。这些发现为隧道环境中的人机交互模型设计提供了依据，并有助于提升自动驾驶系统的场景匹配容错能力。

**引言**
高速公路隧道是交通网络中的关键节点，它们能够克服地形限制，提高运输效率，因此在工程实践中被广泛采用。然而，其半封闭的结构会导致环境单调，往往使驾驶时间延长，增加驾驶员疲劳和分心的可能性。隧道入口处的强烈亮度对比会引发突然的视觉适应问题，这些现象通常被称为“黑洞”效应和“白洞”效应（Pervez等人，2020年），这些效应导致隧道入口和出口的事故率高于隧道内部（Pervez等人，2020年）。单调的隧道环境还会引起短暂的视觉障碍，威胁交通安全。尽管高速公路隧道中的总体事故频率可能低于开放式道路，但隧道特有的因素增加了二次事故发生的可能性，且事故发生时通常会造成更多人员伤亡（Yeung等人，2013年）。危险驾驶行为是大多数交通事故的直接原因，人为因素仍然是交通事故的主要原因（Ding等人，2025年）。因此，驾驶员的感知、判断、决策和控制行为直接决定了交通安全。确保隧道的安全可靠运行需要先进的信息技术来检测环境风险，并提供及时有效的驾驶辅助和决策支持。

车载信息技术的快速进步和第五代（5G）通信系统显著提升了自动驾驶系统（ADSs）的连接性和智能化水平，为提高道路安全性、减少交通拥堵和提升出行效率提供了新方法（Tian等人，2023年）。汽车工程师协会（SAE）根据自动化程度将ADS分为六个级别：3级条件自动化允许车辆在许多常规道路上自主行驶，同时允许驾驶员在自动驾驶过程中执行非驾驶相关任务（NDRTs）。这种模式通常被称为人与机器协同驾驶（HMC）。尽管车辆智能化取得了显著进展，但实现完全自动驾驶仍面临技术限制、法规空白和伦理问题等挑战。因此，自动驾驶的发展和近期部署仍将停留在HMC阶段。

在HMC阶段，驾驶员可以从主要驾驶任务中解脱出来，进行次要的非驾驶活动，角色由“操作者”转变为“监督者”。这种转变减少了驾驶员对驾驶任务的关注。当接管请求（TOR）发生时，驾驶员容易分心，无法持续监控驾驶环境，情境意识的丧失会影响及时反应，增加因接管延迟而引发交通事故的风险。接管后，驾驶员需要时间来恢复情境意识。在自动驾驶期间，驾驶员无需执行驾驶任务，因此他们感知环境信息和应对突发事件的能力显著下降，这进一步增加了接管风险。隧道内部与外部环境的鲜明对比在控制权转移时进一步干扰了视觉处理，增加了整体的驾驶负荷。突然的光照变化也会影响智能车辆的感知能力（Tomasi等人，2021年）。2021至2024年的自动驾驶脱离报告显示，由亮度对比引起的接管场景占事件的重要组成部分，尤其是在隧道入口和出口附近（Zhang等人，2024年）。在高速公路上部署和应用HMC技术可以显著减轻驾驶员负荷，提高道路安全、舒适度和交通效率。然而，一些3级智能车辆无法应对隧道入口处的复杂条件，当运行条件超出操作设计域（ODD）时，驾驶员必须立即恢复手动控制。这种接管要求快速准确的响应，对HMC的安全至关重要。接管过程包括两个阶段：情境意识的恢复和接管操作的执行。本研究在多种条件下收集了来自驾驶员的多源异构数据，量化了不同接管场景和NDRTs共同作用下的驾驶负荷，并开发了一个全面的量化指标系统。

**自动驾驶接管过程**
当3级ADS无法应对当前的交通条件时，会向驾驶员发出接管请求。接管过程通常从发出接管请求开始，到驾驶员响应并完成控制权移交结束。先前的研究对这一过程的开始、结束和阶段划分存在争议（Walter等人，2020年；Wang等人，2023年；Zeeb等人，2015年）。

**实验设备**
本研究使用的实验平台和设备包括硬件设备、实验仿真平台、监测设备及相关数据分析软件。实验平台的整体框架如图2所示。

**驾驶负荷指标系统**
本研究从三个维度（视觉、生理和行为）来考察驾驶负荷。评估驾驶负荷的客观指标系统如图11所示：

**1. 视觉负荷指标**
选择了两个基于瞳孔面积的指标：瞳孔面积变化率（PACR）和瞳孔面积相对变化强度（RCPA）。PACR量化了驾驶员的视觉感知活动，这一指标在隧道照明条件下尤为重要。

**皮尔逊相关性分析**
皮尔逊相关性分析常用于评估两个连续变量之间的线性关系。使用Origin软件中的Correlation Plot插件来分析解释变量之间的相关性。图12展示了分析结果。综合描述统计和方差分析（ANOVA）显示了各指标之间的显著相关性，为后续的单个指标趋势分析提供了基础。

**不同接管场景对驾驶员负荷的影响**
高速公路隧道入口处的交通安全一直是一个持续关注的问题（Han等人，2024年）。尽管自动驾驶技术的发展有望提高车辆对复杂道路环境的适应能力和降低事故率，但很少有研究专门评估智能车辆在隧道环境中的表现。本研究分析了HMC阶段下的驾驶负荷（DWC）。

**贡献与局限性**
本研究有三个主要贡献：首先，它重点关注高速公路隧道入口和出口区域，这些区域以突然的光照变化为特征；其次，通过整合视觉、生理和行为指标，开发了一个多维度的DWC评估模型；最后，研究了HMC阶段在高速公路隧道入口处的接管性能。

**结论**
本研究调查了高速公路隧道入口处HMC阶段的接管性能，旨在量化接管场景和NDRTs共同作用下的驾驶负荷变化。使用多维度信息特征开发了一个DWC的定量分级模型，以描述接管过程中的驾驶员负荷状态。这些发现为改进道路隧道中的人机交互模型提供了依据，特别是隧道入口处。此外，还有助于提升ADSs的容错能力和复杂隧道环境下的驾驶控制可靠性。

**作者贡献声明**
朱双凯：撰写——审稿与编辑、初稿撰写、软件开发、方法论设计、数据分析、正式分析
梁波：撰写——审稿与编辑、指导、资金获取、数据整理
牛佳安：撰写——审稿与编辑、验证、指导、资金获取、概念构建
苏瑞：撰写——审稿与编辑
龙浩楠：指导、资源协调
邓涛：撰写——审稿与编辑
徐梦迪：撰写——审稿与编辑

**利益冲突声明**
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

**致谢**
本研究得到了国家自然科学基金（项目编号52378391、52508434）、重庆市研究生研究与创新计划（项目编号CYB25284）、重庆市教委科学技术研究计划（项目编号KJQN202500738）以及中国博士后科学基金会博士后科研基金（项目编号GZB20250754）的支持。