邻车切入工况下前撞预警系统的驾驶人依赖特性

邻车切入工况下前撞预警系统的驾驶人依赖特性

李国法1,2，赖伟鉴1，廖 源2,3，王文军2*，成 波2

（1. 深圳大学 机电与控制工程学院人因工程研究所，深圳 518060，中国；2. 清华大学 汽车安全与节能国家重点实验室，北京 100084，中国；3. 查尔姆斯理工大学 空间地球环境系物理资源理论部，哥德堡 41296，瑞典）

摘 要： 为提升邻车切入工况下的行车安全，基于驾驶模拟实验平台，研究了驾驶人对前撞预警系统的依赖特性评价方法以改进预警系统的设计。以预警时机（即碰时间TTC）为研究变量，采集了12名驾驶人的实验数据，以制动依赖指数、次任务评分为2项客观指标，以危险度评分、信任度评分为2项主观指标，建立了评价体系模型，实现了对驾驶人系统依赖程度的量化评价。设计了L9(34)正交实验，建立了依赖特性评价回归模型。结果表明：预警时机（TTC）对依赖特性的影响最为显著：过晚的预警时机（TTC = 2.4 s）降低系统的有效性；过早的预警时机（TTC =1.2 s）易导致驾驶人对系统过度依赖。因而，适度推迟预警时机（TTC = 1.8 s）可以抑制依赖性的产生，提升系统的安全性。关键词： 驾驶安全；前撞预警系统；驾驶行为；依赖性；预警时机；邻车切入

中图分类号： U 471 文献标识码： A DOI： 10.3969/j.issn.1674-8484.2020.01.003

Driver reliance characteristics on forward collision warning

systems in adjacent vehicle cut-in situations

LI Guofa1,2，LAI Weijian1，LIAO Yuan2,3，WANG Wenjun2*，CHENG Bo2

(1. Institute of Human Factors and Ergonomics, College of Mechatronics and Control Engineering, Shenzhen University, Shenzhen 518060, China; 2. State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing 100084, China; 3. Division of Physical Resource Theory, Department of Space, Earth and Environment, Chalmers University of

Technology, Gothenburg 41296, Sweden)

Abstract: An evaluation method was investigated to assess driver reliance characteristics on forward collision warning systems based on a driving simulator to improve driving safety in adjacent vehicle cut-in situations. Using alarm timing (time to collision, TTC) as the control variable, driving behavior data from 12 participants were collected in adjacent vehicle cut-in situations. Two objective indexes (brake reliance index and secondary task index) and two subjective indexes (risk level index and trust level index) were proposed to establish the evaluation system model to realize the quantitative evaluation of driver reliance level on the systems. An L9(34)

收稿日期 / Received ： 2019-05-21。

基金项目 / Supported by ： 汽车安全与节能国家重点实验室开放基金(KF1801)；国家自然科学基金青年项目(51805332)；第4届中国汽

车工程学会青年人才托举工程培养计划。

第一作者 / First author ： 李国法（1986—），男（汉），河南，特聘副研究员。E-mail: hanshan198@gmail.com。第二作者 / Second author ： 赖伟鉴（1995—），男（汉），广东，硕士研究生。E-mail: wj_lai@foxmail.com。* 通讯作者 / Corresponding author ： 王文军(1978—)，男(汉)，吉林，副教授。E-mail: wangxiaowenjun@tsinghua.edu.cn。

李国法，等：邻车切入工况下前撞预警系统的驾驶人依赖特性37

orthogonal experiment was designed and conducted. Regression models of driver reliance indexes were established. The results show that alarm timing is the most significant factor affecting driver reliance. A late alarm (TTC = 2.4 s) degrades the effectiveness of the systems, while an early alarm (TTC = 1.2 s) causes drivers’ over-reliance on the systems. Therefore, appropriately delaying the alarm timing (TTC = 1.8 s) can improve driver reliance for safety considerations.

Key words: driving safety; forward collision warning system; driving behavior; driver reliance; alarm timing;

adjacent vehicle cut-in situation

在人、车、道路环境三者构成的道路交通系统中，机动车驾驶人失误是事故的主要原因。张丽霞等分析中国的道路交通事故诱因后，发现：90%以上的事故是由驾驶人因素导致的，且总体呈逐年上升趋势[1-3]。当即将发生危险时，驾驶辅助系统可在有效感知行车环境的基础上给予驾驶人及时有效的预警信息，从而避免事故发生或减轻事故严重程度，对改善道路交通安全具有重要意义[4-8]。

前撞预警系统作为纵向安全辅助的重要组成部分，当前已得到较大范围的推广使用

[9-10]

。调查发现，

在前撞预警系统使用初期，驾驶人的交通事故发生率出现明显下降，但在使用较长时间后，诸多驾驶人的事故发生率会回升到接近最初的水平[11]。该现象是由于驾驶人对前撞预警辅助系统产生了过度依赖（over-reliance），使得驾驶人在驾驶主任务上投入的精力减少，甚至将注意力转移到打电话、发信息、过度操作车载导航仪等威胁行驶安全的次任务上[12-13]，此时一旦驾驶人反应迟缓，极易导致交通事故的发生。因此，合适的依赖性水平设计对前撞预警系统的有效性保障至关重要[14]，而如何有效评价驾驶人对前撞预警系统的依赖程度是提升其有效性和用户接受度的关键技术。

文献[15]的研究表明，驾驶人在紧急情况下的制动反应时间t随跟车时距（ time gap， tg）的增加而线性增长。若前撞预警系统的预警时机过早，驾驶人每次均具有充足的反应时间，易产生过度依赖；若预警时机过晚，预警信息的有效性有限。因此，过度依赖或完全不依赖对前撞预警系统而言，都不是所期望的。

当前针对前撞预警系统预警时机的研究多集中于不同预警时机对驾驶人反应的影响，极少关注驾驶人对不同预警时机的依赖特性，因此尚无有效的依赖性评价体系。同时，当前研究对相邻车道车辆突然切入到自车前方这种易导致事故发生的危险工况研究较少。

本文旨在从客观和主观两个维度出发，建立驾驶人在邻车切入工况下对驾驶辅助系统（以前撞预警系统为例）的依赖特性评价体系，可有效指导驾驶辅助系统

的设计，合理控制驾驶人对辅助系统的依赖程度，提升行车安全性。

1 实验设计

1.1 驾驶模拟实验台

由于驾驶人对辅助系统表现出的依赖特性对实际道路驾驶会产生一定的危险，实车道路实验风险高、效率低，故本研究基于驾驶模拟实验台展开，如图1所示。该实验台具有6自由度运动发生装置，结合视景及音响模拟，能够较好地在虚拟环境下开展有关驾驶行为的实验研究。

图1 驾驶模拟实验台

1.2 正交实验设计及实验被试

由于我国驾驶人群体中普遍存在“老新手”现象，对行人及自行车参与较多的城市道路工况造成了潜在安全威胁。因此，本研究在探究预警时机对系统依赖性的同时，研究了驾驶频率（一周数次、一月数次、一年数次，分别为1、2、3水平）和城市工况下车辆行车速度（40、50、60 km/h，分别为1、2、3水平）对驾驶人系统依赖特性的影响。前撞预警系统的邻车切入预警时机设定为即碰时间（time to collision，TTC）（早、中、晚，分别为2.4、1.8、1.2 s, 代表 1、2、3水平） 时发出预警。为更好地贴近驾驶辅助实际，本研究中前撞预警系统设置了10%的漏警率。

38汽车安全与节能学报第11卷 第1期 2020年

由于开展完全实验设计共计需要3×3×3共计27组不同的实验，驾驶人长时间参与实验易引起疲劳、驾驶眩晕（motion sickness）等干扰因素，因此，完全实验设计开展难度较大，且实验结果可能由于疲劳等因素而掺杂有较大噪音。而正交实验设计可用较少的实验次数实现对所研究因子主效应等影响的分析，效率较高，因此本研究基于L9(34)正交表，引入一个无意义变量（1、2、3三个水平）构造L49(3)正交实验设计，得到的正交实验方案如表1所示。

表1 正交实验设计

实验编号行车速度驾驶频率预警时机无意义变量E 11111E 21222E 31333E 42123E 52231E 62312E 73132E 83213E 93321正交实验有如下特点：1）每个因子所有水平出现次数相同；2）任意两个因子的所有水平组合出现次数相同。正交实验一般用Ln(qm

)表示，其中： L表示正交表，n表示总实验次数，

q表示因子的水平数，m表示因子数。但并非所有因子水平的组合都可以构造出正交表，三因子三水平（3×3×3）一般借助经典的L9(34)正交表开展，但L49(3)需要有4个因子。

本实验共计招募12名被试参与实验，其中每类驾驶频率的被试各4人。所有被试均持有合法驾照，年龄在21~30岁之间，驾龄1年以上，平均驾龄为3.5年。根据被试驾驶频率安排实验，并随机安排对应车速与预警时机顺序，从而避免实验顺序对结果的影响。

1.3 切入实验场景及驾驶次任务

切入实验场景示意如图2a所示。使被试以较稳定的跟车时距（tg = 1.2 s）跟随前导车辆行驶（尽量使图2b中的紫色箭头保持在远-近提示条的最中间位置），前导车辆速度对应表1中所研究各场景的行车速度值。

由于前车车速和跟车时距均较稳定，因此，自车的速度可较好的控制在目标水平。当驾驶人跟车时距达到目标值左右（±30%）范围内时，触发驾驶次任务提示。本研究的次任务是以触摸屏为载体的手眼计算次

任务，触摸屏安装在中控台位置。在驾驶人执行次任务的过程中，当右侧车道上某车辆与自车的TTC = 3.5 s时，触发该车辆换道切入到自车前方；当自车与切入车辆的TTC达到对应的预警时机设定时，触发前撞预警信号。

驾驶人接收到次任务指示后，在驾驶仪表盘上次任务屏幕（如图3所示）上，点击“开始”按钮，执行次任务。

此时的等式左侧会出现3个3以内的随机数，被试需计算3个随机数的和，并在6 s内完成结果的输入并点击“下一个”继续答题。若被试感到危险，可以选择放弃答题。

被试驾驶车辆前导车辆tg= 1.2 sTTC = 3.5 s待换道车辆待换道车辆(a) 切入实验设计

(b) 行车速度控制

图2 实验场景示意图

图3 次任务界面

李国法，等：邻车切入工况下前撞预警系统的驾驶人依赖特性39

实际车辆驾驶过程中，驾驶人总会在风险和驾驶达成度上权衡，在保证安全前提下，驾驶人总是期望能快速、便捷地抵达目的地或尽可能地享受驾驶乐趣。模拟器实验中，实验场景较单一，导致驾驶人达成意愿不足，需要采取措施模拟实际道路中风险与驾驶达成度的平衡关系。为此，本研究在驾驶实验报酬设计上引入激励机制，即驾驶人每发生一次碰撞会在实验报酬基础上扣除部分实验费用，正确答对一题，可以给予奖励，鼓励驾驶人在优先保证行车安全的前提下充分投入到次任务中。

1.4 实验流程

首先，驾驶人会有10 min左右的时间熟悉驾驶模拟器的操作。之后，驾驶人会进行无漏警条件下的适应性训练以熟悉前撞预警系统。驾驶人会体验到10次右侧车道车辆切入的情景，当切入车与自车的TTC减小到事先设定的阈值时，系统发出声音警报，要求驾驶人在听到警报声音后踩下制动踏板避免碰撞。10次车辆切入后，驾驶人会对该环节系统的预警时机做出危险度主观评分。

下一步进入正式实验环节。驾驶人根据提示条调整跟车距离，驾驶人可在保证安全的前提下进行次任务并重复进行4组正式实验，每组实验有10次车辆切入，16次驾驶次任务提醒。驾驶次任务提醒后，系统会有10%的概率丧失预警功能。为降低驾驶人对整个实验流程的学习效应，随机设置车辆切入和系统漏警事件的发生次序。4组实验（40次切入）结束后，对驾驶人进行主观信任度评分。总体实验流程如图4所示。

图4 实验流程

2 系统依赖性评价指标

2.1 制动依赖指数

首先对被试在不同情况下的制动行为进行分类。如图5所示。

自主响应自主依赖制动制动制动制动TTC减小TTC减小切入时机预警时机切入时机预警时机 (a) 非漏警工况 (b) 漏警工况

图5 被试制动表现分类

被试的制动行为可分为3种：

1） 自主制动：非漏警或漏警工况下，制动时刻TTC值高于预警时机的制动；

2） 响应制动：非漏警工况下，制动时刻TTC值低于预警时机的制动；

3） 依赖制动：漏警工况下，制动时刻TTC值低于预警时机的制动。

对单个被试的所有响应制动及自主制动时刻的TTC取均值，得到平均制动时机。过度依赖系统的被试在漏警工况下会出现制动能力显著下降的现象，主要表现为依赖制动时刻TTC值与平均制动时刻TTC值之比显著减小。对所有前车切入工况下被试的制动时机TTC值做分析，如图6所示。

在预警时机为TTC = 2.4 s时，驾驶人的平均制动时机要早于预警时机为TTC = 1.8 s条件下的平均制动时机，且二者都低于设定的预警时机，说明响应制动行为的比例较高，反映出驾驶人对系统信任度较高。比较预警时机TTC = 1.2 s与TTC = 1.8 s发现，前者驾驶人平均制动时机早于警报时机（TTC = 1.2 s），这说明自主制动行为比例高，反映出驾驶人对系统信任度较低。

被试对警报系统的态度可分为3种：不信任、信任、依赖（即过度信任）。其中，不信任和依赖均不可取，不信任导致系统效用降低，而依赖导致驾驶人警觉性下降，一旦系统漏警，容易造成危险。理想的结果是驾驶人对系统适度信任，即有信任但不依赖，始终保持一定的警觉。基于上述分析，提出制动依赖指数（brake reliance index, BRI）评价指标衡量被试对系统的依赖程

度，制动依赖指数BRI越大，表示被试对前撞预警系统的依赖程度越高。其定义为

(1)

其中：

TA表示平均制动时机，该值为自主制动和响应制动情况下的制动时刻TTC的均值； TCM表示依赖制动时机； n表示依赖制动次数。

40汽车安全与节能学报第11卷 第1期 2020年

43210-1

TTC/ s4

4

3

TTC/ s10

20

30

3

TTC / s22

11

010203040

0

010203040

(a) TTC = 1.2 s (b) TTC = 1.8 s (c) TTC = 2.4 s

图6 被试制动时刻的TTC分布

2.2 次任务评分

信息传递理论认为，人的信息处理能力有一定限度

[16]

3 正交实验结果及分析

以制动依赖指数、次任务评分、危险度和信任度主观评分为因变量，行车速度、驾驶频率、预警时机为自变量，取置信区间为95%，用SPSS19进行方差齐性检验得样本满足方差齐性要求。进行方差分析得各因子的主效应如表2所示。其中： *表示p值小于0.05，**表示p值小于0.01。

表2 正交实验各因子主效应结果表

评价指标因素行车速度BRI驾驶频率预警时机行车速度STI驾驶频率预警时机行车速度RLI驾驶频率预警时机行车速度TLI驾驶频率预警时机均方0.0690.0117.5370.0000.0000.0140.0420.39.1460.1460.3960.062F值0.2140.03423.5130.2140.000188.1520.3336.33366.3332.3336.33314.333显著性0.8240.9670.041*0.8241.0000.005**0.7500.1360.015*0.3000.1360.065。假设某驾驶人一定时间内的信息处理能力为B0，

而同等时间内保持行车安全需要的处理能力为Bs，完成次任务题目需要的处理能力为Bt，则有：

(2)

前撞预警系统帮助驾驶人减轻决策负担，驾驶人越信任系统，则驾驶人所需的Bs越小，因而Bt增大，使得次任务完成量增加。因此，次任务的完成情况可表征驾驶人对系统的依赖程度。不同驾驶人处理信息的能力不同，对每位被试的次任务正确答题数量进行归一化，提出次任务评分（secondary task index, STI），STI(i) 越高，表示被试对系统的依赖程度越高。STI(i)为s(i)与在3个预警时机中正确答题总数的比值。其表达式为：

(3)

s(i)为在对应预警时机下其中： i表示不同的预警时机，的正确答题数。

2.3 危险度与信任度评分

在每个工况点适应性训练环节结束后，被试对警报起作用时刻的危险度（risk level index, RLI）进行打分，1表示很安全，5表示很危险，得到危险度评分。在切入实验后，被试会对系统的信任度（trust level index, TLI）打分，1表示不信任，5表示很信任，得到信任度评分。

表2结果显示：预警时机是对系统依赖性评价指标影响最大的因子。表征依赖性的4个指标中，次任务

李国法，等：邻车切入工况下前撞预警系统的驾驶人依赖特性41

评分对预警时机最为敏感，其次是危险度评分和制动依赖指数，信任度评分对预警时机敏感度略小。行车速度以及驾驶频率对各依赖性指标均无显著影响，说

明所提出的依赖性评价指标可适用于不同的行车速度工况及不同的驾驶经验群体。因此，在下一小节中忽略行车速度及驾驶频率两个因素的影响，将预警时机视作单因素变量做进一步分析。

4 预警时机对系统依赖性的影响结果及分析

合并不同速度和驾驶频率的样本，对预警时机进行单因素方差分析，统计量的F检验结果如表3所示。制动依赖指数、次任务评分和危险度评分均存在显著性，说明这3类依赖性指标可有效表征不同预警时机下驾驶人对于前撞预警系统的依赖性差异。由于系统设置有10%的漏警率，可能是导致信任度评分差异性不显著的重要原因。不同依赖性指标与预警时机之间的关系如图7所示。

1.5

1

0.5

0

1.21.82.4TTC/ s

图7 依赖性指标与预警时机之间的关系

表3 依赖性指标的显著水平

评价指标F值显著性BRI9.96<0.001STI24.12<0.001RLI4.000.028TLI1.940.159制动依赖指数随预警时机的提前而升高，且方差变小。次任务评分表现出类似规律。危险度评分随着预警时机的提前而降低。总体而言，随着预警时机的提前，驾驶人对系统的依赖性增强。被试在不同预警时机下制动时刻的TTC分布如图8所示。

3.0-3.5TTC / s1.2()2.5-3.01.8() s/2.0-2.52.4()TCT1.5-2.01.0-1.50.5-1.00-0.5

0100200300图8 制动时刻TTC分布图

随着预警时机的提前，驾驶人的制动时机出现后延趋势，且分布趋于集中。当预警时机TTC = 2.4 s时，制动时刻TTC大幅集中于1.5~2.0 s的区间范围。人的最短制动反应时间（有预期情况下从危险发生至刚踩下制动踏板所需时间）约为0.9~1.2 s [15]，驾驶人在预警时机TTC = 2.4 s时有较充裕的时间对危险做出反应，易产生对系统的过度依赖而埋下安全隐患。而预警时机TTC = 1.2 s与驾驶人的最短制动反应时间过于接近，驾驶人稍有分心或反应迟缓便会导致事故发生，严重影响系统的有效性和信任水平。

当预警时机TTC = 1.8 s时，驾驶人制动时刻集中在1.0~1.5 s的区间，与驾驶人最短制动反应时间相当，

可有效保障驾驶人在行车过程中的警觉性水平，有效辅助驾驶安全的同时避免了驾驶人对系统的过度依赖。因此，在本文所研究的预警时机中，TTC = 1.8 s可提供及时有效的驾驶辅助，并避免对系统的过度依赖，属最佳预警时机。

由以上分析可知，预警时机是影响驾驶人依赖程度的唯一显著性影响因子。因此，以TTC为自变量，建立各依赖性评价指标的线性回归模型，结果如表4所示，其中R2为决定系数。

以报警率作为评价驾驶人依赖程度的基准，当其完全不依赖所研究系统时，报警率为零，而当其完全依赖该系统时，报警率为100%。以上述4个依赖性评价指标为自变量，建立驾驶人对系统的综合依赖指数comprehensive reliance index, CRI）量化评价回归模型为

CRI = 0.046 BRI + 0.295 STI - 0.039 RLI +

0.039 TLI + 0.401.

(4)（42汽车安全与节能学报

表4 各依赖性评价指标的回归模型

指标类型TTC系数0.1390.123-0.3820.212系数显著性<0.001<0.001<0.0010.008常数项1.3560.1092.8181.004系数显著性<0.0010.003<0.0010.001F18.87347.72998.0008.059第11卷 第1期 2020年

线性关系显著性<0.001<0.001<0.0010.008R20.3570.6220.7420.192制动依赖指数(BRI)次任务评分(STI)危险度评分(RLI)信任度评分(TLI)该模型对应的R2 = 0.591。该量化模型可用于预估相关驾驶辅助系统的驾驶人依赖程度，为系统的设计优化提供依据。

5 讨 论

信任是内在认知，依赖是外在表现[17]。神经医学研究已证明，信任水平的高低直接影响到驾驶人对系统的依赖程度

[18]

，信任水平越高，依赖程度越强，但

过度信任会导致过度依赖，从而增加系统风险。而依赖程度又反过来影响信任水平，对系统的依赖程度降低将导致信任水平的下降，两者呈正相关关系[18]。针对本研究中依赖与信任之间的相关关系，采用Pearson相关系数对其线性相关程度进行了分析，结果显示两者的相关系数为0.382（p = 0.021<0.05），呈显著低度相关，由此可见，信任影响依赖程度，但并非唯一影响因素

[18]

，因此本文引入了次任务考量并综合考虑了驾驶

场景危险度水平等因素对依赖特性进行了研究。

在线性回归模型中，

R2用于度量因变量变异中可由自变量解释部分所占的比例，由此可判断模型的可解释性，其值越接近1说明模型的拟合效果越好，可解释性越强。由表4所示的线性回归模型可见，虽然本研究发现预警时机显著影响到驾驶人的依赖特性，但TTC并不能非常好地预测各项依赖性评价指标，可能的原因包括：（1）部分依赖性评价指标与TTC之间并非线性关系

[18]

，需要尝试其它的模型进行建模；（2）相关

的依赖性评价指标除受到TTC影响外，还受到驾驶风格等因素的影响

[12]

，具体的影响因子及相关模型有待

进一步研究探索。

除以上有待进一步探索研究的内容外，本研究招募的被试样本量较小，且年龄集中、方差小、驾龄短，主要为年轻驾驶人，下一步研究中需均衡样本构成，增强被试的代表性。

6 结 论

前撞预警系统应建立驾驶人对系统的适度信任，

避免驾驶人对系统产生过度依赖。本研究以邻车切入工况为例，在自主制动、响应制动、依赖制动和平均制动时机的基础上建立了前撞预警系统驾驶人依赖特性评价指标体系（客观指标：制动依赖指数和次任务评分，主观指标：危险度和信任度评分），并基于该指标体系建立了系统依赖程度的量化评价回归模型。实验结果表明，本研究所提出的方法及模型可根据驾驶人对预警信号的操作反应实现对驾驶人系统依赖程度的有效评价。

即碰时间TTC对制动依赖指数BRI、次任务评分STI、危险度评分RLI的影响均具有显著性（BRI: <0.001; STI: <0.001; RLI: 0.028）。预警时机越早，驾驶人对系统的依赖性越强。

适度推迟（TTC = 1.8 s）预警时机可降低驾驶人对系统的依赖程度，提高行车安全性。本研究所提出的方法及模型可拓展应用于其它驾驶安全辅助系统。

参考文献 (References)

[1] 李国法, 陈耀昱, 吕辰, 等. 智能汽车决策中的驾驶行

为语析关键技术 [J]. 汽车安全与节能学报, 2019, 10(4): 391-412.

LI Guofa, CHEN Yaoyu, LÜ Chen, et al. Key techniques of semantic analysis of driving behavior in decision making of autonomous vehicles [J]. J Automotive Safety and Energy, 2019, 10(4): 391-412. (in Chinese)

[2] 张丽霞, 刘涛, 潘福全, 等. 驾驶人因素对道路交通事故

指标的影响分析 [J]. 中全科学学报, 2014, 24(5): 79-84.

ZHANG Lixia, LIU Tao, PAN Fuquan, et al. Analysis of effects of driver factor on road traffic accident indexes [J]. Chin Safety Sci J, 2014, 24(5):79-84. (in Chinese)[3] LI Guofa, WANG Ying, ZHU Fangping, et al. Drivers’

visual scanning behavior at signalized and unsignalized intersections: A naturalistic driving study in China [J]. J Safety Research, 2019, 71: 219-229.

[4] 《中国公路学报》编辑部. 中国交通工程学术研究综

李国法，等：邻车切入工况下前撞预警系统的驾驶人依赖特性

述•2016 [J]. 中国公路学报, 2016, 29(6): 1-161.

Editorial Department of CJHT. Review on China’s traffic engineering research progress: 2016 [J]. Chin J Highway and Transport, 2016, 29(6): 1-161. (in Chinese)

[5] 李进, 刘洋洋, 胡金芳. 人机协同下辅助驾驶系统的车道

保持控制 [J]. 机械工程学报, 2018, 54(02): 169-175.

LI Jin, LIU Yangyang, Hu Jinfang. Lane Tracking of driver assistance system with man-machine-coordination 43

[11] Toledo T, Musicant O, Lotan T. In-vehicle data recorders

for monitoring and feedback on drivers’ behavior [J]. Transp Res Part C: Emerging Tech, 2008, 16(3): 320-331.[12] LI Guofa, LI Shengbo Eben, CHENG Bo, et al. Estimation

of driving style in naturalistic highway traffic using maneuver transition probabilities [J]. Transp Res Part C: Emerging Tech, 2017, 74: 113-125.

[13] YAN Xuedong, ZHANG Yuting, MA Lu. The influence

[J]. J Mech Engi, 2018, 54(02): 169-175. (in Chinese)[6] Bengler K, Dietmayer K, Farber B, et al. Three decades of

driver assistance systems: Review and future perspectives [J]. IEEE Intell Transp Syst Maga, 2014, 6(4): 6-22.[7] LI Guofa, YANG Yifan, QU Xingda. Deep learning

approaches on pedestrian detection in hazy weather [J/DOI]. IEEE Trans Industrial Electronics, 2019, doi: 10.1109/TIE.2019.2945295.

[8] LI Shengbo Eben, LI Guofa, YU Jiaying, et al. Kalman

filter-based tracking of moving objects using linear ultrasonic sensor array for road vehicles [J]. Mech Syst Signal Proc, 2018, 98: 173-1.

[9] LI Guofa, LI Shengbo Eben, CHENG Bo. Field operational

test of advanced driver assistance systems in typical Chinese road conditions: the influence of driver gender, age and aggression [J]. Int’l J Automotive Tech, 2015, 16(5): 739-750.

[10] Reagan I J, McCartt A T. Observed activation status of

lane departure warning and forward collision warning of Hsonda vehicles at dealership service centers [J]. Traffic Injury Prevention, 2016, 17(8): 827-832.

of in-vehicle speech warning timing on drivers’ collision avoidance performance at signalized intersections [J]. Transp Res Part C: Emerging Tech, 2015, 51: 231-242.[14] CHEN J Yessie C, Barnes M J. Human–agent teaming for

multi-robot control: A review of human factors issues [J]. IEEE Trans Human-Mach Syst, 2014, 44(1): 13-29. [15] LI Guofa, WANG Wenjun, LI Shengbo Eben, et al.

Effectiveness of flashing brake and hazard systems in avoiding rear-end crashes [J/DOI]. Adv Mech Engi, 2014, doi: 10.1155/2014/792670.

[16] Endsley M R. Toward a theory of situation awareness in

dynamic systems [J]. Human Factors, 1995, 37(1): 32-.[17] Körber M, Baseler E, Bengler K. Introduction matters:

Manipulating trust in automation and reliance in automated driving [J]. Appl Ergonomics, 2018, 66: 18-31.[18] Lee J D, See K A. Trust in automation: Designing for

appropriate reliance [J]. Human Factors, 2004, 46(1): 50-80.