非機動車交通流量對交叉口騎行者視覺行為影響

王心悅,潘義勇,陸妍琳

(南京林業大學 汽車與交通工程學院, 南京 210037)

近年來,綠色低碳的出行方式日漸深入人心,由于自行車具有輕巧、便宜的優勢,城市交通中非機動車出行比例和騎行者的數量逐年提高。然而,與非機動車相關的交通事故頻發,因此需要研究非機動車騎行者的駕駛行為以保障安全。視覺行為是駕駛人獲取交通信息的重要途徑,非機動車駕駛員視野開闊,絕大部分交通信息都需要通過視覺注意獲取。隨著交通流量的增大,騎行者需要處理的視覺信息增加,更容易形成視覺負荷。鑒于此,從騎行者的視覺特性出發,探究不同交通流量情境下騎行者在交叉口的視覺行為差異性,為提高非機動車交通安全提供理論依據。

在駕駛行為安全性研究中,很多學者通過注視和掃視行為等指標進行視覺行為研究。郭鳳香等[1]通過駕駛模擬平臺試驗分析了老年駕駛人和青年駕駛人在交叉口的視覺特性差異性,主要指標包括眼動特性、注視轉移概率和注視平穩分布概率;趙小平等[2]通過分析新手駕駛員瞳孔、掃視和注視點數據,研究高興、悲傷、憤怒情緒對新手駕駛員的注視點分布有差異性影響;李洪濤等[3]基于Logistics回歸模型,將視野圖片亮度、凝視點分布面積和累計注視時間作為評價指標,構建視覺搜索能力評價模型。秦雅琴等[4]通過眨眼、掃視、注視等多種眼動數據分析山區低等級公路典型路段駕駛人視覺負荷上的差異性。潘義勇等[5]通過實車實驗對比分析駕駛人在景區與城市道路環境下眼動特性的差異性。Li[6]研究駕駛員在信號交叉口和無信號交叉口的視覺掃描行為,并采用安德魯斯曲線直觀展示了實驗結果;湯文蘊等[7]研究了高速公路連續隧道群駕駛人視覺特性,發現駕駛人在連續隧道群中通行到第2條隧道時視覺負荷降低,視覺穩定性提高。丁袁等[8]通過選取廣泛的行人樣本,對比分析了有無信號條件下行人在注視區域、注視目標、視負荷方面的眼動差異。

在實際道路環境中,交通量的變化會引起駕駛員駕駛行為的變化。郭明鵬[9]通過vissim仿真分析了交通流對交通標志視認效果的影響。陳肖欣[10]通過不同交通量條件下道路標志信息量實驗,得出駕駛員在交叉口的駕駛行為變化特征和道路信息密度閾值。李海瓊[11]通過實驗發現隨著車流的增加,駕駛員的注意力需求量隨之變大,更容易產生消極情緒。國內僅有部分研究是圍繞交通流量和駕駛員行為的相互關系展開,鮮有針對非機動車流量影響下騎行者駕駛行為的研究。

目前,關于非機動車視覺行為的研究較少,且大多借鑒了機動車駕駛員視覺行為研究的分析方法。Ryerson等[12]將騎行者生物特征數據與危險感知能力結合,利用眼動數據對非機動車道基礎設施進行風險評估。Rupi等[13]研究了自行車騎行者在信號交叉口的眼動行為,發現騎車人的經驗水平和交叉口類型都會影響騎行者的注視行為。Mantuano等[14]分析了自行車騎行者在有無行人共享道路資源的情況下注視行為的差異性。趙霞等[15]通過SMI眼動儀進行眼動實驗,證明電動自行車騎行者在駕駛過程中以掃視行為為主,且掃視時間會隨著交通環境復雜程度增加而延長;胡文斌等[16]選取注視時間、掃視幅度與掃視速度為指標,分析了自行車騎行者與機動車駕駛員在城市道路上的眼動特征;高亮[17]建立了平交路口自行車騎行者視覺搜索模式評價模型。

綜上所述,國內外關于非機動車騎行者的眼動特性研究較少,且大多采用注視與掃視行為作為分析指標,沒有從視覺負荷和注視轉移角度分析騎行者的眼動特性。另一方面,考慮到實際交通量變化會影響騎行者的駕駛行為,在日益擁堵的城市交通環境下,有必要研究非機動車流量對交叉口騎行者視覺行為的影響。因此,本文采用實車實驗的方法獲取5種非機動車交通流量條件下騎行者通過交叉口時的注視次數與時間、掃視時間、注視轉移概率,以及注視平穩分布概率等眼動數據指標,并通過灰色關聯度矩陣驗證了注視轉移概率指標的合理性,為非機動車騎行者交通安全研究提供理論支持。

1 實驗設計

1.1 實驗儀器及場景

實驗設備包括Tobii Glasses 2眼動儀、ErgoLAB人機環境同步系統。眼動儀可通過攝像頭自動追蹤受試者的眼動情況,人機環境同步系統可將注視點信息與圖像信息匹配,由此得出受試者的眼動情況。

為了分析不同交通流量情景下電動自行車騎行者視覺行為的差異性,選擇工作日晚高峰時段 17∶00—18∶00,休息日下午時段14∶00—15∶00。2個時段分別滿足了交通流量高峰期與平峰期的實驗需求,且該時間段下交通參與者數量充足,可提供完整的道路信息。

為了體現騎行者在交叉口的視覺特性,實驗地點選擇南京市龍蟠路與展館路交叉口。龍蟠路道路類型為主干路,路段為雙向六車道且有機非隔離帶,沿線有大量住宅區與商貿區,存在重要的地鐵站點及交通樞紐,可以滿足騎行者出行的各項需求。交叉口采用信號控制,交通組成為機動車、非機動車與部分行人。為對比分析不同交通流情境下騎行者的注視轉移情況,共進行5種不同場景的實驗,具體的實驗場景如表1所示。

實驗中需注意以下幾點:① 車道寬度是指受試人所在的非機動車道的有效寬度;② 由于每個受試人需完全通過交叉口,所以沒有設計右轉實驗,受試人騎行路程約為250 m;③ 實驗不考慮紅燈等待時間,數據處理中剔除紅燈等待時間段眼動數據,避免對實驗結果造成干擾。

表1 實驗場景

1.2 實驗人員及過程

電動自行車與人力自行車類似,屬于較易掌握的交通工具,受試人可以單獨完成實驗。選取電動自行車騎行實驗者共20人,兩類人群男女比例相當,包含20～50歲的受試人,職業包括學生、老師和工人等。實驗數據分析時不考慮人群個體間的差異性,只考慮道路場景與交通信息對騎行者視覺行為的影響。所有受試人的矯正視力均可達到安全騎行的要求。

首先,對受試人進行眼動儀校準,初步收集騎行者的眼睛幾何特征,以便于計算受試者的凝視點;其次,告知受試人駕駛須知并強調在保障安全的條件下盡快通過交叉口,以保證受試人模擬真正的騎行者并將速度差異控制在可接受的范圍之內;然后,進行正式實驗,要求受試者在交通流量較大和較小時段騎行通過實驗路段,佩戴眼動儀單獨完成騎行任務并返回,實驗中眼動儀會記錄騎行者的眼動數據;最后,記錄測試者的基本信息和保存實驗視頻與數據。

1.3 非機動車流量的定義與調查

在非機動車交通流量統計特性中,飽和流率是是反映騎行者出行行為的重要參數。考慮到非機動車騎行者在通過信號交叉口時的集群性,不同車道寬度的進口道飽和通過非機動車數量不同,參照機動車飽和流率的定義,將非機動車流量定義為單位時間內通過單位寬度上非機動車的車輛數。

式中:q為非機動車流量,bike/(s·m);Q為單位時間內通過某斷面的非機動車車輛數;W為非機動車道的有效寬度;t為調查時間。

在計算非機動車流量時,可以通過車輛換算系數將其他類型車量轉化為標準車。以自行車為標準車型,在換算電動自行車時,韓寶睿等[18]根據不同的計算方法對電動自行車的換算取值。采用傳統計算方法最終確定電動自行車對自行車的換算系數為1.22,交叉口內部的非機動車流量構成見表2,實驗場景非機動車交通流量值見表3。

表2 實驗場景非機動車流量構成

表3 實驗場景非機動車交通流量值

2 視覺特性分析

2.1 眼動時間指標

將5個實驗場景按非機動車流量進行降序排序,分別統計各個場景騎行者的注視時間百分比和掃視時間百分比,結果如圖1所示。結果表明,隨著非機動車流量的降低,騎行者的掃視時間占比無明顯差異,但騎行者的注視時間百分比在5個不同交通流場景中均存在顯著性差異,尤其當非機動車流量小于0.75 bike/(s·m)時,騎行者的注視時間占比呈明顯下降趨勢,數值由73.58%降低到51.03%。但是當非機動車流量大于0.75 bike/(s·m)時,注視時間百分比指標的變化趨勢相對不明顯。這說明在高峰非機動車流量情境下,交叉口內部騎行者對交通信息的興趣程度和獲取效率均高于平峰情境下的騎行者,即交通流量較大時騎行者在交叉口的風險感知能力有明顯上升,騎行者交叉口直行和左轉需要經過多個沖突區,注視多個交通信息來保障自身安全,車流量的增多將導致注視時間的延長。此外,若交叉口視野開闊,駕駛員一次注視就能得到較多的信息,則之后的掃視次數和時間就不會有顯著變化,說明騎行者掃視時間指標與非機動車交通流量相關性較低。

圖1 眼動時間百分比分析結果

通過圖2可以發現,騎行者在通過交叉口時,高峰交通流量組的注視持續時間和平均注視時間均大于平峰組。注視持續時間在一定程度上反映了騎行者對交通信息的興趣程度。隨著車流量的增加,交叉口騎行者的注視持續時間增加,表明騎行者對交通信息的興趣程度逐漸提高,面對潛在危險時表現為延長關注時間,分配更多的注意力;高峰組的平均注視持續時間大于平峰組,反映了在流量較大的交叉口騎行者對交通信息的獲取和處理難度更高,需要較多認知和判斷信息的時間,以避免事故的發生。

圖2 注視持續時間與平均注視時間分析結果

2.2 眼動次數分析

研究表明,騎行者的眼動次數與道路交通復雜程度相關。由圖3可知,騎行者的注視次數和掃視次數均呈現出隨著實驗場景非機動車流量的降低而減少的變化趨勢,從差值上看眼動次數指標的變化趨勢相對一致。5個場景中,騎行者掃視次數在非機動車流量0.944 bike/(s·m)時達到顯著性差異,表明高峰組騎行者在掃視過程中無法快速且準確地獲取足夠的交通信息來確認潛在的風險,增加了騎行者的眼動次數。

圖3 眼動次數分析結果

總體而言,隨著交通流量的增加,騎行者在交叉口對危險的感知能力增強,無論是掃視方面還是注視方面的指標,除掃視時間百分比外,都呈正反饋關系。掃視行為增加會讓騎行者發現危險信息的概率提高,而注視行為增加能夠使騎行者提前規避潛在危險。騎行者在交叉口會隨著非機動車交通流量的提高,分配更多的注意力在視認危險信息上,且注意力的分配程度隨著交通流量的增加而增加,在注視指標上變化更加顯著。騎行者通過加強視覺行為提高騎行者自身的安全性,降低交通事故發生的概率。

2.3 視覺負荷分析

視覺負荷程度可以反映騎行者的心理狀態。這里分別用眨眼速率和瞳孔直徑體現騎行者的視覺負荷程度。大量醫學研究表明,眨眼可以有效緩解視覺疲勞,眨眼頻率越大,意味著受試人眼球越容易疲勞;瞳孔直徑與人的視覺適應性及負荷程度有關,瞳孔擴張越大,表明騎行者越緊張,精神負荷越大,反之則越小。

由于存在個體間的差異,在相同情境下,不同受試人的眨眼次數和瞳孔直徑也不盡相同,故無法僅通過比較眨眼次數和瞳孔直徑確定駕駛人的心理狀態。因此,選取騎行者每秒眨眼速度、最大瞳孔直徑、瞳孔直徑差值與方差作為研究騎行者在交叉口的視覺負荷變化指標,視覺負荷指標如表4所示。

實驗結果表明,騎行者的每秒鐘眨眼速度和瞳孔直徑的變化趨勢與交通流量的變化不具有一致性,但在面對高峰交通流條件時,騎行者的視覺負荷較大,內心緊張而謹慎,具體表現為高峰組(場景1、場景2、場景3)騎行者的最大瞳孔直徑、瞳孔直徑差值與方差均明顯高于平峰組(場景4、場景5)的騎行者,說明高峰交通流量情境下騎行者受到的視覺壓迫更大,迫使騎行者注意力更加集中;除場景5外,騎行者的眨眼速度隨著非機動車數量的增加而上升,說明騎行者需要更加頻繁的眨眼行為來緩解自身視覺疲勞,間接說明交通流量會影響騎行者的視覺負荷。過大的交通流量將導致騎行者受到視覺壓迫,內心緊張從而提高自身危險感知能力;平峰流量下交通情況簡單,需要關注的交通信息較少,騎行者能夠緩解焦慮情緒,視覺負荷程度低。

表4 視覺負荷指標

3 注視轉移分析

3.1 注視區域劃分

駕駛員注視區域劃分是研究駕駛員注視行為、注視轉移模式和危險感知能力的前提和基礎[19]。騎行者在行駛過程中需要收集各種交通信息,以便與其他交通參與者保持安全距離,保障自身安全。因此,合理有效地劃分騎行者注視區域將有助于梳理注視信息在不同目標間的分布,從而深入研究騎行者在交叉口的眼動規律和注視轉移模式。

現有的視覺注視區域劃分方法主要有機械劃分法、注視目標逐一統計法和動態聚類法。本實驗采用k-means聚類法對騎行者的注視區域進行劃分,工作量較小且劃分結果較為精準。對每位駕駛人選取800個注視點樣本,利用k-means聚類法對注視點位置進行劃分。經比選,當k=4時受試人的興趣區域界線清晰,聚類結果如圖4所示。因此將騎行者注視區域劃分為4個區域,結果如圖5所示,具體為:區域1,主要包括當前所在車道左側其他車輛和左前方的道路交通情況;區域2,主要包括當前車道遠方交通狀況和標志標線,以及信號燈;區域3,主要包括當前車道近處區域的其他非機動車以及可能出現的行人;區域4,主要包括當前所在車道右側的車輛和右前方道路交通情況。

圖4 聚類分析結果

圖5 注視區域劃分結果

3.2 各注視區域注視轉移概率

將騎行者注視不同的區域定義為不同的狀態時間,下一次騎行者注視哪個區域只與當前所注視的區域有關,這是典型的齊次馬爾可夫鏈問題。通過2個連續注視行為之間的轉移概率,可以求解出各個注視區域之間的注視一步轉移概率,具體流程如圖6所示。將每個注視區域作為馬爾可夫鏈的一個狀態,記錄注視點在區域內部的移動和區域間的轉移,按照流量時段將數據分為高峰組和平峰組分別計算騎行者注視轉移概率,結果如圖7所示。

圖6 注視轉移概率流程框圖

從圖7可以看出,2組交通流條件下騎行者都最關注區域2,即當前車道遠處區域,說明交叉口騎行者絕大部分注意力集中在前方交通狀況、標志標線以及信號燈等交通信息。在注視轉移過程中,2組騎行者的注視點仍然保留在區域2的概率分別為0.795和0.537,且注視點轉移到區域2的概率均高于其他區域之間的轉移概率,說明高峰交通流條件下騎行者為了更多地收集前方交通信息,傾向于將視野停留在區域2。

對比2組騎行者在區域1(當前車道左側)和區域4(當前車道右側)的轉移概率,發現平峰組騎行者對區域1和區域4的注視轉移概率更高,且主要由區域2轉移到區域1,表明平峰交通流量條件下騎行者較高峰組更加關注水平視野左右兩側區域的交通信息。高峰組騎行者在區域3(近前方車道),無論是注視點停留概率還是轉移概率都明顯高于其他區域,說明高峰交通流條件下騎行者更容易被當前車道的其他車輛吸引。

圖7 注視轉移概率分布示意圖

3.3 注視轉移關聯矩陣

為了探求注視轉移行為的內部驅動因素,進一步驗證馬爾科夫鏈一步轉移概率的合理性,在灰色關聯度模型的基礎上建立注視轉移關聯度矩陣,分析其他因素對于注視轉移概率結果的影響。將當前注視點的狀態特征量作為參考數列、下一注視點的坐標作為比較數列,建立注視轉移關聯矩陣,計算比較數列與參考數列之間的關聯度。其中,子因素主要考慮當前注視點位置(X,Y)、注視持續時間、掃視幅度、掃視平均速度。

通過計算得出交叉口騎行者注視點轉移影響因素的關聯矩陣Rolder為:

從騎行者注視點轉移影響因素的關聯矩陣中可以看出,矩陣的第1列與第2列的關聯度最高,即當前注視點位置對下一注視點位置的影響最大,這也印證了馬爾科夫鏈的方法估計注視區域的轉移概率的合理性。同時,注視時間、掃視幅度和掃視速度也會影響駕駛人的注視轉移特性,而不同非機動車交通流量下交叉口騎行者視覺行為指標的變化也會導致其注視轉移行為的差異性。

3.4 注視平穩概率

由馬爾可夫鏈的遍歷性可知,受試者的注意轉移分布概率經過一段時間的轉移最終都會達到平穩狀態,可計算出每位駕駛人在各個注視區域的平穩分布概率。2組騎行者在各個注視區域注視平穩概率如圖8所示。從圖8可以看出:2組騎行者對區域2的注視平穩分布概率值最高,分別達到了71.9%和64.8%,說明騎行者最關注車輛當前車道前方交通信息,且高峰交通流條件騎行者的關注程度更高。2組騎行者在區域1和區域4的注視平穩概率存在顯著性差異,表明平峰組騎行者較高峰組騎行者更多關注車輛當前車道左右兩側的交通信息。

總體而言,隨著交通流量的增加,騎行者會提高對身側其他騎行者的關注度,以保證自身安全。而平峰交通流條件下的騎行者與高峰時相比,注視點的平穩概率分布更加均勻,在注意力集中在前方區域的同時能夠很好地兼顧其他周圍區域。

圖8 注視平穩概率分布直方圖

4 結論

1) 在不同交通流量條件下,道路環境復雜,信息量繁多,騎行者在交叉口的注視特性存在顯著差異,具體表現為:隨著非機動車流量增加,騎行者的注視次數和掃視次數增加,注視時間百分比、注視持續時間和平均注視時間顯著增長,說明騎行者對交叉口交通信息的興趣程度和危險感知能力提高。同時,騎行者眨眼頻率上升,瞳孔直徑變化值增大,表明高峰交通流條件下騎行者視覺負荷增大,內心更加緊張謹慎,以保障自身安全通過交叉口。

2) 由注視轉移概率分布可知,不同交通流量條件下騎行者都最關注當前車道前方路況和信號燈區域。按非機動車流量大小將騎行者分為高峰組和平峰組,發現平峰組騎行者的視覺行為模式更加靈活,在觀察某一區域的同時能夠兼顧左右兩側的交通狀況,而高峰條件騎行者需要更多地重復注視同一區域,即正前方交通狀況以保障與其他車輛的安全距離。

3) 由注視轉移關聯度矩陣可知,與騎行者注視轉移概率相關性最大的因素是當前注視點位置(X、Y),橫、縱坐標相關度分別達到0.95和0.91,且掃視時間、掃視速度、掃視平均時間也都會影響騎行者在交叉口的注視轉移特性。由注視轉移平穩概率可知,高峰組騎行者在復雜的交通信影響下,無法同平峰組一樣分散較多的注意力到周邊注視區域,而是更加關注當前車道前方區域的交通信息。

4) 以電動自行車騎行者在交叉口的視覺特性為目標,研究不同交通流量條件下騎行者的視覺行為的差異性,討論高峰流量條件下騎行者的危險感知能力提升的原因與影響。未來可進一步研究騎行者在復雜交通場景中的視覺行為模式與危險感知能力,如混行道路、無信號交叉口、多路口交叉口等;還可結合生理指標,建立騎行者危險感知能力評價模型,使研究結果更具有應用價值。