基于模糊數學方法評價自動駕駛接管績效

摘 要 采用問卷和實驗方法，并利用模糊數學方法探討接管前置時間、駕駛信任、情緒喚醒以及性別因素對接管績效的綜合影響。結果發現：3s前置時間的接管績效最佳，5s次之，8s最差；低駕駛信任度的駕駛員接管績效優于高信任度的；男性駕駛員的接管績效優于女性，喚起中性情緒時駕駛員的接管績效優于積極情緒時，并且交互作用顯示，男性喚起積極情緒后接管績效最差。主要結論是，駕駛員的情緒穩定有利于駕駛員在緊急情況下接管車輛。

關鍵詞 自動駕駛；駕駛接管；接管績效；模糊數學

分類號 U463.6；B841.4

DOI：10.16842/j.cnki.issn2095-5588.2024.07.004

1 引言

自動駕駛車輛是指可通過傳感儀收集駕駛環境數據，并聯合衛星地圖和人工智能，實現在無駕駛員的情況下也能順利行駛的汽車。國際自動駕駛等級的技術界定涵蓋了從L0級完全手動駕駛到L5級完全自動駕駛的全技術介入過程（Inagaki amp; Sheridan， 2019）。在這一分類體系中，L3級自動駕駛，即有條件自動駕駛，標志著系統能夠在特定條件下完全控制車輛，而無需駕駛員的實時監督。然而，這也要求駕駛員在系統發出請求時，必須能夠迅速且準確地重新接管車輛。由此，探究影響駕駛人自動駕駛接管績效的因素對于有條件自動駕駛車輛的安全性具有重要意義。在L3等級自動駕駛背景下，傳統駕駛行為的衡量標準已失去其實際意義，因此研究人員傾向于采用接管時長作為評估駕駛員應對突發狀況能力的關鍵指標。接管前置時間作為衡量駕駛員接管反應速度的系統性因素，對接管績效的影響成為了重要的研究方向。同時，非駕駛相關任務、接管情景以及駕駛員的個體差異共同作用于自動駕駛接管過程，這些因素之間的交互作用復雜且相互依存，值得深入探索（馬舒等， 2020）。張藝競等（2019）在有條件自動駕駛的心理模型研究中發現駕駛員性別對接管過程的影響尚不明朗，非駕駛相關任務的性質也應進一步細化為有趣與無聊兩種類型，而信任與分心之間的交互作用為心理模型構建提供了新的發展方向。盡管已有大量研究圍繞這些因素單獨探討了接管績效，但缺乏一個綜合評估自動駕駛接管績效的框架。因此，本研究將接管前置時間這一系統因素與性別、情緒和信任等人為因素相結合，深入探討它們之間的交互作用。此外，本研究還嘗試運用模糊數學評價方法，綜合評估上述因素對接管后駕駛行為績效等級的影響，以期為自動駕駛的人因研究提供更為全面和深入的實證依據。

自動駕駛接管的前置時間是指從自動駕駛系統發出接管請求開始，直至系統達到極限或故障而不能再對車輛進行操控的時間間隔。國內外針對接管前置時間開展了許多實驗研究，但是并沒有呈現一致的結論。比如，Mok等（2015）發現，5s是臨界點，8s時接管績效更好；5s前置時間的接管反應較快，但8s出現接管事故的風險更小。但是也有證據表明，前置時間并不影響接管績效（Weaver amp; DeLucia， 2022）。此外，國內也有研究發現前置時間并不影響駕駛員的接管反應時（林慶峰等， 2019），但前置時間越長，接管時發生事故的風險越小（馬小翔等， 2022）。根據實驗后駕駛員的反饋，這可能是因為前置時間較充足時，駕駛員會花一定時間調整駕駛狀態，而非第一時間做出接管動作（Dogan， 2019）。關于前置時間的研究目前結果不統一，可能是因為不同研究設置的接管情境不一致（趙曉華等， 2022）。比如，道路線形和道路等級會影響駕駛員接管時對車輛的速度和加速度的控制（Brandenburg amp; Chuang， 2019）。

接管過程是自動駕駛人因工效學研究的重點（馬舒等， 2020），接管實際上是人-機-環境相互作用的過程，駕駛員特性在接管和操縱車輛中發揮主觀能動性作用（Yoon et al.， 2019）。比如，駕駛員對自動駕駛的信任程度會影響其接管行為。過度信任的駕駛員可能會完全依賴系統，缺乏對危險的警覺，增加接管風險（潘春陽， 2020），而信任缺乏則有礙自動駕駛的推廣和使用（Choi amp; Ji， 2015）。目前關于自動駕駛車輛信任態度的調查一般以問卷調查方式進行（Fagnant amp; Kockelman， 2015），測量自動化信任的態度量表也一直在不同的跨文化領域內發展（Chien et al.， 2018）。此外，性別因素也是導致駕駛績效差異的主要原因之一，例如研究突發事件下，女性駕駛員更易驚慌，多使用急剎車措施應對，而男性駕駛員多進行推理分析和決策（?zkan amp; Lajunen， 2006）。關于性別對駕駛行為影響的研究大多集中在傳統手動駕駛情景中，較少有研究探究在自動駕駛接管水平上性別的差異，并且已有研究發現男性駕駛員對L3級別自動駕駛汽車的駕駛意向顯著高于女性（Liu et al.， 2022）。因此，本研究假設接管前置時間、自動駕駛信任水平及駕駛人性別對接管績效產生影響。

此外，駕駛人情緒在自動駕駛接管過程中的作用也不容忽視，Zimasa等（2019）發現負性情緒狀態與危險駕駛相關。面對不愉快駕駛事件，緊張和焦慮風格的人出現的生物行為變化最大，魯莽風格的人變化最小（Habibifar amp; Salmanzadeh， 2022）。此外，駕駛任務轉換時，處于積極情緒狀態的駕駛人認知靈活性提高了，且低趨近動機積極情緒（如搞笑）能夠增強認知靈活性，反應更快，高趨近動機積極情緒（如熱情、渴望）有利于將注意力聚焦和維持在特定目標（王振宏等， 2013）。駕駛人情緒通過干擾駕駛過程的認知影響駕駛行為。研究發現憤怒和快感情緒通過增強駕駛風格和實際危險駕駛行為之間的關系影響危險駕駛行為（Liu et al.， 2021）。這些研究都證明情緒確實會影響駕駛行為，并且它們一般將情緒分為積極、中性和消極情緒。Taubman-Ben-Ari（2012）發現處于積極情緒狀態的受訪者比中性狀態者更愿意從事危險駕駛。快樂狀態與憤怒狀態都會降低駕駛員的風險感知，并且處于快樂狀態的駕駛員在車輛的橫向控制方面表現較差（Zhang et al.， 2020）。不僅在傳統駕駛，在自動駕駛領域中也發現正價情緒對接管后的最大加速度以及最小碰撞率有積極影響，但對于接管時間的影響并不顯著（Du et al.， 2020）。盡管情緒在人機交互和手動駕駛中發揮重要作用，但人們對情緒是如何影響駕駛員自動駕駛接管表現的卻知之甚少。所以了解情緒狀態如何影響駕駛行為對于開發高級駕駛員輔助系統至關重要（Steinhauser et al.， 2018），因此，本研究假設駕駛人的情緒狀態將影響駕駛接管績效，且在中性情緒下比積極情緒下接管績效更好。雖然Taubman-Ben-Ari（2012）認為情緒對男女駕駛員的危險駕駛意愿無不同影響，但Rhodes等（2015）發現積極情緒下年輕男司機更容易進行危險駕駛（Rhodes et al.， 2015）。基于此，本研究假設喚起情緒對男性駕駛員的影響大于對女性駕駛員的影響。

對于接管駕駛行為績效評估，以往許多研究采用單一的駕駛員行為指標（如接管反應時），但這不能全面地衡量接管績效。由于駕駛行為是認知、識別、判斷的系列過程，所以在本研究設計中，使用接管反應時、接管判斷反應時以及判斷正確率作為評估接管績效的三個指標，采用模糊數學的理論對這三個指標進行賦權和合成，并計算最終的績效總分，比較各個條件下接管績效的差異。模糊綜合評價法是一種基于模糊數學的綜合評價方法，它根據模糊數學的隸屬度理論把定性評價轉化為定量評價（Zhu， 2022），即用模糊數學對受到多種因素制約的事物或對象作出總體評價。它具有結果清晰、系統性強的特點，能較好地解決模糊的、難以量化的問題，適合各種非確定性問題的解決。本研究中需要計算各種條件下的接管績效，屬于難以量化的問題，可以采用模糊綜合評價法來解決。

綜上，本研究基于L3等級自動駕駛的條件，先探究各個因素對自動駕駛接管績效單一指標的影響，再通過模糊綜合評價法進行接管績效等級的評定，旨在探討駕駛員的性別、喚起的情緒、對自動駕駛的信任水平和前置時間及交互作用對接管績效的影響。本研究假設：（1）高度信任自動駕駛系統的駕駛員接管績效低于信任水平低的；（2）系統提供的前置時間越長，駕駛員接管績效越差；（3）相較于觀看誘發積極情緒視頻的駕駛員，中性情緒的駕駛員接管績效更好；（4）女性駕駛員的接管績效低于男性；（5）喚起情緒對男性駕駛員的影響大于對女性駕駛員的影響。

2 方法

2.1 被試

通過網絡招募被試，共收回230份問卷，選擇對自動駕駛信任分數在所有被試里排前30%和后30%的被試參與線下實驗，計算信任度分數，低于61分的分入低信任水平組（n=64），高于66分的為高信任水平組（n=67）。

參與線下實驗的被試共131名，其中56名男性，75名女性，年齡為19～24歲，無色盲、色弱、聽力障礙者。本研究獲得福州大學人文學院應用心理系倫理審查委員會的審批（批號：202202231550000055037）

2.2 實驗設計與程序

使用Euro Truck游戲和Xbox錄屏工具制作自動駕駛模擬視頻進行實驗。實驗為前置時間（3s、5s、8s）×性別（男、女）×視頻材料喚起情緒（中性情緒、積極情緒）×自動駕駛車輛信任水平（高、低）混合設計，性別、喚起情緒和自動駕駛車輛信任水平為被試間變量，前置時間為被試內變量。

2.2.1 預實驗

選擇已證明能夠誘發被試產生積極情緒和中性情緒的視頻材料，剪輯成約30分鐘的片段，招募30名被試觀看并基于其喚起的情緒對主觀情緒報告表打分。選擇能夠誘發被試產生積極情緒和中性情緒的視頻材料各一份進行正式實驗。其中中性情緒喚醒視頻采用《如果國寶會說話》紀錄片，積極情緒喚醒視頻采用《唐伯虎點秋香》電影片段。

2.2.2 實驗任務

非駕駛任務：在實驗中設置自動駕駛過程，電腦呈現自動駕駛場景，同時要求駕駛員用右前方的平板電腦觀看視頻材料。實驗中，視頻不暫停不更換。場景如圖1所示。

接管任務：視頻播放到45s時，系統發出視-聽覺接管請求。聽覺提示為常見的系統故障提示音“噔——”，每次接管發出一次聲音，持續約為1s；視覺提示在屏幕的右下方，模擬汽車的中控顯示屏位置，顯示碰撞圖標并有預警文字“請在3/5/8s內接管車輛”，并開始倒計時。視覺接管請求如圖2所示，要求被試收到接管請求后按空格鍵接管車輛。

駕駛判斷任務：要求被試判斷是剎車還是直行，設定剎車場景為前方同車道急剎。被試觀察場景并快速且準確地按鍵判斷，遇剎車場景按S鍵，直行場景按W鍵。場景如圖3所示。每次接管后呈現14張場景圖片，兩種場景各出現7次，順序隨機。

2.2.3 實驗程序

通過網絡發布問卷，招募福州大學旗山校區的學生填寫問卷，問卷由性別、年齡等人口統計學變量和自動駕駛車輛信任態度量表組成。該量表由Chien等（2014）研發，中文版經張藝競（2019）修訂形成，共20道題，包括信任和質疑兩個維度，總量表和各維度的內部一致性系數為0.91和0.85以上，信效度均良好，采用李克特5點評分。根據量表分數排序，排在前30%的被試為高信任水平組，排在倒數30%的為低信任水平組，并通知擇日參加線下實驗。

實驗包括練習和正式實驗。正式實驗一共有26個試次，其中有兩個試次為無任務類型，其余24個試次中每種前置時間水平均出現8次，順序由E-Prime隨機生成。正式實驗階段，被試坐在電腦前，平板電腦放在被試的右前方。開始時電腦屏幕呈現駕駛員視角下的自動駕駛模擬視頻，此時被試可觀看平板播放的視頻材料；當系統發出聲音和圖像接管請求時，被試按空格鍵接管車輛，如果在前置時間倒計時結束前未能成功接管車輛，將會與前方車輛碰撞；如果成功接管，則開始駕駛判斷任務，對圖片場景進行按鍵判斷，每張圖片最長呈現5000ms，若被試沒有及時做出反應， 將會跳轉到下一張圖片。駕駛判斷任務結束后，電腦自動進入下一個試次，播放自動駕駛模擬視頻，兩次接管的間隔時間在1分鐘左右，自動駕駛模擬實驗時長不超過30分鐘。整個實驗流程如圖4所示。

3 數據處理與分析

3.1 接管反應時對比分析

首先對自動駕駛車輛信任態度量表進行信度分析，Gronbach’α系數為0.78，說明該量表內在一致性較好。其次，按照分數的前30%和后30%區分為高信任組（N=67）和低信任組（N=64），并進行差異性檢驗，獨立樣本t檢驗的結果差異顯著：t=19.046，plt;0.01，d=3.337。最后將131名被試的實驗數據導出，以接管反應時、判斷反應時和判斷正確率作為因變量衡量接管績效。定義接管反應時為發出接管請求到被試按鍵的時間，判斷反應時為被試判斷是否障礙場景的平均按鍵反應時，判斷正確率為被試判斷是否障礙場景的平均正確率。

先對性別差異進行獨立樣本t檢驗，男性和女性對自動駕駛車輛的信任水平上差異邊緣顯著（t=1.90， p=0.06， d=0.337），男性信任（M=65.8± 9.68）高于女性信任（M=62.6±9.33）。再對不同前置時間、喚起情緒、性別、信任水平的接管反應時進行重復測量方差分析，球形檢驗p=0.229gt;0.05，服從球形分布。分析表明：前置時間的主效應邊緣顯著，F（2， 246）=2.40， p=0.093， 偏η2=0.019， 前置時間與其他變量之間的交互作用均不存在顯著差異。進一步的事后檢驗表明，前置時間為3s的反應時（M=1053.59±385.55）和8s（M=1100.30±432.26）存在顯著差異，同時5s（M=1095.25±372.74）和3s接管反應時沒有顯著差異。主體間效應檢驗表明信任水平的主效應不顯著，F（1， 123）=1.44， pgt;0.05， 偏η2=0.011；性別的主效應不顯著，F（1， 123）=1.34， pgt;0.05， 偏η2=0.011；情緒喚起的主效應顯著，F（1， 123）=19.25， plt;0.01， 偏η2=0.135；情緒喚起和性別的交互效應顯著，F（1， 123）=4.92， plt;0.05，偏η2=0.038；其他組間變量的交互作用均不顯著。具體見表1。對情緒喚起和性別進行簡單效應檢驗，交互效果如圖5所示。在喚起積極情緒時，男性駕駛員的反應時顯著長于女性駕駛員，但在中性情緒下，女性駕駛員的反應時長于男性駕駛員。

3.2 駕駛判斷任務的對比分析

3.2.1 前置時間、性別、情緒和信任水平對駕駛判斷反應時的影響

對不同前置時間、喚起情緒、性別、信任水平的判斷反應時進行重復測量方差分析，球形檢驗p=0.018lt;0.05，因此采用多變量檢驗，數據分析顯示，前置時間的主效應呈邊緣顯著F（2， 25）=2.57， p=0.081， 偏η2=0.04。事后檢驗結果表明，5s的判斷反應時（M=570.36±113.09）和8s判斷反應時（M=579.59±115.34）存在顯著差異。同時3s的判斷反應時（M=575.60±123.48）與8s的判斷反應時沒有顯著差異；主體間效應檢驗顯示，情緒喚起的主效應顯著，F（1， 123）=13.02， p=0.001， 偏η2=0.096，性別的主效應也顯著，F（1， 123）=4.10， p=0.045， 偏η2=0.032。進一步分析后發現，積極情緒條件下判斷反應時長于中性情緒條件，女性的判斷反應時長于男性，具體見表2。

3.2.2 前置時間、性別、情緒和信任水平對駕駛判斷正確率的影響

如表3所示，前置時間的主效應邊緣顯著，F（2， 122）=2.70， p=0.071， 偏η2=0.042。前置時間和情緒喚起的交互作用顯著，F（2， 122）=4.63， p=0.012， 偏η2=0.071， 交互作用效果圖見圖6。進一步簡單效應檢驗發現，在中性情緒水平上，3s和8s、5s和8s的前置時間條件下判斷正確率存在顯著差異，具體表現為3s的正確率（M=98.65±0.19）及5s的正確率（M=98.70±0.23）顯著大于8s的正確率（M=98.02±0.24）；在8s水平上，情緒喚起對判斷正確率有顯著差異，具體表現為積極情緒下（M=98.88±0.26）大于中性情緒下（M=98.02±0.24）。組間效應檢驗發現，情緒喚起、信任水平和性別的主效應以及交互效應都不顯著。

通過上述一系列重復測量方差分析和事后檢驗操作，可以發現：對于接管反應時指標，前置時間和情緒喚起這兩個變量主效應差異顯著，并且情緒喚起和性別的交互作用顯著；對于判斷反應時指標，前置時間、情緒喚起和性別這三個變量的主效應顯著；對于判斷正確率指標，前置時間這一個變量主效應顯著，并且前置時間和情緒喚起的交互作用顯著。但是影響接管績效的不是單一變量而是多元變量，上述研究只能探究某個單一指標、而不是三個指標綜合起來對接管績效的影響，所以我們對這三個指標進行整合，計算每種條件下最終的接管績效。這里我們采用基于模糊數學理論的綜合評價方法，對三個指標進行賦權并計算最終的接管績效。

3.3 接管績效的模糊綜合評價

對于本研究來說，接管績效由接管反應時、判斷反應時和判斷正確率三個指標組成，要評價接管績效，就要綜合考慮，但三個指標在各變量上的表現并不統一，難以確定何種情況下接管績效最優，因此引入基于熵權法的模糊綜合評價，以全面、合理地反映各變量對接管績效的影響。本研究以3s前置時間的接管績效為例解釋算法過程。

根據模糊數學理論，將接管績效成績分為五個等級，據此建立接管績效模糊綜合評價的評語集：V={v1，v2，v3，v4，v5}。式中v1～v5表示優秀、良好、一般、較差、很差。接管績效由三個指標影響，所以建立因素集U={u1，u2，u3}，其中u1～u3表示接管反應時、判斷反應時、判斷正確率。

采用熵權法確定因素集中各指標的權重，某一指標的數據離散程度越大，傳遞的信息就越多，權重也就越高。當評價對象不止一個時，熵權法能簡化模糊評價模型，其結果客觀合理（鄒志紅等， 2005）。各指標的權重如表4所示，因素集的權重向量為A=（a1， a1， a1）=（0.5911， 0.3658， 0.0431）。

目前未有研究規定對自動駕駛接管績效的各評價等級取值，被試數據已剔除三個標準差外的極端數據，根據數值大小排序，接管反應時和判斷反應時正向排序，判斷準確率反向排序，確定各等級取值范圍，進而利用指標隸屬度函數建立模糊綜合判斷矩陣。將參與數據分析的所有三個指標根據數值大小分為五個等級，各項指標評價等級的取值范圍如表5所示。

根據各個等級的取值范圍，計算隸屬度。以3s前置時間為例，得到各個指標的模糊判斷矩陣為：

式中：rij表示第i個評價指標對第j個評語的隸屬度。綜上，將權重向量A對判斷矩陣R進行模糊合成，得到3s前置時間條件下模糊綜合評估結果向量B，即

B=A °R=（0.5418， 0.3938， 0.0374， 0.0271，0）

式中：“ °”為模糊合成算子。本研究采用的是M（·，）算子，又稱為加權平均型算子，其特點是兼顧所有因素，且保留了單個因素評價的所有信息。由于本研究自變量較多，且每個自變量并不在所有指標上有顯著差異，因此，只選擇在數據分析過程中具有顯著差異的變量進行模糊綜合評價，將每個單一自變量的各水平運用數學模型進行模糊綜合評價，根據最大隸屬度原則，隸屬度最高的等級可模糊為該水平在績效上的等級，綜合評價模型確定后，可以確定系統得分，即F=B*S，S為每個等級的級分，對接管績效等級進行賦分，設置優秀、良好、一般、較差和很差的得分分別為100、75、50、25、0，可以得到S={100， 75， 50， 25， 0}。綜上可以得到接管績效模糊評價的最終結果，如表6所示。

由表6可知，在性別主效應變量上，男性駕駛員的接管績效總分略高于女性駕駛員，并且男性在“優秀”等級上的得分雖然高于女性駕駛員，但是在“良好”等級上卻低于女性駕駛員；在情緒喚起主效應變量上，喚起中性情緒時的接管績效總分明顯高于喚起積極情緒時，且接管績效等級為“優秀”，喚起積極情緒時為“良好”；在接管前置時間主效應變量上，3s、5s和8s的評價等級都是“優秀”，但3s時總分最高，5s次之，8s最差；在信任水平主效應變量上，高信任和低信任等級沒有差異，且都是“優秀”，但在總分上，低信任明顯高于高信任。

對存在交互效應的變量進行模糊評價，在性別和情緒喚起交互的四水平上，當情緒喚起為中性時，男女駕駛員評價等級都是“優秀”，而當情緒喚起為積極時，男女都是“良好”，雖然男性駕駛員在喚起中性情緒下總分最高，但在喚起積極情緒的條件下，女性駕駛員總分高于男性，并且男性駕駛員在喚起積極情緒時績效最差；對情緒喚起和前置時間交互的六水平進行分析，當情緒喚起為中性時，駕駛員的等級都是“優秀”，而為積極時，都是“良好”，進一步分析可知，中性情緒喚起條件下5s前置時間總分最高，8s次之，3s最差，但在積極情緒喚起條件下3s前置時間總分最高，5s次之，8s最差。

4 討論

4.1 前置時間對接管績效的影響

接管績效主要包括接管反應時和接管質量，在實際駕駛或駕駛模擬艙中，接管質量通常通過方向盤的轉動角度、剎車踏板的深度、車身橫縱向的速度和加速度等指標反映（Zhang et al.， 2019）。本研究為電腦按鍵反應實驗，反應時由接管任務的按鍵反應時體現，接管質量由駕駛判斷任務的反應時和正確率體現，數據結果顯示前置時間顯著影響駕駛員各接管指標。具體表現為，只考慮接管反應時則3s前置時間的接管最快，只考慮判斷反應時則5s前置時間下判斷最快且正確率最高。我們發現前置時間對于這三個原始接管指標的影響并不一致，無法得到統一的結果，為此考慮前置時間對接管績效的綜合評價結果的影響。三個指標的模糊綜合評價為3s績效最佳，8s最差。從接管績效上看，前置時間在各指標上表現不同的原因可能有兩點：（1）駕駛員在接管過程中存在速度和質量的平衡。比較本研究中3s和5s前置時間下的接管可以發現，3s的接管速度更快，但判斷不如5s，Weaver和DeLucia（2022）也發現接管速度越快，接管質量越會下降。可能是在3s前置時間時，被試不得不在接收到所有有關接管的環境信息之前就作出判斷和決策，從而影響了質量。（2）實驗條件。有大量研究表明，8s是接管的最佳前置時間。但前人研究是在駕駛艙完成，具有較高的生態效度，而本研究是在E-Prime上完成按鍵反應。真實情況下駕駛員在接管時需要完成手握方向盤、輕踩剎車、直接或通過后視鏡判斷周圍車輛和行人情況等操作，而在E-Prime上模擬自動駕駛時只有按鍵這一簡單的動作，所以接管所需的時間更短。

4.2 性別和情緒對接管績效的影響

研究發現，目前的道路網絡和標識、景觀等設施更符合男性的認知方式（任怡靜， 2018），大眾也認為男性在駕駛上表現更好（Moe， 2015），這與本研究的發現一致。本文根據對三個原始接管指標的分析發現，雖然女性的判斷反應時長于男性，然而在喚起積極情緒時，男性的接管反應時顯著長于女性。綜合評價接管原始指標后也得出了類似的結果：男性接管績效優于女性，積極情緒男性接管績效反而低于女性，積極情緒的駕駛員其接管績效不如中性情緒的駕駛員。通過文獻梳理，我們認為原因可能有二：（1）沖突加工。有研究發現，低趨近動機積極情緒阻礙了沖突加工的解決（劉芳等， 2016），沖突加工是指對沖突信息的探測和處理，用于測量將注意力指向目標并抑制無關刺激干擾的能力。在本研究中，喚起的積極情緒主要為“高興”，屬于典型的低趨近動機積極情緒，處于該情緒狀態的駕駛員收到接管請求時，將注意力轉向駕駛接管并維持在道路信息上的難度更大，受視頻材料的干擾更多，故接管績效更低。（2）風險感知。Zhang等（2020）在研究中發現，相比中性和憤怒情緒，快樂情緒顯著降低了駕駛員感知風險的能力。因此，誘發積極情緒后駕駛員在接管上的表現較差。在普遍情況中，女性對駕駛風險感知的敏感度高于男性，男性在誘發積極情緒后對風險感知的能力再次降低，這可能導致其在接管績效上表現較差。

4.3 自動駕駛車輛信任水平對接管績效的影響

雖然對三個原始接管指標的方差分析顯示，信任對接管過程無顯著影響，然而本研究是根據信任得分兩端的極端值來招募被試的，根據以往研究，對系統過度信任或缺乏信任都不利于自動駕駛的接管。所以即便在統計意義上不顯著，但根據我們的綜合評價得分來看，低信任度駕駛人的績效依然高于高信任度的駕駛人。在自動駕駛模式下，駕駛員會交替關注不同任務，產生任務轉換代價，而轉換代價會影響駕駛員的表現（王磊， 2018）。在接管發生前，駕駛員的注意力可能在駕駛界面和視頻材料間轉換，期間產生的任務轉換代價影響了接管績效。駕駛員對自動駕駛車輛信任水平與接管績效呈負相關，這可能是因為信任水平低的駕駛員較少地將認知資源投入到非駕駛相關任務，而是時時關注周圍的交通環境，隨時做好接管的準備。相反，駕駛員對自動駕駛系統十分信賴時，會分配較多的認知資源在非駕駛相關任務中，享受自動化技術帶來的福利。當接管車輛時，信賴自動駕駛的駕駛員需要更多的時間去獲取環境信息，并將注意力轉換到駕駛上。

綜上，從理論上來看，本研究使用模糊數學模型綜合多個測量指標的數值，獲得了較為明確統一的結論：（1）男性的接管績效總體優于女性，其中在觀看誘發中性情緒的視頻時男性的接管績效最好，但在觀看誘發積極情緒的視頻時，男性的接管績效差于女性，即男性更容易受誘發積極情緒的非駕駛任務影響，降低接管績效。（2）前置時間對駕駛員的接管績效有影響，3s為最佳，但在喚起中性情緒時5s更優，即駕駛員在中性情緒狀態下更加謹慎，需要更多的時間來判斷路況以安全接管車輛。（3）對自動駕駛系統信任程度高的駕駛員接管績效差于對自動駕駛信任程度低的駕駛員。

本研究存在的不足之處有四，第一，實驗招募時處于疫情期間，招募到的人數有限，且事先通過問卷結果選擇被試的方法使得被試流失較為嚴重，其中低信任度的被試群體流失尤為嚴重，這是導致方差分析中的效應量小的主要原因。第二，由于被試招募只限定在大學中，而大學生普遍年齡和駕齡較低，因此實驗結論并不適用于所有群體。第三，只設置了前方車輛急剎這一種情境，駕駛判斷也只涉及直行和剎車兩種，接管情境不夠全面。在實際情況下接管的步驟更為復雜。因此未來研究可根據實際接管情況細化情境。第四，由于軟件的程序設計有限制，駕駛判斷任務判斷靜態圖片，后續實驗可考慮尋找更合適的軟件編程，對動圖或視頻進行駕駛判斷，或在駕駛模擬艙實現，提高研究生態效度。

參考文獻

林慶峰， 王兆杰， 魯光泉（2019）. 城市道路環境下自動駕駛車輛接管績效分析. 中國公路學報， 32（6）， 240-247.

劉芳， 丁錦紅， 張欽（2016）. 高、低趨近積極情緒對不同注意加工階段的影響. 心理學報， 48（7）， 794-803.

馬舒， 章薇， 史金磊， 楊振（2020）. 基于認知機制的有條件自動駕駛接管中的人因問題. 心理科學進展， 28（1）， 150-160.

馬小翔， 陳豐， 張霖（2022）. 預期接管場景下接管績效及接管風險研究. 中國公路學報， 35（1）， 159-168.

潘春陽（2020）.自動駕駛技術信任態度與駕駛風格之間關系研究. 碩士學位論文大連： 遼寧師范大學， 遼寧.

任怡靜（2018）.女性駕駛行為與城市道路系統關系研究. 碩士學位論文. 南京： 南京大學.

王磊， 楊明煊， 孫宇， 朱彤， 周育名（2018）. 駕駛人次任務轉換特性研究. 長安大學學報（自然科學版）， 38（4）， 80-86.

王振宏， 劉亞， 蔣長好（2013）. 不同趨近動機強度積極情緒對認知控制的影響. 心理學報， 45（5）， 546-555.

張藝競（2019）. 自動駕駛車輛信任態度對駕駛分心的影響. 碩士學位論文. 大連： 遼寧師范大學.

張藝競， 常若松， 馬錦飛， 竇廣波（2019）. L3等級自動駕駛條件下駕駛員接管過程及心理模型的構建. 心理科學， （2）， 415-421.

趙曉華， 陳浩林， 李振龍， 李海艦， 鞏建國， 付強（2022）. 不同情景下自動駕駛接管行為的影響特征. 中國公路學報， 35（9）， 195-214.

鄒志紅， 孫靖南， 任廣平（2005）. 模糊評價因子的熵權法賦權及其在水質評價中的應用. 環境科學學報， 25（4）， 552-556.

Brandenburg， S.， amp; Chuang， L. （2019）. Take-over requests during highly automated driving： How should they be presented and under what conditions？ Transportation Research Part F： Traffic Psychology and Behaviour， 66， 214-225.

Chien， S. Y.， Semnani-Azad， Z.， Lewis， M.， amp; Sycara， K. J. S. I. P. （2014）. Towards the development of an inter-cultural scale to measure trust in automation. In： Rau， P.L.P （Eds.）， International Conference on Cross-Cultural Design （pp. 35-46）. Cham： Springer Press.

Chien， S. Y.， Lewis， M.， Sycara， K. P.， Liu， J.， amp; Kumru， A. （2018）. The effect of culture on trust in automation： Reliability and workload. ACM Transactions on Intera-ctive Intelligent Systems， 8（4）， 1-31.

Choi， J. K.， amp; Ji， Y. G. （2015）. Investigating the importance of trust on adopting an autonomous vehicle. International Journal of Human-Computer Interaction， 31（10）， 692-702.

Dogan， E.， Honnêt， V.， Masfrand， S.， amp; Guillaume， A. （2019）. Effects of non-driving-related tasks on takeover performance in different takeover situations in condi-tionally automated driving. Transportation Research Part F： Traffic Psychology and Behaviour， 62， 494-504.

Du， N.， Zhou， F.， Pulver， E. M.， Tilbury， D. M.， Robert， L. P.， Pradhan， A. K.， amp; Yang， X. J. （2020）. Examining the effects of emotional valence and arousal on takeover performance in conditionally automated driving. Transp-ortation Research Part C： Emerging Technologies， 112， 78-87.

Fagnant， D. J.， amp; Kockelman， K. （2015）. Preparing a nation for autonomous vehicles： Opportunities， barriers and policy recommendations. Transportation Research Part A： Policy and Practice， 77， 167-181.

Habibifar， N.， amp; Salmanzadeh， H. （2022）. Relationship between driving styles and biological behavior of drivers in negative emotional state. Transportation Research Part F： Traffic Psychology and Behaviour， 85， 245-258.

Inagaki， T.， amp; Sheridan， T. B. （2019）. A critique of the SAE conditional driving automation definition， and analyses of options for improvement. Cognition， Technology amp; Work， 21（4）， 569-578.

Liu， Y.， Cui， W.， Zhou， R.， amp; Chan， A. H. （2022）. The effects of social conformity and gender on drivers’ behavioural intention towards level-3 automated vehicles. Travel Behaviour and Society， 29， 330-338.

Liu， Y. Q.， Wang， X. Y.， amp; Guo， Y. Q.（2021）. The modera-ting effects of emotions on the relationship between self-reported individual traits and actual risky driving behav-iors. Psychology Research and Behavior Management， 14， 423-447.

Moe， A.， Cadinu， M.， amp; Maass， A. （2015）. Women drive better if not stereotyped. Accident Analysis amp; Prevention， 85， 199-206.

Mok， B.， Johns， M.， Lee， K. J.， Miller， D.， Sirkin， D.， Ive， P.， amp; Ju， W. （2015）. Emergency， automation off： unstructured transition timing for distracted drivers of automated vehicles. 2015 IEEE 18th International Confe-rence on Intelligent Transportation Systems （pp. 2458-2464）. Spain： Gran Canaria.

?zkan， T.， amp; Lajunen， T. （2006）. What causes the differ-ences in driving between young men and women？ The effects of gender roles and sex on young drivers’ driving behaviour and self-assessment of skills. Transportation Research Part F： Traffic Psychology and Behaviour， 9（4）， 269-277.

Rhodes， N.， Pivik， K.， amp; Sutton， M. （2015）. Risky driving among young male drivers： The effects of mood and passengers. Transportation Research Part F： Traffic Psyc-hology and Behaviour， 28， 65-76.

Steinhauser， K.， Leist， F.， Maier， K.， Michel， V.， Parsch， N.， Rigley， P. ... Steinhauser， M. （2018）. Effects of emotions on driving behavior. Transportation Research Part F： Traffic Psychology and Behaviour， 59， 150-163.

Taubman-Ben-Ari， O. （2012）. The effects of positive emoti-on priming on self-reported reckless driving. Accident Analysis amp; Prevention， 45， 718-725.

Weaver， B. W.， amp; DeLucia， P. R. （2022）. A systematic rev-iew and meta-analysis of takeover performance during conditionally automated driving. Human Factors， 64（7）， 1227-1260.

Yoon， S. H.， Kim， Y. W.， amp; YG Ji. （2019）. The effects of takeover request modalities on highly automated car control transitions. Accident Analysis amp; Prevention， 123， 150-158.

Zhang， B.， Winter， J. D.， Varotto， S.， Happee， R.， amp; Martens， M. （2019）. Determinants of take-over time from automated driving： A meta-analysis of 129 studies. Transportation Research， 64， 285-307.

Zhang， Q.， Qu， W.， Ge， Y.， Sun， X.， amp; Zhang， K. （2020）. The effect of the emotional state on driving performance in a simulated car-following task. Transportation Resea-rch Part F： Traffic Psychology and Behaviour， 69， 349-361.

Zhu， L. Y. （2022）. Research and application of AHP-fuz-zy comprehensive evaluation model. Evolutionary Intelligence， 15（4）， 2403-2409.

Zimasa， T.， Jamson， S.， amp; Henson， B. （2019）. The influence of driver’s mood on car following and glance behaviour： using cognitive load as an intervention. Transportation Research Part F： Traffic Psychology and Behaviour， 66， 87-100.