非机动车交通流量对交叉口骑行者视觉行为影响

王心悦,潘义勇,陆妍琳

(南京林业大学 汽车与交通工程学院, 南京 210037)

近年来,绿色低碳的出行方式日渐深入人心,由于自行车具有轻巧、便宜的优势,城市交通中非机动车出行比例和骑行者的数量逐年提高。然而,与非机动车相关的交通事故频发,因此需要研究非机动车骑行者的驾驶行为以保障安全。视觉行为是驾驶人获取交通信息的重要途径,非机动车驾驶员视野开阔,绝大部分交通信息都需要通过视觉注意获取。随着交通流量的增大,骑行者需要处理的视觉信息增加,更容易形成视觉负荷。鉴于此,从骑行者的视觉特性出发,探究不同交通流量情境下骑行者在交叉口的视觉行为差异性,为提高非机动车交通安全提供理论依据。

在驾驶行为安全性研究中,很多学者通过注视和扫视行为等指标进行视觉行为研究。郭凤香等[1]通过驾驶模拟平台试验分析了老年驾驶人和青年驾驶人在交叉口的视觉特性差异性,主要指标包括眼动特性、注视转移概率和注视平稳分布概率;赵小平等[2]通过分析新手驾驶员瞳孔、扫视和注视点数据,研究高兴、悲伤、愤怒情绪对新手驾驶员的注视点分布有差异性影响;李洪涛等[3]基于Logistics回归模型,将视野图片亮度、凝视点分布面积和累计注视时间作为评价指标,构建视觉搜索能力评价模型。秦雅琴等[4]通过眨眼、扫视、注视等多种眼动数据分析山区低等级公路典型路段驾驶人视觉负荷上的差异性。潘义勇等[5]通过实车实验对比分析驾驶人在景区与城市道路环境下眼动特性的差异性。Li[6]研究驾驶员在信号交叉口和无信号交叉口的视觉扫描行为,并采用安德鲁斯曲线直观展示了实验结果;汤文蕴等[7]研究了高速公路连续隧道群驾驶人视觉特性,发现驾驶人在连续隧道群中通行到第2条隧道时视觉负荷降低,视觉稳定性提高。丁袁等[8]通过选取广泛的行人样本,对比分析了有无信号条件下行人在注视区域、注视目标、视负荷方面的眼动差异。

在实际道路环境中,交通量的变化会引起驾驶员驾驶行为的变化。郭明鹏[9]通过vissim仿真分析了交通流对交通标志视认效果的影响。陈肖欣[10]通过不同交通量条件下道路标志信息量实验,得出驾驶员在交叉口的驾驶行为变化特征和道路信息密度阈值。李海琼[11]通过实验发现随着车流的增加,驾驶员的注意力需求量随之变大,更容易产生消极情绪。国内仅有部分研究是围绕交通流量和驾驶员行为的相互关系展开,鲜有针对非机动车流量影响下骑行者驾驶行为的研究。

目前,关于非机动车视觉行为的研究较少,且大多借鉴了机动车驾驶员视觉行为研究的分析方法。Ryerson等[12]将骑行者生物特征数据与危险感知能力结合,利用眼动数据对非机动车道基础设施进行风险评估。Rupi等[13]研究了自行车骑行者在信号交叉口的眼动行为,发现骑车人的经验水平和交叉口类型都会影响骑行者的注视行为。Mantuano等[14]分析了自行车骑行者在有无行人共享道路资源的情况下注视行为的差异性。赵霞等[15]通过SMI眼动仪进行眼动实验,证明电动自行车骑行者在驾驶过程中以扫视行为为主,且扫视时间会随着交通环境复杂程度增加而延长;胡文斌等[16]选取注视时间、扫视幅度与扫视速度为指标,分析了自行车骑行者与机动车驾驶员在城市道路上的眼动特征;高亮[17]建立了平交路口自行车骑行者视觉搜索模式评价模型。

综上所述,国内外关于非机动车骑行者的眼动特性研究较少,且大多采用注视与扫视行为作为分析指标,没有从视觉负荷和注视转移角度分析骑行者的眼动特性。另一方面,考虑到实际交通量变化会影响骑行者的驾驶行为,在日益拥堵的城市交通环境下,有必要研究非机动车流量对交叉口骑行者视觉行为的影响。因此,本文采用实车实验的方法获取5种非机动车交通流量条件下骑行者通过交叉口时的注视次数与时间、扫视时间、注视转移概率,以及注视平稳分布概率等眼动数据指标,并通过灰色关联度矩阵验证了注视转移概率指标的合理性,为非机动车骑行者交通安全研究提供理论支持。

1 实验设计

1.1 实验仪器及场景

实验设备包括Tobii Glasses 2眼动仪、ErgoLAB人机环境同步系统。眼动仪可通过摄像头自动追踪受试者的眼动情况,人机环境同步系统可将注视点信息与图像信息匹配,由此得出受试者的眼动情况。

为了分析不同交通流量情景下电动自行车骑行者视觉行为的差异性,选择工作日晚高峰时段 17∶00—18∶00,休息日下午时段14∶00—15∶00。2个时段分别满足了交通流量高峰期与平峰期的实验需求,且该时间段下交通参与者数量充足,可提供完整的道路信息。

为了体现骑行者在交叉口的视觉特性,实验地点选择南京市龙蟠路与展馆路交叉口。龙蟠路道路类型为主干路,路段为双向六车道且有机非隔离带,沿线有大量住宅区与商贸区,存在重要的地铁站点及交通枢纽,可以满足骑行者出行的各项需求。交叉口采用信号控制,交通组成为机动车、非机动车与部分行人。为对比分析不同交通流情境下骑行者的注视转移情况,共进行5种不同场景的实验,具体的实验场景如表1所示。

实验中需注意以下几点:① 车道宽度是指受试人所在的非机动车道的有效宽度;② 由于每个受试人需完全通过交叉口,所以没有设计右转实验,受试人骑行路程约为250 m;③ 实验不考虑红灯等待时间,数据处理中剔除红灯等待时间段眼动数据,避免对实验结果造成干扰。

表1 实验场景

1.2 实验人员及过程

电动自行车与人力自行车类似,属于较易掌握的交通工具,受试人可以单独完成实验。选取电动自行车骑行实验者共20人,两类人群男女比例相当,包含20～50岁的受试人,职业包括学生、老师和工人等。实验数据分析时不考虑人群个体间的差异性,只考虑道路场景与交通信息对骑行者视觉行为的影响。所有受试人的矫正视力均可达到安全骑行的要求。

首先,对受试人进行眼动仪校准,初步收集骑行者的眼睛几何特征,以便于计算受试者的凝视点;其次,告知受试人驾驶须知并强调在保障安全的条件下尽快通过交叉口,以保证受试人模拟真正的骑行者并将速度差异控制在可接受的范围之内;然后,进行正式实验,要求受试者在交通流量较大和较小时段骑行通过实验路段,佩戴眼动仪单独完成骑行任务并返回,实验中眼动仪会记录骑行者的眼动数据;最后,记录测试者的基本信息和保存实验视频与数据。

1.3 非机动车流量的定义与调查

在非机动车交通流量统计特性中,饱和流率是是反映骑行者出行行为的重要参数。考虑到非机动车骑行者在通过信号交叉口时的集群性,不同车道宽度的进口道饱和通过非机动车数量不同,参照机动车饱和流率的定义,将非机动车流量定义为单位时间内通过单位宽度上非机动车的车辆数。

式中:q为非机动车流量,bike/(s·m);Q为单位时间内通过某断面的非机动车车辆数;W为非机动车道的有效宽度;t为调查时间。

在计算非机动车流量时,可以通过车辆换算系数将其他类型车量转化为标准车。以自行车为标准车型,在换算电动自行车时,韩宝睿等[18]根据不同的计算方法对电动自行车的换算取值。采用传统计算方法最终确定电动自行车对自行车的换算系数为1.22,交叉口内部的非机动车流量构成见表2,实验场景非机动车交通流量值见表3。

表2 实验场景非机动车流量构成

表3 实验场景非机动车交通流量值

2 视觉特性分析

2.1 眼动时间指标

将5个实验场景按非机动车流量进行降序排序,分别统计各个场景骑行者的注视时间百分比和扫视时间百分比,结果如图1所示。结果表明,随着非机动车流量的降低,骑行者的扫视时间占比无明显差异,但骑行者的注视时间百分比在5个不同交通流场景中均存在显著性差异,尤其当非机动车流量小于0.75 bike/(s·m)时,骑行者的注视时间占比呈明显下降趋势,数值由73.58%降低到51.03%。但是当非机动车流量大于0.75 bike/(s·m)时,注视时间百分比指标的变化趋势相对不明显。这说明在高峰非机动车流量情境下,交叉口内部骑行者对交通信息的兴趣程度和获取效率均高于平峰情境下的骑行者,即交通流量较大时骑行者在交叉口的风险感知能力有明显上升,骑行者交叉口直行和左转需要经过多个冲突区,注视多个交通信息来保障自身安全,车流量的增多将导致注视时间的延长。此外,若交叉口视野开阔,驾驶员一次注视就能得到较多的信息,则之后的扫视次数和时间就不会有显著变化,说明骑行者扫视时间指标与非机动车交通流量相关性较低。

图1 眼动时间百分比分析结果

通过图2可以发现,骑行者在通过交叉口时,高峰交通流量组的注视持续时间和平均注视时间均大于平峰组。注视持续时间在一定程度上反映了骑行者对交通信息的兴趣程度。随着车流量的增加,交叉口骑行者的注视持续时间增加,表明骑行者对交通信息的兴趣程度逐渐提高,面对潜在危险时表现为延长关注时间,分配更多的注意力;高峰组的平均注视持续时间大于平峰组,反映了在流量较大的交叉口骑行者对交通信息的获取和处理难度更高,需要较多认知和判断信息的时间,以避免事故的发生。

图2 注视持续时间与平均注视时间分析结果

2.2 眼动次数分析

研究表明,骑行者的眼动次数与道路交通复杂程度相关。由图3可知,骑行者的注视次数和扫视次数均呈现出随着实验场景非机动车流量的降低而减少的变化趋势,从差值上看眼动次数指标的变化趋势相对一致。5个场景中,骑行者扫视次数在非机动车流量0.944 bike/(s·m)时达到显著性差异,表明高峰组骑行者在扫视过程中无法快速且准确地获取足够的交通信息来确认潜在的风险,增加了骑行者的眼动次数。

图3 眼动次数分析结果

总体而言,随着交通流量的增加,骑行者在交叉口对危险的感知能力增强,无论是扫视方面还是注视方面的指标,除扫视时间百分比外,都呈正反馈关系。扫视行为增加会让骑行者发现危险信息的概率提高,而注视行为增加能够使骑行者提前规避潜在危险。骑行者在交叉口会随着非机动车交通流量的提高,分配更多的注意力在视认危险信息上,且注意力的分配程度随着交通流量的增加而增加,在注视指标上变化更加显著。骑行者通过加强视觉行为提高骑行者自身的安全性,降低交通事故发生的概率。

2.3 视觉负荷分析

视觉负荷程度可以反映骑行者的心理状态。这里分别用眨眼速率和瞳孔直径体现骑行者的视觉负荷程度。大量医学研究表明,眨眼可以有效缓解视觉疲劳,眨眼频率越大,意味着受试人眼球越容易疲劳;瞳孔直径与人的视觉适应性及负荷程度有关,瞳孔扩张越大,表明骑行者越紧张,精神负荷越大,反之则越小。

由于存在个体间的差异,在相同情境下,不同受试人的眨眼次数和瞳孔直径也不尽相同,故无法仅通过比较眨眼次数和瞳孔直径确定驾驶人的心理状态。因此,选取骑行者每秒眨眼速度、最大瞳孔直径、瞳孔直径差值与方差作为研究骑行者在交叉口的视觉负荷变化指标,视觉负荷指标如表4所示。

实验结果表明,骑行者的每秒钟眨眼速度和瞳孔直径的变化趋势与交通流量的变化不具有一致性,但在面对高峰交通流条件时,骑行者的视觉负荷较大,内心紧张而谨慎,具体表现为高峰组(场景1、场景2、场景3)骑行者的最大瞳孔直径、瞳孔直径差值与方差均明显高于平峰组(场景4、场景5)的骑行者,说明高峰交通流量情境下骑行者受到的视觉压迫更大,迫使骑行者注意力更加集中;除场景5外,骑行者的眨眼速度随着非机动车数量的增加而上升,说明骑行者需要更加频繁的眨眼行为来缓解自身视觉疲劳,间接说明交通流量会影响骑行者的视觉负荷。过大的交通流量将导致骑行者受到视觉压迫,内心紧张从而提高自身危险感知能力;平峰流量下交通情况简单,需要关注的交通信息较少,骑行者能够缓解焦虑情绪,视觉负荷程度低。

表4 视觉负荷指标

3 注视转移分析

3.1 注视区域划分

驾驶员注视区域划分是研究驾驶员注视行为、注视转移模式和危险感知能力的前提和基础[19]。骑行者在行驶过程中需要收集各种交通信息,以便与其他交通参与者保持安全距离,保障自身安全。因此,合理有效地划分骑行者注视区域将有助于梳理注视信息在不同目标间的分布,从而深入研究骑行者在交叉口的眼动规律和注视转移模式。

现有的视觉注视区域划分方法主要有机械划分法、注视目标逐一统计法和动态聚类法。本实验采用k-means聚类法对骑行者的注视区域进行划分,工作量较小且划分结果较为精准。对每位驾驶人选取800个注视点样本,利用k-means聚类法对注视点位置进行划分。经比选,当k=4时受试人的兴趣区域界线清晰,聚类结果如图4所示。因此将骑行者注视区域划分为4个区域,结果如图5所示,具体为:区域1,主要包括当前所在车道左侧其他车辆和左前方的道路交通情况;区域2,主要包括当前车道远方交通状况和标志标线,以及信号灯;区域3,主要包括当前车道近处区域的其他非机动车以及可能出现的行人;区域4,主要包括当前所在车道右侧的车辆和右前方道路交通情况。

图4 聚类分析结果

图5 注视区域划分结果

3.2 各注视区域注视转移概率

将骑行者注视不同的区域定义为不同的状态时间,下一次骑行者注视哪个区域只与当前所注视的区域有关,这是典型的齐次马尔可夫链问题。通过2个连续注视行为之间的转移概率,可以求解出各个注视区域之间的注视一步转移概率,具体流程如图6所示。将每个注视区域作为马尔可夫链的一个状态,记录注视点在区域内部的移动和区域间的转移,按照流量时段将数据分为高峰组和平峰组分别计算骑行者注视转移概率,结果如图7所示。

图6 注视转移概率流程框图

从图7可以看出,2组交通流条件下骑行者都最关注区域2,即当前车道远处区域,说明交叉口骑行者绝大部分注意力集中在前方交通状况、标志标线以及信号灯等交通信息。在注视转移过程中,2组骑行者的注视点仍然保留在区域2的概率分别为0.795和0.537,且注视点转移到区域2的概率均高于其他区域之间的转移概率,说明高峰交通流条件下骑行者为了更多地收集前方交通信息,倾向于将视野停留在区域2。

对比2组骑行者在区域1(当前车道左侧)和区域4(当前车道右侧)的转移概率,发现平峰组骑行者对区域1和区域4的注视转移概率更高,且主要由区域2转移到区域1,表明平峰交通流量条件下骑行者较高峰组更加关注水平视野左右两侧区域的交通信息。高峰组骑行者在区域3(近前方车道),无论是注视点停留概率还是转移概率都明显高于其他区域,说明高峰交通流条件下骑行者更容易被当前车道的其他车辆吸引。

图7 注视转移概率分布示意图

3.3 注视转移关联矩阵

为了探求注视转移行为的内部驱动因素,进一步验证马尔科夫链一步转移概率的合理性,在灰色关联度模型的基础上建立注视转移关联度矩阵,分析其他因素对于注视转移概率结果的影响。将当前注视点的状态特征量作为参考数列、下一注视点的坐标作为比较数列,建立注视转移关联矩阵,计算比较数列与参考数列之间的关联度。其中,子因素主要考虑当前注视点位置(X,Y)、注视持续时间、扫视幅度、扫视平均速度。

通过计算得出交叉口骑行者注视点转移影响因素的关联矩阵Rolder为:

从骑行者注视点转移影响因素的关联矩阵中可以看出,矩阵的第1列与第2列的关联度最高,即当前注视点位置对下一注视点位置的影响最大,这也印证了马尔科夫链的方法估计注视区域的转移概率的合理性。同时,注视时间、扫视幅度和扫视速度也会影响驾驶人的注视转移特性,而不同非机动车交通流量下交叉口骑行者视觉行为指标的变化也会导致其注视转移行为的差异性。

3.4 注视平稳概率

由马尔可夫链的遍历性可知,受试者的注意转移分布概率经过一段时间的转移最终都会达到平稳状态,可计算出每位驾驶人在各个注视区域的平稳分布概率。2组骑行者在各个注视区域注视平稳概率如图8所示。从图8可以看出:2组骑行者对区域2的注视平稳分布概率值最高,分别达到了71.9%和64.8%,说明骑行者最关注车辆当前车道前方交通信息,且高峰交通流条件骑行者的关注程度更高。2组骑行者在区域1和区域4的注视平稳概率存在显著性差异,表明平峰组骑行者较高峰组骑行者更多关注车辆当前车道左右两侧的交通信息。

总体而言,随着交通流量的增加,骑行者会提高对身侧其他骑行者的关注度,以保证自身安全。而平峰交通流条件下的骑行者与高峰时相比,注视点的平稳概率分布更加均匀,在注意力集中在前方区域的同时能够很好地兼顾其他周围区域。

图8 注视平稳概率分布直方图

4 结论

1) 在不同交通流量条件下,道路环境复杂,信息量繁多,骑行者在交叉口的注视特性存在显著差异,具体表现为:随着非机动车流量增加,骑行者的注视次数和扫视次数增加,注视时间百分比、注视持续时间和平均注视时间显著增长,说明骑行者对交叉口交通信息的兴趣程度和危险感知能力提高。同时,骑行者眨眼频率上升,瞳孔直径变化值增大,表明高峰交通流条件下骑行者视觉负荷增大,内心更加紧张谨慎,以保障自身安全通过交叉口。

2) 由注视转移概率分布可知,不同交通流量条件下骑行者都最关注当前车道前方路况和信号灯区域。按非机动车流量大小将骑行者分为高峰组和平峰组,发现平峰组骑行者的视觉行为模式更加灵活,在观察某一区域的同时能够兼顾左右两侧的交通状况,而高峰条件骑行者需要更多地重复注视同一区域,即正前方交通状况以保障与其他车辆的安全距离。

3) 由注视转移关联度矩阵可知,与骑行者注视转移概率相关性最大的因素是当前注视点位置(X、Y),横、纵坐标相关度分别达到0.95和0.91,且扫视时间、扫视速度、扫视平均时间也都会影响骑行者在交叉口的注视转移特性。由注视转移平稳概率可知,高峰组骑行者在复杂的交通信影响下,无法同平峰组一样分散较多的注意力到周边注视区域,而是更加关注当前车道前方区域的交通信息。

4) 以电动自行车骑行者在交叉口的视觉特性为目标,研究不同交通流量条件下骑行者的视觉行为的差异性,讨论高峰流量条件下骑行者的危险感知能力提升的原因与影响。未来可进一步研究骑行者在复杂交通场景中的视觉行为模式与危险感知能力,如混行道路、无信号交叉口、多路口交叉口等;还可结合生理指标,建立骑行者危险感知能力评价模型,使研究结果更具有应用价值。