驾驶模拟器(driving simulator, DS)是一种基于计算机仿真技术的实验工具,能够高度还原驾驶环境、车辆动力学特性及驾驶操作交互。随着汽车工业的快速发展和智能交通系统的不断演进,驾驶模拟器作为一种重要的研究工具,其应用范围和技术水平得到了显著提升。目前,驾驶模拟器的形式已呈现多样化发展,除了传统的驾驶座舱模拟器外,还衍生出以软件为依托的各类小型驾驶模拟器。在交通研究领域,驾驶模拟器的应用尤为广泛,在驾驶行为研究、不同驾驶环境下的道路设计、车辆控制系统研究等方面发挥着重要作用。随着驾驶行为研究重点的不断变化,驾驶模拟器的形式也在持续演变。传统驾驶模拟器主要用于研究以人为主导的传统汽车驾驶情境,通过模拟真实道路环境和车辆操作,为驾驶人提供高度仿真的体验,从而支持各类驾驶行为的实验研究.近年来,驾驶模拟器的技术架构呈现多维进化趋势:在硬件形态层面,既保留了高沉浸式座舱模拟器的专业定位,也衍生出基于虚拟现实技术的轻量化软件模拟平台;在功能边界层面,其研究范畴已突破传统人工驾驶情境,逐步构建起覆盖L3级人机共驾、多智能体协同决策、非结构化交通场景仿真等前沿领域的实验体系。这为研究者提供了更多可能性,以深入探究自动驾驶与人工驾驶之间的关系,以及驾驶人对自动驾驶技术的接受程度、控制行为变化等问题。
目前,驾驶模拟器的应用已经在多个方面得到了总结和评价,学者们既关注驾驶模拟器的真实性与有效性等基础特性
[1-2],也结合自动驾驶辅助系统等新兴研究方向,深入评估驾驶模拟器在其中的关键作用
[3]。然而,尚未有研究对驾驶模拟器在驾驶行为研究这一特定领域的应用与发展进行系统性梳理与论述。驾驶行为研究是保障交通安全和推动智能驾驶系统开发的关键领域,其成果直接关乎交通系统的安全与效率。在该研究进程中,驾驶模拟器凭借其独特优势,已成为不可或缺的工具。通过总结不同文献中驾驶模拟器在驾驶人行为研究中的应用方法,能够为未来的研究方向、数据处理流程以及实验设计等方面提供坚实的依据。因此,对驾驶模拟器在驾驶行为研究中的应用现状进行系统总结,并对其未来发展趋势进行前瞻性展望,具有极为重要的理论意义和实践价值。
综合运用文献计量学分析与系统文献综述的方法,对中外近10年的相关文献进行统计分析,建立“实验设计范式-行为表征维度-模型构建方法”的三维分析框架,重点探讨驾驶模拟实验中的实验设计关键因素、多维行为指标体系构建以及驾驶行为计算建模方法论等关键技术环节。在此基础上,进一步对驾驶模拟器在未来驾驶行为研究中的潜在应用领域和发展方向进行科学预测与深入展望,旨在为相关研究提供全面的参考和指导。
1 文献计量学分析
文献计量学是指用数学和统计学的方法,定量分析文献数据,从统计学角度进行研究领域分析的交叉科学
[4]。关键词耦合性分析是文献计量学的重要组成部分,其旨在通过分析一组文献中关键词的共现情况,反映关键词之间的关联强度,进而确定领域的研究热点与组成,以及学科领域的发展过程和结构演化,通过关键词耦合性分析对目前驾驶模拟器在驾驶行为研究领域中的应用进行概括总结。收集来自Web of Science (WoS)数据库的文献数据,检索关键词设置为“driver simulator” “driver behavior”“driving behavior”“driving simulation experiment”,除去与特殊种类车辆和非相关领域文献,通过相关性排序筛选,最终获取1 110篇有效文献进行分析研究。收集来自知网数据库的文献数据,检索关键词设置为“驾驶模拟器”“驾驶行为”,除去与特殊种类车辆和非相关领域文献,通过相关性排序筛选,最终获取240篇有效文献进行研究,共计1 350篇文献样本。利用CiteSpace生成中外文献的关键词聚类时间图知识图谱(
图1),设置时间跨度为2015—2025年对中外驾驶模拟器在研究驾驶行为的应用进行分析。在构建的知识图谱中,关键词以圆形节点的形式呈现。节点的颜色表征关键词出现的时间分布特征,而节点之间的连线则反映关键词之间的共现关系及其耦合强度。具体而言,连线的宽度与耦合强度呈正相关:连线越粗,表明两个关键词之间的关联性越强,其在同一文献中共同出现的频率也越高。这种可视化表达方式直观揭示了研究主题之间的内在联系及其演变趋势。
目前,中国在驾驶模拟器对驾驶行为研究中较为成熟的团队包括:清华大学Tao等
[5](利用六自由度驾驶模拟器,构建MPDB数据集,结合五类驾驶行为进行分类建模)、北京工业大学赵晓华团队
[6](基于驾驶模拟器设计18种接管情景,分析42名被试在不同交通流状态和非驾驶任务下的接管行为)、合肥工业大学郑玉冰等
[7](引入心理学理论,构建驾驶人决策模型)、长安大学王润民等
[8](团队开发了全球首台基于虚实结合的自动驾驶汽车整车在环快速测试大型装备)等。在驾驶模拟器应用于驾驶行为研究时,中外研究呈现出“技术趋同、方向分化”的特征:共性层面,双方均依托虚拟现实(VR)技术构建高仿真驾驶场景,整合眼动追踪、生理传感等多模态数据解析驾驶决策,并以交通安全为核心目标,通过模拟极端天气、复杂交通流评估风险因素;差异层面,国外研究因基础设施成熟更侧重单车智能与微观协同(如欧盟端到端网联驾驶研究),而中国则聚焦高密度交通下的群体行为调控与“人-车-路”系统匹配。当前,随着技术标准互认(如C-V2X通信协议),双方在微观行为机理与宏观政策布局上呈现交叉融合趋势,但基础设施与社会需求的差异仍将长期主导研究框架的分野。
对2015年至今驾驶模拟器在驾驶人行为研究领域的应用场景变化进行分析,无论是时间分布还是场景特征,均表现出一定的规律性。2015—2018年,驾驶模拟器侧重于应用在单一或少数干扰因素在相对典型场景下对传统驾驶行为影响研究中。2018—2020年,随着自动驾驶技术的发展和辅助驾驶技术的普及,应用重心开始发生转移,模拟器开始需要更精细地模拟自动化系统的行为和状态提示。2020年至今,在技术发展与社会需求的双重驱动下,驾驶模拟器的应用场景呈现爆发式、交叉式增长。单纯依赖模拟器已难以支撑日益复杂的研究体系,越来越多的研究开始融合神经科学、人因工程和计算机科学等多学科理论与技术,实现从行为观察向认知机理与系统交互层面的深度探索。接下来,重点探讨驾驶模拟器如何在驾驶人行为研究中得到应用。
2 驾驶人行为研究中的驾驶模拟实验设计
2.1 驾驶模拟器与实车试验的多维度对比及应用优势
驾驶模拟器是一种利用虚拟现实仿真技术构建虚拟驾驶环境的模拟设备,近年来在交通领域已得到广泛使用,最早的驾驶模拟器诞生于20世纪早期,当时的驾驶模拟器基于机械原理搭建,结构较为简单,主要用于飞行员的驾驶操作培训
[9]。随着汽车工业的发展,驾驶模拟器逐渐被应用到汽车驾驶的相关领域。20世纪60年代,电子元件被引入驾驶模拟器的车辆操作仿真模块,推动车辆驾驶模拟技术实现了落地应用
[10]。这一阶段的驾驶模拟器已能够模拟不同道路条件和车辆性能,并尝试应用于驾驶人培训以及汽车设计的实验测试场景。21世纪初,随着计算机图形学和虚拟现实技术
[11]的成熟,三维模型构建和虚拟现实技术被用于驾驶模拟实验的驾驶环境搭建中,以提升虚拟驾驶环境的真实度。现代驾驶模拟器的核心构成要素涵盖驾驶舱系统、计算机控制系统、视景系统与声响系统,其真实感的准确度紧密关联于视觉显示、运动反馈及模拟机理(
表1[2])。驾驶舱系统高度还原真实驾驶环境,驾驶人通过操作驾驶舱内的控制装置实现对模拟器的操控;计算机控制系统实时采集驾驶人的操作输入,并将其转化为车辆的速度、加速度等运行数据及轨迹数据;视景系统基于计算机控制系统生成的数据,动态呈现车辆在虚拟场景中的运行状态,并可结合人机交互界面(human-machine interface,HMI)模拟智能驾驶系统的运行环境;声响系统则通过模拟发动机噪声、环境音效等听觉元素,进一步提升驾驶模拟的真实感和沉浸感。
驾驶模拟器能在驾驶行为研究领域得到广泛应用,不仅是因为驾驶模拟器连接了虚拟和现实,实现了对驾驶环境的灵活模拟;还因为驾驶模拟实验能对驾驶人的行为进行实时的检测与描述,记录包括方向盘转角、车速、节气门开度等在内的车辆运行数据,并能和眼动仪、生理心理仪、脑电仪等设备结合获取驾驶人的眼动数据、生理心理数据及脑电数据,实现驾驶行为的多维描述。
表2将驾驶模拟实验和实车实验从多个维度进行对比分析,驾驶模拟实验相较于实车实验具有更高的可控性,尤其在模拟酒驾、分心驾驶及紧急突发情况等复杂场景时,能够显著提升实验安全性。此外,实车试验受实际路况条件限制较大,在阴雨、浓雾等恶劣天气下,不仅危险性较高,还可能导致数据丢包率上升。随着技术的发展,多个驾驶模拟器的联动使用从而构建立体的驾驶行为数据库
[12]已经成为研究的新趋势。在此基础上,驾驶模拟器提供了更多可能性来探究车联网技术、自动驾驶技术、辅助驾驶技术等与驾驶行为之间的关系。
2.2 驾驶模拟器在驾驶行为研究中的应用场景
驾驶模拟器在驾驶行为研究中的应用场景可被归纳为3个主要方向。即驾驶模拟器在研究智能驾驶系统中驾驶行为特征、驾驶行为安全影响因素探究及驾驶行为模型构建与验证三类研究场景中的应用。如
图2所示,在智能驾驶系统中驾驶行为特征方面,研究聚焦于条件自动化驾驶场景下驾驶人接管效能的动态表征、人-机混行交通流的冲突演化机理,以及智能驾驶辅助系统的功能验证与接受度分析。在驾驶行为建模与验证方面,则通过多模态数据融合,构建分心驾驶、疲劳决策及紧急工况行为的多尺度预测模型,并基于机器学习算法量化危险感知阈值、驾驶风格聚类等关键参数,同时探讨特殊群体的差异化需求对交通安全的影响。在依驾驶行为安全性影响研究方面,依托交通冲突理论、3D运动感知测试及动态交通流仿真,解析复杂环境与驾驶行为的耦合效应,提出并验证主动安全干预策略。研究方法整合数据驱动的机器学习范式,结合驾驶模拟器实验平台与多智能体仿真系统,实现从微观驾驶决策到宏观交通流安全的跨尺度建模。需要注意的是这三部分应用内容在使用时并不互相独立,有时在同一研究中会同时涉及三个方面的应用。对智能驾驶系统下的驾驶行为进行建模并进行安全性评估。依次对三个研究热点进行系统性综述分析,梳理其所涉及的研究过程及驾驶模拟器的具体应用场景进行总结。
2.2.1 基于驾驶模拟器的智能驾驶系统下驾驶行为特征研究
智能驾驶辅助系统(advanced driving assistance system, ADAS)的引入,虽然增强了驾驶过程的安全性与效率,但同时也对驾驶人在传统驾驶技能上的适应性提出了新的挑战,驾驶人对ADAS的适应性直接关系到系统功能的有效性,有效的辅助功能能够显著提升驾驶效率与安全性,而不合理的设计则可能增加驾驶人的驾驶工作负荷,降低驾驶安全性。
智能驾驶系统的发展在近两年来展现出快速的发展趋势。通过开展驾驶模拟实验,辅助系统信息反馈
[13]、AR辅助驾驶技术
[14]、路径导航
[15]等驾驶辅助功能的有效性得到验证。另外,由于目前大多数ADS仍无法独立应对所有复杂交通状况
[16],因此,ADS中嵌入的接管驾驶功能对于处理复杂驾驶情境至关重要。目前驾驶接管行为已经得到了广泛的研究,通过驾驶模拟实验,研究者对影响驾驶接管的因素进行分析
[17]。近年来,研究者将研究场景更聚焦到紧急场景下的驾驶接管行为。赵晓华等聚焦于碰撞情况下的接管行为,并通过驾驶模拟实验将其划分为11种,并深入了解其对接管质量的影响
[18]。Chen等
[19]利用驾驶模拟实验收集接管失败数据从而构建接管失败预测模型。
在驾驶模拟实验中模拟真实的智能驾驶系统以及各类辅助功能对于确保实验结果的准确性和可靠性至关重要,其直接影响到参与者的驾驶行为和决策过程。对在驾驶模拟实验中对驾驶辅助系统的各类功能进行模拟的方法论进行了总结,并绘制驾驶模拟实验中对驾驶辅助功能模拟的功能区划分图如
图3所示。方向盘是驾驶过程中最常接触的设备之一,经常被用作智能驾驶系统激活的控制点
[20],其与常被作为系统关闭控制点的刹车
[20-22]一同构成了一个完整的闭环控制系统。同时,座椅也是触觉反馈的重要渠道
[23]。然而,仅依靠触觉反馈通常不能为驾驶人提供足够的交互信息,因此,研究者也在积极探索听觉和视觉反馈等其他感官通道,以增强驾驶人与智能驾驶系统之间的交互体验和信息传递的完整性。听觉反馈主要依靠车载音响或模拟器外的外部影响设备实现,除了常规的预警播报
[24]外,Botzer等
[25]提出了一种基于不同紧急情况发出不同节奏的手机提示铃声的信息反馈方法。而视觉反馈有更多的可能性,具体包括手机屏幕
[25]、车载人机交互界面
[26]、模拟器的挡风玻璃等
[27]都被用来作为实现视觉信息反馈的渠道。Wang等
[28]基于多感官通道整合的视角,探究了不同模态组合对自动驾驶接管绩效的影响。
关于自动驾驶中人机交互与接管问题,现有研究主要从两个维度展开:一是确保控制逻辑的连续性以实现平稳驾驶,二是保障模式切换的有效性以明确控制权转移。上述研究聚焦于驾驶人与车辆间驾驶权切换的典型模式。然而,随着“混合增强智能”理念
[29]的发展,强调人与机器动态协作、能力互补的“人机共驾”模式正成为新的研究重点。
2.2.2 基于驾驶模拟器的驾驶行为安全影响因素探究
利用驾驶模拟器设计虚拟驾驶实验,能够在安全的环境下对驾驶安全性的各类影响因素进行探究与分析。总结驾驶模拟器在评估驾驶行为安全性中的具体应用,同时归纳了驾驶模拟器在驾驶行为安全影响因素研究领域的应用,如
表3所示。
影响驾驶人行车安全的主要因素包括驾驶人生理状态
[30]、驾驶人心理状态
[31]、驾驶环境
[31]等。驾驶模拟器可以提供安全的实验环境来探究驾驶人在不良驾驶状态下的驾驶安全性,并在实验过程中生成用来描述多种道路几何结构和天气条件下的驾驶人的轨迹数据
[32],为进一步研究车辆换道、驾驶平稳度等关键安全参数提供数据来源。利用驾驶模拟器对特殊驾驶场景进行模拟,分析道路设计不佳
[33]、特殊交通工作区
[34-36]、恶劣天气
[37-39]、交通拥堵
[40]、视线不佳
[36,41]等特殊驾驶条件如何影响驾驶安全性。此外,交通管控措施通常用于提高驾驶安全性,特别是在城市道路设计中,常需要验证道路、标志标识设计的合理性以及交通管控设施
[42]的有效性来判断该设计是否足够安全。不仅限于对汽车本身的管控,还可用于验证针对其他道路使用者的管控策略
[43],将如何间接影响汽车的整体安全水平。通过驾驶模拟器能够搭建出需要验证的驾驶场景,根据驾驶人在该驾驶场景当中的表现对研究对象的安全性进行验证。
进一步对研究方法进行总结。在研究不良驾驶行为时,一般通过创造不良驾驶行为的诱发条件并结合对照实验深入分析年龄、驾龄和性格等个体差异因素对驾驶行为的影响。在研究疲劳驾驶对驾驶安全性的影响时,采用连续主观评级方法和多模态特征学习等技术分析不同疲劳等级下的驾驶行为变化从而评估疲劳状态对驾驶性能的影响。在探讨不良道路几何特征、交通状况和环境对驾驶行为的影响时,驾驶模拟器能够模拟多种驾驶环境,包括特殊天气条件、道路线性和夜间行车等,灵活配置模拟环境内的各项参数,进而有针对性地识别出影响驾驶安全的关键因素。研究常运用多元方差分析、逻辑回归模型等统计工具,揭示不同环境因素对驾驶行为的复合效应,分析特殊行车环境如何影响驾驶人的行为和安全性。在交通管控措施对驾驶人安全性影响的研究中,驾驶模拟器被用于模拟和评估标志标识、交叉口设计和交通信号灯等交通管控措施,在驾驶人培训研究中,通过危险感知测试(hazard perception test,HPT)和3D运动感知测试等方法寻求提高驾驶人对潜在危险的感知能力和反应速度的培训设计方案。
2.2.3 基于驾驶模拟器的驾驶行为模型构建与验证
在驾驶行为研究的发展历程中,驾驶行为模型的建立与完善是不可或缺的部分,该过程从早期基于认知心理学构建的认知架构模型开始逐步发展到当前广泛应用的各类学习模型。驾驶行为模拟实验的设计对于验证驾驶行为模型的有效性具有重要影响,实验设计必须能够复现真实且具有代表性的驾驶情境
[44]。因此,如何构建贴近现实的驾驶模拟环境成为实验设计阶段需要深入探讨和决策的关键问题。
表4[11,45-50]为驾驶模拟器在驾驶决策预测及模拟的应用。其中,文献[
42-
43]以车辆换道行为为研究对象。在模拟场景设计中,有效激发换道动机是关键环节。文献[
42]采用后方车辆快速接近的方式,促使驾驶人执行换道;文献[
43]则通过设置低速前车作为外界刺激,引导换道决策。相似地,文献[
44,
46]借助连续黄灯信号,在时间压力下触发驾驶人“穿越与否”的决策冲突,从而构建出典型的交叉口“困惑区”。上述研究表明,驾驶模拟实验的场景设计需注重事件触发条件的设置,以确保目标驾驶行为能够有效诱发;同时,若需探究某一因素对行为的影响,则应通过对照组设计来验证其因果效力。
针对传统数学模型
[50],驾驶模拟器既能作为数据采集的来源,为构建模型提供原始数据,也能提供模型验证的数据基础,评估模型的预测性能。对于机器学习与深度学习模型,通常需要庞大的数据集以实现有效的学习从而使模型收敛,而驾驶模拟实验所采集的数据主要被用作验证集的数据来源,以确保模型在各类场景应用中的泛化能力。文献[
45]对比了线性模型与非线性模型在分心识别任务中的表现,发现非线性模型识别效果更优。文献[
11]则进一步通过
k-近邻算法预测驾驶风格(类别变量),以及采用非线性自回归神经网络预测驾驶速度(连续变量),体现了非线性模型在处理驾驶模拟器采集的多样化数据时所具备的良好泛化能力。鉴于驾驶模拟实验数据通常具有重复测量或聚类数据的特性,广义估计方程
[42]能够有效地对如变道持续时间等复杂指标进行建模。此外,计量经济学中的面板混合Logit模型作为一种分析和预测经济现象的统计方法,同样适用于驾驶行为研究
[20]。该模型可将驾驶绩效、认知水平等特征参数作为预测目标进行建模,从而揭示不同因素对驾驶行为的影响机制。基于上述分析,对驾驶模拟器中驾驶行为模型的构建方法进行总结,如
表5所示。通过分析可以发现,驾驶模拟器实验所采集的数据不仅支持多种模型构建方法,也具备良好的科学性与可靠性。
通过上述讨论,对基于驾驶模拟器的驾驶行为研究框架进行了系统性概括(
图4)。该研究框架可分为三个核心部分:驾驶模拟实验设计、实验系统搭建以及数据处理与分析。驾驶模拟实验设计作为研究的先验环节,需要根据研究主题明确实验目标,并在此基础上选择合适的研究样本、设计驾驶场景、设置驾驶任务以及规划实验流程。实验设计的科学性和合理性直接影响研究结果的可靠性和有效性。在实验设计的基础上,实验系统搭建是实现研究目标的关键步骤。除了配备必要的硬件设备以实现驾驶操作外,一个能够准确模拟车辆动力学的模型也至关重要。
目前,常用的仿真软件提供了成熟的接口和工具,能够高效辅助仿真平台的搭建。此外,根据研究需求,还可以接入信息反馈设备或多台模拟器联合运行,以构建更复杂的智能驾驶环境。数据采集是实验系统的重要组成部分。对于驾驶行为数据,通常通过模拟器内置传感器获取;而对于生理心理数据,则需要借助额外的采集设备或评估工具。在数据采集完成后,数据处理与分析是研究的核心环节。由于外接设备在实验过程中可能出现断连或数据丢失的情况,首先需要对数据进行异常值和缺失值的检查与处理。随后,将所有数据在时间维度上进行对齐,以确保数据的一致性。对于需要建模分析的数据,通常还需进行标准化或归一化处理,以消除量纲差异。在数据分析方面,除了常规的描述性统计分析外,结合模型构建能够更深入地揭示驾驶行为的内在机理,为研究结论提供更有力的支持。模型构建通常用于解析各因素之间的内在机理,而因子往往通过具体指标来体现。因此,如何基于实验数据科学地选取驾驶行为指标显得尤为重要。
3 基于驾驶模拟实验的驾驶行为数据模态
利用驾驶模拟实验数据描述驾驶行为通常涉及收集、分析和解释一系列与驾驶行为相关数据。其中包括车辆操作数据、驾驶人心理生理数据、问卷调查数据等。驾驶模拟器能够提供车辆在行驶过程中的机械性能数据,这些数据包括但不限于车速、方向盘转角、制动踏板行程、油门踏板位置以及发动机转速等参数。通过对获取的文献进行梳理,筛选对所选驾驶行为指标进行了详细描述的文献,结果如
表6[45,51-59]所示。虽然同为驾驶接管的研究,但文献[
23,
51]选取的指标有较大差异。这是因为二者具体的研究场景不同。前者聚焦于紧急、安全关键的避撞场景,因此采用可直接表征接管时效性、操作极限性与避撞有效性的指标;后者聚焦于常态化的控制权移交与权限博弈过程,因此采用侧重表征转换平顺性的指标。文献[
51-
53]的指标选择演变,体现了驾驶行为研究从宏观心理测量到微观行为解构的深化路径。具体而言,其指标从早期依赖主观量表与车速等整体状态变量
[51],发展为采用具体操作行为指标以联系压力与行为
[52],最终演进为系统量化加速度分布、车头时距稳定性等高频连续操纵序列,以刻画行为滞后效应的微观动力学特征
[53]。这一进程标志着研究范式从关注单一致因解析,转向对情境、行为、状态等多维因素影响下的机制性建模。文献[
52,
54]关注车联网环境下的驾驶行为,且都涉及对跟驰行为的纵向指标选择,但在具体操作指标的选取上存在差异。这主要源于其研究视角的细化方向不同:其中,文献[
52]主要探讨车联网信息是否有助于提升驾驶安全性;文献[
54]则旨在验证车联网在不同交通流条件下的有效性。除了表头所列常用指标外,学界也针对具体研究问题发展出一些衍生指标。文献[
42]在研究变道行为时,引入前后车间隙作为关键参数;文献[
50]则采用速度变异性来反映驾驶员的注意力集中程度。上述研究均具备较高的方法论质量,这也从侧面说明:基于驾驶模拟器采集的基础数据,构建并选用贴合研究目标的指标体系,具有重要的学术价值。
在进行数据分析时,为了获得更全面的视角,通常需要将来自生理监测设备、摄像跟踪、问卷的数据对驾驶人生理、心理状态进行综合考量,
表7对用于描述驾驶人生理、心理特征的指标选取进行总结。文献[
47]探讨了驾驶中恐惧和焦虑对行为的影响,强调除速度外,驾驶人的生理心理状态也是影响驾驶行为的关键因素。Soares等
[60]对驾驶模拟实验中的关键生理参数进行了总结,将眨眼的持续时间或频率、脑电图和闭眼状态视为首要的生理数据参数,并特别指出眼动数据在揭示驾驶人注意力分配和理解其决策制定与风险评估过程中扮演着核心角色。问卷收集的数据为描绘驾驶行为提供了一个额外的视角。通常,驾驶人的性格特征和社会属性会对他们在驾驶过程中采取的措施和做出的决策产生影响。Zhao等
[61]利用驾驶愤怒和事故易发性量表对驾驶人心理特征进行评估。Zolali等
[62]利用结构方程模型(structural equation model,SEM)对社会经济效益对平均速度的影响进行评估。因此,在进行驾驶模拟实验之后增加问卷调查,可以帮助研究者更深入地理解影响驾驶行为的潜在驱动因素。至此,对驾驶模拟器在驾驶行为研究中的应用现状进行了系统性的讨论,将基于现有研究成果,进一步探讨驾驶模拟器在未来驾驶行为研究中的应用方向。
对于驾驶行为指标的选取,不同的研究主题会选择不同的驾驶行为指标。这些指标有的是操作参数和生理、心理数据,有的是更加复杂的综合性指标。对于综合性指标,通常需要同时利用操纵数据与生理、心理指标构成复合型的指标体系,具体操作方法可以是将两方面指标量化整合为新指标,或经特征降维生成新特征,或对各指标单独分析后再综合考量,以此搭建一级指标与二级指标间的关联。
表8[14,22,33,42,44-45,47,52,55,63-74]系统梳理了进行驾驶行为研究时的驾驶模拟实验数据采集与指标评价体系,为未来进行相应实验研究构建指标体系提供参考。
4 驾驶模拟器在驾驶行为研究中的应用趋势
总结驾驶模拟器在该领域跨学科的方法论整合方法。未来研究可充分利用驾驶模拟实验所提供的多维度数据采集优势,以及其实验环境的可重复性和可控性,进一步深化对驾驶行为的分析。此外,研究可融合传统统计学方法、机器学习技术以及深度学习算法,对影响驾驶行为的关键因素及其作用机制进行更为深入的解析。同时,建议采用问卷调查手段,结合SEM、KANO模型、RFM(recency frequency monetary)模型等问卷数据分析的常用模型,对研究内容进行补充,以期丰富对驾驶人心理和情绪状态的理解。
在前述研究的基础上,对驾驶模拟器在驾驶行为研究领域的未来应用趋势提出如下意见。
(1)辅助驾驶系统的功能开发。智能驾驶系统的演进已促使人机共驾及其更高级的驾驶辅助系统进入更为广泛的实验与评估阶段。在此背景下,驾驶模拟器作为一项关键技术工具,提供了一个安全可控的实验平台,用以测试和评估智能驾驶系统的性能指标及安全属性。未来驾驶模拟器的应用将进一步拓展,以深度开发信息反馈机制。通过激活并协调人类的多种感官系统,配合其他常用设备如智能手表、手机、AR技术等实现更为全面和直观的交互体验。未来研究可以基于对不同驾驶行为模式的深入理解,设计并验证多种信息反馈模式,以期优化人机交互的效率和效果。例如,针对具有特殊驾驶需求的老年人和癫痫患者等群体开发定制化辅助系统功能。
(2)人机协同驾驶模式探索。随着人机共驾技术在汽车市场的日益普及,驾驶人与此类系统的交互机会显著增加。然而,人机共驾环境作为一种新兴的驾驶模式,对驾驶人而言可能存在适应性挑战。由于人机交互的不顺畅可能会增加驾驶过程中的风险,因此,驾驶模拟器在模拟人机共驾环境起到关键作用。进一步探讨如何利用驾驶模拟器来评估和优化人机共驾系统中的交互设计,以及如何通过模拟训练来提高驾驶人对自动化功能的信任度和接受度。此外,研究还可以关注驾驶模拟器在教育和培训方面的应用,以确保驾驶人在真实交通环境中能够有效地管理和监督自动驾驶系统,实现安全、高效的共驾体验。
(3)车路协同环境下驾驶行为研究。智慧交通系统中的重要利用车路协同技术来改善交通管理和控制,包括实时交通流量监测、自适应信号灯控制、智能车道管理和交通预测等,利用驾驶模拟器可以验证智慧交通管控措施如闯红灯摄像头、标志标牌等对驾驶行为的约束性。在此基础上利用车路协同技术来改善交通管理和控制,例如对实时交通流量监测、自适应信号灯控制、智能车道管理等控制策略进行开发,对超车模型、插车模型等交通预测模型进行构建从而提高交通安全,为自动驾驶车辆与非自动驾驶车辆的相互协同提供技术支持。
(4)基于驾驶模拟器的驾驶行为大模型构建。深度学习与机器学习等复杂算法模型往往依赖于大规模数据集以实现有效的学习过程和模型收敛,而利用驾驶模拟器得到的实验数据具有较高的时间密度,能够适应大模型的训练要求。以基于图像识别技术的驾驶人表情与驾驶姿态分析为例,驾驶模拟实验能够提供多维模拟驾驶数据,为图像识别模型训练提供必要的数据支撑,从而促进模型在不同驾驶情境下的泛化能力。此外,驾驶模拟器所提供的模拟环境允许研究在控制条件下系统地收集驾驶行为数据,从而深入分析驾驶人在面对复杂交通环境时的决策过程,以及自动化辅助系统对驾驶行为的影响。例如,可以通过对抗性训练强化系统训练抗干扰性较强的辅助驾驶功能。
5 结论
驾驶模拟实验已成为驾驶行为与交通安全实证研究的核心范式,而高保真驾驶模拟器作为关键实验载体,其应用效能直接决定了研究的内部效度与生态外推能力。基于系统文献综述与文献计量学方法,全面梳理了驾驶模拟器在驾驶行为研究中的应用脉络,对比了中外研究范式的演进特征与共性及差异。在车联网、高阶自动驾驶及智能交通系统加速迭代的背景下,不仅系统总结了现有成果,更对实验设计与多维评估框架进行了详尽的探讨,以明确驾驶模拟技术在未来复杂交通场景研究中的不可替代性。所完成的具体工作如下。
(1)通过融合系统综述与知识图谱分析,系统刻画了驾驶模拟器在行为研究中的主题演进路径,明晰了中外在实验设计、技术侧重与应用场景上的共性与分野。该对比分析不仅厘清了当前研究边界,更为后续研究的定位、跨域借鉴与创新突破提供了全景式参照系。
(2)总结驾驶模拟器在驾驶人行为研究的三大核心应用领域:智能驾驶行为特征挖掘、安全影响因素解析及行为计算模型构建与验证。针对各领域的研究现状,系统归纳了主流实验方法、高保真场景设计原则及关键指标遴选逻辑。在此基础上,对驾驶模拟实验中的生理、心理、操作行为三方面构成的多模态指标体系进行分析,阐明其跨情境适配准则,为提升驾驶行为量化评估的客观性、可重复性及机制解释力提供了方法论支撑。
(3)基于现有研究瓶颈与技术演进逻辑,提出四大应用方向:一是面向高级辅助驾驶功能迭代的人机协同验证与闭环测试平台;二是人机共驾模式下的情境化培训、信任建立与能力评估体系;三是车路协同复杂交互环境下的驾驶行为适应性仿真与策略优化;四是融合生成式人工智能与强化学习的下一代驾驶行为建模与预测框架。
研究的核心价值在于为驾驶行为研究中的驾驶模拟实验提供了可复用、可拓展的方法学框架。未来的综述工作可以在此基础上从方法学规范、效度迁移与新兴技术图谱的角度去考虑,特别是系统评价驾驶模拟实验的报告质量以推动标准化,对模拟器行为指标与自然驾驶数据的关联效度进行元分析以构建仿真-现实迁移框架,前瞻性梳理生成式AI、脑机接口、数字孪生等新兴技术融入驾驶模拟的早期文献。
PDF
(13301KB)
