摘要
基于虚拟现实(VR)技术建立公路隧道内环境智能辅助决策系统,在不同色温的主灯照明下进行驾驶模拟试验,构建注意力增长率和光源色温之间的度量模型,并给出反应时间的分布规律。结果表明:在隧道入口和出口处,驾驶人的注意力增长率较高,行驶约1 200 m时驾驶人注意力达到最低值;不同的光源色温对驾驶人注意力影响差异显著,色温约6 300 K时最利于注意力的集中;低色温下(2 000~ 4 000 K)驾驶人对事故的反应时间约为0.78 s,而中高色温下(5 000~8 000 K)驾驶人对事故的反应时间约为0.58 s。
公路隧道内部空间结构封闭,单调的内部环境会影响驾驶人对周边环境信息的正确感知,进而直接影响驾驶人的驾驶行为,严重时将引发交通事
在针对隧道内部环境优化的探究过程中,隧道光环境的优化是一直以来的研究重
脑电波(EEG)信号因其良好的时间分辨率和精
针对以上问题,提出了基于虚拟仿真技术的隧道内环境改善方法。以驾驶模拟试验为基础,以司驾人员的EEG信号为生理指标,集成虚拟现实(VR)设备、模拟驾驶设备和EEG信号测量设备,搭建隧道内环境智能辅助决策系统。通过建立并导入不同内环境下的隧道模型,在系统中开展虚拟驾驶,研究不同色温下司驾人员的反应时间和EEG信号变化规律,以进一步探究光环境与驾驶人之间的关系,并探讨采用VR技术进行隧道安全驾驶模拟的准确性,以期为隧道光环境设计及改善提供参考。
为实时记录被试者在驾驶过程中的EEG信号,选用BrainCo公司的Focus 1脑机接口头环,如

图1 试验设备
Fig.1 Test equipment
软件方面,采用Unity3D软件,开发虚拟驾驶场景,并集成上述设备,实现隧道内环境智能辅助决策系统的搭建。
选取杭州市博奥隧道为试验路段。如

图2 虚拟仿真试验隧道位置
Fig.2 Location of virtual simulation test tunnel
作为2022年杭州亚运会的核心通道,为体现杭州市精致和谐的时代特征以及创造驾驶安全环境,需对博奥隧道内部光环境进行设计。由于实车试验的不可行性,因此采取虚拟仿真试验方法,研究最佳光环境设计方案。
试验中招募不同年龄、不同驾龄的驾驶人30名,满足被试者驾龄在1年以上的要求,视觉机能正常、无生理缺陷并有通过隧道段的行车经验。为避免外部因素影响,被试者在试验前1 h内未进行激烈运动,前12 h内未饮用含酒精或可卡因饮品,以保证试验数据的合理性和客观性。
在正式试验前,首先利用3ds Max软件建立不同的隧道内环境模型并添加贴图,然后导出格式为fbx的文件,最后将文件导入隧道内环境智能辅助决策系统中。隧道模型导入系统后,先按照既定驾驶任务进行预试验,以确保正常驾驶。
正式试验时,被试者先穿戴设备静坐3 min,在EEG信号平稳后,被试者按照既定路线进行虚拟驾驶。在虚拟驾驶过程中,按时间顺序记录EEG信号。虚拟仿真试验场景如

图3 虚拟驾驶场景
Fig.3 Virtual driving scene
相关驾驶研究表明,驾驶分心和注意力不集中是引发交通事故的主要原
驾驶员之间存在个体差异,仅比较注意力值的高低或增减次数,并不能全面体现内环境对安全驾驶的影
(1) |
式中:n1为平静状态下被试者注意力值;n2为驾驶过程中被试者注意力值。
为研究光源色温对驾驶安全的影响,保证光源亮度为2 cd·

图4 不同色温下隧道模型
Fig.4 Tunnel models at different color temperatures
为了研究隧道驾驶过程中驾驶员的注意力变化情况,选择光源为自然光(色温为4 000 K)的隧道模型进行试验。通过对每位被试者的注意力增长率数据进行筛选和平均处理,获得注意力增长率与驾驶路程的数据。自然光下注意力增长率和距隧道入口距离的关系如

图5 注意力增长率和距隧道入口距离的关系(4 000 K)
Fig.5 Relationship between attention growth rate and distance from tunnel entrance(4 000 K)
从
由此可见,在隧道出入口位置,驾驶人的注意力集中于驾驶任务,注意力增长率较高;进入隧道后,随着驾驶时间和里程的增加,驾驶人出现驾驶疲劳,注意力分散,注意力增长率降低。
不同色温下驾驶人注意力增长率统计结果如
为了进一步研究色温与注意力增长率之间的关系,得到最合适的光源色温,以色温为自变量,平均注意力增长率为因变量,量化注意力增长率变化规律。构建“注意力增长率‒色温”模型,将
(3) |
式中: 为自变量; 为因变量;、、均为回归系数。
应用OriginPro 2017软件进行数据拟合,得到“注意力增长率‒色温”拟合结果,如

图6 注意力增长率和光源色温拟合曲线
Fig.6 Fitting curve of attention growth rate and color temperature of light source
驾驶人平均注意力增长率和光源色温拟合曲线的决定系数(COD)
(4) |
式中: 为平均注意力增长率; 为光源色温。
从
为了更贴合实际驾驶情形,设计了隧道内追尾事故工况,如

图7 隧道模型内追尾事故
Fig.7 Rear-end collision in tunnel model
由
不同色温下隧道内驾驶人反应时间变化特征如

图8 反应时间随光源色温变化
Fig.8 Change of reaction time with color temperature of light source
从
为了进一步分析色温对反应时间的影响,应用单因素方差分析对不同色温下驾驶人反应时间进行差异性检验,发现7种色温下驾驶人的反应时间存在总体显著差异(p = 0.000)。利用续后分析进一步探讨7种色温下反应时间的显著性差异,如
注: / 表示p ≥ 0.05,* 表示p < 0.05,** 表示p < 0.01,*** 表示p < 0.001。
从
由第3.2.1节可知,5 000~8 000 K下反应时间不存在显著性差异,因此将色温分为两组,低色温组(2 000~4 000 K)和中高色温组(5 000~8 000 K),量化两类色温条件下驾驶人的反应时间。
已有研究表
(5) |
式中: 为异常工况下驾驶人的反应时间,s; 为驾驶人反应时间的均值,s; 为驾驶人反应时间的标准差,s。
拟合结果如

图9 两类色温下驾驶人反应时间分布及拟合曲线
Fig.9 Distribution of drivers’ reaction time at two kinds of color temperatures and its fitting curve
从
从试验数据中筛选出距离事故点前后50、100、150、200、250、300 m位置的注意力增长率,得到不同色温下经过事故点时驾驶人的EEG信号变化特征,如

图10 不同色温下经过事故点前后驾驶人EEG信号变化
Fig.10 Changes of EEG signals before and after passing accident point at different color temperatures
从
(1)运用VR技术,建立隧道内环境智能辅助决策系统,模拟隧道内光源色温变换和隧道追尾事故,还原真实驾驶感受。
(2)正常驾驶时,光源色温对驾驶人注意力影响显著,高色温下驾驶人的平均注意力增长率更高且均方差更小。通过构建注意力增长率与光源色温的关系模型,量化了驾驶人平均注意力增长率与光源色温之间的关系,得出6 300 K左右的光源最利于注意力资源集中。
(3)当隧道内出现事故时,光源色温对驾驶人反应时间有显著影响。低色温(2 000~4 000 K)下驾驶人对事故的反应时间约为0.78 s,而中高色温 (5 000~8 000 K)下驾驶人对事故的反应时间约为0.58 s。
作者贡献声明
李晓军:建立系统架构。
凌加鑫:进行试验研究。
沈 奕:进行数据分析。
卢 彤:进行科研协调。
朱合华:进行方法指导。
参考文献
丁光明. 高速公路隧道环境对驾驶人生理及心理影响研究[D].西安:长安大学,2011. [百度学术]
DING Guangming. Study on the impact of freeway tunnel environment on drivers’ physiology and psychology[D]. Xi’an: Chang’an University, 2011. [百度学术]
杜志刚,潘晓东,杨轸,等.高速公路隧道进出口视觉震荡与行车安全研究[J].中国公路学报,2007,20(5):101. [百度学术]
DU Zhigang, PAN Xiaodong, YANG Zhen, et al. Research on visual turbulence and driving safety of freeway tunnel entrance and exit[J]. China Journal of Highway and Transport, 2007,20(5):101. [百度学术]
杜志刚,徐弯弯,向一鸣.基于视线诱导的公路隧道光环境优化研究框架[J].中国公路学报,2018,31(4):122. [百度学术]
DU Zhigang, XU Wanwan, XIANG Yiming. Research on light environment improvement framework of highway tunnel based on visual guidance[J]. China Journal of Highway and Transport, 2018, 31(4):122. [百度学术]
崔璐璐. 隧道照明光源的光色研究[D].重庆:重庆大学,2008. [百度学术]
CUI Lulu. Study on the color of tunnel light source[D]. Chongqing: Chongqing University, 2008. [百度学术]
DONG L, QIN L, XU W, et al. The impact of LED correlated color temperature on visual performance under mesopic conditions[J]. IEEE Photonics Journal, 2017, 9(6): 1. [百度学术]
DONG L, SHANG X, ZHAO Y, et al. The impact of LED light color on the dark adaptation of human vision in tunnel entrances[J]. IEEE Photonics Journal, 2018, 10(5): 1. [百度学术]
左小磊. 关于光源色温对隧道照明效果影响的研究[D].大连:大连海事大学,2017. [百度学术]
ZUO Xiaolei. Study on the influence of color temperature of light source on tunnel lighting[D]. Dalian: Dalian Maritime University, 2017. [百度学术]
史芊芊. 公路隧道照明色温对驾驶安全的影响研究[D].西安:长安大学,2019. [百度学术]
SHI Qianqian. Study on the influence of lighting color temperature on driving safety in highway tunnel[D]. Xi’an: Chang’an University, 2019. [百度学术]
BALANDONG R P, AHMAD R F, SAAD M N M, et al. A review on EEG-based automatic sleepiness detection systems for driver[J]. IEEE Access, 2018, 6: 22908. [百度学术]
LAL S K L, CRAIG A. A critical review of the psychophysiology of driver fatigue[J]. Biological Psychology, 2001, 55(3): 173. [百度学术]
裴玉龙,金英群,陈贺飞.基于脑电信号分析的不同年龄驾驶人疲劳特性[J].中国公路学报,2018,31(4):59. [百度学术]
PEI Yulong, JIN Yingqun, CHEN Hefei. Fatigue characteristics in drivers of different ages based on analysis of EEG[J]. China Journal of Highway and Transport, 2018, 31(4): 59. [百度学术]
王福旺,王宏.长途客车驾驶员疲劳状态脑电特征分析[J].仪器仪表学报,2013,34(5):1146. [百度学术]
WANG Fuwang, WANG Hong. EEG characteristic analysis of coach bus drivers in fatigue state[J]. Chinese Journal of Scientific Instrument, 2013, 34(5): 1146. [百度学术]
PARK J Y, HA R Y, RYU V, et al. Effects of color temperature and brightness on electroencephalogram alpha activity in a polychromatic light-emitting diode[J]. Clinical Psychopharmacology and Neuroscience, 2013, 11(3): 126. [百度学术]
SHIN J Y, CHUN S Y, LEE C S. Analysis of the effect on attention and relaxation level by correlated color temperature and illuminance of LED lighting using EEG signal[J]. Journal of the Korean Institute of Illuminating and Electrical Installation Engineers, 2013, 27(5): 9. [百度学术]
KLAUER S G, DINGUS T A, NEALE V L, et al. The impact of driver inattention on near-crash/crash risk: an analysis using the 100-car naturalistic driving study data[R]. Washington DC: NHTSA, 2006. [百度学术]