基于虛擬現(xiàn)實(shí)技術(shù)的隧道內(nèi)光源色溫對(duì)司駕安全的影響

李曉軍，凌加鑫，沈 奕，盧 彤，朱合華

（1.同濟(jì)大學(xué)土木工程學(xué)院，上海 200092；2.同濟(jì)大學(xué)土木工程防災(zāi)國家重點(diǎn)實(shí)驗(yàn)室，上海 200092；3.同濟(jì)大學(xué)巖土及地下工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 200092；4.錢江新城建設(shè)管理委員會(huì)，浙江杭州 310016）

公路隧道內(nèi)部空間結(jié)構(gòu)封閉，單調(diào)的內(nèi)部環(huán)境會(huì)影響駕駛?cè)藢?duì)周邊環(huán)境信息的正確感知，進(jìn)而直接影響駕駛?cè)说鸟{駛行為，嚴(yán)重時(shí)將引發(fā)交通事故［1］。隧道內(nèi)交通事故的發(fā)生，易致使道路通行能力大幅下降，進(jìn)而波及區(qū)域路網(wǎng)的運(yùn)行效率和交通功能的發(fā)揮，并且隧道內(nèi)發(fā)生交通事故后處理困難，極易造成群死群傷［2］。因此，良好的隧道內(nèi)部環(huán)境是保障隧道內(nèi)安全駕駛的重要條件。

在針對(duì)隧道內(nèi)部環(huán)境優(yōu)化的探究過程中，隧道光環(huán)境的優(yōu)化是一直以來的研究重點(diǎn)［3］。隧道光環(huán)境主要由照明燈具發(fā)光營造，色溫作為影響燈具照明效果的一項(xiàng)重要指標(biāo)，引起了越來越多學(xué)者的關(guān)注。崔璐璐［4］研究了隧道照明光源光色對(duì)駕駛員視覺的影響，發(fā)現(xiàn)色溫6 400 K時(shí)光源產(chǎn)生的視覺功效比2 700 K時(shí)光源產(chǎn)生的視覺功效高，目標(biāo)更易被識(shí)別。Dong 等［5］研究發(fā)光二極管（LED）光源的相關(guān)色溫對(duì)人眼視覺表現(xiàn)的影響，結(jié)果表明觀察者的反應(yīng)時(shí)間與光源色溫成負(fù)相關(guān)。在此基礎(chǔ)上，Dong等［6］繼續(xù)研究了隧道入口段光源色溫對(duì)隧道暗適應(yīng)的影響，色溫為4 000～4 500 K 時(shí)LED 光源更適合用于隧道入口的照明。左小磊［7］、史芊芊［8］研究了隧道照明光源色溫對(duì)駕駛員的影響后指出，選擇隧道照明光源時(shí)，優(yōu)先選擇高色溫光源。然而，這些研究中多使用小目標(biāo)測量法，反應(yīng)時(shí)間等參數(shù)的測定易受主觀因素影響，并且光學(xué)系統(tǒng)箱［7］、激光投影儀［8］等設(shè)備并不能真實(shí)還原隧道駕駛場景。隧道照明領(lǐng)域?qū)庠瓷珳氐难芯咳遮呹P(guān)注，但相關(guān)研究一直未能對(duì)現(xiàn)有的照明設(shè)計(jì)形成指導(dǎo)。

腦電波（EEG）信號(hào)因其良好的時(shí)間分辨率和精度［9］，被認(rèn)為是檢測駕駛疲勞的“金標(biāo)準(zhǔn)”［10］。EEG信號(hào)主要包括α波、β波、θ波和δ波，通過對(duì)原始數(shù)據(jù)的時(shí)頻域分析進(jìn)而提取特征信號(hào)，可應(yīng)用于不同年齡駕駛?cè)似谔匦裕?1］、長途客車駕駛?cè)似跔顟B(tài)［12］等研究中。在光源色溫與EEG信號(hào)關(guān)系方面，Park 等［13］通過改變光源色溫來研究試驗(yàn)人員的EEG信號(hào)變化情況，發(fā)現(xiàn)色溫的變化會(huì)引起腦電信號(hào)中α波的顯著變化。Shin等［14］利用單通道EEG信號(hào)來表示不同光照條件下被試者的注意力和放松程度，結(jié)果表明高色溫、高照度的LED 燈更能提高被試者的注意力水平。這些研究揭示了光源色溫與EEG 信號(hào)的關(guān)聯(lián)性，但是缺少關(guān)于隧道內(nèi)光源色溫對(duì)駕駛過程中EEG信號(hào)變化影響的研究。

針對(duì)以上問題，提出了基于虛擬仿真技術(shù)的隧道內(nèi)環(huán)境改善方法。以駕駛模擬試驗(yàn)為基礎(chǔ)，以司駕人員的EEG 信號(hào)為生理指標(biāo)，集成虛擬現(xiàn)實(shí)（VR）設(shè)備、模擬駕駛設(shè)備和EEG信號(hào)測量設(shè)備，搭建隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)。通過建立并導(dǎo)入不同內(nèi)環(huán)境下的隧道模型，在系統(tǒng)中開展虛擬駕駛，研究不同色溫下司駕人員的反應(yīng)時(shí)間和EEG 信號(hào)變化規(guī)律，以進(jìn)一步探究光環(huán)境與駕駛?cè)酥g的關(guān)系，并探討采用VR 技術(shù)進(jìn)行隧道安全駕駛模擬的準(zhǔn)確性，以期為隧道光環(huán)境設(shè)計(jì)及改善提供參考。

1 試驗(yàn)方案

1.1 試驗(yàn)系統(tǒng)

為實(shí)時(shí)記錄被試者在駕駛過程中的EEG信號(hào)，選用BrainCo 公司的Focus 1 腦機(jī)接口頭環(huán)，如圖1a所示。采用羅技公司生產(chǎn)的力反饋天駒來模擬真實(shí)駕駛感受，并記錄駕駛過程中車輛的運(yùn)行狀態(tài)，如圖1b 所示。采用HTC 公司生產(chǎn)的VIVE pro 設(shè)備，還原隧道內(nèi)部環(huán)境，如圖1c所示。

圖1 試驗(yàn)設(shè)備Fig.1 Test equipment

軟件方面，采用Unity3D軟件，開發(fā)虛擬駕駛場景，并集成上述設(shè)備，實(shí)現(xiàn)隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)的搭建。

1.2 工程背景

選取杭州市博奧隧道為試驗(yàn)路段。如圖2 所示，博奧隧道全長2 771 m，為雙向四車道城市干道，隧道設(shè)計(jì)行車速度60 km·h-1，預(yù)計(jì)2020年底通車。

作為2022 年杭州亞運(yùn)會(huì)的核心通道，為體現(xiàn)杭州市精致和諧的時(shí)代特征以及創(chuàng)造駕駛安全環(huán)境，需對(duì)博奧隧道內(nèi)部光環(huán)境進(jìn)行設(shè)計(jì)。由于實(shí)車試驗(yàn)的不可行性，因此采取虛擬仿真試驗(yàn)方法，研究最佳光環(huán)境設(shè)計(jì)方案。

1.3 被試者選擇

試驗(yàn)中招募不同年齡、不同駕齡的駕駛?cè)?0名，滿足被試者駕齡在1年以上的要求，視覺機(jī)能正常、無生理缺陷并有通過隧道段的行車經(jīng)驗(yàn)。為避免外部因素影響，被試者在試驗(yàn)前1 h內(nèi)未進(jìn)行激烈運(yùn)動(dòng)，前12 h內(nèi)未飲用含酒精或可卡因飲品，以保證試驗(yàn)數(shù)據(jù)的合理性和客觀性。

1.4 試驗(yàn)步驟

圖2 虛擬仿真試驗(yàn)隧道位置Fig.2 Location of virtual simulation test tunnel

在正式試驗(yàn)前，首先利用3ds Max 軟件建立不同的隧道內(nèi)環(huán)境模型并添加貼圖，然后導(dǎo)出格式為fbx的文件，最后將文件導(dǎo)入隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)中。隧道模型導(dǎo)入系統(tǒng)后，先按照既定駕駛?cè)蝿?wù)進(jìn)行預(yù)試驗(yàn)，以確保正常駕駛。

正式試驗(yàn)時(shí)，被試者先穿戴設(shè)備靜坐3 min，在EEG信號(hào)平穩(wěn)后，被試者按照既定路線進(jìn)行虛擬駕駛。在虛擬駕駛過程中，按時(shí)間順序記錄EEG 信號(hào)。虛擬仿真試驗(yàn)場景如圖3所示。

圖3 虛擬駕駛場景Fig.3 Virtual driving scene

1.5 數(shù)據(jù)采集

1.5.1 EEG信號(hào)

相關(guān)駕駛研究表明，駕駛分心和注意力不集中是引發(fā)交通事故的主要原因［15］?；诖?，研究試驗(yàn)過程中駕駛?cè)薊EG信號(hào)的變化情況，并用EEG信號(hào)表征注意力集中程度，采集到的注意力數(shù)據(jù)n為EEG 信號(hào)數(shù)據(jù)的量化，即n=f(α，β，θ，δ)。數(shù)據(jù)采集段為隧道進(jìn)口段至隧道出口段，采集頻率設(shè)置為2 Hz。

駕駛員之間存在個(gè)體差異，僅比較注意力值的高低或增減次數(shù)，并不能全面體現(xiàn)內(nèi)環(huán)境對(duì)安全駕駛的影響［16］。因此，采用注意力增長率p來表示注意力變化情況，計(jì)算式如下所示：

式中：n1為平靜狀態(tài)下被試者注意力值；n2為駕駛過程中被試者注意力值。

1.5.2 反應(yīng)時(shí)間

突發(fā)情況下駕駛?cè)说姆磻?yīng)時(shí)間是指駕駛?cè)瞬煊X到突發(fā)異常情況可能對(duì)自身駕駛造成影響、做出避讓決定到車輛運(yùn)動(dòng)狀態(tài)發(fā)生變化的整個(gè)過程所耗費(fèi)的時(shí)間［17］。本研究中測量反應(yīng)時(shí)間的方式是通過集成模擬駕駛設(shè)備監(jiān)測制動(dòng)踏板和方向盤的狀態(tài)數(shù)據(jù)，記錄異常工況出現(xiàn)到車輛運(yùn)動(dòng)狀態(tài)發(fā)生改變的時(shí)間，計(jì)算式如下所示：

式中：tr為反應(yīng)時(shí)間；tc為車輛制動(dòng)踏板或方向盤狀態(tài)發(fā)生變化的時(shí)刻；ts為事故工況出現(xiàn)的時(shí)刻。

2 正常駕駛工況下色溫影響

2.1 模型設(shè)計(jì)

為研究光源色溫對(duì)駕駛安全的影響，保證光源亮度為2 cd·m-2不變且內(nèi)裝飾環(huán)境一致，分別對(duì)光源色溫為2 000、3 000、4 000、5 000、6 000、7 000、8 000 K時(shí)的隧道場景進(jìn)行試驗(yàn)。3種典型色溫下隧道模型如圖4所示。

圖4 不同色溫下隧道模型Fig.4 Tunnelmodelsatdifferentcolor temperatures

2.2 試驗(yàn)結(jié)果與分析

2.2.1 自然光下注意力增長率隨駕駛時(shí)間變化特征

為了研究隧道駕駛過程中駕駛員的注意力變化情況，選擇光源為自然光（色溫為4 000 K）的隧道模型進(jìn)行試驗(yàn)。通過對(duì)每位被試者的注意力增長率數(shù)據(jù)進(jìn)行篩選和平均處理，獲得注意力增長率與駕駛路程的數(shù)據(jù)。自然光下注意力增長率和距隧道入口距離的關(guān)系如圖5所示。

從圖5 看出，駕駛?cè)诉M(jìn)入隧道前后注意力明顯集中，相比于平靜狀態(tài)下注意力更高，表明駕駛?cè)私o予較多注意力資源在進(jìn)入隧道前后。進(jìn)入隧道后，注意力增長率呈波動(dòng)下降趨勢，注意力值長時(shí)間低于平靜狀態(tài)下注意力值，并且在行駛1 200 m左右時(shí)達(dá)到最低；在隧道出口前后，駕駛?cè)俗⒁饬υ俅尾▌?dòng)上升，注意力再次集中，并高于平靜狀態(tài)下注意力。

圖5 注意力增長率和距隧道入口距離的關(guān)系（4 000 K）Fig.5 Relationship between attention growth rate and distance from tunnel entrance（4 000 K）

由此可見，在隧道出入口位置，駕駛?cè)说淖⒁饬杏隈{駛?cè)蝿?wù)，注意力增長率較高；進(jìn)入隧道后，隨著駕駛時(shí)間和里程的增加，駕駛?cè)顺霈F(xiàn)駕駛疲勞，注意力分散，注意力增長率降低。

2.2.2 不同色溫下注意力增長率變化特征

不同色溫下駕駛?cè)俗⒁饬υ鲩L率統(tǒng)計(jì)結(jié)果如表1 所示。從表1 可以看出，相比于低色溫（2 000～4 000 K），高色溫（6 000～8 000 K）下駕駛?cè)说钠骄⒁饬υ鲩L率更高，并且均方差更小。這表明，高色溫有利于駕駛?cè)俗⒁饬Φ奶岣?，注意力波?dòng)較小，不易分散。然而，色溫并不是越高越好。例如，相比于8 000 K，光源色溫為6 000 K時(shí)駕駛?cè)说钠骄⒁饬υ鲩L率更高。

表1 不同色溫下駕駛?cè)俗⒁饬υ鲩L率統(tǒng)計(jì)結(jié)果Tab.1 Statistical results of drivers’ attention growth rate at different color temperatures

為了進(jìn)一步研究色溫與注意力增長率之間的關(guān)系，得到最合適的光源色溫，以色溫為自變量，平均注意力增長率為因變量，量化注意力增長率變化規(guī)律。構(gòu)建“注意力增長率-色溫”模型，將表1中數(shù)據(jù)分別代入下式：

式中：x為自變量；y為因變量；a、b、c均為回歸系數(shù)。

應(yīng)用OriginPro 2017 軟件進(jìn)行數(shù)據(jù)擬合，得到“注意力增長率-色溫”擬合結(jié)果，如圖6所示。模型方差分析結(jié)果如表2所示。

圖6 注意力增長率和光源色溫?cái)M合曲線Fig.6 Fitting curve of attention growth rate and color temperature of light source

駕駛?cè)似骄⒁饬υ鲩L率和光源色溫?cái)M合曲線的決定系數(shù)（COD）R2=0.947 6。從表2可看出，顯著性概率p=0.006 ＜0.050，說明擬合度較好。平均注意力增長率計(jì)算式為

式中：pa為平均注意力增長率；Tc為光源色溫。

表2 注意力增長率與光源色溫關(guān)系模型方差分析結(jié)果Tab.2 Variance analysis results on relationship between attention growth rate and color temperature of light source

從圖6 和式（4）可以看出，色溫為2 000～6 300 K時(shí)，隨著色溫的增加，駕駛?cè)似骄⒁饬υ鲩L率呈上升趨勢；色溫為6 300～8 000 K 時(shí)，駕駛?cè)似骄⒁饬υ鲩L率隨著色溫的增加而緩慢減小。因此，從駕駛?cè)俗⒁饬嵌?，隧道?nèi)光源宜采用色溫為6 300 K左右的高色溫光源。

3 事故工況下色溫影響

3.1 模型設(shè)計(jì)

為了更貼合實(shí)際駕駛情形，設(shè)計(jì)了隧道內(nèi)追尾事故工況，如圖7所示。

圖7 隧道模型內(nèi)追尾事故Fig.7 Rear-end collision in tunnel model

由圖5 可知，在隧道內(nèi)駕駛1 000～1 500 m 時(shí)，駕駛?cè)俗⒁饬?huì)進(jìn)入一個(gè)低谷，因此追尾事故設(shè)置在距入口1 200 m位置處，考察當(dāng)隧道內(nèi)出現(xiàn)追尾事故時(shí)，駕駛?cè)嗽诓煌珳叵碌姆磻?yīng)時(shí)間及EEG信號(hào)波動(dòng)規(guī)律。

3.2 試驗(yàn)結(jié)果與分析

3.2.1 反應(yīng)時(shí)間差異性顯著檢驗(yàn)

不同色溫下隧道內(nèi)駕駛?cè)朔磻?yīng)時(shí)間變化特征如圖8所示。圖8為箱線圖和折線圖的組合圖，箱線圖反映了不同色溫下反應(yīng)時(shí)間的離散程度，折線圖反映了平均反應(yīng)時(shí)間隨色溫變化的規(guī)律。

從圖8 可看出，不同色溫下駕駛員反應(yīng)時(shí)間平均值分布在0.5～1.0 s，相比于2 000～4 000 K，5 000～8 000 K 時(shí)反應(yīng)時(shí)間離散程度更小。光源色溫從2 000 K增加到5 000 K時(shí)，反應(yīng)時(shí)間不斷降低；色溫從5 000 K 增加到8 000 K 時(shí)，反應(yīng)時(shí)間略有波動(dòng)但是起伏不大，維持在一個(gè)相對(duì)較低的水平。

為了進(jìn)一步分析色溫對(duì)反應(yīng)時(shí)間的影響，應(yīng)用單因素方差分析對(duì)不同色溫下駕駛?cè)朔磻?yīng)時(shí)間進(jìn)行差異性檢驗(yàn)，發(fā)現(xiàn)7 種色溫下駕駛?cè)说姆磻?yīng)時(shí)間存在總體顯著差異（p=0.000）。利用續(xù)后分析進(jìn)一步探討7種色溫下反應(yīng)時(shí)間的顯著性差異，如表3所示。表3 中，未列的色溫組合表明不存在顯著性差異。

表3 不同色溫下單因素方差分析結(jié)果Tab.3 Results of one-way ANOVA at different color temperatures

表3表明，駕駛?cè)嗽谒淼纼?nèi)行駛、色溫為2 000 K時(shí)的反應(yīng)時(shí)間顯著高于色溫為4 000 K（p=0.011）、5 000 K（p=0.000）、6 000 K（p=0.005）、7 000 K（p=0.000）和8 000 K（p=0.000）時(shí)的反應(yīng)時(shí)間，色溫為3 000 K時(shí)的反應(yīng)時(shí)間則顯著高于色溫為5 000 K（p=0.000）、6 000 K（p=0.041）、7 000 K（p=0.004）和8 000 K（p=0.000）時(shí)的反應(yīng)時(shí)間，色溫為4 000 K時(shí)的反應(yīng)時(shí)間則顯著高于色溫為5 000 K（p=0.016）和8 000 K（p=0.040）時(shí)的反應(yīng)時(shí)間。

從圖8和表3可知，光源色溫對(duì)駕駛?cè)朔磻?yīng)時(shí)間有顯著影響。當(dāng)色溫較低時(shí)（2 000～4 000 K），反應(yīng)時(shí)間較長；當(dāng)色溫提高至5 000 K 及以上時(shí)，駕駛?cè)朔磻?yīng)時(shí)間顯著降低，為0.5～0.6 s。

3.2.2 反應(yīng)時(shí)間分布及擬合

由第3.2.1 節(jié)可知，5 000～8 000 K 下反應(yīng)時(shí)間不存在顯著性差異，因此將色溫分為兩組，低色溫組（2 000～4 000 K）和中高色溫組（5 000～8 000 K），量化兩類色溫條件下駕駛?cè)说姆磻?yīng)時(shí)間。

已有研究表明［17］，駕駛?cè)朔磻?yīng)時(shí)間近似服從正態(tài)分布，因此對(duì)兩類色溫條件下駕駛?cè)朔磻?yīng)時(shí)間進(jìn)行正態(tài)分布擬合。正態(tài)分布的概率分布函數(shù)為

式中：為異常工況下駕駛?cè)说姆磻?yīng)時(shí)間，s；μ為駕駛?cè)朔磻?yīng)時(shí)間的均值，s；σ為駕駛?cè)朔磻?yīng)時(shí)間的標(biāo)準(zhǔn)差，s。

擬合結(jié)果如圖9所示。低色溫（2 000～4 000 K）時(shí)，R2=0.936，擬合效果較好，擬合均值μ=0.781 s，標(biāo)準(zhǔn)差σ=0.112 s；中高色溫（5 000～8 000 K）時(shí)，R2=0.869，擬合效果較好，擬合均值μ=0.575 s，標(biāo)準(zhǔn)差σ=0.150 s。

圖9 兩類色溫下駕駛?cè)朔磻?yīng)時(shí)間分布及擬合曲線Fig.9 Distribution of drivers’reaction time at two kinds of color temperatures and its fitting curve

從圖9 可以得到：駕駛員對(duì)異常工況的反應(yīng)時(shí)間可以看作服從正態(tài)分布；當(dāng)隧道內(nèi)光源色溫較低時(shí)（2 000～4 000 K），駕駛?cè)说钠骄磻?yīng)時(shí)間為0.78 s，長于隧道內(nèi)光源色溫較高時(shí)（5 000～8 000 K）的平均反應(yīng)時(shí)間0.58 s。

3.2.3 EEG信號(hào)波動(dòng)規(guī)律

從試驗(yàn)數(shù)據(jù)中篩選出距離事故點(diǎn)前后50、100、150、200、250、300 m位置的注意力增長率，得到不同色溫下經(jīng)過事故點(diǎn)時(shí)駕駛?cè)说腅EG信號(hào)變化特征，如圖10所示。

圖10 不同色溫下經(jīng)過事故點(diǎn)前后駕駛?cè)薊EG信號(hào)變化Fig.10 Changes of EEG signals before and after passing accident point at different color temperatures

從圖10 可以看出，經(jīng)過追尾事故點(diǎn)前后，駕駛?cè)说淖⒁饬τ休^大提升。到達(dá)事故點(diǎn)前，色溫為2 000～4 000 K 時(shí)，駕駛?cè)说淖⒁饬υ鲩L率低于-15%，并且2 000 K 和3 000 K 時(shí)駕駛?cè)俗⒁饬Φ陀?20%，而5 000～8 000 K時(shí)駕駛?cè)俗⒁饬υ鲩L率保持在-15%以上；駛離事故點(diǎn)后，光源色溫為5 000～8 000 K 時(shí)駕駛?cè)俗⒁饬υ鲩L率保持在15%以上，而光源色溫為2 000～4 000 K時(shí)駕駛?cè)俗⒁饬υ鲩L率在15%左右波動(dòng)。因此，從EEG信號(hào)的角度來看，光源色溫為5 000～8 000 K時(shí)駕駛?cè)俗⒁饬Ω鼮榧?，相? 000～4 000 K 時(shí)更不易出現(xiàn)駕駛疲勞。

4 結(jié)論

（1）運(yùn)用VR 技術(shù)，建立隧道內(nèi)環(huán)境智能輔助決策系統(tǒng)，模擬隧道內(nèi)光源色溫變換和隧道追尾事故，還原真實(shí)駕駛感受。

（2）正常駕駛時(shí)，光源色溫對(duì)駕駛?cè)俗⒁饬τ绊戯@著，高色溫下駕駛?cè)说钠骄⒁饬υ鲩L率更高且均方差更小。通過構(gòu)建注意力增長率與光源色溫的關(guān)系模型，量化了駕駛?cè)似骄⒁饬υ鲩L率與光源色溫之間的關(guān)系，得出6 300 K左右的光源最利于注意力資源集中。

（3）當(dāng)隧道內(nèi)出現(xiàn)事故時(shí)，光源色溫對(duì)駕駛?cè)朔磻?yīng)時(shí)間有顯著影響。低色溫（2 000～4 000 K）下駕駛?cè)藢?duì)事故的反應(yīng)時(shí)間約為0.78 s，而中高色溫（5 000～8 000 K）下駕駛?cè)藢?duì)事故的反應(yīng)時(shí)間約為0.58 s。

作者貢獻(xiàn)聲明:

鄧國明：公式推導(dǎo)，理論模型搭建，仿真與優(yōu)化分析，數(shù)據(jù)圖表整理，論文撰寫等。

鄭松林：研究指導(dǎo)，論文質(zhì)量把關(guān)。

邵建旺：研究指導(dǎo)，提供模型仿真和驗(yàn)證的意見和建議。

吳 憲：研究指導(dǎo)，提供論文構(gòu)思、論文表述、論文修改等方面的質(zhì)量把關(guān)。

陳則堯：參與隔聲優(yōu)化的FE-SEA 模型搭建，提供Kriging 近似模型優(yōu)化的建議。