提高駕駛注意力的個(gè)性化訓(xùn)練方案生成方法

梁瑋，王鈺，廖章梁，李湘媛

(1.北京理工大學(xué) 計(jì)算機(jī)學(xué)院，北京 100081； 2.湖南省軍區(qū)數(shù)據(jù)信息室，湖南，長(zhǎng)沙 410011； 3.北京林業(yè)大學(xué) 藝術(shù)設(shè)計(jì)學(xué)院，北京 100083)

提 要： 駕駛注意力是影響駕駛安全性的重要因素之一，但駕駛注意力的訓(xùn)練由于存在高危險(xiǎn)性很難開(kāi)展. 針對(duì)此問(wèn)題，本文提出了一種虛擬現(xiàn)實(shí)平臺(tái)下的提高駕駛注意力的個(gè)性化訓(xùn)練方案生成方法，該方法借助虛擬現(xiàn)實(shí)頭盔的眼動(dòng)跟蹤技術(shù)，采集用戶(hù)的注意力習(xí)慣特性，針對(duì)用戶(hù)的習(xí)慣特性，自動(dòng)優(yōu)化生成個(gè)性化駕駛訓(xùn)練方案. 在實(shí)驗(yàn)中，用戶(hù)可以在已生成的訓(xùn)練方案中進(jìn)行個(gè)性化駕駛注意力訓(xùn)練，并進(jìn)行訓(xùn)練后的水平評(píng)估，通過(guò)對(duì)比訓(xùn)練前與訓(xùn)練后的效果評(píng)價(jià)本文提出的方法，實(shí)驗(yàn)結(jié)果表明，該方法可有效提升用戶(hù)的駕駛注意力水平，并且優(yōu)于傳統(tǒng)訓(xùn)練方法.

駕駛注意力與駕駛安全之間有著密切的關(guān)聯(lián). 據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，每年有125萬(wàn)人在交通事故中死亡，其中有很大部分是由于駕駛?cè)俗⒁饬Σ患谢蛘叻中脑斐傻?，注意力分散已成為了繼超速行駛和酒后駕車(chē)的第3大危險(xiǎn)駕駛行為[1-2]. 缺失注意力的危險(xiǎn)駕駛行為中，有些是由駕駛員的疲勞或外界因素干擾導(dǎo)致，還有部分是由于駕駛員的駕駛技巧不當(dāng)而引起的，比如車(chē)輛右轉(zhuǎn)彎時(shí)需看車(chē)前右側(cè)區(qū)域是否有危險(xiǎn)目標(biāo). LESTINA等[3]分析了1 396份警察事故分析報(bào)告，發(fā)現(xiàn)注意力不僅是引起交通事故的重要因素，并且新手司機(jī)比有經(jīng)驗(yàn)的司機(jī)在注意力分散而導(dǎo)致的交通事故中的所占概率更高. 由駕駛技巧不當(dāng)引起的注意力缺失可通過(guò)注意力訓(xùn)練得到提升，但駕駛注意力訓(xùn)練由于其危險(xiǎn)性和復(fù)雜性等問(wèn)題，一直未得到很好的解決. 傳統(tǒng)駕校并未設(shè)置相關(guān)培訓(xùn)環(huán)節(jié)，多數(shù)駕駛員依靠考取駕照后在真實(shí)道路上積累經(jīng)驗(yàn)提升該水平. 然而這個(gè)過(guò)程極易發(fā)生交通事故[4-5]，此類(lèi)駕駛員也經(jīng)常被稱(chēng)作“馬路殺手”. 因此分析駕駛注意力與駕駛安全之間的關(guān)系，針對(duì)影響駕駛安全的由駕駛技巧引起的注意力缺失問(wèn)題，實(shí)現(xiàn)具有安全性、可行性、及時(shí)性的駕駛注意力水平的訓(xùn)練，對(duì)于提升駕駛安全有重要意義.

近年來(lái)，隨著虛擬現(xiàn)實(shí)和智能優(yōu)化技術(shù)的不斷發(fā)展，仿真建模方法逐漸被應(yīng)用，如Li等[6]使用仿真的建模方法來(lái)解決人與物體交互識(shí)別. 在駕駛方面，駕駛模擬器也應(yīng)運(yùn)而生，在多個(gè)方面得到廣泛應(yīng)用[7-9],虛擬駕駛訓(xùn)練也是其中一個(gè)重要領(lǐng)域[10-11]. 虛擬現(xiàn)實(shí)的沉浸式體驗(yàn)為駕駛訓(xùn)練提供了一個(gè)可行、安全的訓(xùn)練環(huán)境. 早期的研究工作中駕駛訓(xùn)練主要在基于桌面顯示屏的模擬駕駛軟件中進(jìn)行，例如Gugerty等[12]使用基于桌面顯示屏的模擬駕駛軟件研究駕駛者對(duì)危險(xiǎn)車(chē)輛位置的意識(shí).

現(xiàn)在，駕駛模擬器的發(fā)展使駕駛訓(xùn)練能夠利用駕駛模擬器提升駕駛水平. 如Crundall等[13]使用駕駛模擬器對(duì)在包含9種危險(xiǎn)事件的虛擬路線(xiàn)上模擬駕駛的學(xué)習(xí)者進(jìn)行駕駛能力評(píng)估. 此外，個(gè)性化訓(xùn)練也被廣泛的應(yīng)用到駕駛訓(xùn)練中，并被證明具有更明顯的訓(xùn)練效果. Cao等[14]提出了一種基于智能教練頭像的一對(duì)一虛擬駕駛訓(xùn)練系統(tǒng). 孫博華等[15]提出一種駕駛能力評(píng)價(jià)方法，為評(píng)估駕駛注意力水平提供了參考；Lang等[16]提出了個(gè)性化的駕駛習(xí)慣糾正的訓(xùn)練方案生成方法，該方法利用虛擬現(xiàn)實(shí)頭盔評(píng)估用戶(hù)的駕駛習(xí)慣，利用駕駛習(xí)慣的評(píng)估結(jié)果引導(dǎo)訓(xùn)練路線(xiàn)的優(yōu)化生成，以體現(xiàn)路徑的個(gè)性化，為虛擬駕駛訓(xùn)練提供了新的思路. 但這些方法未涉及駕駛注意力相關(guān)的訓(xùn)練內(nèi)容.

基于對(duì)虛擬駕駛訓(xùn)練及駕駛注意力訓(xùn)練現(xiàn)有工作的總結(jié)，本文提出了一種個(gè)性化的駕駛注意力訓(xùn)練生成方法. 該方法在虛擬環(huán)境中設(shè)置危險(xiǎn)交通事件，如在路口突然出現(xiàn)異常駕駛車(chē)輛，通過(guò)獲取個(gè)體注意力數(shù)據(jù)評(píng)估個(gè)體在危險(xiǎn)事件中的駕駛注意力水平. 在搭建虛擬場(chǎng)景的基礎(chǔ)上，系統(tǒng)框架分為三部分，包括：個(gè)體駕駛注意力獲取、訓(xùn)練方案生成和個(gè)性化駕駛注意力訓(xùn)練，如圖1所示. 用戶(hù)在設(shè)置好的虛擬場(chǎng)景中首先進(jìn)行虛擬駕駛，駕駛過(guò)程中個(gè)體駕駛注意力數(shù)據(jù)將被記錄與分析，系統(tǒng)將根據(jù)記錄的個(gè)體駕駛注意力數(shù)據(jù)計(jì)算可代表用戶(hù)的注意力水平的分?jǐn)?shù). 此分?jǐn)?shù)作為訓(xùn)練方案生成模塊的輸入，輸入到路徑優(yōu)化算法中，通過(guò)優(yōu)化算法生成針對(duì)不同個(gè)體的最優(yōu)路徑，形成個(gè)性化虛擬駕駛注意力訓(xùn)練方案. 最終用戶(hù)在優(yōu)化生成的個(gè)性化訓(xùn)練路徑中進(jìn)行個(gè)性化虛擬駕駛注意力訓(xùn)練. 此方法不僅有效降低了真實(shí)環(huán)境中注意力訓(xùn)練的危險(xiǎn)性，提出了可行的訓(xùn)練方案，并可通過(guò)分析不同用戶(hù)的駕駛注意力特點(diǎn)自動(dòng)生成最優(yōu)個(gè)性化訓(xùn)練方案. 經(jīng)實(shí)驗(yàn)證明，本文的方法相較于傳統(tǒng)的訓(xùn)練方法效果更好.

圖1 虛擬駕駛的個(gè)性化注意力訓(xùn)練方法的框架圖Fig.1 Framework of personalized attention training method for virtual driving

1 場(chǎng) 景

為了渲染出的更逼真的駕駛場(chǎng)景，本文使用Unity 3D游戲引擎進(jìn)行場(chǎng)景搭建和交通事件的模擬仿真. Unity 3D 具有可跨平臺(tái)的優(yōu)點(diǎn)，可以渲染出接近照片級(jí)真實(shí)感的圖像，并且內(nèi)置了英偉達(dá)的PhysX物理引擎，可以有效地模擬出逼真的剛體碰撞、車(chē)輛駕駛等物理效果，使搭建的場(chǎng)景互動(dòng)更貼近于現(xiàn)實(shí). 本文構(gòu)建的場(chǎng)景包括靜態(tài)場(chǎng)景和動(dòng)態(tài)場(chǎng)景兩部分.

1.1 靜態(tài)場(chǎng)景

靜態(tài)場(chǎng)景主要給用戶(hù)提供一個(gè)沉浸式的駕駛環(huán)境，更貼近真實(shí)的駕駛場(chǎng)景. 本文收集了多種駕駛場(chǎng)景元素，包括城市建筑物、城市道路、交通標(biāo)志、多種類(lèi)型的車(chē)輛、綠色植被、交通信號(hào)燈、路障、行人等. 系統(tǒng)使用建筑物、道路、植被、交通信號(hào)燈4種元素搭建出靜態(tài)場(chǎng)景. 搭建好的場(chǎng)景概況如圖2所示，圖2(a)為場(chǎng)景概況，圖2(b)為搭建場(chǎng)景元素示例.

圖2 靜態(tài)場(chǎng)景概況Fig.2 Static scene overview

1.2 動(dòng)態(tài)場(chǎng)景

動(dòng)態(tài)場(chǎng)景主要包括用戶(hù)車(chē)輛、事件車(chē)輛、行人、交通標(biāo)志等交通事件元素. 目標(biāo)事件指的是為獲取和評(píng)估個(gè)體駕駛注意力水平所設(shè)置的特定事件. 例如，當(dāng)一輛車(chē)從交叉路口駛出，可能與主車(chē)輛發(fā)生碰撞. 用戶(hù)需在駕駛中注視到目標(biāo)車(chē)輛，避免碰撞. 動(dòng)態(tài)場(chǎng)景使用C#語(yǔ)言編寫(xiě)的腳本控制主車(chē)輛的行駛，使用itween插件控制目標(biāo)事件的行動(dòng)路線(xiàn).

為更好地評(píng)估個(gè)體駕駛注意力水平，根據(jù)日常駕駛注意力事件的觀察總結(jié)，抽象出了六類(lèi)目標(biāo)事件：規(guī)則行駛車(chē)輛、異常行駛車(chē)輛、規(guī)則行走行人、異常行走行人、限速標(biāo)志、交通信號(hào)燈，如表1所示. 現(xiàn)按元素具體描述六類(lèi)目標(biāo)事件在場(chǎng)景中的設(shè)置情況.

表1 六類(lèi)目標(biāo)事件的描述

1) 事件車(chē)輛. 帶有觸發(fā)器的目標(biāo)車(chē)輛. 事件車(chē)輛分為規(guī)則行駛與異常行駛兩類(lèi). 規(guī)則行駛車(chē)輛主要設(shè)置為在道路上直行或在交通路口停止的車(chē)輛，在事件車(chē)輛后方30～10 m處設(shè)置安全觸發(fā)區(qū)域，當(dāng)用戶(hù)車(chē)輛駛?cè)氚踩|發(fā)區(qū)域內(nèi)，事件車(chē)輛的觸發(fā)器將被觸發(fā)，用戶(hù)注視射線(xiàn)將被記錄，在此區(qū)域內(nèi)事件車(chē)輛被用戶(hù)注視視為注視成功，如圖3(a)所示. 異常行駛車(chē)輛主要設(shè)置為在路口處不按規(guī)則行駛的情形，在交通路口前30 m～前10 m設(shè)置安全觸發(fā)區(qū)域，觸發(fā)方式同理，如圖3(b)所示.

圖3 目標(biāo)車(chē)輛設(shè)置情況Fig.3 Target vehicle setting

2) 事件行人. 帶有觸發(fā)器的目標(biāo)行人即為用戶(hù)的事件行人. 事件行人分為規(guī)則行走與異常行走兩類(lèi). 規(guī)則行走行人設(shè)置為在交通路口沿人行路正常行走的情形，在交通路口前30 m～前10 m設(shè)置安全觸發(fā)區(qū)域，當(dāng)用戶(hù)車(chē)輛駛?cè)氚踩|發(fā)區(qū)域內(nèi)，事件行人的觸發(fā)器將被觸發(fā)，用戶(hù)注視射線(xiàn)將被記錄，在此區(qū)域內(nèi)事件行人被用戶(hù)注視視為注視成功，如圖4(a)所示. 異常行駛行人設(shè)置為在道路上橫穿馬路的情形,在主車(chē)輛駛近事件行人前30 m～前10 m設(shè)置安全觸發(fā)區(qū)域，觸發(fā)方式同理，如圖4(b)所示.

圖4 目標(biāo)行人設(shè)置情況Fig.4 Target pedestrian setting

3) 交通信號(hào)燈與限速標(biāo)志. 交通信號(hào)燈均設(shè)置在交通路口，在交通路口前30 m～前10 m設(shè)置安全觸發(fā)區(qū)域，當(dāng)用戶(hù)車(chē)輛駛?cè)氚踩|發(fā)區(qū)域內(nèi)，用戶(hù)注視射線(xiàn)將被記錄，在此區(qū)域內(nèi)交通信號(hào)燈被用戶(hù)注視視為注視成功,如圖5(a)所示. 限速志設(shè)置在用戶(hù)車(chē)輛行駛車(chē)道的右側(cè)道路旁，在駛進(jìn)限速標(biāo)志前30 m～前10 m設(shè)置觸發(fā)區(qū)域，當(dāng)用戶(hù)車(chē)輛駛?cè)氚踩|發(fā)區(qū)域內(nèi)，用戶(hù)注視射線(xiàn)將被記錄，在此區(qū)域內(nèi)限速標(biāo)志被用戶(hù)注視視為注視成功，如圖5(b)所示.

圖5 靜態(tài)目標(biāo)設(shè)置情況Fig.5 Static target setting

2 個(gè)體駕駛注意力獲取

2.1 個(gè)體駕駛注意力數(shù)據(jù)獲取

系統(tǒng)使用虛擬現(xiàn)實(shí)眼球跟蹤頭盔FOVE獲取個(gè)體駕駛注意力數(shù)據(jù). 用戶(hù)佩戴頭盔，系統(tǒng)通過(guò)頭盔實(shí)時(shí)跟蹤獲取用戶(hù)駕駛主車(chē)輛模擬器的個(gè)體注意力數(shù)據(jù). 首先設(shè)置FOVE眼球跟蹤頭盔插件參數(shù)，并將插件模塊嵌入虛擬場(chǎng)景得到眼球位置與場(chǎng)景坐標(biāo)的關(guān)聯(lián)，眼球的落點(diǎn)在虛擬場(chǎng)景中被可視化為一對(duì)雙色球. 如圖6(a)中所示，圖中框內(nèi)雙色球是用戶(hù)此刻視線(xiàn)，右邊代表用戶(hù)右眼瞳孔視線(xiàn)，左邊代表左眼瞳孔視線(xiàn). 再使用觸發(fā)器原理，在場(chǎng)景的目標(biāo)事件中嵌入觸發(fā)器，通過(guò)設(shè)置觸發(fā)器與FOVE功能腳本，使眼球視線(xiàn)在通過(guò)特定觸發(fā)器時(shí)觸發(fā)腳本自動(dòng)記錄并有所提示. 當(dāng)用戶(hù)駕駛模擬器的過(guò)程中，觸發(fā)目標(biāo)事件發(fā)生，系統(tǒng)將檢測(cè)用戶(hù)是否成功注視目標(biāo)事件區(qū)域，若用戶(hù)成功注視目標(biāo)事件區(qū)域，目標(biāo)事件的觸發(fā)器將會(huì)觸發(fā)光源，提示用戶(hù)已看到該目標(biāo)，并將記錄保存. 如圖6(b)所示，圖中框圖內(nèi)的行人被用戶(hù)成功注視，該目標(biāo)區(qū)域被觸發(fā)光源.

圖6 注意力數(shù)據(jù)獲取方式Fig.6 Attention data acquisition method

由于，觸發(fā)器捕捉射線(xiàn)的前提是感知眼球視線(xiàn)坐標(biāo)，而觸發(fā)器收取坐標(biāo)的范圍有限，所以眼球跟蹤頭盔對(duì)眼球視線(xiàn)跟蹤的準(zhǔn)確性會(huì)在一定程度上影響數(shù)據(jù)的有效性. 隨著虛擬現(xiàn)實(shí)眼球跟蹤頭盔眼球跟蹤精度的進(jìn)一步精細(xì)，個(gè)體駕駛注意力的獲取會(huì)更為精確和敏感，這也是本方法未來(lái)的潛在價(jià)值.

2.2 個(gè)體駕駛注意力評(píng)估方法

本文定義了6種如表1所示的目標(biāo)事件，將每一項(xiàng)事件被成功注視的次數(shù)與固定路徑下該項(xiàng)事件的總數(shù)量的比值作為駕駛注意力的評(píng)定標(biāo)準(zhǔn),由pi表示，取值為[0～1]的連續(xù)值，i為事件序號(hào)，見(jiàn)表1.pi越大，表明個(gè)體在第i項(xiàng)方面的駕駛注意力水平越高.

(1)

式中：pi為用戶(hù)成功注視此項(xiàng)事件的次數(shù)與固定路徑下該項(xiàng)事件的總數(shù)的比；mi表示第i項(xiàng)目標(biāo)事件在固定路徑下成功被注視的數(shù)量；Mi表示第i項(xiàng)目標(biāo)事件在固定路徑下的總數(shù).

3 訓(xùn)練方案生成

本文訓(xùn)練方案由系統(tǒng)針對(duì)不同個(gè)體駕駛注意力水平特點(diǎn)自動(dòng)生成，方案最終形式為一條最優(yōu)路徑. 該路徑下有符合個(gè)體注意力訓(xùn)練的最佳交通事件組合. 事件組合的原則為使最優(yōu)路徑中第i項(xiàng)目標(biāo)事件的數(shù)量同第i項(xiàng)注意力水平分?jǐn)?shù)成反比，例如用戶(hù)在個(gè)體注意力水平獲取的測(cè)試中第6項(xiàng)交通信號(hào)燈的得分為0.6，第5項(xiàng)限速標(biāo)志的得分為0.7，則生成的最優(yōu)路徑中第6項(xiàng)交通信號(hào)燈的事件數(shù)量多于第5項(xiàng)限速標(biāo)志的事件數(shù)量，即具有針對(duì)性的提升個(gè)體注意力的薄弱環(huán)節(jié). 路徑優(yōu)化工作由模擬退火算法實(shí)現(xiàn)，算法不斷迭代生成新的路徑，并用代價(jià)函數(shù)評(píng)價(jià)生成的新路徑,決定是否接受新路徑. 最優(yōu)路徑即為使代價(jià)函數(shù)最小化的最優(yōu)結(jié)果. 具體實(shí)現(xiàn)細(xì)節(jié)如下討論.

3.1 代價(jià)函數(shù)

定義了一個(gè)代價(jià)函數(shù)作為優(yōu)化目標(biāo)，找到一個(gè)路徑R*，使該函數(shù)值最小. 代價(jià)函數(shù)的設(shè)置如下：

C(R)=∑i|Li(R)-(1-pi)

(2)

式中：R表示每一次迭代生成的路徑，R=(r1,r2…rn…rN),n∈[1,N]，rn由每一個(gè)結(jié)點(diǎn)連接而成，表示組成路徑的結(jié)點(diǎn)，Li(R)表示路徑R中第i項(xiàng)事件占路徑R全部目標(biāo)事件數(shù)量的比值，即占比率：

(3)

式中：hi(rn)表示第i項(xiàng)目標(biāo)事件在結(jié)點(diǎn)rn中的數(shù)量；∑nhi(rn)表示第i項(xiàng)目標(biāo)事件在路徑R所有的結(jié)點(diǎn)中的數(shù)量之和；∑i∑nhi(rn)表示路線(xiàn)R中所有的目標(biāo)事件數(shù)量. 例如，表1中第1項(xiàng)規(guī)則行駛車(chē)輛，在路徑中R所有的結(jié)點(diǎn)中出現(xiàn)的數(shù)量為10，而路線(xiàn)R中所有的目標(biāo)事件數(shù)量為50，則Li(R)=10/50=0.5.

3.2 場(chǎng)景的離散化表達(dá)

為實(shí)現(xiàn)優(yōu)化模型，受Huang等[17]工作的啟發(fā)，本文將場(chǎng)景道路等分成25個(gè)單元塊，模型中表示為5行5列的矩陣，則每個(gè)單元塊可包含表1中6項(xiàng)目標(biāo)事件的數(shù)量信息，hi(rn)(i=1,2，…,6)代表每一個(gè)結(jié)點(diǎn)中第i項(xiàng)目標(biāo)事件的數(shù)量. 除目標(biāo)事件信息，單元塊還可存儲(chǔ)該結(jié)點(diǎn)在布局中的位置信息. 根據(jù)單元塊的位置信息，便可采用在矩陣中選取結(jié)點(diǎn)的方法采集路徑，前提是相鄰結(jié)點(diǎn)塊可形成一條聯(lián)通的路徑，采樣后的路徑為帶有目標(biāo)事件數(shù)量信息的結(jié)點(diǎn)隊(duì)列.

圖7為場(chǎng)景離散化情況示意，圖7(a)為場(chǎng)景離散化后路徑與交通事件的分布示意圖，線(xiàn)條表示場(chǎng)景道路. 在圖7(a)中可見(jiàn)場(chǎng)景被分成25個(gè)單元格，每個(gè)單元格有道路與設(shè)置好的目標(biāo)交通事件，圓點(diǎn)為目標(biāo)交通事件. 可按選取單元格的方法來(lái)選取路徑，如圖7(a)中被選中的單元格. 圖7(b)為本文虛擬場(chǎng)景的俯視圖，路徑與交通事件分布示意圖可與之相對(duì)應(yīng).

圖7 場(chǎng)景離散化概況Fig.7 Scene discretization overview

3.3 路徑優(yōu)化

路徑優(yōu)化中使用了模擬退火優(yōu)化方法. 首先隨機(jī)采樣一條初始路徑，然后根據(jù)算法進(jìn)行迭代，每次迭代在現(xiàn)有路徑上隨機(jī)選取鄰近點(diǎn)，以鄰近點(diǎn)為新的起點(diǎn)與終點(diǎn)再次隨機(jī)采樣子路徑，后比較新采樣的子路徑與原子路徑的代價(jià)函數(shù)值，若新子路徑的代價(jià)函數(shù)值更小則接受新子路徑；否則，按一定的概率接受新子路徑. 新路徑將作為下一次迭代的已知路徑進(jìn)入迭代循環(huán)，依次類(lèi)推，直至迭代結(jié)束取得最優(yōu)解.

圖8模擬了某一次迭代的具體過(guò)程. 首先，一條已知起點(diǎn)和終點(diǎn)路徑R為這一次迭代的初始路徑，如圖8(a)所示. 然后，在已知路徑R上隨機(jī)采樣新路徑R′.

圖8 路徑優(yōu)化算法隨機(jī)選取鄰域子路徑示意圖Fig.8 Path optimization algorithm randomly selects neighborhood subpaths

新路徑R′的隨機(jī)采樣過(guò)程如圖：在路徑R中隨機(jī)選擇兩個(gè)鄰近點(diǎn)ra和rb，在以ra和rb為起點(diǎn)與終點(diǎn)再次隨機(jī)采樣一條子路徑，前提是ra和rb仍能形成一條路徑，然后將隨機(jī)采樣的子路徑(ra…rj…rb)同原有子路徑(ra…ri…rb)比較代價(jià)函數(shù)值大小，該路徑是否被接受取決于Metropolis準(zhǔn)則，如下所示：

(4)

df=C(R)-C(R′).

(5)

4 實(shí) 驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境

使用C#語(yǔ)言與Unity5.6實(shí)現(xiàn)系統(tǒng). 實(shí)驗(yàn)環(huán)境搭載了16 G內(nèi)存、Nvidia Titan GPU、2.60 GHz Intel i7-5820 K處理器的服務(wù)器. 用戶(hù)將通過(guò)FOVE虛擬現(xiàn)實(shí)眼球跟蹤頭盔與場(chǎng)景互動(dòng)并完成實(shí)驗(yàn). FOVE虛擬現(xiàn)實(shí)眼球跟蹤頭盔是一款消費(fèi)級(jí)的虛擬現(xiàn)實(shí)頭盔，它可以跟蹤用戶(hù)的視線(xiàn)，并查看用戶(hù)的視線(xiàn)時(shí)候在目標(biāo)注意力區(qū)域.

4.2 實(shí)驗(yàn)設(shè)置與指標(biāo)評(píng)估

為討論個(gè)性化訓(xùn)練方案的有效性，本文共設(shè)置3組對(duì)比實(shí)驗(yàn)：①個(gè)性化虛擬駕駛注意力訓(xùn)練，每名實(shí)驗(yàn)者在完成個(gè)體注意力水平初步評(píng)估后，根據(jù)系統(tǒng)為其自動(dòng)生成的個(gè)性化訓(xùn)練方案進(jìn)行訓(xùn)練. ②非個(gè)性化虛擬駕駛注意力訓(xùn)練，每名實(shí)驗(yàn)者在完成個(gè)體注意力水平初步評(píng)估后，在一條由現(xiàn)有虛擬駕駛場(chǎng)景隨機(jī)生成的通用訓(xùn)練路徑上進(jìn)行注意力訓(xùn)練. ③傳統(tǒng)訓(xùn)練，因傳統(tǒng)駕駛訓(xùn)練未有系統(tǒng)訓(xùn)練教材，本次實(shí)驗(yàn)為同虛擬訓(xùn)練形成對(duì)比，設(shè)置了經(jīng)驗(yàn)傳授方法來(lái)模擬傳統(tǒng)駕駛者提升注意力方法. 每名實(shí)驗(yàn)者在完成個(gè)體注意力水平初步評(píng)估后，由一名駕齡10年的駕駛教練，向?qū)嶒?yàn)者講授行駛道路上應(yīng)注意的事件和問(wèn)題. 3組實(shí)驗(yàn)在訓(xùn)練內(nèi)容完成后，每名實(shí)驗(yàn)人員都將再次在進(jìn)行初步評(píng)估的虛擬場(chǎng)景的固定路徑上完成注意力訓(xùn)練后評(píng)估測(cè)試. 評(píng)估測(cè)試的結(jié)果形式為表1中6項(xiàng)注意力水平的分?jǐn)?shù). 其中，每一項(xiàng)的分?jǐn)?shù)為[0～1]，每個(gè)測(cè)試者的綜合分?jǐn)?shù)為[0～6]. 本文選取了30名實(shí)驗(yàn)人員，其中有10名為新手駕駛員，年齡在20～25歲，駕齡為1～2年；10名為較熟練駕駛員，年齡在26～30歲，駕齡3～5年；10名為熟練駕駛員，年齡在30～35歲，駕齡6～8年. 這30名實(shí)驗(yàn)人員將被隨機(jī)分成3個(gè)小組，3組實(shí)驗(yàn)人員分別在虛擬現(xiàn)實(shí)環(huán)境中進(jìn)行相同的15 min注意力水平初步評(píng)估. 之后，第一組測(cè)試人員完成實(shí)驗(yàn)①，第二組測(cè)試人員完成實(shí)驗(yàn)②，第三組測(cè)試人員完成實(shí)驗(yàn)③.

5 實(shí)驗(yàn)結(jié)果分析

5.1 個(gè)性化虛擬駕駛注意力訓(xùn)練方法

如實(shí)驗(yàn)設(shè)置中所描述，實(shí)驗(yàn)①共有10人完成個(gè)性化虛擬訓(xùn)練，每人評(píng)估兩次，每次6項(xiàng)數(shù)據(jù). 實(shí)驗(yàn)共記錄120項(xiàng)數(shù)據(jù). 本文取10名實(shí)驗(yàn)人員的每項(xiàng)目標(biāo)事件分?jǐn)?shù)的平均值，取值[0～1]，每項(xiàng)交通事件分?jǐn)?shù)分為訓(xùn)練前評(píng)估與訓(xùn)練后評(píng)估，統(tǒng)計(jì)結(jié)果如圖9所示. ①?gòu)闹狈浇y(tǒng)計(jì)圖中可以看到每項(xiàng)目標(biāo)事件的在訓(xùn)練前評(píng)估與訓(xùn)練后評(píng)估分?jǐn)?shù)變化情況，數(shù)據(jù)顯示，訓(xùn)練后評(píng)估的單項(xiàng)平均分?jǐn)?shù)均比訓(xùn)練前高. 可見(jiàn)每一項(xiàng)水平都得到了提高. ②圖9中訓(xùn)練前評(píng)估的單項(xiàng)平均分?jǐn)?shù)最低項(xiàng)為“規(guī)則車(chē)輛”0.33分，訓(xùn)練后評(píng)估該單項(xiàng)提升至0.66. 說(shuō)明通過(guò)個(gè)性化的訓(xùn)練，個(gè)體的最薄弱環(huán)節(jié)得到明顯的提升. ③在個(gè)性化虛擬現(xiàn)實(shí)訓(xùn)練方法實(shí)驗(yàn)中對(duì)訓(xùn)練前評(píng)估分?jǐn)?shù)與訓(xùn)練后評(píng)估分?jǐn)?shù)進(jìn)行了T檢驗(yàn)統(tǒng)計(jì)，在所有的統(tǒng)計(jì)測(cè)試中都使用?=0.05顯著性水平. 個(gè)性化虛擬訓(xùn)練中訓(xùn)練后單項(xiàng)平均分?jǐn)?shù)高(平均值M為0.764 4，標(biāo)準(zhǔn)差SD為0.071 544)比訓(xùn)練前單項(xiàng)平均分?jǐn)?shù)高(平均值為0.497 5，標(biāo)準(zhǔn)差為0.097 96，T檢驗(yàn)結(jié)果為P=0.000 485)，證明使用本文方法訓(xùn)練后注意力水平比訓(xùn)練前有顯著的提升，方法有效.

圖9 個(gè)性化訓(xùn)練實(shí)驗(yàn)測(cè)試與評(píng)估分項(xiàng)平均分對(duì)比直方圖Fig.9 Personalized training experiment test and evaluation item average score comparison histogram

5.2 各類(lèi)實(shí)驗(yàn)對(duì)比結(jié)果分析

本文共進(jìn)行了如實(shí)驗(yàn)設(shè)置所描述的3個(gè)實(shí)驗(yàn). 目的是對(duì)比本文方法與其他方法的效果. 非個(gè)性化虛擬駕駛注意力訓(xùn)練與傳統(tǒng)經(jīng)驗(yàn)講授訓(xùn)練實(shí)驗(yàn)的實(shí)驗(yàn)數(shù)據(jù)統(tǒng)計(jì)同個(gè)性化虛擬駕駛注意力訓(xùn)練實(shí)驗(yàn)同理. 在3類(lèi)實(shí)驗(yàn)的結(jié)果對(duì)比分析中，本文選取每類(lèi)實(shí)驗(yàn)的各單項(xiàng)平均分?jǐn)?shù)總和即綜合分?jǐn)?shù)對(duì)各類(lèi)實(shí)驗(yàn)效果進(jìn)行分析比較. 綜合分?jǐn)?shù)的取值為[0～6]. 統(tǒng)計(jì)分?jǐn)?shù)如表2所示. 個(gè)性化虛擬訓(xùn)練的訓(xùn)練后水平綜合平均分?jǐn)?shù)是4.67，非個(gè)性化虛擬訓(xùn)練的訓(xùn)練后水平綜合平均分?jǐn)?shù)是3.81，傳統(tǒng)訓(xùn)練的訓(xùn)練后水平綜合平均分?jǐn)?shù)是3.82. 本文針對(duì)個(gè)性化虛擬訓(xùn)練與非個(gè)性化虛擬訓(xùn)練的訓(xùn)練后綜合分?jǐn)?shù)做了T檢驗(yàn)，個(gè)性化虛擬訓(xùn)練后綜合分?jǐn)?shù)(平均值M為4.67，標(biāo)準(zhǔn)差SD為0.522 1)比非個(gè)性化虛擬訓(xùn)練后綜合分?jǐn)?shù)高(平均值M為3.81，標(biāo)準(zhǔn)差SD為0.507 5,T檢驗(yàn)結(jié)果P=0.002 295),證明個(gè)性化虛擬訓(xùn)練方法比非個(gè)性化虛擬訓(xùn)練的綜合效果要明顯好于非個(gè)性化虛擬訓(xùn)練的綜合效果. 同時(shí)對(duì)個(gè)性化虛擬訓(xùn)練與傳統(tǒng)訓(xùn)練的訓(xùn)練后綜合分?jǐn)?shù)做了T檢驗(yàn)，個(gè)性化虛擬訓(xùn)練后綜合分?jǐn)?shù)(平均值M為4.67，標(biāo)準(zhǔn)差SD為0.522 1)比傳統(tǒng)訓(xùn)練(平均值M為3.823 3，標(biāo)準(zhǔn)差SD為0.655 96，T檢驗(yàn)結(jié)果P=0.007 098)高，證明個(gè)性化虛擬訓(xùn)練方法比非個(gè)性化虛擬訓(xùn)練的綜合效果要明顯好于非個(gè)性化虛擬訓(xùn)練的綜合效果.

表2 各類(lèi)駕駛注意力訓(xùn)練方法實(shí)驗(yàn)分?jǐn)?shù)對(duì)比

在3種實(shí)驗(yàn)的提升幅度統(tǒng)計(jì)上，也進(jìn)行了統(tǒng)計(jì)分析，如表2所示，個(gè)性化虛擬訓(xùn)練的訓(xùn)練前評(píng)估水平綜合平均分?jǐn)?shù)是2.985，平均提升比例為165.26%. 其他兩種方法的平均提升比例分別為127.49%和127.41%. 對(duì)每一個(gè)實(shí)驗(yàn)者的訓(xùn)練前的綜合分?jǐn)?shù)與訓(xùn)練后的綜合分?jǐn)?shù)進(jìn)行比值，得到每一個(gè)實(shí)驗(yàn)者的訓(xùn)練后與訓(xùn)練前的綜合分?jǐn)?shù)漲幅百分比，并進(jìn)行T檢驗(yàn)，選取0.05的檢驗(yàn)水平. 個(gè)性化虛擬訓(xùn)練的漲幅(平均值M為1.65，標(biāo)準(zhǔn)差為0.375)比非個(gè)性化虛擬訓(xùn)練(平均值M為1.274 9，標(biāo)準(zhǔn)差為0.109，T檢驗(yàn)的結(jié)果P=0.009 5)高，說(shuō)明個(gè)性化虛擬訓(xùn)練方法比非個(gè)性化虛擬訓(xùn)練方法具有較為顯著的漲幅效果. 個(gè)性化虛擬訓(xùn)練的漲幅(平均值M為1.65，標(biāo)準(zhǔn)差為0.375)比傳統(tǒng)訓(xùn)練(平均值M為1.274 1，標(biāo)準(zhǔn)差為0.148，T檢驗(yàn)的結(jié)果P=0.011 4)高，說(shuō)明個(gè)性化虛擬訓(xùn)練方法比傳統(tǒng)訓(xùn)練方法具有較為顯著的漲幅效果. 從表2中的綜合統(tǒng)計(jì)分?jǐn)?shù)對(duì)比中可以說(shuō)明個(gè)性化虛擬訓(xùn)練方法的提升幅度是最明顯的.

綜合個(gè)性化虛擬訓(xùn)練方法實(shí)驗(yàn)結(jié)果分析，可以看出，個(gè)性化虛擬訓(xùn)練方法，總體具有更明顯的提升效果，在個(gè)體注意力水平特點(diǎn)上也能夠?qū)崿F(xiàn)根據(jù)不同個(gè)體注意力水平的情況，強(qiáng)化弱項(xiàng)，保持優(yōu)勢(shì)，達(dá)到整體水平的平衡.

6 結(jié) 論

為解決安全有效提升駕駛注意力訓(xùn)練問(wèn)題，本文提出了一種虛擬環(huán)境下的個(gè)性化的駕駛注意力訓(xùn)練生成方法. 該方法使用unity3D游戲引擎搭建駕駛的靜態(tài)場(chǎng)景與動(dòng)態(tài)場(chǎng)景；利用虛擬現(xiàn)實(shí)眼球頭盔獲取個(gè)體注意力數(shù)據(jù)；建立模型優(yōu)化個(gè)性化方案；設(shè)置3類(lèi)實(shí)驗(yàn)，共360條數(shù)據(jù)，數(shù)據(jù)統(tǒng)計(jì)分析后顯示個(gè)性化虛擬駕駛注意力訓(xùn)練方法具有有效性，可明顯提升個(gè)體的駕駛注意力水平，并可根據(jù)個(gè)體注意力水平特點(diǎn)提升其薄弱環(huán)節(jié)，訓(xùn)練更有針對(duì)性. 通過(guò)3類(lèi)不同訓(xùn)練方法的實(shí)驗(yàn)對(duì)比數(shù)據(jù)證明，個(gè)性化虛擬駕駛注意力訓(xùn)練方法在提升駕駛注意力整體水平上優(yōu)于非個(gè)性化虛擬訓(xùn)練方法和傳統(tǒng)講授訓(xùn)練方法. 實(shí)驗(yàn)結(jié)果表明，個(gè)性化虛擬駕駛注意力訓(xùn)練方法能夠無(wú)危險(xiǎn)性的情況下實(shí)現(xiàn)駕駛注意力水平的提升，效果優(yōu)于其他訓(xùn)練方法.