copy; Springer Fachmedien Wiesbaden GmbH 2018 347

K. Bengler et al. (eds.), UR:BAN Human Factors in Traffic, ATZ/MTZ-Fachbuch,

DOI 10.1007/978-3-658-15418-9_19

城市交通中的人因工程

城市交互——使脆弱的道路用户进入驾驶模拟

Christian Lehsing and Ilja T. Feldstein

19.1动机和目标——2012年的情况

尽管2007年至2010年期间登记车辆的人口增长了4%，增长了15%，但全世界的道路交通死亡人数仍大致相同，为每年124百万[1]。这一数字仍显着偏高，这表明正在努力制定的道路安全措施实际上正在生效，并防止了更多的道路事故和死亡。此外，新型驾驶辅助系统的快速发展、智能交通基础设施的不断实施、世界范围内的人口结构变化以及个人的驾驶能力对驾驶行为和习惯有着显著的影响。因此，需要更新交通研究中使用的经典规律和模型。实际的驱动器和交通模型的容量有限，因此无法准确地说明上述方面。只有道路使用者的反应行为才能被考虑在内；辅助系统的干预、信息量的增加以及部分辅助交通参与者的互动或相互行为适应仍然是不受关注的。这将当前使用的模拟环境（驾驶和交通模拟）推向了极限。在这些条件下，在虚拟环境中对未来的驾驶辅助或信息系统进行有效性和安全性测试是非常可疑的，尤其是在有效性方面。在现实中用虚拟机测试新的应用程序或系统既费钱又费时，但在未来是必要的。相关道路使用者之间的互动也缺失。此外，庞大的交通数据收集的性能与庞大的计划和成本工作息息相关。因此，对支持上述活动的有效、高效的工具提出了要求[2]。

19.2社会互动一览

人类在各自的日常角色中相互接触，从而改变自己的行为。有时这对实现一个人的目标很有用，在特殊情况下这完全是出于生存的必要。后一个方面是交通系统的一个特点，根据道路使用者的类型，人类扮演一个或多个角色。独立于此，行为适应过程（图19.1）主要体现在：

• 环境背景；
• 周围的交通情况；
• 以及对自己行为的回应[3]。

在解释了其他道路使用者的行为后，可以根据需要对其行为进行调整，这些道路使用者可能会在声称同一基础设施（例如道路路段）的同时与之接触。这可通过口头或非口头交流或两者（如适用）予以支持。手势、模仿、身体姿势、行走/驾驶速度以及听觉或视觉信号都是道路使用者之间的交流工具和提示，对他们来说，非语言交流起着不可忽视的作用[4，5]。有必要建立一个相互理解的体系，使他们之间的相互刺激反应方案得以实施，并确保参与者计划的行动在外部可见的适应[6_8]。互动的共同目标是行为协调。

在驾驶模拟器中，可以记录各种数据，以便对协调程序进行详细分析。速度、加速度、位置和喇叭或闪光灯的使用仅仅代表了其中的一些数据。这些数据，加上复杂的分析方法和潜在的社会互动理论的介绍，构成了研究多参与者模拟中互动的基础。特别是，将详细描述汽车和行人之间的行为及其数量。采用线性和非线性分析方法，分析了道路使用者在同一模拟中的“乒乓”行为展开。这些分析将有助于了解交通中发生的可能导致关键情况的过程，并确定良好或不良互动/合作的作用。

理解

环境

理解自己针对（周围交通）作出的行为

理解

周围交通

自我道路使用者

图 19.1 合作作用图. (以 [3]为基础)

19.3行人模拟器——一种全局但分散的方法

40多年来，交通的研究人员一直致力于调查行人的行为，通常集中在儿童和老年人身上。他们大多被限制在观察性研究或事故报告分析中，因为在现实生活中保证参与者安全的实验是不容易建立和进行的。在立场上，英国的研究人员使用所谓的“假装道路法”来调查儿童的道路交叉行为[8_10]。在这种方法下，参与者被放置在平行于实际街道的人工街道前面（图19.2）。然后，要求参与者根据实际街道的汽车移动情况，穿过艺术街。

随着技术的进步，虚拟现实（VR）模拟器出现的可能性越来越大，为研究者开辟了新的途径。这些设备中的大多数通常被称为行人模拟器，可以被归类为洞穴自动虚拟环境（洞穴）设置和头戴式显示器（HMD）设置。

图19.2模拟道路法[8]

法国研究所IFSTTAR于2003年推出了第一个基于洞穴的行人模拟器，并自[11，12]以来不断增强。其他研究机构如内格夫的本-古里安大学[13，14]、瓦伦西亚大学[15]和爱荷华大学（图19.3；[16，17]）也紧随其后。

基于HMD的行人模拟器与基于洞穴技术的行人模拟器几乎同时出现。首先，辛普森等人[18]大约在一个半世纪前提出了一个工作安排。虽然使用的HMD能够产生立体图像，但研究人员最初显示的是相同的全彩图像，每只眼睛的分辨率为640times;480。随着娱乐业进入HMD市场，几乎每年都会发布新的、功能更强大的设备，实现了巨大的技术飞跃。因此，新的基于HMD的行人模拟器（如Guelph大学[19]或慕尼黑工业大学[20]的模拟器）在过去几年中开始出现。后者将在下一节中详细描述。

值得一提的是，一些研究机构开发了小规模的、不太沉浸式的、可移动的设置，在多个屏幕上显示视觉输出[21]。

图19.3爱荷华大学的行人虚拟环境[16]

19.4实施VRU——UR:BAN方法

以下部分描述了行人模拟器设置实现的组件

慕尼黑工业大学（图19.4）。

19.4.1虚拟环境

选择了Wuuml;rzburg交通科学研究所最初开发的作为驾驶模拟器软件的Silab软件框架来表示虚拟环境。因此，在虚拟环境中实现一个可操纵的人类化身需要软件修改。之所以选择该软件，是因为大学的驾驶模拟器也使用Silab。连接多个模拟器使不同的道路使用者能够在同一虚拟会话中相遇，从而为交互研究创造了新的可能性[22]。

图19.4简化的慕尼黑理工大学当前行人模拟器设置概念图。

（1）运动服，（2）头戴式显示器，（3）头戴式电话，（4）运动捕捉系统，（5）动态电缆支架，（6）数据处理和数据控制中心

19.4.2运动捕捉

实现了一个维康运动捕捉系统，并结合一套特设的运动服，将用户的身体运动和肢体语言传输到虚拟环境中的虚拟人物。运动服（图19.5）是由高度可拉伸组织制成的全身防护服，配有39个红外LED标记，通过扩散器发出850 nm光。这些主动标记比Vicon提供的被动标记确保更好的跟踪质量。运动捕捉系统使用三角算法重新计算每个标记的精确三维位置，然后根据维康插件步态模型创建人体模型。身体部分_的位置和方向转移到Silab，Silab在其化身中实现它们。

19.4.3可视化界面

用户的视觉反馈是通过一个HMD实现的，最初是Oculus Rift开发工具包（DK），后来是后续模型，开发工具包2（DK2）。该设备能够对虚拟环境进行立体感知，每只眼睛的分辨率为960times;1080。Silab为每只眼睛渲染不同的图像，考虑到眼睛之间的距离，从而实现真实的3D视图。根据霍华德[23]的说法，眼裂谷dk2的视野（fov）斜向约为100，与人类双目视觉的距离不远，水平方向约为114。

然而，人类的地平线TAL远周边视觉延伸至200[24]，无法通过这种头戴式显示器容纳数据。当创建一个实验设计来回答特定的研究问题时，需要考虑到这一点。使用这种头戴式显示器。在创建一个实验设计来回答特定的研究问题时，需要考虑到这一点。

图19.5慕尼黑工业大学的行人模拟器

19.4.4声学接口

在道路交叉口情况下，声音感知对行人很重要。特别是当车辆从不同方向接近时，这些车辆的适当3D声音感知有助于行人在穿越任务中确定方向。然而，实现这样一个声学组件是相当具有挑战性的，因为需要一个广泛的声音库来覆盖不同类型的环境声音和特定物体的声音，例如各种各样的轮胎、发动机和气流噪音。这些物体声音需要根据物体在虚拟环境中的位置、速度和方向以及行人相对于特定物体的相对位置和方向进行调整。为此，一个性能良好的声音引擎实现了混合基本声音，以生成逼真的三维立体声音。为了将用户与实验室噪音隔离开来，在扬声器上选择耳机。当耳机与用户头部一起移动时，这又增加了另一个困难，这些被跟踪的移动用于不断地实时重新计算声环境的表示。

19.4.5边界预警系统

由于虚拟环境除了实验室本身之外没有边界，因此必须防止用户与现实生活中的墙壁和其他物体发生碰撞，而这些物体是由于HMD而看不到的。三级边界警告系统，在那里实现了触觉，视觉和声学预警用户即将发生碰撞。输入授权步行空间信息的软件触发警报，指示用户接近边界的方向。用户在腰间系上一条皮带，皮带上装有几个振动电机，这些电机沿边界方向启动。如果用户继续沿着边界的方向行走，虚拟环境中会出现虚拟围栏。如果用户也忽略此警告，则会添加3D警告声音。

19.4.6动态电缆安装

用户和控制中心之间的数据通过电缆交换。控制中心将视觉和声音图像传输到HMD和耳机，而HMD则将集成惯性测量单元捕获的用户头部的运动数据发送到控制中心。电缆是必要的，因为数据量的无线传输在当前技术状态下很难实现，且延迟可接受。HDMI电缆和超过5米的USB电缆应连接到放大器。建议在实验室操作空间上方安装电缆支架，以避免干扰用户。电缆数量应是动态的，并主动跟随用户的移动。如果仅被动拖动电缆支架，其惯性将在HMD上产生阻力，因此在加速或减速时，用户头部会受到阻力。

19.5多模拟器设置-实现社会互动

几十年来，驾驶模拟器一直被用于在安全、标准化、可重复的条件下进行研究，重点研究驾驶员在某些场景和情况下的行为。这些条件突出了在交通研究中使用模拟器的一些优点。相比之下，一个主要的批评是，在传统驾驶过程中收集的数据的有效性，这些数据是通过一个人工环境和程序化的、围绕交通流的。这些周围的道路使用者遵守交通规则，并参与产生

研究者感兴趣的交通流模拟器群所需的脚本化行为。这在交通流量均匀的公路情况下效果很好，在这种情况下，驾驶员之间很少发生冲突，但城市中的交通流量是不同的。短暂的情况、不同的参与者、条件的动态变化、信息溢出和重要的行为适应只是表征城市交通的几个方面。

图19.6 连接模拟器的可能形式

为了对城市地区的交通进行调查，研究必须使涉及的自然过程成为可能。其中一个过程是交通参与者之间提到的社会互动，旨在协调行为并降低发生或更糟事故的风险。因此，一个驾驶模拟器中的一个参与者被程序化交通所包围，而程序化交通只能在其脚本的限制范围内发挥作用，这种经典方法是不够的。在UR:BAN项目中，假设连接两个或多个模拟器（图19.6）会打开通信通道，允许模拟参与者的行为适应。根据研究问题的不同，可以将多个驾驶模拟器或驾驶模拟器与行人模拟器以及卡车模拟器或动力两轮车模拟器相连接。

这些模拟器群体可以让我们更深入地了解道路使用者在适应交通状况、环境和周围环境时所展示的相互反应方案。

上述优点外，还需要考虑与两个或两个以上参与者一起进行实验的某些方面（见第23章）：

• 需要同步两个或多个模拟器。
• 参与者的监督比单个模拟器的研究要花更多的时间。
• 包含感兴趣情况的测试跟踪可能更复杂。
• 将模拟中的参与者同步到构建“交互式”情况，有时会更复杂。

19.6数字互动——方法概述

“模拟与行为建模”子项目的目标之一是找到一种工具和方法，一方面可以在驾驶模拟的合成环境中实现人与人之间的交互，另一方面可以大量表达这种特殊的人与人之间的过程。这一量化应促进对城市交通中与人相关问题的基本模式的研究。本章介绍并总结了一些有希望的经典和新的数据分析方法，如安全措施、线性和非线性分析。

所有这些方法都使用了不同城市交通中驾驶员和行人的速度信号。假设通过这些信号可以最好地检测到每个个体行为的适应性。

在一项代表性研究中，驾驶员在三种不同类型的交叉口（自由车道、闭塞路段和斑马线）遇到了两种类型的行人（程序/机器人与人工控制）。这些自变量是对自变量（如到达时间（TTA）、减速至安全时间（DST）、制动压力和平均速度）进行后续分析的起点。

19.6.1安全测量

在交通中，分析人类行为的经典方法是查看基本的符合指标，如速度、距离和制动反应时间或类似指标，所有这些都与交通事故严重性有关。可以根据这些数据计算更多的指标，驾驶模拟软件本身可以很容易地记录这些数据。TTA（类似于碰撞时间（TTC），但适用于可能相交的道路使用者轨迹）利用道路使用者的速度和驾驶员第一次制动反应时的距离来计算如果驾驶员没有制动，驾驶员将需要到达行人也会占用的街道段的时间d.DST，它是实现预先选择的安全时间所需的驾驶员减速（行人过街后行人过街区的时间）。此外，制动压力可以揭示一些有关交叉事件（如闭塞情况）的不可预测性的信息[25，26]。

在上图中，屈服行为的差异变得明显（图19.7）。在驾驶员有通行权且行人试图横穿街道并注重安全交叉的情况下，到达时间的平均值变化显著。而在有斑马线的情况下，驾驶员的行为更为一致，与过街行人的类型无关。这可能是由于在这种情况下，道路通行权发生了逆转[27]。

图19.7三次不同驾驶员和行人相遇的到达时间

19.6.2时间序列分析

如第19.2，交互需要时间，因此是与时间相关的构造。第节中提到的安全措施。19.6.1对这一点的解释不充分，需要采用其他方法来考虑驾驶数据的时间方面。在时间序列分

英语原文共 16 页

资料编号：[4744]