接管时间预测：32%驾驶员需要超过4秒才能重新控制车辆

核心发现

MDPI Electronics 2026年3月发表的最新研究《Towards Safer Automated Driving: Predicting Drivers with Long Takeover Time》揭示了一个关键数据：

在自动驾驶接管场景中，32% 的驾驶员需要超过 4 秒才能重新控制车辆

这直接挑战了 UN Regulation No. 157 的核心假设——该法规假设驾驶员能在 4 秒内完成接管。

研究背景

UN R157 法规要求

联合国第157号法规（Automated Lane Keeping Systems, ALKS）规定：

当自动驾驶系统发出接管请求（TOR）后，驾驶员必须在 4 秒内重新控制车辆，否则系统必须执行最小风险策略（减速停车）。

问题： 这个 4 秒的依据是什么？所有驾驶员都能在 4 秒内完成接管吗？

研究目标

韩国研究团队设计实验：

  • 预测目标： 哪些驾驶员需要 >4 秒才能接管？
  • 输入特征： 人因因素（年龄、驾驶经验、行为问卷、眼动数据等）
  • 方法： Random Forest + RFE 特征选择 + LOSO-CV 交叉验证

实验设计

驾驶模拟器环境

组件 规格
模拟器 Hyundai Click 改装
视野 135° 水平视野（3×43英寸显示器）
后视镜 20°×25° 视野
眼动仪 Smart Eye Pro 8.0（红外）
ECG ETRI 心电传感器
数据同步 5ms 高分辨率时间同步

非驾驶相关任务（NDRT）

研究使用 VACP（视觉-听觉-认知-心理运动）资源理论聚类，选取 3 种任务：

任务类型 视觉负荷 认知负荷 心理运动负荷 代表场景
交通监控 低 低 低 驾驶相关任务（基准）
喝水 中 低 高 日常非驾驶任务
发短信 高 高 高 高负荷数字任务

参与者

  • 样本量： 46 名驾驶员，有效数据 26 名
  • 年龄： 23-53 岁（平均 38.83 岁）
  • 驾驶经验： 1-30 年（平均 12.33 年）
  • 性别： 24 男，22 女

关键结果

接管时间统计

指标 数值
平均接管时间 3.65 秒
最短接管时间 1.17 秒
最长接管时间 7.06 秒
超过 4 秒的比例 32%

这 32% 的驾驶员在 UN R157 的 4 秒窗口内无法完成接管，存在碰撞风险。

接管时间影响因素

1. NDRT 类型（最重要，53.1% 特征重要性）

NDRT 类型 平均接管时间 标准误差
交通监控 2.76 秒 0.14
喝水 4.04 秒 0.22
发短信 4.13 秒 0.26

结论： 交通监控（驾驶相关任务）的接管速度显著快于喝水和发短信（p < 0.001）。

2. 眼动特征（第二重要，8.1% 特征重要性）

驾驶员组 视线在道路/车载代理上的比例
良好组（<4秒） 46.82%
差组（>4秒） 32.59%

结论： 视线在道路上的比例越高，接管时间越短（r = -0.35, p = 0.001）。

3. 年龄（第三重要，6.9% 特征重要性）

驾驶员组 平均年龄
良好组（<4秒） 34.25 岁
差组（>4秒） 39.24 岁

结论： 年龄越大，接管时间越长（r = 0.25, p = 0.025）。

随机森林模型性能

模型 准确率 精确率 召回率 F1 分数 AUC
RF_all（21 特征） 67% 0.48 0.44 0.46 0.61
RF_best（10 特征） 77% 0.63 0.68 0.65 0.72
RF_stat（3 显著特征） 64% 0.45 0.56 0.50 0.61

特征选择（RFE）将准确率从 67% 提升到 77%。

对 IMS 开发的启示

1. 接管时间预测是 DMS 核心能力

当前 IMS 功能： 疲劳检测、分心检测

新增需求： 接管准备度评估

1
2
3
4
5
6
7
8
9
10
11
12
13
14
┌─────────────────────────────────────────┐
│           接管准备度评估模型              │
├─────────────────────────────────────────┤
│  输入：                                  │
│  - NDRT 类型（识别当前任务）              │
│  - 眼动数据（视线道路比例）               │
│  - 年龄（个性化模型）                     │
│  - 驾驶行为（DBQ 问卷）                  │
│                                          │
│  输出：                                  │
│  - 预测接管时间（秒）                     │
│  - 接管风险等级（低/中/高）               │
│  - 建议干预策略                          │
└─────────────────────────────────────────┘

2. NDRT 类型识别

高优先级功能： 识别驾驶员正在进行的非驾驶任务类型

NDRT 类别 接管风险 干预策略
无任务/交通监控 低 无需干预
听音乐/对话 低-中 提前预警
喝水/吃东西 中 提前 10 秒预警
发短信/用手机 高 立即警告，准备最小风险策略

3. 眼动指标优化

当前 IMS 眼动指标：

  • 眨眼频率（疲劳）
  • 视线偏离角度（分心）
  • 眼睑开度（疲劳）

新增指标：

  • 视线道路比例（Situation Awareness）
  • 扫视频率（情境感知活跃度）
  • 视线停留模式（认知负荷）

4. 个性化模型

年龄因素：

  • 年长驾驶员接管更慢
  • 需要更长的预警时间
  • 可调整 TOR 提前量

实现方式：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
def predict_takeover_time(age, gaze_road_ratio, ndrt_type):
    """
    预测接管时间（简化模型）
    """
    base_time = 3.0  # 基准接管时间
    
    # 年龄修正
    age_factor = 0.05 * (age - 35)  # 每增加1岁，接管时间+0.05秒
    
    # 眼动修正
    gaze_factor = -0.02 * (gaze_road_ratio - 40)  # 视线道路比例每增加1%，接管时间-0.02秒
    
    # NDRT 修正
    ndrt_factors = {
        'traffic_monitoring': 0,
        'drinking': 1.0,
        'texting': 1.2
    }
    ndrt_factor = ndrt_factors.get(ndrt_type, 0.5)
    
    return base_time + age_factor + gaze_factor + ndrt_factor

方法论亮点

1. LOSO-CV 交叉验证

Leave-One-Subject-Out Cross-Validation 确保模型泛化性：

  • 每次留出一个参与者的所有实验数据作为测试集
  • 用其他参与者的数据训练模型
  • 避免数据泄露（同一参与者的不同实验可能相关）

这是人因研究的标准实践，IMS 验证应采用类似方法。

2. VACP 资源理论

Multiple-Resource Theory 解释 NDRT 对接管的影响：

  • 人类有独立的视觉、听觉、认知、心理运动资源
  • 每种资源容量有限
  • NDRT 与驾驶任务竞争相同资源时，接管变慢

对 IMS 的启示： 识别 NDRT 占用了哪些资源，预测对接管的影响。

3. RFE 特征选择

Recursive Feature Elimination 从 21 个特征中选出最重要的 10 个：

  • 减少特征维度
  • 提高模型准确率
  • 增强可解释性

技术路线建议

短期（3个月内）

  1. 眼动指标扩展

    • 添加视线道路比例计算
    • 添加扫视频率统计
    • 验证与接管时间的相关性

  2. NDRT 类型识别原型

    • 基于姿态识别（喝水、用手机）
    • 基于视线模式（发短信、看风景）
    • 准确率目标 >80%

中期（3-6个月）

  1. 接管时间预测模型

    • 收集接管场景数据（模拟器 + 实车）
    • 训练 Random Forest 模型
    • 集成到 DMS 实时推理

  2. 个性化参数校准

    • 驾驶员年龄信息接入
    • 驾驶行为问卷（可选）
    • 在线学习更新模型

关键结论

  1. 32% 的驾驶员需要 >4 秒接管，UN R157 的 4 秒假设存在安全风险
  2. NDRT 类型是最重要的预测因子（53.1%），IMS 必须识别非驾驶任务
  3. 视线道路比例是关键眼动指标，应纳入 IMS 核心算法
  4. 年龄影响接管时间，IMS 需要个性化模型
  5. LOS-O-CV 是人因研究的标准验证方法，IMS 应采用

参考资料

相关阅读：

IMS研究 > Euro NCAP
#接管时间 #TakeoverTime #UN-R157 #RandomForest
接管时间预测：32%驾驶员需要超过4秒才能重新控制车辆
https://dapalm.com/2026/03/27/接管时间预测32驾驶员需要超过4秒才能重新控制车辆/
作者
Mars
发布于
2026年3月27日
许可协议