1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
| """
AR-HUD 导航符号注意力影响分析
基于 Sustainability 18(18):9238 (2026)
核心方法：横向注视转换分析
- 将注视点分为：道路中心、左方、右方
- 分析符号呈现前后的转换模式
- 评估不同符号对注意力分布的影响
"""
import numpy as np
class LateralFixationAnalyzer:
"""
横向注视转换分析器
研究发现：
- 箭头型符号 → 最少注视离开道路（78%道路注视）
- 路径型符号 → 良好（72%）
- 文字型符号 → 最差（65%，文字需要更多注视时间）
设计指导：
- 优先使用箭头+路径组合
- 避免纯文字导航
- 关键信息在3秒内可吸收
"""
ZONES = {
'road_center': (0.4, 0.6),
'left': (0.0, 0.4),
'right': (0.6, 1.0),
}
SYMBOL_TYPES = {
'arrow': {'road_attention': 0.78, 'transition_rate': 2.5, 'safety': 'best'},
'path': {'road_attention': 0.72, 'transition_rate': 2.0, 'safety': 'good'},
'text': {'road_attention': 0.65, 'transition_rate': 1.5, 'safety': 'caution'},
'icon': {'road_attention': 0.70, 'transition_rate': 2.2, 'safety': 'acceptable'},
}
def classify_fixation_zone(self, gaze_x: float) -> str:
"""将注视点x坐标分类为区域"""
for zone, (low, high) in self.ZONES.items():
if low <= gaze_x < high:
return zone
return 'road_center'
def compute_transition_matrix(self, gaze_sequence: np.ndarray) -> np.ndarray:
"""
计算注视区域转移矩阵
返回 3×3 矩阵：
[center→center, center→left, center→right,
left→center, left→left, left→right,
right→center, right→left, right→right]
"""
zones = [self.classify_fixation_zone(x) for x in gaze_sequence[:, 0]]
zone_idx = {'road_center': 0, 'left': 1, 'right': 2}
transitions = np.zeros((3, 3))
for i in range(1, len(zones)):
from_zone = zone_idx[zones[i-1]]
to_zone = zone_idx[zones[i]]
transitions[from_zone, to_zone] += 1
row_sums = transitions.sum(axis=1, keepdims=True)
transitions = transitions / (row_sums + 1e-8)
return transitions
def evaluate_safety(self, transition_matrix: np.ndarray,
symbol_type: str) -> dict:
"""
评估符号类型对安全的影响
Args:
transition_matrix: 3×3 转移矩阵
symbol_type: 'arrow'/'path'/'text'/'icon'
Returns:
safety_assessment
"""
road_retention = transition_matrix[0, 0]
departure_rate = transition_matrix[0, 1] + transition_matrix[0, 2]
return_rate = (transition_matrix[1, 0] + transition_matrix[2, 0]) / 2
symbol_data = self.SYMBOL_TYPES.get(symbol_type, {})
expected_road_attention = symbol_data.get('road_attention', 0.7)
return {
'symbol_type': symbol_type,
'road_retention': road_retention,
'departure_rate': departure_rate,
'return_rate': return_rate,
'expected_road_attention': expected_road_attention,
'safety_rating': symbol_data.get('safety', 'unknown'),
}
|
