保持真实：调查现实交通中司机与骑车人的互动

文献标题

Keep it Real: Investigating Driver-Cyclist Interaction in Real-World Traffic

文献信息

• 主题领域: 人机交互（HCI）、自动驾驶技术中的交通安全与交互设计
• 关键词: Cyclists, Vulnerable Road Users, Autonomous Vehicle-Cyclist Interaction, Observations, Field Study, Naturalistic Study, Eye-Tracking

研究背景与问题

• 存在的问题或挑战:

  1. 骑行者与驾驶者在交通共享场景中存在潜在冲突，但主要依靠社会交互（如眼神交流、手势信号）来解决冲突。
  2. 自动驾驶车辆（AV）的普及可能会导致这些社会信号的丧失，从而在道路优先权等问题上加大复杂性与危险性。
  3. 现有研究更多关注自动驾驶车辆与行人交互，而对骑行者交互需求的研究较少，未能涵盖多样化交通场景。

• 重要性: 自动驾驶车辆需要能够适应复杂动态的交通场景，尤其是在骑行者可能更容易受伤的情况下。这要求设计一种能够有效、安全与骑行者交互的系统，从而保障其在混合交通环境中的安全。

• 研究动机和相关工作:

  • 现有研究主要集中于单场景中的交互或通过模拟实验获取数据，缺乏对真实交通环境中驾驶者和骑行者互动行为的系统研究。
  • 自动驾驶需要更全面的知识基础，包括对骑行者动态行为的理解，以设计满足其需求的交互接口。
  • 动态和复杂交通场景（如车道合并、无控制的交叉口）对骑行者与车辆的交互设计提出了更高要求。

解决方案

• 提出的方法与解决方案: 本文通过两项实地研究研究骑行者与驾驶者在多样化交通场景中的交互行为：

  1. 实地观察: 对 414 次驾驶者-骑行者的日常交通相遇进行观察，分析交互行为在五种典型交通场景中的变化。
  2. 自然骑行研究: 装备 12 名通勤骑行者以追踪其眼动数据并获取其第一人称视角，分析不同交通场景下的注视行为模式。

• 创新之处:

  1. 系统地记录和比较了驾驶者与骑行者在真实交通场景中的交互行为及信息流动。
  2. 提供了首次基于交通场景分析的直接证据，用于设计更智能的自动驾驶车辆-骑行者交互系统。
  3. 引入 "Area of Interest (AOI)" 的精细标注分析，为未来 AV 设计的场景模拟提供参考。

• 实施步骤:

  1. 在城市中选取多种交互发生的高风险场景（如车道合并、无控制的交叉口、环岛等），收集交互行为数据。
  2. 使用问卷预选并装备骑行者参与自然场景实验，记录眼动数据和自行车运动轨迹，分析骑行者的自然决策过程。
  3. 对双方的社交信号（如手势、头部动作）和隐式信号（如加速、减速）进行编码和比较。

研究成果

• 具体成果:

  1. 骑行者与驾驶者在不同交通场景下的交互行为显著不同，在无控制的交叉路口与车道合并场景中交互更复杂。
  2. 骑行者在受控场景中更多依赖道路标记和交通信号，而在无控制场景中更关注车辆侧面或驾驶者的社会线索。
  3. 分析发现，动态和不对称的场景（如瓶颈路段或复杂车道合并）对骑行者行为稳定性影响较大，揭示了对实时情境感知的需求。

• 优势与现有解决方案的对比:

  1. 提供了真实交通场景的行为数据，与模拟研究相比更具生态有效性。
  2. 拓展了设计 AV-cyclist 交互系统的设计空间，如车外投影、道路标记增强与环境感知界面。

• 实验或评估结果:

  • 多场景数据表明司机和骑行者的交互频率和性质由场景复杂性导向。
  • 骑行者注视行为分析显示，与动态车辆交互时，他们对多样化显示区域的需求更高。

• 局限性与未来方向:

  1. 实验局限于单一城市（格拉斯哥）的城市环境，未来需扩展至不同国家和农村环境以验证数据可推广性。
  2. 仅涵盖一对一交互，未来应进一步研究多人、多车交互情境，探索可扩展性设计。
  3. 需更精细的 AOI 描述和长时间记录来捕捉微观行为模式。
  4. 实现动态与多模态设计（如结合 AR 头戴设备）可能是未来关键领域。

通过这些研究，本文为开发自动驾驶车辆-骑行者交互设计提供了基础知识和设计指导原则，可用于导航复杂交通场景，提升道路共享安全性。