联邦公路研究所（BAST）与慕尼黑工业大学（TUM）的Elisabeth Shi和Klaus Bengler团队于2022年在《AHFE International Conference》发表了关于非驾驶相关活动（Non-Driving Related Activities, NDRAs）对L3级自动驾驶接管和人工驾驶行为影响的研究。该研究基于任务切换理论（Task Switching Theory），探讨了NDRAs与驾驶任务在认知需求上的相似性如何影响接管表现及后续人工驾驶行为。

学术背景

随着SAE L3级自动驾驶技术的市场化，驾驶员角色转变为“后备就绪用户”（fallback-ready user），可在系统激活时从事NDRAs。但系统发出接管请求（Request to Intervene, RTI）时，用户需从NDRAs切换回驾驶任务，这一过程涉及任务切换成本（switch cost）。Kiesel等（2010）的心理学研究表明，任务切换会导致反应延迟和性能下降。本研究假设：认知需求与驾驶任务更相似的NDRAs（如需要视觉空间能力的游戏）将带来更快的接管时间（takeover time）和更高的接管质量（如更平稳的加速度控制），并减少后续人工驾驶阶段的危险行为（如更长的碰撞时间TTC）。

研究方法

研究设计包含以下核心流程：
1. 实验对象与任务设计
- 36名参与者经历L3自动驾驶模拟场景，期间被要求执行三类NDRAs：
- 玩俄罗斯方块（Tetris）：高视觉空间需求，与驾驶任务认知相似
- 阅读与打字：高语音回路（phonological）需求
- 观看电影：被动视觉任务，低认知负荷
- 通过气球车（balloon car）突然出现触发接管请求，记录从RTI到人工干预的时间（接管时间）及后续避撞行为（TTC）。

1. 数据采集与指标

   • 接管表现：量化接管时间、方向盘握持反应、踏板操作准确性
     
   • 人工驾驶行为：通过TTC评估避撞策略的临界性
     
   • 视频分析：46%的参与者在至少一次接管中出现操作失误（如延迟踩刹车）。
     

2. 创新方法

   • 引入任务切换理论的“重复试验”（repeat trial）概念，通过调节NDRAs与驾驶任务的认知相似性模拟任务切换条件
     
   • 采用驾驶模拟器集成眼动追踪和行为日志，实现多模态数据同步。
     

主要结果

1. 接管时间差异

   • 俄罗斯方块组的平均接管时间（6-7秒）显著短于阅读打字组和观影组，支持认知相似性降低切换成本的假设。
     
   • 但整体接管时间仍高于常规模拟器研究（通常<5秒），8次接管出现>10秒的极端延迟。
     

2. 人工驾驶行为

   • 俄罗斯方块组的TTC更长，表明更早采取避撞措施；另两组在紧急情境下表现更临界。
     
   • 描述性数据显示，高视觉空间需求的NDRAs可能促进驾驶任务认知资源的保留。
     

3. 异常行为分析

   • 视频数据揭示了常见失误模式：如未及时松开NDRA设备（如手机）、视线延迟回归道路。
     

结论与价值

1. 理论贡献

   • 首次将任务切换成本理论应用于L3自动驾驶场景，证实认知资源竞争是影响接管效能的关键因素。
     
   • 提出“认知需求对齐”设计原则：车载NDRAs应优先匹配驾驶任务的视觉空间需求以减少切换代价。
     

2. 应用意义

   • 为自动驾驶HMI设计提供依据：例如限制高语音负荷NDRAs（如电话会议）在RTI敏感路段的启用。
     
   • 警示L3系统的安全边界：即使优化NDRAs，仍有13.9%的接管延迟超过安全阈值，需强化用户监控机制。
     

研究亮点

1. 方法创新
   
   • 通过认知维度拆解NDRAs，建立量化相似性指标，超越了传统“分心vs非分心”的二元分类。
     
2. 跨学科整合
   
   • 融合心理学（Kiesel等，2010）与工程学（BAST，2020）理论，构建自动驾驶人机交互的新分析框架。
     
3. 实证严谨性
   
   • 公开数据集（AHFE Open Access）和视频行为编码方案可复现，为后续Meta分析（如Shi & Bengler，2022）奠定基础。
     

争议与局限

• 样本量较小（N=36）可能导致统计效力不足
  
• 模拟器环境与真实道路的感知差异未充分讨论
  
• 未控制个体认知能力基线（如工作记忆容量）的影响
  

此研究为L3自动驾驶的用户行为研究提供了范式参考，其核心发现已被后续工作（如Shi & Frey，2021）扩展至NDRAs分类体系的构建。