这篇文档属于类型a（单篇原创研究报告），以下为针对该研究的学术报告：

《非驾驶相关姿势对条件性自动驾驶接管性能的影响》研究报告

一、作者与发表信息

本研究由Mingming Zhao（法国里昂大学、法国国立路桥学院、里昂第一大学）、Thierry Bellet（法国国立路桥学院交通认知工效学实验室）、Bertrand Richard（里昂大学/里昂第一大学）等合作完成，发表于Accident Analysis and Prevention期刊2024年第208卷（DOI:10.1016/j.aap.2024.107793）。

二、学术背景

1. 研究领域：人机交互与交通安全，聚焦于条件性自动驾驶（SAE Level 3）下驾驶员接管行为的物理影响因素。
   
2. 研究动机：尽管自动驾驶技术发展迅速，但驾驶员在紧急情况下从自动化系统接管车辆的能力仍是安全隐患。现有研究多关注认知或视觉分心，而对非驾驶相关姿势（Non-Driving Related Postures, NDRPs）的物理影响缺乏系统评估。
   
3. 理论基础：
   
   • 接管模型（Marberger et al., 2017）强调驾驶员感官、运动与认知状态的重构；
     
   • 多资源理论（Wickens, 2002）指出任务并行时的注意力资源竞争；
     
   • 时间预算（Time Budget, TB）是接管请求（TOR）至系统极限的间隔时间，影响反应速度。
     
4. 研究目标：量化不同NDRPs对接管性能的影响，揭示物理分心的关键因素，为驾驶员监控系统设计提供依据。
   

三、实验设计与流程

1. 实验对象与设计

• 参与者：54名驾驶员（男女各半，平均年龄34.5岁），需满足至少1年驾龄且月均行驶里程>50公里。
  
• 实验场景：静态驾驶模拟器（法国国立路桥学院开发的“MOBSIM DS”系统），模拟双车道高速公路以110 km/h行驶，前方出现静止车辆触发紧急制动接管请求。
  
• 变量控制：
  
  • 时间预算（TB）：短（3秒）与标准（5秒）两种；
    
  • 姿势条件：2种基准姿势（手放腿上或方向盘待命） + 21种NDRPs（如交叉腿部、拨打电话、阅读书籍等）。
    

2. 数据采集与设备

• 动作捕捉：Vicon红外系统（68个身体标记点）记录姿势细节；
  
• 驾驶参数：方向盘触觉传感器、踏板位移、刹车速度、车辆横向/纵向加速度；
  
• 视频同步：4台摄像机 + Kinect深度相机记录接管过程。
  

3. 实验步骤

• 预训练：参与者进行10次基准姿势接管训练，建立自动化刹车行为。
  
• 主实验：
  
  • TB5/TB3会话：随机呈现23种姿势（含NDRPs），记录不同TB下的接管表现；
    
  • TBv会话：个性化调整TB至临界碰撞时间，测定个体反应极限。
    
• 数据分析：基于13项接管指标（如接管时间TOT、踏板误操作次数等），使用MATLAB和Statgraphics进行统计检验（Shapiro-Wilk正态性检验、Pearson相关性分析）。
  

四、主要结果

1. 时间预算与姿势的交互效应

• TB缩短显著加速反应：3秒TB下的平均接管时间（TOT）比5秒短19%，但事故率更高（TB3碰撞101次，TB5无碰撞）。
  
• 高风险姿势：
  
  • 交叉腿部（左腿在前）导致最长TOT（2.17秒）和最多事故（17次）；
    
  • 躯干大幅偏转（如后座取物）或双手占用（如持书阅读）显著延长TOT（1.61-2.17秒）。
    

2. 身体区域的分工延迟

• 下肢异常延迟上肢反应：如交叉腿部时，手接触方向盘时间增加30%；
  
• 上肢复杂动作影响踏板反应：如躯干扭转状态下，右脚接触踏板时间延长0.5秒。
  

3. 踏板误操作与个体差异

• 误操作模式：13例中6例直接导致碰撞，多发生于右脚初始位置异常时（如交叉腿部）；
  
• 个体反应容量：最快/最慢驾驶员的临界TB差达0.6秒（2.2秒 vs. 2.8秒），且慢速驾驶员在TB3中事故率更高。
  

五、结论与价值

1. 科学意义：
   
   • 首次系统量化NDRPs对接管性能的物理限制，验证了多资源理论在动作分心场景的适用性；
     
   • 揭示异常脚部位置和躯干偏转是延缓接管的关键因素。
     
2. 应用价值：
   
   • 驾驶员监控系统设计：需优先检测脚部姿态、躯干旋转及手持物体状态；
     
   • 政策与培训：建议设定最低TB≥4秒，并规范高风险姿势（如禁止交叉腿部）。
     

六、研究亮点

1. 方法创新：结合高精度动作捕捉与驾驶模拟器，首次覆盖21种NDRPs的物理分心场景；
   
2. 发现新颖性：明确上下肢动作的相互干扰机制，挑战了传统分心研究的单一维度视角；
   
3. 数据开放性：研究团队计划公开驾驶员姿态数据集（含3D关节角度与接管性能指标），推动后续算法开发。
   

七、补充说明

• 局限性：静态模拟器可能低估真实道路的认知负荷，未来需结合动态场景验证；
  
• 延伸方向：探索认知分心（如手机通话）与物理分心的协同效应，以及多元避险动作（如转向+制动）下的表现差异。
  

此研究为自动驾驶安全管理提供了实证基础，其多维度的数据采集与分析框架或将成为后续相关研究的标杆。