场景诱导的驾驶员视觉负载的可解释量化:通过SHAP分析将眼睛跟踪行为与道路场景特征联系起来
Jie Ni1,2, Yifu Shao1, Yiwen Guo1
1School of Automotive and Traffic Engineering, Jiangsu University, Zhenjiang 212013, China; yfshao1215@163.com (Y.S.); 18720885687@163.com (Y.G.); gyq3319524341@163.com (Y.G.).
Journal of eye movement research
|September 24, 2025
概括
本研究量化了城市道路特征如何影响驾驶员视觉负载和事故风险. 一个可解释的框架将场景元素与眼动联系起来,有助于改善交通安全.
科学领域:
- 交通安全 交通安全
- 人与计算机的交互
- 计算机视觉 计算机视觉
背景情况:
- 道路交通事故是全球主要的健康问题,复杂的城市环境增加了驾驶员的视觉负荷和风险.
- 现有研究经常使用宏观视角,但本研究重点关注驾驶员的视觉环境作为一个关键的安全因素.
研究的目的:
- 开发一个可解释的框架来量化道路场景特征对眼运动行为和视觉负荷的影响.
- 为了在场景特征,眼动模式和驾驶员视觉负荷之间建立清晰的联系.
- 为城市设计和驾驶辅助系统提供可操作的见解,以提高交通安全.
主要方法:
- 利用DR ((eye) VE数据集和闭塞实验来确定视觉注意力需求,并将其与眼睛跟踪指标相关联.
- 雇佣的K-意味着对眼运动特征进行聚类,以分类视觉负载水平.
- 应用语义细分来提取可量化的道路景观特征 (例如,绿色可见度指数,天空可见度指数,街道峡谷围).
- 评估了多个机器学习模型 (随机森林,Ada-Boost,XGBoost,SVM),XGBoost显示了视觉负载检测的最佳性能.
主要成果:
- 在检测驾驶员视觉负载方面,XGBoost表现出卓越的性能.
- SHAP分析确定了与视觉负载增加相关的道路场景特征 (杆子密度,标志,建筑物存在) 的关键值.
- 对于街道峡谷封闭和道路拥堵的具体门与眼持续时间/速率的减少有关,这表明视觉负载增加.
结论:
- 开发的框架有效地将道路场景特征与驾驶员视觉负荷和眼运动行为联系起来.
- 结果为优化城市道路环境和开发先进的驾驶辅助系统提供了数据驱动的见解.
- 这项研究通过更深入地了解复杂的驾驶场景中的视觉感知,有助于推进交通安全.
