基于自然驾驶场景的驾驶员主观风险认知数据集

2025-05-10 12:58:35· 来源：同济智能汽车研究所

计算了各场景主客观行驶风险之间的Spearman相关系数，结果如图9所示。从显著性看（p<0.001），各指标间均在统计学层面上存在显著相关性。

然而，从相关系数看，TTC与主观行驶风险为中等程度的负相关关系（r=-0.52）；DNDA与主观行驶风险为中等程度的正相关关系（r=0.65）。这表明主客观风险之间的线性相关程度不高，再次证明驾驶员主观风险认知的不可替代性和采集人类认知信息的必要性。

图9 主客观行驶风险的相关性分析

4、示例：驾驶员眼动特征分析

基于RISEE数据集所提供的眼动信息，分析了驾驶员在不同风险认知状态下的眼动特征，以深入探索其风险认知模式。具体来说，首先结合主客观风险识别驾驶员的风险认知状态，再分析其平均瞳孔直径、注视频率和扫视频率等眼动指标在不同风险认知状态下的差异性。其中，风险认知状态定义如图10所示。

图10 驾驶员风险认知状态定义（N=2045）

参考上述定义，采用Mann-Whitney检验，计算对应高低风险认知状态下各眼动指标的差异性，结果如表2所示。

分享到：

点赞 0 反对 0 举报 0 收藏 0 评论 0

0 条相关评论

• 大推力直驱技术助力EPS安全测试，为你的安全出行 “保驾护	• 单机体积，双倍效能！激光切割机玩转“降本增效”
• 同步难？空间挤？这款双出轴电机，是你双十二的“必囤”硬	• 即刻探索8台机器人如何解放数百名工人！
• 考虑驱动单元性能变化的分布式驱动智能车辆强化学习增强运	• eVTOL/飞行汽车→低噪声气动设计与主动降噪控制策略1/3
• 比亚迪车辆避撞专利公布	• 全球首个！电动汽车电耗限值强制新规来了：标准更严,明年
• 为何高精度传声器一旦受损，便只能更换无法维修？	• QuadricFormer: 基于Superquadric的三维语义占用预测场景

编辑推荐