边缘场景下计及驾驶员认知处理过程的驾驶风险场模型构建

doi:10.3969/j.issn.1004-132X.2026.01.023

中国机械工程 ›› 2026, Vol. 37 ›› Issue (1): 223-232.DOI: 10.3969/j.issn.1004-132X.2026.01.023

• 工程前沿 • 上一篇

边缘场景下计及驾驶员认知处理过程的驾驶风险场模型构建

周彬¹^,²^,³(), 杨志峰¹, 张峻宁¹, 董元发¹^,²^,³(), 彭巍¹^,²^,³

^1.三峡大学机械与动力学院, 宜昌, 443002
^2.水电机械设备设计与维护湖北省重点实验室, 宜昌, 443002
^3.三峡大学智能制造创新技术中心, 宜昌, 443002

收稿日期:2024-12-20 出版日期:2026-01-25 发布日期:2026-02-05
通讯作者: 董元发
作者简介:周彬，男，1988年生，副教授。研究方向为人车共驾、车辆智能控制。发表论文40余篇。E-mail： zhoubin@ctgu.edu.cn
董元发^*（通信作者），男，1988年生，教授、博士研究生导师。研究方向为智能装备系统设计与优化。发表论文100余篇。E-mail： dongyf@ctgu.edu.cn。
基金资助:
国家自然科学基金(52075292);湖北省自然科学基金(2022CFB798);湖北省自然科学基金(2023AFB1116)

Construction of Driving Risk Field Model Considering Driver Cognitive Processing in Edge Scenes

ZHOU Bin¹^,²^,³(), YANG Zhifeng¹, ZHANG Junning¹, DONG Yuanfa¹^,²^,³(), PENG Wei¹^,²^,³

^1.School of Mechanical Engineering and Power Engineering，China Three Gorges University，Yichang，Hubei，443002
^2.Hubei Key Laboratory of Design and Maintenance of Hydropower Machinery and Equipment，Yichang，Hubei，443002
^3.Intelligent Manufacturing Innovation Technology Center，China Three Gorges University，Yichang，Hubei，443002

Received:2024-12-20 Online:2026-01-25 Published:2026-02-05
Contact: DONG Yuanfa

摘要/Abstract

摘要：

人-车共驾过程中，驾驶员的情绪变化会导致认知变化，进而改变车辆风险场，为此构建了一种考虑驾驶员认知-情绪状态的人因风险场模型。首先通过驾驶模拟器实验收集并分析车辆行驶数据和驾驶员生理信号；随后标定人因风险场中的驾驶员因子；最后通过六自由度驾驶模拟器采集实验数据并对人因风险场风险指标与多传统风险指标进行对比。人因风险场模型在边缘场景下能更有效和稳定评估不同情绪驾驶员的行车风险。

关键词: 行车风险场, 边缘场景, 认知处理过程, 人因行为场

Abstract:

During the human-vehicle co-driving processes， driver's emotional changes would lead to cognitive changes， which in turn altered the vehicle risk field. Therefore， a human factor risk field model was constructed considering driver's cognitive-emotional state. Firstly， vehicle driving data and driver physiological signals were collected and analyzed through driving simulator experiments. Then， the driver factors in the human factor risk field were calibrated. Finally， experimental data were collected through a 6-DOF driving simulator， and the risk indicators of the human factor risk field were compared with multiple traditional risk indicators. The results show that the human factor risk field model is more effective and may evaluate the driving risks of drivers stably with different emotions in edge scenarios.

Key words: driving risk field, edge scene, cognitive processing, human factor risk field

中图分类号:

TP182

周彬, 杨志峰, 张峻宁, 董元发, 彭巍. 边缘场景下计及驾驶员认知处理过程的驾驶风险场模型构建[J]. 中国机械工程, 2026, 37(1): 223-232.

ZHOU Bin, YANG Zhifeng, ZHANG Junning, DONG Yuanfa, PENG Wei. Construction of Driving Risk Field Model Considering Driver Cognitive Processing in Edge Scenes[J]. China Mechanical Engineering, 2026, 37(1): 223-232.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.01.023

https://www.cmemo.org.cn/CN/Y2026/V37/I1/223

图/表 16

图1 快速路边缘场景示意图

Fig.1 Expressway edge scene diagram

图2 城市道路边缘场景示意图

Fig.2 Urban road edge scene diagram

图3 模拟驾驶实验设计

Fig.3 Experimental design for simulated driving

图4 行驶区间划分

Fig.4 Driving range division

表1 风险场模型参数标定结果

Tab.1 Calibration results of risk field model parameters

参数	$μ$	$K 1$	$K 2$	RMSE
标定结果	0.0379	$-$ 0.0390	0.6741	0.5762

表1 风险场模型参数标定结果

Tab.1 Calibration results of risk field model parameters

参数	$μ$	$K 1$	$K 2$	RMSE
标定结果	0.0379	$-$ 0.0390	0.6741	0.5762

图5 不同情绪状态下驾驶员注视区热力图

Fig.5 Heat maps of the driver's gaze area under different emotional states

图6 不同情绪状态下驾驶员注视特性指标变化趋势图

Fig.6 Trend chart of driver’s gaze characteristics index changes under different emotional states

图7 不同情绪状态下驾驶员脑区图

Fig.7 Brain region maps of drivers in different emotional states

图8 不同情绪状态下驾驶员各频率脑波功率

Fig.8 The power of brain waves at different frequencies of drivers under various emotional states

表2 认知风险因子指标权重标定

Tab.2 Cognitive risk factor index weight calibration

指标	$I θ$	$I α$	$I β$	$I γ$	$I D$	$I T$
权重	0.0689	0.1659	0.1389	0.2436	0.1934	0.1893

表2 认知风险因子指标权重标定

Tab.2 Cognitive risk factor index weight calibration

指标	$I θ$	$I α$	$I β$	$I γ$	$I D$	$I T$
权重	0.0689	0.1659	0.1389	0.2436	0.1934	0.1893

图9 不同情绪状态下驾驶员认知因子图

Fig.9 Cognitive factor map of drivers under different emotional states

图10 不同情绪状态下驾驶员心电指标对比

Fig.10 Comparison of ECG indexes of drivers under different emotional states

图11 不同情绪状态下各驾驶区间驾驶员驾驶能力图

Fig.11 Driving ability of drivers in different driving ranges under different emotional states

表3 不同情绪状态下驾驶员超速行为频数和占比

Tab.3 The frequency and proportion of speeding behavior of drivers under different emotional states

	合规车速驾驶		轻微超速驾驶		严重超速驾驶
情绪状态	频数	占比/%	频数	占比/%	频数	占比/%
中性情绪	2893	96.40	60	2.00	48	1.60
正性情绪	2794	93.54	135	4.52	58	1.94
负性情绪	2428	82.00	448	14.93	92	3.07%

图12 不同情绪下HF-CRF三维示意图（ED为人因行为场场强）

Fig.12 Three-dimensional diagram of HF-CRF under different emotions （ED represents the field strength of the human behavior field）

图13 HF-CRF与各常用风险量化指标

Fig.13 HF-CRF and commonly used risk quantification indicators

参考文献 16

[1]	LIU H X， FENG Shuo. Curse of Rarity for Autonomous Vehicles［J］. Nature Communications， 2024， 15： 4808.
[2]	杨超，杨帆，王伟达，等. 基于时空风险的智能驾驶车辆避险决策规划［J］. 汽车工程， 2024， 46（6）： 975-984.
	YANG Chao， YANG Fan， WANG Weida， et al. Risk Avoidance Decision Planning for Intelligent Driving Vehicles Based on Spatiotemporal Risk［J］. Automotive Engineering， 2024， 46（6）： 975-984.
[3]	任文浩，赵晓华，陈晨，等. 网联碰撞预警信息系统对雾天高速公路驾驶行为的影响［J］. 华南理工大学学报（自然科学版）， 2025， 53（2）： 27-37.
	REN Wenhao， ZHAO Xiaohua， CHEN Chen， et al. Impact of Connected Collision Warning Information System on Freeway Driving Behavior in Foggy Conditions［J］. Journal of South China University of Technology （Natural Science Edition）， 2025， 53（2）： 27-37.
[4]	CHEN Di， LI Hao， JIN Zhicheng， et al. Risk-anticipatory Autonomous Driving Strategies Considering Vehicles’ Weights Based on Hierarchical Deep Reinforcement Learning［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（12）： 19605-19618.
[5]	王安杰，郑玲，李以农，等. 基于预测风险场的智能汽车主动避撞运动规划［J］. 汽车工程， 2021， 43（7）： 1096-1104.
	WANG Anjie， ZHENG Ling， LI Yinong， et al. Motion Planning for Active Collision Avoidance of Intelligent Vehicles Based on Predictive Risk Field［J］. Automotive Engineering， 2021， 43（7）： 1096-1104.
[6]	LI Linheng， GAN Jing， JI Xinkai， et al. Dynamic Driving Risk Potential Field Model under the Connected and Automated Vehicles Environment and Its Application in Car-following Modeling［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（1）： 122-141.
[7]	CHEN Zheng， WEN Huiying. Modeling a Car-following Model with Comprehensive Safety Field in Freeway Tunnels［J］. Journal of Transportation Engineering， Part A： Systems， 2022， 148（7）： 04022040.
[8]	WANG Jianqiang， WU Jian， LI Yang. The Driving Safety Field Based on Driver–Vehicle–Road Interactions［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（4）： 2203-2214.
[9]	SONG Dongjian， ZHAO Jian， ZHU Bing， et al. Subjective Driving Risk Prediction Based on Spatiotemporal Distribution Features of Human Driver’s Cognitive Risk［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（11）： 16687-16703.
[10]	李文博，刘羽婧，张峻铖，等. 驾驶员情绪-驾驶风险机理分析［J］. 机械工程学报， 2022， 58（22）： 379-394.
	LI Wenbo， LIU Yujing， ZHANG Juncheng， et al. Analysis of the Influence Mechanism of Driver’s Emotion on Driving Risk［J］. Journal of Mechanical Engineering， 2022， 58（22）： 379-394.
[11]	NI Jie， XIE Wanying， LIU Yiping， et al. Driver Emotion Recognition Involving Multimodal Signals： Electrophysiological Response， Nasal-tip Temperature， and Vehicle Behavior［J］. Journal of Transportation Engineering， Part A： Systems， 2024， 150： 04023125.
[12]	SCHMIDT E， DECKE R， RASSHOFER R. Correlation between Subjective Driver State Measures and Psychophysiological and
	Vehicular Data in Simulated Driving［C］∥2016 IEEE Intelligent Vehicles Symposium （IV）. Gotenburg， 2016： 1380-1385.
[13]	LI Wenbo， LI Guofa， TAN Ruichen， et al. Review and Perspectives on Human Emotion for Connected Automated Vehicles［J］. Automotive Innovation， 2024， 7（1）： 4-44.
[14]	PIZZO A， LAUSI G， BURRAI J， et al. Emotion Behind the Wheel： Unravelling the Impact of Emotional （Dys）Regulation on Young Driving Behaviour—a Systematic Review［J］. Sustainability， 2024， 16（8）： 3384.
[15]	李林恒，甘婧，曲栩，等. 智能网联环境下基于安全势场理论的车辆跟驰模型［J］. 中国公路学报， 2019， 32（12）： 76-87.
	LI Linheng， GAN Jing， QU Xu， et al. Car-following Model Based on Safety Potential Field Theory under Connected and Automated Vehicle Environment［J］. China Journal of Highway and Transport， 2019， 32（12）： 76-87.
[16]	戢晓峰，王健，徐迎豪，等. 基于驾驶风格的山区公路穿村镇段行车风险场灵敏度分析［J］. 交通运输系统工程与信息， 2024， 24（6）： 316-325.
	JI Xiaofeng， WANG Jian， XU Yinghao， et al. Driving Style-based Sensitivity Analysis of Driving Risk Field in Mountain Highway Sections Passing through Villages and Towns［J］. Journal of Transportation Systems Engineering and Information Technology， 2024， 24（6）： 316-325.

边缘场景下计及驾驶员认知处理过程的驾驶风险场模型构建

Construction of Driving Risk Field Model Considering Driver Cognitive Processing in Edge Scenes

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 16

相关文章 15

编辑推荐

Metrics

[1]	李健, 张凯, 王海斌, 王哲, 程经纬, 闫昶. 储罐底板轮式相控阵全聚焦成像及扫查系统设计[J]. 中国机械工程, 2025, 36(12): 3057-3063.
[2]	封雨鑫, 刘坚, 邓宏贵, 余强, 王战, 叶浩泉. 激光高速高精加工非均匀有理B样条曲线插补方法[J]. 中国机械工程, 2025, 36(12): 3002-3009.
[3]	耿宇航, 何雪明, 高宗. 基于NURBS啮合线的高效双螺杆转子自适应设计方法[J]. 中国机械工程, 2025, 36(12): 2837-2845.
[4]	石宇昂, 张磊, 谢罗涛, 尹路晗. 船用汽轮机极端变工况流场扰动及稳定运行特性[J]. 中国机械工程, 2025, 36(10): 2258-2265.
[5]	赵星宇, 赵铁石, 许博, 刘相权, 秦宇飞. 并联式混合驱动机构运动学和传递性能分析[J]. 中国机械工程, 2025, 36(08): 1728-1739.
[6]	宋李俊, 刘松林, 辛玉, 马婧华, 谢正邱. 基于轴承退化状态评估和改进图注意力双向门控循环单元网络的轴承剩余寿命预测[J]. 中国机械工程, 2025, 36(07): 1562-1572.
[7]	王永青, 艾靖超, 李特, 兰天, 刘海波. 虑及刚度特性的管内机器人高精度焊缝打磨方法[J]. 中国机械工程, 2025, 36(02): 351-358,368.
[8]	刘怀举, 卢泽华, 朱才朝. 塑料齿轮传动高承载技术发展与应用[J]. 中国机械工程, 2025, 36(01): 2-17.
[9]	徐腾, 邓春阳, 邱国强, 谢泽锋, 冉家琪, 龚峰. 纯钽薄壁构件高速级进拉深应变率效应及成形性研究[J]. 中国机械工程, 2024, 35(12): 2157-2168.
[10]	张磊1, 2, 3, 孙学涛1, 2, 陈洁1, 2, 孙远波3, 郭佳佳1, 2, 郑杰1, 2. 汽车结构可靠性分析与优化设计研究进展[J]. 中国机械工程, 2024, 35(11): 1948-1962，1970.
[11]	鄢威1, 3, 王欣怡2, 3, 张华3, 朱硕2, 3, 江志刚2, 3. 考虑切削能耗和表面质量的碳纤维增强树脂基复合材料加工工艺参数优化决策[J]. 中国机械工程, 2024, 35(10): 1834-1844.
[12]	靳淇超1, 2, 包虎子1, 李良万3, 汪文虎3, 张锦淇1, 叶子银1, 郭磊1. DD5缓进磨削表面粗糙度和硬化率对疲劳性能影响研究[J]. 中国机械工程, 2024, 35(08): 1472-1479.
[13]	倪涛1, 2, 张泮虹1, 2, 赵泽仁1, 2. 无力传感器的操纵手柄自适应变阻抗控制[J]. 中国机械工程, 2024, 35(06): 1034-1043，1051.
[14]	刘竟飞1, 姜潮2, 倪冰雨2, 汪宗太3. 基于主动学习与贝叶斯深度神经网络的高维多输出不确定性传播方法[J]. 中国机械工程, 2024, 35(05): 792-801.
[15]	刘满东, 彭珍瑞. 基于联合多重重建自编码器的桁架损伤识别[J]. 中国机械工程, 2024, 35(05): 840-850.