TD2D 数据集：解锁分心状态下 L2 自动驾驶接管性能的关键密码

《Scientific Data》：A Dataset on Takeover during Distracted L2 Automated Driving

为解决自动驾驶中因驾驶员分心导致的接管性能研究数据不足问题，韩国江原国立大学研究人员开展了分心状态下 L2 自动驾驶接管（takeover）性能研究，推出 TD2D 数据集。该数据集涵盖多种数据，能助力理解不同次要任务对驾驶员接管性能影响，推动自动驾驶系统安全发展。

　　在科技飞速发展的当下，自动驾驶逐渐从科幻走进现实。如今，车载系统的进步让驾驶员在行车途中能轻松开展各种非驾驶任务，像借助谷歌助手回复消息、依靠车载版 ChatGPT 聊天等。同时，驾驶自动化系统不断升级，车辆不再只是出行工具，更成了休闲和工作空间。然而，这看似美好的背后却隐藏着巨大危机。非驾驶任务极易让驾驶员分心，在自动驾驶时，一旦系统遭遇突发状况，驾驶员若无法及时接管车辆，就可能引发严重事故。此前，虽有不少研究关注分心驾驶，但公开的用于研究自动驾驶接管性能的数据集却极为匮乏，这严重阻碍了安全自动驾驶系统的研发。
为了填补这一空白，韩国江原国立大学（Kangwon National University）的研究人员挺身而出，展开了一项极具意义的研究。他们的研究成果发表在《Scientific Data》上，为自动驾驶领域带来了新的曙光。
研究人员主要采用了以下几种关键技术方法：一是利用驾驶模拟器，模拟 L2 自动驾驶场景，为实验提供可控环境；二是招募 50 名不同年龄、性别的驾驶员参与实验，保证样本的多样性；三是使用多种可穿戴传感器，收集驾驶员的生理和眼动数据；四是设计多种不同的次要任务，涵盖视觉和听觉任务；五是运用混合模型分析和机器学习分析，挖掘数据背后的规律。
下面来看看具体的研究结果：

1. 数据收集与记录

研究人员精心收集了 50 名驾驶员在 10 种不同次要任务条件下的数据，形成了 TD2D 数据集。这个数据集内容丰富，包含驾驶员基本信息，如年龄、性别、驾驶经验，以及他们从事各类任务的频率；还有接管场景信息，像关键事件类型、发生时间、接管是否成功、反应时间，以及用 NASA-TLX 评估的工作负荷数据；生理数据则通过 H₁₀胸带和 E4 腕带收集，包括心电图（ECG）、光电容积脉搏波（PPG）、皮肤电活动（EDA）、心率（HR）；眼动数据借助 Pupil Core 获取，有瞳孔直径、注视位置、注视点等，甚至还有左右眼球的视频。这些数据以 CSV 和 MP4 格式存储，为后续研究奠定了坚实基础。

2. 技术验证 - 接管性能和工作量

研究人员通过混合模型分析发现，不同次要任务条件对驾驶员接管性能影响显著。与基线（无次要任务）相比，听觉文本输入、电子书阅读、游戏、文本输入等任务会使驾驶员反应时间明显延长。比如，在玩游戏和文本输入时，随着年龄增长，驾驶员反应时间增加。在接管成功率方面，电子书阅读和文本输入任务会显著降低成功率。这表明驾驶员的接管性能会因次要任务和年龄的不同而有所差异，而 TD2D 数据集能有效捕捉这些差异。

3. 技术验证 - 机器学习分析

研究人员进行了机器学习分析，用从生理和眼动数据中提取的特征训练模型，预测接管是否成功。经过数据预处理，剔除有缺失数据的参与者，从剩余数据中提取 13 种传感模态的 65 个特征。采用留一法交叉验证（leave-one-subject-out cross-validation，LOSO CV），并利用合成少数过采样技术（SMOTE）平衡标签分布，通过递归特征消除（RFE）选择 20 个特征。结果显示，随机森林（Random Forest）模型表现最佳，宏观平均 F1 分数达到 0.59，准确率为 0.68。这说明 TD2D 数据集在开发预测接管性能的机器学习模型方面潜力巨大。
研究结论和讨论部分意义重大。TD2D 数据集为研究分心状态下 L2 自动驾驶接管性能提供了宝贵资源。它不仅能帮助研究人员分析不同次要任务对驾驶员接管性能的影响，还能助力预测接管性能，探究驾驶员生理数据与工作负荷的关系，甚至可用于判断驾驶员是否视觉分心。此外，该数据集对其他需持续监控自动化系统的场景，如城市交通控制中心、工厂控制中心等，以及分析工人任务中断情况也有重要参考价值。虽然研究存在一些局限性，比如实验环境固定、仅考虑单一次要任务、数据来自模拟器且数量有限等，但这些并不影响 TD2D 数据集的价值。未来，随着研究的深入，有望克服这些局限，进一步推动自动驾驶安全领域的发展。