研究通過自然駕駛數(shù)據(jù)采集、自然駕駛場景重建以及駕駛員風險認知和眼動信息采集三個步驟，構建RISEE數(shù)據(jù)集。

2.1 基于無人機航拍的自然駕駛數(shù)據(jù)采集

為了覆蓋盡可能多的高交互場景，選擇高速公路的匝道匯入段作為采集自然駕駛數(shù)據(jù)的位置。該路段位于上海市G50滬渝高速公路嘉松中路的入口處，包括主路上的兩條車道和匝道上的一條加速車道，如圖3所示。

一架DJI Mavic 2 Pro無人機被部署在300米高空進行數(shù)據(jù)采集。采集完成后，首先使用ArcMap識別車道信息并將其轉換為OpenDrive格式。然后，采用YOLOv5進行車輛檢測，提取車輛軌跡信息（包括位置、方向、速度和加速度等），并以csv格式存儲。

圖3 無人機航拍自然駕駛場景

通過仿真軟件SimOne重建自然駕駛場景，依據(jù)自車類型的不同，分別重建了轎車和卡車駕駛員視角的視頻。所有視頻中均包含駕駛員視角的前視圖、左視圖和右視圖，各視圖的相機廣角均被設置為60°，能正確匹配駕駛員視野范圍，如圖4所示。

圖4 駕駛員第一視角視頻（上圖為卡車視角，下圖為轎車視角）

在仿真軟件重建場景的基礎上，專門進行了額外的視覺優(yōu)化。針對車輛外部環(huán)境，添加了豐富的交通基礎設施作為背景，包括有護欄、廣告牌、交通標志牌和監(jiān)控攝像頭等；針對車輛內部，著重渲染儀表盤和兩側后視鏡，給被試者提供真實的乘車體驗?？紤]到真實交通場景中的環(huán)境聲也會影響被試者風險認知，還基于SumoSound，根據(jù)車輛間的相對位置及速度關系生成立體環(huán)境聲。

上述優(yōu)化措施確保了生成的場景重建視頻，能為被試者提供身臨其境的乘車體驗。

實驗被試者覆蓋了不同的年齡段，具有不同的駕駛經(jīng)驗、駕駛頻率和駕駛能力。實驗過程中被試者被要求坐在駕駛模擬器中，觀看視頻，對各場景的行駛風險進行評估打分，并通過佩戴頭戴式眼動儀實時采集其眼動數(shù)據(jù)，如圖5所示。

將179個場景分為10組，每組包含有17到18個場景。為避免因疲勞而造成評估失誤，實驗中每個被試者都只被分配觀看兩組場景。上述設置確保每個場景會被至少20名不同的被試者觀看評估。每次觀看完一個場景的視頻后，被試者會立即在五點李克特量表上反饋其對該場景的主觀風險評分。量表范圍為從1到5的評分值，對應風險極低、較低、一般、較高和極高的5個等級。

圖5 風險認知及眼動信息采集方式

實驗中部分被試者評估一致性差，為避免其影響到數(shù)據(jù)質量，剔除了相關的數(shù)據(jù)。方法是，在每組場景中，都會插入兩個相同的場景且事先不告知被試者。若被試者對相同場景的主觀風險評分不一致，且相差超過1，就判定被試者評估一致性較差，其在該場景組下的所有評估數(shù)據(jù)均被記為無效。另外，因眼動設備在實驗過程中存在掉線、卡頓和時間戳不準確等問題，部分眼動數(shù)據(jù)也被記為無效。

最終，在剔除無效實驗數(shù)據(jù)后，RISEE數(shù)據(jù)集中共保留101名被試者的3567條主觀風險評估以及2045條高質量眼動數(shù)據(jù)（1名被試者的相關數(shù)據(jù)因評估一致性差而被舍棄）。

3、示例：場景主客觀行駛風險分析

基于RISEE數(shù)據(jù)集，進一步探索了主客觀行駛風險之間的關系。其中，主觀行駛風險被定義為不同被試者對同一場景主觀風險評分的均值；客觀行駛風險被定義為每個場景的最小TTC值（碰撞時間指標，值越小代表風險越高）或最大DNDA值[8]（基于可行駛區(qū)域的歸一化風險評估指標，值越大代表風險越高，0代表無風險，大于0.5代表高風險，1代表已碰撞）。

各場景的主客觀行駛風險的頻率分布如圖6~8所示。為了更好地可視化風險的分布，應用核密度估計（KDE）生成概率密度曲線。主客觀行駛風險的分布間存在著顯著的差異：客觀行駛風險完全是基于車輛運動狀態(tài)進行評估的，大多處于中低水平；主觀行駛風險則考慮了更多因素（如車輛過于接近護欄或其他車輛的變道意圖等），這導致更高的認知風險，集中在中等水平。

圖6 行駛場景的TTC值分布圖

圖7 行駛場景的DNDA值分布圖

圖8 行駛場景的主觀行駛風險分布圖