听觉工作记忆任务在自动驾驶与手动驾驶切换过程中的影响

引言

根据美国国家公路交通安全管理局（2008）的数据，94% 的交通事故是由人为错误造成的，其中41% specifically due to驾驶员分心与注意力不集中。随着自动驾驶系统和半自动自动驾驶系统在其他交通领域（例如飞机）的成功应用，汽车似乎是接下来将受益于此类创新且可能挽救生命的技术的下一个对象。

如今的尖端技术已将幻想变为现实：曾经只是美好梦想的自动驾驶汽车，如今已行驶在我们身边。这些有限自动驾驶自动化汽车利用传感器、雷达、摄像头、激光和 GPS（Waldrop，2014），几乎可以无缝地融入道路环境（Aldana，2013）。尽管尚未向公众开放，谷歌已在加州道路上测试其谷歌汽车长达六年之久（Waldrop，2014）。然而，谷歌汽车仅具备三级自动化功能，这意味着当自动驾驶系统发生故障时，偶尔仍需要人类驾驶员介入（Aldana，2013）。当前道路上人类驾驶员与自动驾驶汽车操作员的混合模式并未达到预期的安全水平：自动驾驶汽车的传感器并非万无一失。恶劣天气、系统故障以及新情况常常要求用户接管汽车控制权。

谷歌最近报告称，在公共道路上行驶了424,331英里期间，其三级自动驾驶汽车车队因系统故障而不得不立即解除自动驾驶控制共计272次（2015年）。由于美国普通持证驾驶员每年平均行驶约13,500英里（美国联邦公路管理局，2015），驾驶员可能每年被迫突然重新接管手动控制至少30次，相当于每两周一次。显然，当前自动驾驶汽车技术仍需要驾驶员进行监督。

为了能够对意外危险做出快速且适当的反应，必须将足够的注意力集中在道路上，特别是当自动驾驶系统无法正确应对这些情况时。由于驾驶员不太可能立即一致地停止所有分散注意力的活动，例如与语音识别系统进行交互，因此必须评估分心驾驶的负面影响——尤其是在自动驾驶汽车这一新背景下。

个体在执行次要任务时倾向于过度依赖自动化系统，从而影响主要任务的表现（帕拉苏拉曼和曼齐，2010年）。这种现象在航空领域尤为明显，其中“疏忽的飞行员[滑入]安于充当指挥乘客的角色”（美国交通部，2009年，第7‐6页）。当自动驾驶仪或其他关键仪器发生故障，而飞行员因缺乏使用导致技能退化时，他们可能会失去对飞机的控制。如果操作员不谨慎或未意识到误用的风险，自动化可能助长注意力不集中和人为错误。

在理想情况下，即将推出的谷歌汽车将是美国国家公路交通安全管理局四级自动驾驶汽车，无需人工监督，从而杜绝人为错误。然而，由于道路上并非所有汽车都完全实现自动驾驶，且近期也不会全部实现，因此必须开展相关研究，以考察自动驾驶汽车的驾驶员在突发系统故障时可能如何反应。本研究旨在评估在自动驾驶汽车中进行次要的、可能分心的任务是否安全。具体而言，本研究旨在根据个体认知能力的差异，探讨在从自动驾驶切换到手动驾驶过程中从事分心行为所带来的影响。

背景

根据认知负荷理论，人类大脑处理周围环境信息的认知资源是有限的（帕斯、伦克尔和斯威勒，2003年）。驾驶员能够同时关注的事件数量有限，超过这一限度后，其中一项任务的表现就会受到影响。与人们所认为的能力相反，大多数人并不擅长多任务处理（沃森和斯特雷耶，2010年）。

仅有百分之三的人口具备成功进行多任务处理的卓越能力。超级任务者极为罕见，因为他们能够非常高效地分配其有限的注意力资源（沃森和斯特雷耶，2010）。当注意力需要同时分配给主要任务和次要任务（如驾驶和使用手机）时，成功完成这两项任务都需要消耗资源。普通人（即除超级任务者之外的所有人）在双任务表现上表现平平。驾驶难度以及同时处理额外任务所带来的高认知负荷可能会使工作记忆超载，并迅速耗尽所有认知资源（菲图西和韦格纳，2011）。

当驾驶员在驾驶过程中完全或部分参与需要较高认知负荷的次要任务（例如在手机上发短信）时，可用于迅速将注意力转回驾驶场景的注意力资源就会减少。先前的研究表明，随着可用注意力资源的减少，反应时间（RT）会增加（罗斯等人，2014）。因此，次要任务的认知负荷越高，驾驶员从自动驾驶系统切换回手动控制所需的时间可能就越长。如果自动驾驶系统意外需要人工干预，驾驶员必须能够尽快对汽车发出的接管提示做出反应。

罗斯及其同事（2014）进一步证明了工作记忆容量（WMC）的个体差异如何调节驾驶员对需要立即采取行动的突发情况的反应效率。在WMC较低的参与者中，制动反应时间受到的阻碍明显大于WMC较高的参与者。此外，驾驶时进行言语类次要任务会显著损害反应时间（RT），因为这会抑制视觉刺激的处理（Sonnleitner等人，2014）。因此，过度依赖自动驾驶系统并伴随认知分心——尤其是言语类分心——在驾驶过程中可能构成危险组合。

目的

本研究评估了自动化对驾驶表现的影响。具体而言，研究测量了驾驶员在执行言语类次要任务的同时，从自动驾驶切换到手动控制的速度。

此外，本研究旨在确定双任务负荷与个体认知能力对反应时间（RT）的交互影响。

为了检验这些潜在效应，参与者在具备自动驾驶功能的模拟器中驾驶。每次参与者在被提示后放弃驾驶控制时，都会被施加一项听觉操作广度任务，以耗尽其认知资源。因此，参与者的注意力从驾驶任务上被转移开。在诱导出的分心状态下驾驶一段预设时间后，若干意外的听觉蜂鸣声提示参与者重新接管汽车控制权。制动反应时间通过响应蜂鸣声的刹车动作进行测量。

我们预计，随着双重任务持续时间的延长以及前一晚睡眠时长的增加，反应时间会有所增加。

在下降之前，工作记忆容量较高的个体预计比容量较低的个体具有显著更快的反应时间。

方法

参与者

从犹他大学本科心理学学生的参与者池中招募了28名年龄在18至31岁之间的参与者（M = 22.29，SD= 3.25；女性15名，男性13名），并给予课程学分作为参与报酬。所有参与者均为持证驾驶员，视力正常或矫正后正常，听力正常，并声称无色盲。

程序

在同意参与犹他大学机构审查委员会批准的研究后，参与者完成了一项视觉操作广度（OSPAN）任务，以确定其工作记忆容量（安斯沃思、海茨、施罗克和英格尔，2005年）。同时进行的听觉OSPAN和驾驶模拟任务用于检验参与者的工 作记忆容量与双任务表现之间的关系。巴德利（2012年）建议在OSPAN中使用有限的字母集来研究工作记忆，特别是语音回路。因此，我们的听觉操作广度任务基于英格尔版本（2002年），采用一组有限的辅音（F、H、J、K、L、N、P、Q、R、S、T 和 Y），以确保参与者利用的是其工作记忆而非长期记忆来默念复述这些字母。

参与者在DriveSafetyTM RS 600高保真驾驶模拟器中驾驶，该模拟器采用福特福克斯驾驶室，并由三个大屏幕环绕，提供270°的驾驶环境。RS 600配备VectionTM运行时软件，并通过HyperDrive Authoring SuiteTM独立编程场景。

参与者首先完成了一项练习性认知听觉OSPAN任务，随后在模拟器中进行五分钟热身驾驶情景。接下来，参与者在汽车中完成了两个“预控制”场景，以确定在执行恩格尔（2002）提出的听觉OSCAN任务（通过添加视觉 OSPAN任务的试验以延长持续时间）时和不执行该任务时的基线反应时间。所有参与者的基线场景顺序采用平衡顺序设计。在两个四分钟的基线场景期间，参与者被要求在听到蜂鸣声时尽快踩下刹车，蜂鸣声共出现十次，间隔随机。

在所有双任务情景下驾驶时，通过汽车扬声器播放预先录制的听觉OSPAN组。每组包含三到七个试验，每个试验包括一个需要解决的数学方程和一个需要记住的字母。研究人员要求参与者不要为了记忆字母而牺牲数学答题的准确性，也不要为了数学答题而牺牲字母回忆，以确保任务中的认知参与。研究人员坐在模拟器后方，记录参与者对各个试验的回答。参与者被要求尽可能花所需的时间正确回答数学问题。

下一次模拟包含四个自动驾驶模式阶段，其间穿插约两分钟的手动驾驶，按固定顺序进行（见图1）。触觉装置会振动驾驶员座椅，通知驾驶员系统认为进入自动驾驶模式是安全的。参与者被要求通过按下方向盘左侧的一个小按钮来进入自动驾驶模式，从而将汽车的完全控制权交出。经过预设的时间后，与控制前场景中相同的蜂鸣声提示参与者再次尽可能快地刹车并重新接管汽车控制权。首次自动驾驶模式时长为15分钟，该时长基于一项先导研究的初步结果确定（芬克豪泽 & 德鲁斯，已接受待发表）。随后三个不同的时长分别为4:13、2:05和3:43分钟，这些时长是通过在两到五分钟之间随机生成数字预先确定的，以减少练习效应。在整个模拟过程中，参与者均执行听觉 OSPAN任务。

研究结束时，参与者重复进行了相同的基线场景（包含和不包含OSCAN），以识别任何疲劳和学习效应。这些“控制后”基线场景在所有参与者中也进行了平衡顺序处理。

结果

确定OSCAN四分位数

参与者根据他们在视觉OSCAN任务中的平均表现（得分范围为0到7）被分为四分位数：
Q1 ≤ 3.664，Q2 = 4.112，Q3 = 5.163，Q4 ≥ 5.534。根据沃森和斯特雷耶的研究，采用四分位数法而非其他方法来划分参与者。在数据分析中排除了数学部分得分低于75%的参与者，以确保任务某一部分的表现不会影响另一部分。

刹车提示命中率

在有和没有OSCAN任务的控制前场景中，制动命中率存在显著差异。在没有次要OSCAN任务的场景中，28名参与者中有1人漏掉了两次制动事件，而在增加OSCAN任务后，28名参与者中有10人未能对至少一次事件做出反应（F(1, 27) = 7.00, p = 0.013）。这些结果表明注意力资源已投入到驾驶主要任务中，以确保安全驾驶并做出相应反应。

不同场景下的反应时间

无OSCAN的控制前和控制后平均反应时间为795毫秒。
有OSCAN的控制前和控制后平均反应时间为984毫秒。
自动驾驶场景（含OSCAN）的平均反应时间为1,313毫秒。

采用配对样本T检验来识别均值之间的显著差异（见图2）。测试学习效应时，进行和未进行认知任务的后控制平均反应时间仅比前控制快23毫秒（p = .23）。

正如所假设的，在控制场景中，参与者在执行认知任务时的反应时间比未执行认知任务时显著增加了24%（M = 189 ms，SD = 136 ms，t(27) = 7.39，p < 0.001）。在自动驾驶阶段，当参与者未执行认知任务时，其对刹车事件的反应速度比执行认知任务时显著快65%（M = 518 ms，SD = 287 ms，t(27) = 9.57，p < 0.001）。

值得注意的是，将双任务基线反应时间（984 ms）与自动驾驶模式下的反应时间（1,313 ms）进行比较时，结果显示出显著增加了33%（M = 329 ms，SD = 236 ms，t(27) = 7.38，p < 0.001）。自动驾驶模式对反应时间产生的负面影响仅源于自动化本身的性质，而非由双任务带来的认知负荷所致，因为基线情景已对此进行了控制。

自动驾驶情景中对反应时间（RT）的影响

对于所有后续结果，通过计算自动驾驶场景中的平均反应时间与包含认知任务的控制前和控制后场景中的平均反应时间之间的差异来调整反应时间（RT），以便所观察到的任何效应均特指在自动驾驶模式下的参与度。采用最大似然法拟合了一个线性混合效应模型，以预测自动驾驶模式中的调整后反应时间，并基于多个相加效应进行分析。接下来将讨论若干显著的主效应和交互作用。

结果表明反应时间随片段长度增加呈正线性趋势（B = 0.11, SE = 0.03, t(79) = 3.70, p < 0.001, r² = 0.14；见图3）。

仅比较2分钟、3分钟和4分钟片段时，反应时间未发现显著差异（p > 0.05；见图4）。未来使用超过10分钟自动驾驶模式片段长度的研究应预期会看到对反应时间的线性效应持续存在。

接下来，前一晚的睡眠时长对反应时间也有显著影响（B = -0.36，SE = 0.17，t(24) = -2.12，p < 0.05）。结果表明，个体获得的睡眠越少，在自动驾驶模式下对突发提示的反应时间就越长。有趣的是，睡眠时长与工作记忆容量存在显著交互作用（B = 0.07，SE = 0.03，t(24) = 2.55，p < 0.05）。所有参与者在睡眠较多时表现更好，但工作记忆容量较低的个体比工作记忆容量较高的个体获益更多。

此外，片段长度与睡眠之间存在显著的交互作用；随着睡眠时长的增加，片段长度对反应时间的影响减小（B = -0.01，SE = 0.00，t(79) = -2.13，p < 0.05）。也就是说，片段长度可预测所有参与者均受到影响，但睡眠较多的参与者在反应时间上的影响较小。

片段长度还与工作记忆容量（B = -0.01, SE = 0.00, t(79) = -2.28, p < 0.05）存在显著交互作用。所有参与者均受到片段长度的负面影响，但工作记忆容量较低的参与者在反应时间上受片段长度的影响更为显著。

正如所预测的，数据显示视觉工作记忆容量与反应时间之间存在负相关趋势，尽管不显著：工作记忆容量较高的个体表现出更短的反应时间，而工作记忆容量较低的个体反应时间较长（p = 0.14）。同样，随着次要任务的认知负荷增加，反应时间显著延长（B = 0.22，SE = 0.10，t(79) = 2.24，p < 0.05）。

最后，认知负荷与工作记忆容量（WMC）存在显著的交互作用（B = -0.03，SE = 0.02，t(79) = -2.04，p < 0.05；图5）。认知负荷定义为在收到刹车提示时，个体在工作记忆中保持的OSCAN任务字母数量。当认知负荷达到并超过个体的极限时，反应时间（RT）增加。然而，即使负荷达到或超过其极限，高容量个体的反应时间受影响较小，而低WMC个体的反应时间增加幅度大于高WMC个体。

第二象限中较低的调整后反应时间是由于OSCAN反应时间的组基线较高（M = 1067 ms，SD = 282 ms），而自动驾驶模式下的组平均反应时间相对较低（M = 1183 ms，SD = 339 ms）所致。

总体讨论

随着道路上自动驾驶汽车数量的增加，评估自动驾驶对认知影响变得至关重要。特别是，尽管能够安全地执行次要任务是自动驾驶汽车的诸多优势之一，但明确了解在自动驾驶汽车中分心驾驶的危害程度仍然十分关键。分心驾驶问题的核心在于驾驶员分配注意力资源的位置及其分配量。某些个体能够更有效地在两个或多个任务之间分配注意力资源。

本研究探讨了分心驾驶对自动驾驶汽车中制动反应时间的影响与个体工作记忆容量之间的关联。参与者在从自动驾驶模式切换到手动控制期间执行了一项听觉OSPAN任务。通过使用口语形式的OSPAN任务，我们迫使工作记忆中的语音回路因处理过多听觉信息而超载，从而有效耗尽有限的认知资源。

在长时间处于自动驾驶模式后，结果表明驾驶员对突发提示的反应时间显著增加。此外，这种效应的程度因驾驶员个体认知能力的不同以及其当前参与次要任务的程度而有所差异。即使观察到的工作记忆容量范围较小，工作记忆容量较低的个体由于可分配给驾驶任务的注意力资源较少，其反应时间仍比工作记忆容量较高的个体更慢。

值得注意的是，仅仅处于自动驾驶模式下，参与者对刹车提示的反应时间就比持续驾驶并执行次要任务时长了33%。在自动驾驶模式下的时间也影响了反应时间。个体在自动驾驶模式下停留的时间越长，分配给道路的注意力资源就越少，导致制动反应时间增加。

此外，听觉次要任务影响了对听觉警报的感知：超过三分之一的参与者至少遗漏了一次刹车提示。驾驶过程中进行多任务处理可能需要大量注意力，导致驾驶员完全错过自动驾驶系统发出的要求其重新接管汽车控制权的提示。此类遗漏提示的情况可能会造成灾难性后果。

结论

尽管自动驾驶汽车为驾驶领域带来的优势令人兴奋且具有开创性，但识别可能的负面和危险后果至关重要。总体而言，为了道路安全，持续评估驾驶过程中使用自动驾驶功能的潜在缺点，以及个体差异可能如何缓解或加剧这些影响，是至关重要的。