朱梦悦 马健霄 刘宇航 仇舒诚 丁子羿

摘 要：为探寻驾驶人视认交通标志效率，本文构建景区道路标志视认效率评价体系，设计实地视线追踪实验，采集驾驶人在景区道路对交通标志的视认数据;参照数据变化规律及指标特性确定各项眼动特征数据的最优值和临界值，建立交通标志视认效率评价指标集;采用基因选择算法对评价指标进行重要度排序，确定各评价指标对评价体系的影响程度;利用功效系数法对指标进行标定，并建立视认效率评价体系。应用评价体系对南京钟山风景名胜区进行视认效果评价，从视认效率出发提出交通标志设置改善优化建议。

关键词：交通安全;交通标志;景区道路;视觉特性;效率评价;基因选择算法

中图分类号：U121    文献标识码：A   文章编号：1006-8023（2021）04-0135-09

Evaluation of Visual Recognition Efficiency of Traffic Signs in Scenic Spots

ZHU Mengyue， MA Jianxiao*， LIU Yuhang， QIU Shucheng， DING Ziyi

（College of Automobile and Traffic Engineering， Nanjing Forestry University， Nanjing 210037， China）

Abstract：In order to explore the efficiency of drivers' visual recognition of traffic signs， an evaluation system of visual recognition efficiency of road signs in scenic spots was constructed. The field eye-tracking experiment was designed and data of drivers' visual recognition of traffic signs in scenic spots were collected. Based on the data variation rule and index characteristics， the optimal value and the critical value of the eye movement characteristic data were analyzed and the evaluation index set of traffic sign recognition efficiency was established. Then， support vector machine-recursive feature elimination was used to rank the significance of evaluation indexes to determine the degree of influence of each evaluation index on the evaluation system. In addition， the calibration index of efficacy coefficient method was adopted to establish the evaluation system of visual recognition efficiency. Finally， the system was used to evaluate the visual recognition in Nanjing Zhongshan Mountain National Park and some suggestions on improvement and optimization of traffic sign setting from the perspective of visual recognition efficiency were proposed.

Keywords：Traffic safety; traffic signs; scenic road; visual characteristics; efficiency evaluation; support vector machine-recursive feature elimination

收稿日期：2021-03-09

基金项目：江苏省交通运输科技项目计划（2016T04）;南京市科协软科学研究项目（NJKX2017RKX-05）

第一作者简介：朱梦悦，硕士研究生。研究方向为交通安全与交通大数据。E-mail：125620776@qq.com

*通信作者：马健霄，博士，教授。研究方向为交通安全技术。E-mail：majx@njfu.edu.cn

引文格式：朱夢悦，马健霄，刘宇航，等.景区道路交通标志视认效率评价[J].森林工程，2021，37（4）：135-143.

ZHU M Y， MA J X， LIU Y H， et al. Evaluation of visual recognition efficiency of traffic signs in scenic spots[J]. Forest Engineering，2021，37（4）：135-143.

0 引言

伴随旅游业的迅速兴起，兼具林区特征的景区不断增加。由于道路交通性质的不同[1]，城市道路交通设计方法不能完全适应此类景区交通出行特性，且部分景区交通设施设计仍沿用公路标准，无法高效地为驾驶人提供行车信息。本研究通过对兼具林区特征的景区道路展开交通标志视认效率研究，旨在为此类景区及林区道路交通设施设计提供参考，保障行车安全。

国内外学者在旅游交通和标志视认性方面开展了广泛性研究。桂零等[2]基于人类工效学理论建立了指路标志视认性评价模型，在调查问卷的基础上通过层次分析法确定不同影响因素的权重值。陈娜等[3]运用3Ds Max建立虚拟交通视景，通过改变标志标线自身属性渲染出不同场景效果，通过专家打分法对不同场景进行比较以确定视认性最优的标志标线设置值。刘小明等[4]选取驾驶人信息需求程度构建基础模型，引入理解度和信息量2个修正系数，建立了指路标志版面工效性评价模型。Ben-bassat [5]提出标志的易理解性会影响旅客及新手司机安全出行，通过分组实验验证符合人体工程学原则的标志设计更易于司机理解。Albalate等[6]通过数据分析和案例研究指出旅游强度是城市交通需求增长的一个影响因素，旅游给城市交通系统带来明显的需求压力，论证了景区交通研究的必要性。

已有研究多在城市道路、高速公路或虚拟场景中对标志视认效率进行评价[7-8]，未考虑到景区与其他道路在交通道路特性方面的不同，忽视其评价工作的差异。同时，国内外的评价方法大多依赖专家经验确定权重值，主观影响较大[9]。本文通過驾驶人在景区道路实地视认交通标志时的视觉特性来确定视认效率评价指标，并利用基因选择算法对所选指标进行客观的重要度排序，运用功效系数法确定标准化的指标功效，进而建立景区交通标志视认效率客观评价体系。

1 实验方案

1.1 实验人员及设备

为尽可能减少驾驶人特性对实验结果带来的不确定性影响，受试者整体构成比例及驾驶车型贴近自驾游主体出行人群特征，包括年龄、性别等，较少关注驾驶人性格差异，但考虑到驾驶人在景区道路顺畅的条件下自驾出游时，心理状态类似，结果具有一定的普适性[10]。对20名小型车驾驶人进行实地视线追踪实验。男性16名，女性4名，年龄为25～40岁，矫正视力正常，无弱视或色盲等视觉障碍，驾龄均超过2 a，有良好的驾驶经验，且实验过程中保持良好的身体状况。

实验设备为Tobii Glasses系列眼动仪和ErgoLAB人机环境同步系统。Tobii Glasses系列眼动仪采样频率大于等于50 Hz，瞳孔追踪精度小于等于0.1°，视线追踪精度小于等于0.3°，场景摄像机视野范围为90°，分辨率为1 920×1 080像素，竖向角度可调，数据传输方式为USB。

实时采集受试者看到的真实场景和视认位置，应用在基于现实场景或实物的定性及定量的眼动分析研究。

1.2 实验步骤

实验人员向受试者说明实验目的及过程中注意事项，并回答其疑问，使其尽量以平稳心态进行实验，确保数据准确性。实验开始前，受试者正确佩戴眼动仪，完成眼球确认和注视点确认。实验过程中，受试者按照要求在景区道路按指定路线行驶，行驶过程中仅依靠交通标志引导驾驶，不得依靠手机、车载导航或问路等方式，车速控制在限定的安全速度内。结束后，以视频形式输出眼动仪所记录场景，使用ErgoLAB人机环境同步系统进行分析处理数据，实验流程如图1所示。

1.3 数据获取及分析

实验采集行驶过程中20位驾驶人视认2组交通标志时的视觉特性数据，包括注视次数、单次注视时间、扫视时间、眨眼次数、聚焦点以及瞳孔直径均值6种眼动行为数据，见表1。

截取驾驶人视认交通标志时段内的视频，输出各项数据。其中，目标区域内落在标志上的聚焦点占总聚焦点的比例记为有效注视点比例;眨眼次数与视认标志总时长的比值记为眨眼频率，如图1所示。

KS检验是用于检验数据是否符合某种分布的非参数检验，由于不需要知道数据的分布情况，在小样本统计分析中效果较好。运用KS检验验证实验数据是否符合正态分布，原假设h0为数据符合正态分布，显著性水平取0.05，对比结果，当P值小于0.05时，拒绝h0;查表得当样本量为40时，临界D值为0.22，当D值大于0.22时，拒绝H0，见表2。

5组数据均符合正态分布，在累计频率15%和85%点附近有明显转折，在此区间内增速较快，表明在该区间内数据波动较大，在评价指标定量分析中可以运用百分位数法结合指标特性确定最优值和临界值。

2 基于视觉特性的评价指标分析

2.1 评价指标的选取

交通标志视认效率多通过驾驶人在行驶过程中视认标志时的直观感受评价。综合考虑眼动仪输出数据和选取原则，确定单块交通标志注视时间（s）、单块交通标志扫视时间（s）、眨眼频率（次/s）、瞳孔直径均值（mm）、有效注视点比例（%）及目标信息集中程度（%）为交通标志视认效率评价指标。

2.2 评价指标的分析

（1）单块交通标志注视时间

注视时间为驾驶人读取交通标志信息的时间，与标志所含信息量有直接关联[11-13]。标志信息量高于正常值会增加驾驶人视认信息时间，使其视线长时间偏离道路。基于注视时间与标志信息量间的显著相关性，本文以注视时间作为信息量衡量标准。区分不同路名/景点指示数量下的注视时间，提供一条指示信息记为1，依次类推，取最小指示数为2，最大指示数为7。指示数为6的标志，如图3所示，指示信息量包含路名指示“陵园路”及景点方位指示“海底世界” “明孝陵” “中山陵” “灵谷寺景区” “美龄宫”。

改变交通标志指示数，重复实验，计算在不同指示数条件下实验数据组的第85%位单块交通标志注视时间、第15%位单块交通标志注视时间，为拟定单项指标最优值和临界值提供参考。

（2）单块交通标志扫视时间

扫视时间为驾驶人在交通标志中找寻到目标信息所用时间，与标志版面设计及设置位置相关联。可通过扫视时间长短判断交通标志信息设置是否显著，若扫视时间过长，则标志信息设置不显著[14-15]。计算实验数据组的第85%位单块交通标志扫视时间、第15%位单块交通标志扫视时间。

（3）眨眼频率

驾驶人在行驶过程中利用眨眼来缓解视疲劳，眨眼频率越高表明驾驶人视负荷越大、视疲劳严重[16]。计算实验数据组的第85%位眨眼频率、第15%位眨眼频率。

（4）瞳孔直径均值

驾驶人行驶过程中的瞳孔直径与驾驶环境的光线强弱呈反比关系。城市景区道路两侧栽种的大量植被树木生长错落，驾驶人在其间连续行驶时，光线强弱时有变化且整体相对于城市道路较弱、瞳孔直径波动范围更大。景区道路与城市道路在此项指标上差异性最为显著。计算实验数据组的第85%位瞳孔直径均值、第15%位瞳孔直径均值及平均瞳孔直径均值。

（5）有效注视点比例

计算目标区域内标志注视点数量占总注视点的比例，用以评价空间内干扰物对驾驶人读取、判断标志信息的影响程度。当有效注视点比例过低，说明目标区域内存在干扰严重的现象。计算实验数据组的第85%位有效注视点比例、第15%位有效注视点比例。

（6）目标信息集中程度

驾驶人在寻找并读取交通标志的过程中，视线易受到道路两侧树木、建筑和廣告牌等的遮挡和干扰。利用热点图中交通标志热点覆盖比例，分析驾驶人视认标志过程中的有效聚焦点，获取驾驶人对交通标志版面信息的视线集中程度，信息集中程度越高越好。

3 基于基因选择算法的指标重要度排序

基因选择算法（SVM-RFE）是一种基于SVM最大间隔原理的特征选择算法，通过多次迭代得到所有评价指标重要度排序，在判断驾驶人行驶状态中，可应用该算法对各项指标进行重要度排序，选取合适数量的指标构建判断模型，提高模型准确度[17-18]。

用实验数据训练分类器，实验数据为20组参与实验人员实地驾驶时采集的视认数据，每条数据包括单块交通标志注视时间、单块交通标志扫视时间、眨眼频率、瞳孔直径均值、有效注视点比例和目标信息集中程度6项指标信息。计算所有指标的排序得分，在评价指标集中，去除最小排序得分的指标，对余下指标再次进行反复训练，当评价指标集中只剩一个指标时迭代结束，得到按重要度排列的指标排序表，确定各指标对评价体系的影响程度[19]。

基于SVM-RFE算法的交通标志视认效率评价指标重要度排序流程如下。

步骤1：将实地视线追踪实验所得样本数值按公式（1）进行标准化处理，归一化至[-1，1]区间，消除各指标间数值差异，避免各指标数据单位量纲不同带来的影响。

yi=2（xi-xmin）xmax-xmin-1 。 （1）

式中：yi为标准化后的数值;xi为原始数值;xmax为样本数值中的最大值;xmin为样本数值中的最小值。

步骤2：利用SVM-RFE算法对交通标志视认效率评价指标进行重要度排序。

步骤3：按指标重要度排序，根据各自指标的占比，确定每个指标对评价体系的影响程度，见表3。

直观反映驾驶人视线集中程度、空间内多余信息干扰的目标信息集中程度指标排在重要度第一位，而反映景区道路与城市道路标志视认存在显著性差异的瞳孔直径均值指标排名第二位，该重要度排序主要反映景区道路空间和光线环境对标志视认的影响，也可知景区交通标志视认效率评价与城市道路存在差异。

4 交通标志视认效率评价体系

为将实验数值转化为可度量的结果，利用功效系数法结合各评价指标特性确定标准化的指标功效。根据SVM-RFE算法所确定的指标重要度，将标准化的指标功效按其各自的影响程度计入评价结果，构建景区道路交通标志视认效率评价体系，评价流程如图4所示。

仅考虑目标信息集中程度，根据其指标特性，拟定最优值Cmax取值为100，其功效系数为1，拟定临界值Cmin取值为60，其功效系数为0，建立目标信息集中度功效函数如下：

d1=1Cmax-Cmin（C-Cmin）。  （2）

式中：d1为目标信息集中程度指标功效;C为实测目标信息集中程度;Cmax为目标信息集中程度最优值;Cmin为目标信息集中程度临界值。

对于瞳孔直径均值，拟定平均值为最优值Dmax，其功效系数为1，拟定第15%位值、第85%位值为临界值Dmin，1、Dmin，2，其功效系数为0，建立瞳孔直径均值功效函数如下：

d2=1Dmax-Dmin，1（D-Dmin，1），0≤D

式中：d2为瞳孔直径均值指标功效;D为实测瞳孔直径均值;Dmax为瞳孔直径均值最优值;Dmin，1、Dmin，2为瞳孔直径均值临界值。

对于有效注视点比例，拟定第85%位值为最优值Pmax，其功效系数为1，拟定第15%位值为临界值Pmin，其功效系数为0，建立有效注视点比例功效函数如下：

d3=1Pmax-Pmin（P-Pmin） 。（4）

式中：d3为有效注视点比例指标功效;P为实测有效注视点比例;Pmax为有效注视点比例最优值;Pmin为有效注视点比例临界值。

对于单块交通标志注视时间，拟定第15%位值为最优值TF，max，其功效系数为1，拟定第85%位值为临界值TF，min，其功效系数为0，建立单块交通标志注视时间功效函数如下：

d4=1TF，max-TF，min（TF-TF，min）。 （5）

式中：d4为单块交通标志注视时间指标功效;TF为实测单块交通标志注视时间;TF，max为单块交通标志注视时间最优值;TF，min为单块交通标志注视时间临界值。

对于眨眼频率，拟定第15%位值为最优值Nmax，其功效系数为1，拟定第85%位值为临界值Nmin，其效系数为0，建立眨眼频率功效函数如下：

d5=1Nmax-Nmin（N-Nmin） 。（6）

式中：d5为眨眼频率指标功效;N为实测眨眼频率;Nmax为眨眼频率最優值;Nmin为眨眼频率临界值。

对于单块交通标志扫视时间，拟定第15%位值为最优值TS，max，其功效系数为1，拟定第85%位值为临界值TS，min，其功效系数为0，建立单块交通标志扫视时间功效函数如下：

d6=1TS，max-TS，min（TS-TS，min）。 （7）

式中：d6为单块交通标志扫视时间指标功效;TS为实测单块交通标志扫视时间;TS，max为单块交通标志扫视时间最优值;TS，min为单块交通标志扫视时间临界值。

单项评价指标最优值及临界值取值，见表4。

单项指标取值合理区间内功效值为[0，1]，对超出取值范围的功效值，按公式（8）处理，即不合理区间内指标功效值为负。

di=di，  di<01-di，di>1。（8）

结合SVM-RFE算法求得每个指标对评价体系的影响程度，可求出评价对象整体功效，为平衡负数功效值带来的影响，并直观地展示评价结果，参考百分制评分法，将功效值转化为百分制的效率值。引入基准分的概念，取临界值即合理区间极限值作为基准，以60分即及格分作为基准分，功效值乘以40，将两者相加，得到评价结果如公式（9）所示，构建交通标志视认效率评价体系。

E=∑6i=1wi×（di×40+60）。 （9）

式中：E为交通标志视认效率评价结果;wi为各评价指标重要度;di为各评价指标功效。

参考百分制五等级判断标准评判视认效率结果，见表5。

5 视认效率评价应用

选取南京钟山风景名胜区为例，南京钟山风景名胜区总面积34.91 km2，划分为玄武湖景区、山北景区、北岳景区、陵园景区和山南景区。驾驶人行驶路线及沿路重要交通标志如图4所示。

采用所构建评价体系评价景区内交通标志视认效率。运用功效系数法对所得数据进行标准化处理，得到单项指标功效，选取中位数值作为单项指标评价结果，按重要度累加得到景区交通标志视认效率评价结果，见表6。

南京钟山风景名胜区交通标志视认效率评价结果如公式（10）所示。

E=∑6i=1wi×（di×40+60）=78.02。 （10）

由此看出，交通标志视认效率属中等水平，存在不足。单块交通标志扫视时间、瞳孔直径均值和有效注视点比例3项眼动指标功效较低，说明驾驶人在寻找读取标志信息时容易受到干扰物影响，景区交通标志设置显著性不足。瞳孔直径均值整体偏低，可以看出驾驶人在景区道路行驶时驾驶环境光线较弱。

针对视认评价结果反映出标志设置的不足，对标志设置进行如下调整。

（1）景区照明环境：南京钟山风景名胜区开放时间为白天，为减少灯光对动植物的干扰，故景区内照明环境虽偏暗，但不建议通过增设或调亮路灯等方式变动景区照明环境。

（2）交通标志版面设置：标志还存在部分格式不统一等问题，需规范版面设计、尺寸大小。对于一杆多标志的标志杆，需优化信息排列方式，突出重要信息，便于驾驶人快速读取目标信息。景区照明环境受多方因素影响，难以调节，可通过提升标志本身的反光性能，或设置为主动发光式标志牌[20]，以缓解景区光线较弱给驾驶人视认标志带来的不利影响。

（3）交通标志设置方式：现有标志设置方式主要有悬臂式和立柱式，由于景区道路多为双车道，故无须担心内侧车道驾驶人视线被遮挡。对悬臂式标志，根据道路两侧树木生长情况如高度、枝杈等，合理确定悬臂杆的高度和臂长，避免树木遮挡标志信息，增加标志的显著性，减少信息找寻读取时间。对立柱式标志，根据驾驶人视认角度和道路环境，选择合适高度，并使其设置位置可稍向近车道侧偏移，避免被前后树木遮挡。

6 结束语

（1）本文通过实地视线追踪实验获取驾驶人在景区道路视认交通标志的视认特性，基于实验结果和选取原则确定景区道路交通标志视认效率评价指标，采用基因选择算法（SVM-RFE）对交通标志视认效率评价指标进行客观排序，目标信息集中程度和瞳孔直径均值2项指标重要度位居前两位，表明景区交通标志设置时应多关注道路空间及光线环境。

（2）利用实验数值和指标特性确定各评价指标的最优值和临界值，其中目标信息集中程度最优值为1，瞳孔直径均值最优值为2.635 mm，合理值区间上下限分别为3.010 mm和2.330 mm。本文所得指标数值合理取值区间，可从驾驶人视认感知角度为景区交通设施设计提供参考。

（3）实证运用建立的评价体系获取单项指标功效及整体交通标志视认效率，总体得分78.02分，其中单块交通标志扫视时间指标得分最低，仅为71.76分，对结果进行分析，可知景区道路标志视认主要存在标志显著性不够及驾驶环境光线较弱等问题，提出针对性改进方向，也可看出景区道路标志视认与城市道路标志视认存在显著差异。

该评价方法可为同类景区及林区道路交通标志的正确设置提供参考，表明景区交通标志设置有别于城市道路需额外关注的问题，为保障景区行车安全及交通设计提供参考。

【参 考 文 献】

[1]钱琳琳. 大型旅游景区交通组织与管理方法研究[D]. 南京： 东南大学， 2015.

QIAN L L. Study on the traffic management plan of large tourist attractions[D]. Nanjing： Southeast University， 2015.

[2]桂零， 袁黎， 蔡明杰. 基于人类工效学的指路标志视认性研究[J]. 交通运输研究， 2016， 2（5）： 33-38.

GUI L， YUAN L， CAI M J. Recognition of guide sign based on ergonomics[J]. Transport Research， 2016， 2（5）： 33-38.

[3]陳娜， 张俊友， 姬全健. 基于虚拟现实技术的交通标志视认性实验分析方法[J]. 重庆交通大学学报（自然科学版）， 2014， 33（4）： 134-137.

CHEN N， ZHANG J Y， JI Q J. Experimental analysis method of traffic sign legibility based on virtual reality technology[J]. Journal of Chongqing Jiaotong University （Natural Science）， 2014， 33（4）： 134-137.

[4]刘小明， 张伟， 魏中华， 等. 指路标志版面评价与优化[J]. 北京工业大学学报， 2015， 41（1）： 95-102.

LIU X M， ZHANG W， WEI Z H， et al. Evaluation and optimization of traffic guide sign layout[J]. Journal of Beijing University of Technology， 2015， 41（1）： 95-102.

[5]BEN-BASSAT T. Are ergonomically designed road signs more easily learned？[J]. Applied Ergonomics， 2019， 78： 137-147.

[6]ALBALATE D， BEL G. Tourism and urban public transport： Holding demand pressure under supply constraints[J]. Tourism Management， 2010， 31（3）： 425-433.

[7]SCHROM-FEIERTAG H， SETTGAST V， SEER S. Evaluation of indoor guidance systems using eye tracking in an immersive virtual environment[J]. Spatial Cognition & Computation， 2017， 17（1/2）： 163-183.

[8]刘博华. 基于仿真技术的驾驶员标志视认安全性研究[D]. 北京： 北京工业大学， 2012.

LIU B H. Drivers visual cognition safety research of traffic signs based on simulation technology[D]. Beijing： Beijing University of Technology， 2012.

[9]王羽尘， 刘宇航， 白莹佳. 基于数据包络分析的单向交通网络运行效率评价[J]. 交通运输研究， 2019， 5（4）： 89-96.

WANG Y C， LIU Y H， BAI Y J. Evaluation on operating efficiency of one-way traffic network based on data envelopment analysis[J]. Transport Research， 2019， 5（4）： 89-96.

[10]戴权， 王芳， 倪安宁. 认知过程中交通标志视认有效性影响因素分析[J]. 中国安全科学学报， 2009， 19（12）： 57-60.

DAI Q， WANG F， NI A N. Influence factors of traffic sign comprehension effectiveness in cognitive process[J]. China Safety Science Journal， 2009， 19（12）： 57-60.

[11]陈孟柯， 马健霄， 陆涛， 等. 高速公路隧道行车视觉特性分析[J]. 交通信息与安全， 2019， 37（3）： 86-92.

CHEN M K， MA J X， LU T， et al. Visual characteristics of drivers for driving through freeway tunnel[J]. Journal of Transport Information and Safety， 2019， 37（3）： 86-92.

[12]徐志， 关宏志， 严海， 等. 交通标志文字信息驾驶员眼动视认特性[J]. 北京工业大学学报， 2011， 37（12）： 1830-1835.

XU Z， GUAN H Z， YAN H， et al. Driver eye movement features on text message from traffic signs[J]. Journal of Beijing University of Technology， 2011， 37（12）： 1830-1835.

[13]裴玉龙， 张馨予. 基于视认特性的指路标志版面不同区域视认效果研究[J]. 森林工程， 2020， 36（4）： 109-115.

PEI Y L， ZHANG X Y. Research on visual effect of different areas of guide sign layout based on characteristics of recognition[J]. Forest Engineering， 2020， 36（4）： 109-115.

[14]施丽莎， 陆涛， 周智文， 等. 基于视觉追踪的导向标志评价体系设计[J]. 交通运输研究， 2019， 5（2）： 36-44.

SHI L S， LU T， ZHOU Z W， et al. Evaluation system of guidance signs based on visual tracking[J]. Transport Research， 2019， 5（2）： 36-44.

[15]周智文，马健霄，谭婷.公路毗邻隧道群路段驾驶人视觉稳定性评价[J].森林工程，2020，36（4）：116-122.

ZHOU Z W， MA J X， TAN T. Evaluation of drivers' visual stability in highway adjacent tunnel group sections[J]. Forest Engineering， 2020， 36（4）： 116-122.

[16]丁袁， 马健霄， 潘义勇. 有无信号控制路段下行人过街眼动特性研究[J]. 交通信息与安全， 2019， 37（2）： 40-47.

DING Y， MA J X， PAN Y Y. Characteristics of eye movements of pedestrians crossing with or without signal control[J]. Journal of Transport Information and Safety， 2019， 37（2）： 40-47.

[17]宋志新.無人驾驶汽车制动系统模糊控制研究[J].自动化技术与应用，2019，38（10）：16-19.

SONG Z X. Research on fuzzy control of braking system of unmanned vehicles[J]. Techniques of Automation and Applications， 2019， 38（10）：16-19.

[18]张辉， 钱大琳， 邵春福， 等. 模拟驾驶环境下驾驶人分心状态判别[J]. 中国公路学报， 2018， 31（4）： 43-51.

ZHANG H， QIAN D L， SHAO C F， et al. Drivers distraction states identification in simulating driving environment[J]. China Journal of Highway and Transport， 2018， 31（4）： 43-51.

[19]MA Y L， LI Z X， LI Y C， et al. Driving style estimation by fusing multiple driving behaviors： a case study of freeway in China[J]. Cluster Computing， 2019， 22（4）： 8259-8269.

[20]LIOU J J， WU C F. Assessment of drivers visual perception of information displayed in LED traffic signs at road construction sites[J]. Journal of the Society for Information Display， 2017， 25（1）： 53-60.