不同情境下乘员对车辆运动参数的晕车敏感性研究

2023-12-28马利付锐孙秦豫郭应时王畅袁伟

交通运输系统工程与信息 2023年6期

马利，付锐,b，孙秦豫，郭应时*,b，王畅,b，袁伟,b

(长安大学，a.汽车学院；b.汽车运输安全保障技术交通行业重点实验室，西安 710064)

0 引言

晕车属于晕动症(Motion Sickness,MS)的一种，是一种常见的病症，会产生包括恶心和呕吐等不良反应，影响乘员的乘坐体验，甚至会造成恐惧心理，影响日常出行交通工具的选择。目前，普遍认可的晕车产生机理是感知冲突理论[1]，该理论认为引起晕车的主要原因是视觉感知系统、前庭系统和体感系统给小脑传递的信号之间存在差异，差异越大，越容易引起晕车。因此，较为剧烈的车辆运动会引起更加严重的晕车。特别是自动驾驶汽车由于其安全性和减少拥堵的优势得到了极大的发展[2]，部分L2和L3级别的自动驾驶已经量产，车载数字化交互设备不仅提高了使用门槛，也提高了晕车概率，因此，无论对于传统汽车还是自动驾驶汽车，晕车问题迫在眉睫。所以，通过分析车辆运动与晕车的关系，得到对应的车辆参数晕车阈值，通过约束车辆运动参数不超过晕车阈值是一种非常有效地减少晕车的方法。当前，自动驾驶车辆的规划控制算法中，关于通过约束运动参数值减少晕车的方案并没有明确的依据。

目前，针对晕车阈值已经有了一些研究，晕车是由不舒适状态逐渐累积形成的，因此，研究中也有用“舒适性”一词描述乘员的晕车状态。法国的ANGO项目聚焦于提升公交车的服务水平，并开展一项公交车乘员站立时不舒适状态对应的车辆参数阈值的试验，当乘员感到不舒适时按下记录按钮，试验以加速度和加加速度(加速度导数)作为分析对象，试验时长为10 min，分析得到不舒适时3个方向的加速度和加加速度均值[3]。类似的研究探究乘员不同姿态下舒适度对应的横向加速度阈值，试验时长为45 min，结果表明，乘员感到不适的3 个级别，不舒适、非常不舒适和极度不舒适对应的横向加速度分别为1.50，1.75，2.00 m·s-2[4]。LI等[5]分析客车司机的不安全加速行为与乘员舒适性之间的关系，试验通过乘员的主观评价记录不舒适状态，路线总长26 km，结果表明，当加速度大于或等于1.50 m·s-2，减速度小于或等于-0.75 m·s-2时会引起不适。郭应时等[6]研究车辆换道对舒适性的影响，通过主观评价方法采集乘员的状态，利用受试者工作特性曲线得到不同晕车易感性乘员的车辆运动参数(加速度和加加速度)舒适性阈值。

晕车状态的衰退需要较长的时间，即晕车状态具有累积效应，暴露时间越长，晕车越严重，因此，晕车等级在乘车过程中是变化的，单一晕车阈值难以满足动态变化的场景需求。当前研究主要结合乘员的晕车主观评价分析得到晕车阈值，潜在的假设是每次做出主观评价前不存在晕车状态，并未考虑不同晕车等级对阈值的影响。而文献[7]仅仅建议针对不同行驶速度横向加速度阈值应该考虑多个值。因此，不同晕车等级下，车辆运动参数阈值的变化规律值得深入探讨。

为更加直观地描述问题，本文将该问题称之为车辆运动参数相关的晕车敏感性(The susceptibility of car sickness related vehicle motion parameters based on different motion sickness ratings,SoCS-MP)。本文提出的SoCS-MP 主要体现在：随晕车等级的上升，使晕车等级发生变化所对应的车辆运动参数最大值变小(下文简称假设)，以敏感性假设的成立情况作为晕车敏感性特性。

不可忽略的是，晕车作为一种病症，与乘员的特性密切相关，特别是晕车易感性(Motion Sickness Susceptibility,MSS)，即容易晕车的特性。同时，基于前面提到的感知冲突理论和当前相关研究，乘车中看屏幕也是容易导致晕车的因素，本文将其称为非驾驶相关任务(Non-Drive Related Tasks,NDRTs)。所以，晕车问题研究中MSS 和NDRTs 不能忽略，本文称不同的MSS 和NDRTs 组合为“情景”。

综上，针对上述未考虑不同晕车等级和不同情景等研究不足之处，本文设计4 种情境下(不同MSS、有无NDRTs)的实车乘坐试验，以4 种典型工况下的加速度和加加速度作为分析对象，分别针对4种情景讨论晕车敏感性假设成立情况。不考虑晕车等级时，晕车阈值只表示晕车等级增加时的车辆参数值，考虑晕车等级时，晕车阈值表示晕车状态变化(不增加，增加)时的车辆参数值，此时，晕车阈值具有多值性，为此，试验记录每次运动工况前后乘员的晕车状态，得到晕车状态变化情况。以两个假设为基础，进一步，将相同情景和不同晕车等级下的晕车阈值变化规律(横向敏感性)进行横向对比，将不同情景和相同晕车等级下的晕车阈值变化规律进行纵向对比(纵向敏感性)，得到最终的晕车敏感性特性，丰富当前晕车阈值问题研究。

本文的主要贡献为：

(1)提出一种用于判定晕车易感性的算法。

(2)设计一种测量与运动工况相关的晕车等级变化量的方法。

(3) 分析不同MSS 和NDRTs 下的车辆运动参数与晕车等级之间的关系。

(4)提出晕车敏感性的概念，并探究4种情景下晕车敏感性特性。

本文针对晕车敏感性的研究可以明确不同情境下的晕车阈值，为传统车辆提供舒适性驾驶参考依据，也可为自动驾驶规划控制方法提供车辆运动参数约束。

1 实验设计

本文的主要研究思路如图1所示，实验目的为获取4 种情景下乘员晕车等级及对应的车辆运动参数。通过有经验驾驶员驾驶车辆在封闭实验场地按照既定工况和路线行驶，被试依据指令完成相关任务。

图1 研究路线Fig.1 Research route

1.1 实验场地及工况

本文的研究目的是分析不同工况下的晕车敏感性，因此，为保证能够完成既定顺序的工况，以及保证不同被试数据的一致性，本文选择在封闭场地开展实验。实验路线选择内侧环形跑道，路面坡度为0，场地及实验路线如图2所示。

图2 试验场地及路线Fig.2 Test site and route

为模拟真实驾驶场景，同时，为量化分析，在前期实际采集城市道路驾驶数据分析的基础上，结合文献总结，本文选取几种典型工况：加速、减速、换道和转弯等单一工况，以及其他复合工况，为简化分析，本文仅针对单一工况开展研究。每次实验行驶8 圈，约25 min，每个被试所经历的工况数目和顺序全部相同。在执行相应的工况前，车辆均速行驶，最高车速不超过70 km·h-1。本文要求驾驶员对每种工况执行两种不同强度的操作，但不对每种强度作具体要求，以便获取相对分散的数据，便于模拟真实场景和后续的统计分析。由于在实验中，驾驶员需要重复执行多种操作，为避免实验时间和操作顺序对乘坐舒适性的影响，在制定行驶工况顺序时，每圈安排不同的工况。所有被试在实验中经历的行驶轨迹以及行驶工况的顺序一致，避免因为行驶轨迹和行驶工况顺序引起的驾驶人舒适性感受的差异，实验工况次序如表1所示。

表1 试验工况及次序Table 1 Test conditions and sequence

1.2 实验设备

本文选择比亚迪汉DM-i作为实验车辆。采用9 轴姿态传感器记录车辆运动数据，传感器量程为加速度±16 g，角速度2000(°)·s-1，角度X轴和Z轴为180°，Y轴为90°。测量精度加速度为0.01 g，角速度为0.05(°)·s-1。满足实验需求。传感器安装于车辆仪表台上方，坐标系与车辆坐标系保持一致。

1.3 被试

被试的不同特性对晕车影响较大，因此，本文分别介绍三方面的被试特性选取原则及依据。

1.3.1 年龄

一项研究通过对2840名被试的分析[8]发现，女性晕车发生比例在11 岁时最高，而男性为21 岁，20 岁时的晕船概率是80 岁的4 倍。全球性的晕车调查报告和实车实验显示，年轻群体相对老年群体更易晕车。为使分析结果更具有显著性，本文选择年轻被试群体开展实验，平均年龄为25.65岁，标准差为2.12岁。

1.3.2 晕动易感性

当前研究中，把容易晕车的特性称之为晕动易感性，作为显而易见的重要影响因素，研究中常用晕车易感性量表(Motion Sickness Susceptibility Questionnaire,MSSQ)及其简化形式(MSSQ-s)记录被试的晕车易感性[9]。MSSQ 包含两部分内容，分别是12 岁之前的晕车经历以及近10 年的晕车经历。已有研究中，主要根据一般人群的百分位数对被试晕车易感性的分类。例如，有研究根据第20和第80 百分位数得分将被试分为易感和不易感，得分中等的人被排除在外。也有研究将易感性得分高于80 百分位数得分的分为易感被试，低于80百分位数得分的分为不易感被试。也有根据第一、第二、第三及第四分位数将被试分为低度、轻度、中度和高易感性组。

可以看到，基于MSSQ判定晕车易感性方法各不相同，且国内外人群可能会有差异，同时，MSSQ中缺少对乘坐交通工具频次的分析，可能会使最终结果产生一定的偏差。因此，为减少MSSQ 的偏差，本文提出一种结合主观评价的晕车易感性判定方法，该方法结合主观评价的综合准确性和MSSQ-s 的定量分析优势。首先，将晕车易感性分成4个等级，以自我报告的形式记录被试的晕车易感性(SR)，4个等级的人数分别为7，14，13，2人，并填写MSSQ-s 近10 年经历的部分(Avg 为9.96，SD为11.20)。以SR为基准得到4个等级下的MSSQ-s平均值(3.25,10.38,16.44,42.258)，固定4个均值作为聚类中心，以欧氏距离作为聚类准则将MSSQ-S分数划分成4类。最后，将SR分数和MSSQ-s分数加权相加，并划分成两类，权重因子分别为0.7 和0.3。由于两种分数均划分成4 类，并作量化处理，因此，将中间值2作为高晕车易感性和低易感性划分阈值，最终，确定高晕车易感性被试14 名，低晕车易感性被试22 名。本文设定的4 种情景分别是高晕车易感性-有NDRTs(HT)，高晕车易感性-无NDRTs(HN)，低晕车易感性-有NDRTs(LT)，低晕车易感性-无NDRTs (LN)。分别对4 种情景(LN、LT、HN、HT)进行Cronbach 信度分析，α系数分别为0.9012，0.8537，0.8829 和0.8721，结果表明，信度较好，说明被试人数满足要求。

1.4 实验流程

实验前，提前告知被试试验内容以及可能经历的不适，询问被试身体健康情况，并填写实验知情书。

本文通过主观评价记录乘员的晕车等级，为更细致地记录晕车等级，将其划分为0～9级。其中，0代表不晕车；1～3 级为轻度晕车；4～6 级为中度晕车；7～9级为严重晕车。

2 名被试坐在后排，1 名被试坐在副驾驶。驾驶员按照指定工况驾驶，为获取运动工况前后的晕车等级，试验要求被试在每次运动工况发生改变前的均速运动阶段记录下自身晕车等级(0～9 级，9 代表严重晕车，需要停止实验)。同时，在运动结束后，记录自身晕车状态。方式与文献[2-5]，均为主观评价。开始记录信号由驾驶员通过车载蜂鸣器发出，保证记录晕车状态时，车辆处于均速行驶，避免因记录而引起晕车反应。

实验分2次进行，分别是有NDRTs和无NDRTs试验，非驾驶任务为通过车载屏幕观看视频，为避免晕车的交互影响，被试参与2次的时间间隔在7 d以上。无NDRTs 试验除了记录自身晕车等级外，不对被试作任何要求。有NDRTs实验要求被试除了记录自身晕车等级外，全程观看视频。若被试在实验过程中无法完成实验，可随时要求停止实验，并安排身体检查和休息。试验车内场景如图3所示。

图3 试验车内场景Fig.3 Test vehicle interior scene

实验结束后，发放劳务费，并安排被试休息，确定身体无恙后方可离开。

2 车辆运动参数与晕车等级分析

本文的目的是探究4 类情境下的SoCS-MP 问题，进一步，将其细分为横向敏感性和纵向敏感性，需要分析晕车等级的累积效应和不同情境下晕车等级的差异性，以此为基础和先决条件才能探究晕车敏感性。

本文选取单一工况进行分析，分别是加速、减速、换道和转弯。本文选择纵向工况下的最大加速度(a)和加加速度(j)，横向工况下的横向加速度(a)和横向加加速度(j)作为分析对象，其中，换道工况以换道和回正时参数的最大值作为分析对象。本文按照不同被试和NDRTs将2组试验的数据分为4类，分别是高晕车易感性-有NDRTs(HT)，高晕车易感性-无NDRTs(HN)，低晕车易感性-有NDRTs(LT)，低晕车易感性-无NDRTs(LN)。

通过对数据的滤波处理与筛选，得到最终数据。4 种情境下，数据的数量如表2 所示。显著性分析方法为单因素方差分析。

表2 4类情境下有效工况的个数Table 2 Number of effective working conditions in 4 situations

2.1 车辆运动参数差异性分析

本文的敏感性假设之一是纵向敏感性，即在4类情景之间进行对比。为了保证分析的一致性，需要排除其他变量的影响。表1说明4类情境下工况顺序是一致的，因此，还需要分析4 类情境之间的运动工况参数差异性。4 类情景下，不同工况参数分布的单因素方差分析结果如表3 所示，可以看到，不同工况下的参数分布均没有显著差异，表明运动工况参数对4 类情景下晕车等级的影响较小。因此，可以进行敏感性假设分析。

表3 4类情景下不同工况参数分布的差异分析Table 3 Analysis of differences in parameter distribution under different operating conditions under 4 situations

2.2 4类情景间晕车等级的关系

4 类情境下，晕车等级的时间差异性如表4 所示，“时间差异性”即不同暴露时间下，4类情景之间晕车等级的差异性，由于本文4类情景的工况顺序相同，且实验时长基本一致，因此，以圈数代替暴露时间进行显著性分析。可以看到，情景HN和LT下的晕车等级在实验前4圈无显著差异，其余情况均存在显著差异。结果表明，情景分类是合理的。

表4 4类情景下晕车等级的差异性Table 4 Differences in ratings of car sickness in 4 situations

2.3 车辆运动参数与晕车等级的关系

不同情景和不同工况下，车辆运动参数与晕车等级的趋势如图4所示。

图4 4种情境下，车辆运动参数与晕车等级的关系Fig.4 Relationship between vehicle motion parameters and degree of motion sickness in four scenarios

可以看到，晕车等级整体具有上升趋势，并随运动参数值的较大幅度增加与减小而随之变化。证明了不同情景之间的晕车等级存在显著性差异，4种情景的晕车等级依次为：LN小于LT小于HN小于HT，同时，相邻运动参数值差异较小的情况下，晕车等级呈上升趋势。可以看到，高MSS 比低MSS 乘员的晕车等级要高，表明本文所提出的MSS分类方法是有效的。同时也表明，引起晕车等级增加的车辆运动参数可能具有不同的阈值，需要进一步做量化分析。

综上，4种情境下，晕车等级具有随暴露时间而增加的趋势，即具有时间累积效应，可以开展敏感性横向对比。4种情境下，工况次序一致，且运动参数无显著差异，晕车等级具有差异性，并且确定了纵向对比次序，即，LN小于LT小于HN小于HT，因此，可以开展敏感性纵向对比。

3 SoCS-MP结果分析

本文探究不同晕车等级下晕车状态发生改变(不增和增加)对应的车辆运动参数值，“增加”即晕车等级相对前一时刻增加，“不增”即晕车等级相对前一时刻减少或者不变。并基于不同晕车等级进行横向对比，对不同晕车等级下4 类情景进行纵向对比，纵向对比次序即，LN小于LT小于HN小于HT。

考虑到晕车等级分为0～9级，每一级对应的晕车等级发生改变的个数可能较少，因此，本文将每3个等级合并为1 个晕车等级。即程度Ⅰ对应轻度晕车(等级1～3)，程度Ⅱ对应中度晕车(等级4～6)，程度Ⅲ对应严重晕车(等级7～9)。由于晕车等级为0时晕车状态主要为不变和增加，且增加也不会引起严重的晕车反应，因此，本文不予分析。统计发现，晕车等级合并后，每级对应的晕车等级发生改变的个数仍有较少的情况出现，为避免个别值导致结果发生偏差，本文将最小有效个数设为5。

3.1 加速工况SoCS-MP假设成立情况统计

加速工况下，4 类情景的晕车状态改变对应的车辆运动参数最大值如表5 所示。其中，情景LN和情景LT 的有效值为等级Ⅰ，情景HN 和情景HT的有效值为等级Ⅰ和等级Ⅱ，表明加速工况中，高晕车易感性被试晕车等级更高。4 类情境中，使晕车等级增加的车辆参数阈值范围是：加速度为0.1102～0.1697 g，加加速度为0.1298～0.1792 g·s-1，使晕车等级不增的车辆参数阈值范围是：加速度为0.1174～0.1391 g，加加速度为0.1087～0.1908 g·s-1。

表5 加速工况下晕车状态改变对应的车辆参数最大值Table 5 Maximum value of vehicle motion parameters corresponding to changes in motion sickness under acceleration conditions

加速工况中，SoCS-MP假设成立情况如表6所示。横向对比结果表明，情景HN 和情景HT 横向敏感性假设基本成立，而情景LN和情景LT假设不成立。纵向对比结果表明，程度Ⅰ晕车状态不增时，假设成立；程度Ⅱ两种状态下，假设均成立。同时，加速度和加加速度在假设成立与否，无显著差异。

表6 加速工况中SoCS-MP假设成立统计Table 6 Statistical table for SoCS-MP assumption in acceleration conditions

3.2 减速工况SoCS-MP假设成立情况统计

减速工况下，4 类情景的晕车状态改变对应的车辆运动参数最大值如表7所示。4类情境下的有效值均为程度Ⅰ和程度Ⅱ。4 类情境中，使晕车等级增加的车辆参数阈值范围是减速度0.1871～0.3391 g，加加速度0.1892～0.3094 g·s-1；使晕车等级不增的车辆参数阈值范围是加速度0.1871～0.2554 g，加加速度0.1992～0.2593 g·s-1。

表7 减速工况下晕车状态改变对应的车辆参数最大值Table 7 Maximum value of vehicle motion parameters corresponding to changes in motion sickness under deceleration conditions

进一步统计，结果如表8所示。横向对比结果表明，LN 和LT 的横向敏感性假设不成立，HN 和HT 的横向敏感性基本成立，其中，HN 的不增加状态假设不成立。纵向对比结果表明，纵向假设均不成立。加速度和加加速度在假设成立与否时，无显著差异。

表8 减速工况中SoCS-MP假设成立统计Table 8 Statistical table for SoCS-MP assumption in deceleration conditions

3.3 换道工况SoCS-MP假设成立情况统计

换道工况下，4 类情景的晕车状态改变对应的车辆运动参数最大值如表9 所示。其中，3 个等级下HT的结果均有效，其余情景，只有程度Ⅰ和程度Ⅱ有效，且“增加”状态只在程度Ⅰ下有效。4 类情境中，使晕车等级增加的车辆参数阈值范围是横向加速度0.0553～0.0729 g，横向加加速度0.1451～0.1499 g·s-1；使晕车等级不增的车辆参数阈值范围是横向加速度0.0693～0.0863 g，横向加加速度0.1247～0.1571 g·s-1。

进一步统计，结果如表10 所示。横向对比结果表明，4 类情景下，横向敏感性假设均成立，纵向对比结果表明，只有等级Ⅰ下的加速度满足纵向敏感性假设，其余不满足。加速度和加加速度在假设成立与否时，无显著差异。

表10 换道工况中SoCS-MP假设成立统计Table 10 Statistical table for SoCS-MP assumption in lane change conditions

3.4 转弯工况SoCS-MP假设成立情况统计

转弯工况下，4 类情景的晕车状态改变对应的车辆运动参数最大值如表11 所示。其中，LN 只在程度Ⅰ和程度Ⅱ下成立，其余情景3个程度下均有效，低晕车易感性被试程度Ⅱ下“增加”状态无效。4 类情境中，使晕车等级增加的车辆参数阈值范围是横向加速度0.2030～0.2488 g，横向加加速度0.0908～0.1345 g·s-1；使晕车等级不增的车辆参数阈值范围是横向加速度0.0913～0.1209 g，横向加加速度0.0913～0.1209 g·s-1。

表11 转弯工况下晕车状态改变对应的车辆运动最大值Table 11 Maximum value of vehicle motion parameters corresponding to changes in motionsickness under turning conditions

进一步统计，结果如表12 所示。横向对比结果表明，低晕车易感性被试不满足横向假设，高晕车易感性被试满足横向假设。纵向对比结果表明，纵向假设只在等级Ⅱ“增加”状态下成立。加速度和加加速度在假设成立与否时，无显著差异。

表12 转弯工况中SoCS-MP假设成立统计Table 12 Statistical table for SoCS-MP assumption in turning conditions

4 讨论

探究车辆运动参数与晕车等级的关系，明确引起晕车的车辆参数阈值可为车辆的有人驾驶和无人驾驶提供减少晕车方面的参考。晕车的复杂特性为晕车阈值的研究带来了很大的挑战，本文基于当前晕车阈值的研究和晕车的累积特性与主观特性，提出晕车敏感性的概念，并探究其特性。本文借助所提出的敏感性概念，明确了车辆晕车阈值，并进一步讨论车辆运动参数和晕车等级的关系。

4.1 晕车的累积效应

晕车的累积效应是本文进行敏感性横向对比的基础，图4表明，晕车等级整体具有增加的趋势，并随运动参数值的较大幅度增加与减小而随之变化。

累积效应下，晕车等级的增加与减少与车辆运动参数的关系是复杂的，因此，必然存在多个晕车阈值，并且晕车阈值之间也存在着某种关系。基于此，总结当前研究的不足之处，并探究不同晕车等级下车辆运动参数阈值的变化规律。探究晕车阈值的目的是找到不引起晕车的最大车辆运动参数值，结合晕车的累积效应：一是，可以探究不同晕车等级下减少晕车的参数的阈值；二是，可以探究晕车等级增加的阈值。因而，在复杂的场景下，控制车辆时具有两个选择：一是，减少晕车；二是，不增加晕车，维持当前晕车状态。相对于当前研究中只有一个晕车阈值具有多选择性，具有复杂行驶场景的高适应性。

4.2 不同情景对晕车的影响

本文针对不同MSS和NDRTs进行分类，因此，与之前的研究结论无法进行详细对比。但就本文的平均结果来看，与文献[5-6]具有相似的结果。

表4 表明，整个实验过程4 种情景下的晕车等级具有差异性，其中，HT 和LN 在前4 圈不具有差异性，后4圈具有差异性。进一步，图4表明，HT的晕车等级最高，LN 的晕车等级最低，HN 在后4 圈比LT 的晕车等级高，表明自身特性的MSS 相比外部环境的NDRTs 对晕车具有更大得影响，同时，也表明本文所采取的MSS 晕车分类方法是有效的。4 种情境下，晕车等级具有显著性差异，所以，对于晕车方向的研究另一个启发是从应用角度而言，不同情景不能被忽略，区分不同情景，可得到不同参数阈值，进而针对乘员特性制定个性化车辆控制策略，更好地满足乘员需求。

4.3 晕车的敏感性

本文初步探究了与车辆运动参数相关的晕车时间特性，结果表明，车辆运动参数阈值随晕车等级而变化，特别是对于高晕车易感性被试，阈值随晕车等级而下降。在中度晕车等级下，一般是乘车时间的中间部分，此时，4类情境下的纵向敏感性假设成立，即固定的车辆运动参数阈值是不适用于高晕车易感性人群的，为维持较舒适的乘坐环境，“驾驶员”需要依据乘员的晕车状态和特性动态调整车辆的运动。

因此，车辆运动参数于晕车等级的关系主要体现在“动态”上。动态调整车辆的运动则需要了解乘员的特性，监测乘员的NDRTs 状态以及预测乘员的晕车等级，同时，结合SoCS-MP 研究结果，才能更精准地实现晕车的缓解。更进一步的是，文献[4]的研究还指出不稳定的加速度可能会引起晕车阈值的降低，可以称之为参数的“稳定性”。因此，未来的研究方向可以“动态”为基础，探究车辆运动参数的“稳定性”对晕车的影响，特别是当前传统燃油车与电动汽车加速和减速过程的动态响应差异对晕车的影响。