2026年6月11日，TOPS第183期组会于通达馆A102线下举行。本次组会由2022级博士朱奕昕进行以《驾驶人可计算认知行为建模与人机交互应用》为主题的学术报告分享。课题组全体老师同学出席了本次组会。

汇报时刻

朱奕昕同学从研究绪论、基于信息排队网络的驾驶员认知机理建模、基于动态认知的驾驶行为建模、可计算认知数字驾驶人的构建与人机交互应用、研究总结与展望五个部分展开介绍。

研究绪论

在研究绪论部分，朱奕昕同学首先从自动驾驶人机交互阶段事故频发的现实问题出发，指出在人机交互信息发出后、主动安全系统介入前，驾驶人的响应具有较强不确定性，容易造成风险持续累积。现有研究虽然能够从行为数据或生理信号中推断驾驶人状态，但对于交互信息触发后的内部认知过程、动态认知波动以及连续驾驶行为响应，仍缺乏统一且可解释的建模框架。

围绕上述问题，朱奕昕同学进一步分析了驾驶人认知行为建模面临的三方面挑战：一是认知机理复杂且不可直接观测，驾驶人响应失效原因难以解释；二是认知状态会随环境、任务和驾驶人自身状态发生波动，难以准确量化；三是既有认知行为模型往往依赖真实驾驶人状态输入，难以独立封装并支撑人机交互系统的快速优化。基于此，朱奕昕同学提出构建面向人机交互快速优化的可计算认知数字驾驶人模型。

基于信息排队网络的驾驶员认知机理建模

在基于信息排队网络的驾驶员认知机理建模部分，朱奕昕同学围绕“风险如何感知、多任务如何调度、认知延迟如何体现”三个核心问题展开介绍。她将驾驶人的认知过程理解为交通信息在感知、认知和运动环节中的连续加工过程，并利用信息排队网络刻画有限认知资源下的任务竞争、排队等待和响应延迟生成机制。

在具体建模过程中，朱奕昕同学并非直接使用外部交通变量判断驾驶风险，而是将车距、相对速度、碰撞时间等交通刺激转化为驾驶人内部的风险感知强度；同时，通过任务排队与服务节点竞争描述主驾驶任务和次要任务之间的资源分配关系。该部分工作将难以观测的认知过程转化为可计算、可解释的模型结构，为理解多任务驾驶场景下的风险感知、注意调度和行为响应提供了基础。

基于动态认知的驾驶行为建模

在基于动态认知的驾驶行为建模部分，朱奕昕同学指出，静态认知机理模型能够解释有限认知资源下的任务加工过程，但仍难以充分刻画人机交互过程中驾驶人认知状态随环境变化的动态演化。为此，她进一步将驾驶人响应过程划分为体态恢复、信息感知和决策响应等阶段，并融合场景信息、人机交互信息和驾驶人状态数据，对注意力分配、感知灵敏度和决策速度等瞬态认知参数进行反演。

在此基础上，朱奕昕同学将动态认知状态映射到横纵向控制参数中，使模型能够从内部认知变化解释连续驾驶行为输出。该部分工作进一步打通了动态认知状态与驾驶人操作行为之间的联系，为分析人机交互条件下驾驶人响应差异提供了新的建模思路。

实验分析

在实验分析方面，朱奕昕同学首先对基于信息排队网络的驾驶员认知机理模型进行了验证。她基于自然驾驶数据提取跟驰样本和多任务驾驶事件，并将驾驶任务区分为视觉负荷和听觉负荷两类典型场景。实验结果表明，相较于经典智能驾驶员模型以及加入固定多任务参数的改进模型，基于信息排队网络的QN-IDM模型在两类负荷场景下均表现出更好的拟合精度，并在模型精度与复杂度之间取得了较好平衡。进一步的结果分析显示，该模型能够较好地解释延迟模式、麻木模式和过激模式等典型行为特征，说明认知机理建模有助于提升多任务驾驶行为的解释能力。

实验分析

针对动态认知行为模型，朱奕昕同学进一步从行为输出层面对模型进行了验证。实验结果显示，引入认知排队网络和参数预测网络后，模型对驾驶行为响应过程的刻画能力得到提升，在纵向风险响应和横向控制行为建模中均表现出较好的效果。尤其是在横向行为刻画方面，动态认知参数能够反映驾驶人在不同认知状态下的控制调整过程，使模型不只停留在轨迹误差拟合层面，而能够进一步解释行为变化背后的认知机制

实验分析

朱奕昕同学还对核心认知参数与人机交互提示之间的关系进行了分析。结果表明，人机交互提示的时机、强度与语义质量会系统性影响驾驶人的反应时间。较强的听觉刺激和更充足的请求提前量有助于缩短体态恢复时间，清晰的语义提示能够缩短决策响应时间；但过度重复的提示也可能导致警告脱敏和认知疲劳。该结果说明，动态认知模型不仅能够服务于驾驶行为预测，也可以为人机交互提示设计和主动安全策略优化提供参考。

可计算认知数字驾驶人的构建与人机交互应用

在可计算认知数字驾驶人的构建与人机交互应用部分，朱奕昕同学介绍了基于知识蒸馏的数字驾驶人构建方法。该方法以前述动态认知行为模型为教师模型，通过状态蒸馏、行为蒸馏和分布蒸馏，使学生模型学习外部刺激、认知状态和驾驶行为之间的映射关系。由此构建的数字驾驶人不再依赖真实驾驶人的实时状态输入，而是能够基于道路环境信息和人机交互提示信息生成认知状态与驾驶行为输出。

研究总结与展望

进一步地，朱奕昕同学将数字驾驶人与闭环仿真平台相结合，用于人机交互算法的快速评估、参数寻优和多轮并行仿真。该部分工作有助于降低传统真人实验在成本、周期和安全性方面的限制，为人机交互系统的快速迭代优化提供了新的技术路径。

未来，朱奕昕同学将继续拓展复杂人机交互场景覆盖范围，增强模型对个体差异和群体特征的表征能力，并进一步探索数字驾驶人在人机交互系统优化中的应用潜力。

汇报结束后，与会师生围绕研究内容展开了深入讨论。多位同学首先就模型参数标注分析、动态认知参数真实性验证等方面提出了若干问题。随后，孙杰老师建议强化模型认知机理解释，并优化研究背景的案例选取；倪颖老师指出，应进一步说明模型预测准确性的内在原因，明确驾驶人个体特征与数字驾驶人构建之间的关系；石皓天老师指出，应更加清晰地呈现方法论与模型的关键细节，突出重点信息；秦国阳老师建议凝练贯穿全文的中心问题，突出认知建模范式的独特价值。最后，孙剑老师总结发言，指出后续研究应建立应用场景驱动的认知行为与人机交互体系。整场研讨在积极而浓厚的学术氛围中顺利结束。