研究背景

与交通控制室环境相关的任务通常需要对来自多种设备的不同信息源进行持续的视觉评估 – 包括来自安装高速公路上探头的监控画面和诸如智能手机和GPS追踪信息以及大量的历史数据。在本研究中，英国伯明翰大学的研究人员使用眼动追踪来调查操作员在执行一项标准的道路交通控制任务时的行为差异。.

本研究是欧盟资助的 SPEEDD项目的一部分。SPEEDD项目的目的是为决策者，尤其是那些需要处理大量数据的操作人员开发新型的智能决策辅助技术 。

研究目标

本研究的目标是找出操作人员在处理多信息源数据时的行为差异，从而对操作员在执行任务时对事件的响应策略以及操作员对这些信息资源的使用方式。此外，本研究还考察了头动、视线转换与他们相关的任务结构的相关性。

通过对注意模式的分析，研究人员将得到操作员在对可用信息的处理方式和对不同信息来源的相对重要性相关的洞察力。这些数据将被用于开发操作员的决策过程模型，以此对SPEEDD项目开发的屏幕设计进行评估。 

研究工具与方法

预测交通拥堵并作出相应的决策使其得到缓解是研究的主要主要目标。交通拥堵在发生前5-20分钟被预测出来，相应的交通信号灯设置与限速决策在30秒内完成。这可通过将用于采集实时交通数据的多种传感器技术进行融合来实现。

诸如道路交通管理一类的控制室任务需要持续的视觉评估并作出干预决策。包括对广泛信息源的监视和使用标准的操作流程对实时的现场画面作出相应的反馈。

在本研究中，研究人员使用了Tobii Glasses眼动仪来研究三名操作员对模拟的“路面交通事件”任务时的事件处理方法。该任务需要从多个显示器上获取并整合信息。控制室操作员依靠“视觉取样”来处理视觉信息，对目标区域的显性注意顺序由头动和眼动来确认。视觉样本通过眼动追踪来量化。

操作员配戴一副Tobii Glasses眼动仪来记录他们在屏幕上的观察位置。眼动数据被叠加在十个兴趣区上，头动方向的数据通过视频数据被自动计算出来。数据采集后，使用Matlab (MathWorks)进行后期的分析。

在控制室内，展现在操作员面前的有五个计算机显示器（见图1），分别显示事件记录，交通网络图，当前控制员负责的中央监控实时画面以及网络和其他信息的画面。控制台的背景是一个4X4的中央监控画面矩阵和一个可与控制台交互的较小的中央监控画面。控制台上还配有与设施外的相关人员通讯的普通电脑周边设备和电话/无线电。

一条记录样本

研究人员在采集完一名操作员的全部眼动数据后，可了解该操作员的视觉注意重点区域以及其转移的方式，如下图所示。很明显，操作员在执行常规任务时，更倾向于观察事件报告屏幕和道路网络屏幕(热点图中红色区域部分) ，而对中央监控画面的关注较少(以及用于控制该摄像头角度的摇杆)。

图2 – 热点图显示出操作员的注意重点。

研究结论

研究人员发现操作员会利用不同的信息源完成同一个任务。操作员们对中央监控画面的观察存在差异，由此造成了观察模式的偏好。多数情况下，操作员对目的兴趣区的头部和视线的方向是一致的，而头动对视线转移的辅助通常是因人而异的。

研究结论表明除非强制的观察模式会致使操作员在不降低效率的情况下保持高度的一致性，不同的工作流程以及相应的多种视觉采样策略的协调可能有助于控制室环境的设计。 

将图形分析法应用到社交分析的新领域中，研究人员得到了包含信息流程环境下的用于衡量、可视化注意力行为的新指标。通过对这些注意模式的分析，分析人员得到了关于不同信息源的相对重要性与操作员对这些信息源处理方式的洞察力。

本研究的结论将为后续的决策模型开发和新的道路交通控制交互界面的设计以及操作流程的规划带来帮助。眼动追踪为他们的此类评估起到了关键作用。

为何使用眼动追踪，为何选择Tobii?

眼动追踪是能够直接对视觉信息采样行为进行衡量和评估的唯一方式。在道路交通控制室，对视觉信息的采样观察非常重要，因为操作员的感知理解（他们的“情境意识”）可能是由熟悉效应产生的错觉。将眼动追踪作为工具应用到此类用户界面的研究中，将为能够改善预测与决策的视觉采样研究产生极大的促进作用。

“我们之所以选择Tobii Glasses眼动仪用来做控制室的现场研究是因为它很便携，佩戴简单且非常易用。IR标记器可以实现对环境相关元素的数据叠加，而被许多眼动追踪研究人员所熟悉的Tobii Studio数据处理工具让我们能够进行快速的眼动和头动行为的量化分析，这比基于眼动追踪视频的定性分析得到的细节信息要多得多。”

 Dr. Neil Cooke, Dr. Sandra Starke 和Prof Chris Baber,

——伯明翰大学电子电气与系统工程学院