老齡化視角下的駕駛行為分析與智能輔助裝置研究綜述

馬雨彤，徐一楠，陳旭嬌，李方舟，劉 輝

（1.德國科隆大學科隆醫院，德國 科隆 50923；2.中南大學交通運輸工程學院，湖南 長沙 410075；3.浙江省中醫院老年醫學科，浙江 杭州 310013；4.浙江大學醫學院附屬浙江醫院老年病科，浙江 杭州 310030）

引言

全球范圍內，人口老齡化已經成為一個不可忽視的趨勢。據聯合國預測，隨著醫療技術的不斷進步和生育率的下降，到2050 年，全球60 歲及以上的老年人口將增至21 億人［1］，引發了對養老、醫療和社會服務體系的深刻思考。我國作為世界上人口最多的國家之一，同樣面臨嚴重的人口老齡化問題。根據國家統計局的數據，截至2020 年底，我國60 歲及以上的老年人口已經超過2.5 億［2］，占總人口的近18%，高于全球9.3%的平均水平，老齡化程度在全球處于中上水平［3］。到2050 年，我國65 歲及以上的人口比例將達到24%。這一趨勢預計未來將繼續加劇，對社會養老、醫療服務和長期護理等方面提出了迫切需解決的挑戰。研究結果顯示，到2045 年，65 歲以上的老年駕駛員預計將占全體駕駛員的14%。目前，大多數中青年表示在65 歲后依然計劃保有并駕駛小汽車［4］，尤其是年輕、高收入和持有駕照的人群更趨向于保有并駕駛小汽車［5］。老年駕駛員的增加帶來了道路交通安全的潛在隱患［6］。老年人駕駛引發了一系列與交通安全、認知能力與身體健康等相關的問題［7］。老年駕駛員的駕駛行為評估及其影響因素也已成為全球關注的問題。老年駕駛員由于身體機能下降、普遍缺乏交通安全法律知識、以及素質和判斷能力較差［8］導致其駕駛行為以及事故率與年輕駕駛員不同，所以有必要對老年駕駛員的駕駛特征進行分析，并提出相應的改進策略。

1 老年駕駛員的駕駛事故特點分析

老年駕駛員事故特點與年輕駕駛員不同，通過了解老年駕駛員事故的特點，可以研發設計更適用與老年駕駛員的智能化設備，以提高老年駕駛員的駕駛安全性。老年駕駛員在事故中的特點包括對前方路況注意力較差、白天事故多發，尤其是在交叉路口和左轉彎時［9］。老年駕駛員事故因素的相關研究指出無信號交叉口、路面狀況等因素顯著增加了老年駕駛員的事故率［10］。性別、碰撞類型、車輛類型、道路限速等因素與老年駕駛員事故嚴重程度顯著相關［11］。在致命車禍涉及率方面，老年駕駛員的事故率下降幅度高于中年駕駛員［12］。老年駕駛員更容易在交叉口發生事故，尤其是在轉彎時［13］。相關研究成果如表1 所示。

表1 老年駕駛員事故影響因素與具體原因Tab.1 Factors and specific causes of accidents involving elderly drivers

在老年駕駛員事故影響因素分析方面，劉蕾［9］通過對老年駕駛員發生交通事故的特點進行分析，認為我國老年駕駛員在交通事故中的特點主要體現在以下幾個方面：首先，對前方路況的注意力較差，經常因忽視前方道路狀況而引發正面碰撞事故。其次，老年駕駛員在白天出行的頻率較高，因此白天成為老年駕駛員交通死亡事故高發時段，占全天的79%。而且老年駕駛員最容易發生事故的地點是交叉路口，這可能是由于老年駕駛員需要在交叉路口進行信息搜集和決策，若未能充分獲取信息或作出及時決策，則易發生碰撞或剮蹭等事故。尤其在左轉彎時，老年駕駛員所需的信息量和反應時間更多，更容易發生事故，相較于其他事故類型，如超速、超車、酒后駕駛等，老年駕駛員在交叉路口發生事故的概率更高。Mayhew 等［13］分析了65 歲及以上高齡駕駛員涉及的車禍特征，認為與年輕駕駛員的事故相比，高齡駕駛員更容易在交叉口發生事故，尤其是在轉彎時，特別是左轉時。這種事故發生時，高齡駕駛員更有可能是事故的責任方。而且隨著年齡增長，高齡駕駛員在某些類型事故中的過度卷入程度普遍增加。倪定安等［14］通過無信號控制交叉口場景研究了老年駕駛員的轉向行為特征。實驗結果顯示，老年駕駛員在速度、注視持續時間和掃視幅度等方面表現較低，心率變異性指標也較低，表明他們在轉向時更為緊張。圖譜分析發現老年駕駛員在轉向過程中的緊張持續時間更長，信息獲取廣度較低，特別是在左轉向場景下，其駕駛操作的穩定性和安全性更低。

在老年駕駛員駕駛事故影響因素分析研究中，一些學者也采取了統計學習與機器學習方法。鞏建國等［10］基于肇事駕駛員事故數據，采用事故頻數法識別顯著影響老年駕駛員事故率的變量，并運用DBSCAN 聚類算法總結顯著影響老年駕駛員駕駛安全性的因素。研究發現，在無信號交叉口、水泥/沙石路面等12 個變量的影響下，老年駕駛員的事故率顯著高于全體駕駛員。王梓楠［11］開展了關于不同年齡段駕駛員事故嚴重程度的影響因素研究，采用列聯表分析和均值異質性隨機系數Logit 模型對影響因素進行了比較分析；同時，通過深度學習方法構建了基于特征灰度圖的卷積神經網絡，對事故嚴重程度進行預測，并確定了主要影響因素。研究結果提示，性別、碰撞類型、車輛類型和道路限速是影響老年駕駛員事故嚴重程度的關鍵因素。溫惠英等［15］通過構建多項Logit 模型對得克薩斯州17819 起老年駕駛員交通事故數據進行統計分析，研究發現，性別、是否佩戴安全帶、車輛類型、車輛使用年齡、路口路段、限速、車道數、縱斷面線形、是否高峰期、光照條件、發生在郊區/城區等11 個因素與事故嚴重程度顯著相關。

在比較嚴重的事故中，老年駕駛員的受傷甚至死亡率較高的原因不完全是由于他們的駕駛行為，也與他們的身體素質有關。Albert 等［16］認為老年駕駛員的死亡率相對較高，因為他們更虛弱，對傷害的適應能力更低。通過使用模糊層次分析過程（FAHP）來評估交通事故發生的影響因素，在由意外事故導致的老年駕駛員或乘客的死亡案例中，65歲以上駕駛員致命事故的主要因素包括惡劣天氣（多云、霧天或雨天）、濕滑的道路條件以及在黑暗和黎明時的駕駛。而且，農村地區的交通事故死亡率高于城市地區［17］。Cicchino 等［12］探討了1997 年至2012 年間美國70 歲及以上駕駛員與35～54 歲中年駕駛員在致命車禍涉及率方面的趨勢。在整個研究期間，老年駕駛員的事故率下降幅度明顯高于中年駕駛員。而對2008 年以前的數據進行分析顯示，在非致命受傷事故中老年駕駛員的涉及率降低更多，80 歲及以上駕駛員相比中年駕駛員在事故中的涉及率也顯著下降。

2 老年駕駛員的駕駛行為特征與其身體機能、心理狀態的關系探究

老年人駕駛行為受到生理和心理因素的影響［18］。生理上，大腦和運動系統退化，導致動作控制能力下降，視力減退增加駕駛風險［19］。心理上，認知因素如注意力、反應時間和短時記憶影響安全駕駛，同時出行習慣和自我評價也關乎駕駛行為。老年人的駕駛能力受多因素交互影響，其動態變化將決定駕駛行為的好壞［20］。相關研究成果如表2 所示。

表2 老年人駕駛行為的生理和心理因素以及相關的研究結果Tab.2 The physiological and psychological factors of elderly driving behavior and related research results

老年駕駛員的駕駛行為特征與年輕駕駛員不同，需要先了解其駕駛特征再進行駕駛行為特征與其身體機能、心理狀態的關系探究。Bellet 等［21］認為老年駕駛員能夠保持安全的車速，但他們通常不會充分觀察周圍環境以確保自身的安全，這種傾向使得他們的駕駛具有風險。Zhu 等［22］利用車載行車記錄儀的GPS 軌跡數據分析了老年駕駛員的行為，包括路線選擇、駕駛時間、距離、危險事件和速度，發現老年駕駛員更傾向于白天短途旅行，而隨著年齡增長，可能表現出更危險的駕駛行為。趙曉華等［4］的研究以計劃行為理論（TPB）為基礎，引入身體狀況、風險感知、駕駛技能和可替代交通質量等因素，構建了擴展TPB 模型，分析了老年駕駛員自我調節行為及其影響因素，發現身體狀況、可替代交通質量、駕駛能力和風險感知等因素會間接影響了老年人的自我調節行為。Marshall 等［23］在評估了257 名老年駕駛員的車載記錄設備監測數據后，結果表明應對時間更快的駕駛員交通違規率更高。

國內外學者采用各種不同的評估方法對老年駕駛員的行為進行分析，在總結老年駕駛員的駕駛行為特征時，這些方法有助于全面了解他們的駕駛行為。Bedard 等［24］通過對一組70 歲及以上的583 名駕駛員進行長達6 年的多次年度評估，研究結果表明，參與者在研究期間逐漸減少了分心行為的參與，也代表了老年駕駛員隨著年齡的增長會主動規避風險，結果與巴爾特斯提出的“選擇性優化與補償”（SOC）的老年心理學模型結論一致。郭鳳香等［25］通過在昆明市進行老年人出行數據的問卷調查，統計分析結果顯示，老年駕駛員的年齡與駕駛暴露行為之間存在顯著的負相關，而駕駛能力與駕駛暴露行為之間呈顯著正相關。而且不同就業情況和不同病史、服用不同藥物的老年駕駛員在駕駛暴露行為上存在差異。同時文章提出駕駛能力在社會支持和駕駛暴露行為之間發揮了完全中介的作用，即社會支持通過影響駕駛能力，進而影響了駕駛暴露行為。Choi 等［26］采用自我報告評估工具AFDQ，深入探討了老年駕駛員在日常駕駛中經歷注意力失效的情況，通過一種新的方法，區分注意力失效發生的次數和頻率，并發現老年駕駛員中注意力失效的頻率可以用于預測交通違規和事故發生的可能性。Ng等［27］通過使用短時物理表現評估（SPPB）測量老年駕駛員的身體功能，研究發現獲得較高的SPPB 分數的老年駕駛員的事故涉及風險較低，并且發生限制駕駛空間的相關不良事件發生率較低。其中限制駕駛空間的相關不良事件，可以理解為在駕駛過程中需要進行特別小心或采取額外措施以避免碰撞等問題的情形。同時，SPPB 可以成為鑒別老年駕駛員潛在風險的有效工具。

老年駕駛員的生理機能下降，導致其駕駛行為特征與較為年輕的駕駛員不同，Lacherez 等［28］旨在了解感覺運動功能和平衡與老年駕駛表現的關系，通過對270 名老年駕駛員的實際駕駛表現的評估，顯示振動感知不良、股四頭肌力量減弱以及閉目站在泡沫表面上搖擺增加被確定為不安全駕駛的獨立風險因素。整體來講，強調了感覺、運動和平衡測量與老年人駕駛安全密切相關。Schulz 等［29］則從老年駕駛員避免特定駕駛情境與實際駕駛技能之間的關系入手，考慮了與駕駛避免行為和駕駛技能都相關的因素。這里的駕駛避免行為具體而言，即避免在惡劣天氣、視野不佳和復雜停車情境中駕駛。研究結果顯示，老年駕駛員的駕駛避免行為與他們日漸降低的駕駛技能相關，并且這種關系在考慮了認知技能、自我報告的健康狀況、駕駛實踐和主觀駕駛困難的影響后仍然顯著。簡單來說，駕駛避免行為是老年駕駛員駕駛技能下降的獨立指標。

老年駕駛員生理機能下降，其中視覺受影響最為顯著，對其駕駛行為特征產生主要影響。沈正心［30］等通過對老年人駕駛安全視覺影響因素的系統回顧，重點關注視力、視野、對比敏感度等3 個能力，這些生理機能下降可能使他們在道路上識別交通標志、車輛和行人的能力受到影響，增加了在復雜交通環境中駕駛的風險。劉孟歆［31］利用動態有效視野測試系統（DVLMS）測試51～65 歲人群的動態有效視野發現，60 歲以上老年人夜間動態有效視野顯著衰退。另外，老年群體在與車載信息系統交互時，不同菜單深度模式會導致認知摩擦。在模擬駕駛場景中，認知摩擦程度顯著影響老年人駕駛績效，尤其在較高車速下影響更為明顯。Li 等［32］認為老年駕駛員的生理能力下降影響了安全駕駛所需的視覺和心理運動功能。通過招募年輕和老年駕駛員進行駕駛模擬實驗，收集了在五個沖突場景中的駕駛數據，研究發現，因老年駕駛員在轉向時采取剎車和轉向避免沖突的場景中操作節點出現較晚，在三個直行場景中與年輕駕駛員相比更接近。

駕駛涉及復雜的自我認知任務，包括感知、注意、記憶和問題解決。不準確的認知能力可能導致駕駛表現下降。特別是對于老年駕駛員，他們可能面臨認知能力逐漸減弱的挑戰。Lee 等［33］研究了老年駕駛員的認知能力與在進行次級視覺手動活動時離開道路注視的持續時間之間的關系。通過讓老年駕駛員完成了蒙特利爾認知評估（MoCA），并在駕駛時完成一組調諧收音機任務。結果顯示，平均而言，MoCA分數較高的老年駕駛員在手動調諧收音機時使用了較短的注視時間，也就是視線離開道路的總時間較短。從而說明具有更好的認知功能的老年駕駛員在駕駛中視線更容易聚焦在路面情況上，他們的安全和適應性也更強。Paire-Ficout［34］采用了兩項連續的研究方法，分別研究老年駕駛員的認知自我認知和駕駛自我認知，以調查老年駕駛員對自己駕駛能力的錯誤估計情況。實驗結果表明，認知和駕駛自我認知之間存在顯著關系，尤其在高估者中更為顯著。錯誤估計認知能力可能妨礙對駕駛能力的自我認知，從而導致老年駕駛員意外事故的發生。

綜合分析了老年駕駛員身心狀態的變化及其對駕駛能力的影響后，進行適駕性評估變得至關重要。這一評估有助于確保老年駕駛員的身體和認知狀態達到安全駕駛的標準，從而有效降低事故風險。Louis 等［35］研究了老年駕駛員的駕駛適應能力是否隨時間變化，以及駕駛適應能力、性別和自我報告與駕駛能力、感知和實踐之間的關系是否保持穩定或發生變化。結果顯示老年駕駛員的駕駛適應能力與駕駛舒適度以及感知的駕駛能力之間存在小但顯著的正相關，并且隨著駕駛員年齡的增長，這些關系逐漸加強。沈永俊等［18］提出了一種替代道路駕駛測試老年人駕駛適應性的評估方法。通過對老年駕駛員進行測試，發現支持向量機模型（SVM）在對比敏感度、功能性伸展、交通標志理解等評價指標上表現最佳。該方法可有效評估老年人的駕駛適應性，為其決定是否繼續駕駛、調整駕駛行為、接受駕駛訓練以及使用輔助駕駛技術提供有益參考。

3 老年駕駛員自動駕駛輔助裝置

老年人駕駛行為分析和智能輔助裝置研究對于智能化和自動駕駛技術的發展至關重要。為了設計更具包容性的智能車輛，需要開展針對老年駕駛員的智能輔助裝置研究［36］。這些研究可以為老年駕駛員創造更安全、更便捷的駕駛體驗，同時推動智能交通系統在老齡社會中的應用與發展，實現了駕駛安全與健康關懷的有機結合［37］。

老年駕駛員因年齡引起的生理變化，使其更容易面臨交通安全隱患［38］。目前對于老年人自動駕駛輔助裝置大體可分為兩種，第一種是通過完善高級駕駛輔助系統（ADAS）的功能，設計出更加適合老年駕駛員的輔助系統。第二種是基于物聯網技術（IoT）實時檢測老年駕駛員的健康狀況以及提供實時駕駛指導，達到減少老年駕駛員交通和醫療事故的目的［39］。老年人對高級駕駛輔助系統（ADAS）和車輛自動化的需求和期望表現在多個方面，主要集中在對安全性、舒適性和適應性的追求，自動駕駛輔助裝置旨在提升他們在道路上的駕駛體驗，使駕駛更為便利和可靠。

遵循汽車人機界面（HMI）指南所設計的高級駕駛輔助系統（ADAS）和車載信息系統（IVIS）等車載技術有助于提升老年駕駛員的駕駛體驗［40］。ADAS系統的研發與優化對老年駕駛員帶來多重好處，包括提升駕駛安全性、減輕駕駛負擔、糾正駕駛錯誤、增強視覺和感知、適應交通環境以及減少事故風險。通過先進的安全功能和智能調整，這些系統有效提高了老年駕駛員在道路上的安全性和舒適性，為他們提供了更智能的駕駛輔助支持。Mata-Carballeira等［41］針對年長或經驗不足的駕駛員，提出了一種面對高級駕駛輔助系統（ADAS）個性化挑戰的機器學習方法，它可以輕松擴展以滿足特定群體駕駛員的要求。該方法基于一種混合個性化策略，采用基于群體的聚類技術，即k 均值聚類，結合個體駕駛員的參數對聚類進行調整。研究通過對不同類型的道路、不同天氣條件和照明下獲取的跟車行為的有意義樣本進行聚類，形成了不同駕駛員的駕駛風格類別，這些類別反映了在實際駕駛場景中駕駛員的不同駕駛行為模式。

為了減少在事故發生時碰撞強度對老年駕駛員的身體損害，Chen 等［42］開發了一種碰撞規避輔助系統，旨在提升高級駕駛輔助系統ADAS 對駕駛行為產生的積極影響。該系統僅在駕駛員在面臨碰撞風險時未正確操作車輛時激活，車輛的控制由駕駛員和輔助系統共享，并通過伺服電機進行控制。為了實現這一目的，提出了基于安全駕駛約束和預測車輛狀態的約束滿足問題（CSP），并通過一種更有效的二分搜索算法來解決CSP。通過比較使用輔助系統前后的駕駛數據，驗證和定量評估了改進的駕駛行為。結果表明，在通過障礙物時，距離增加，速度減緩，由于系統的指導，碰撞規避的駕駛行為變得更安全。

為了實現車內一體化的單芯片駕駛個性化系統，需要高速的聚類模型。Park 等［43］采用了一種高效的方法來處理聚類問題，使用了ANFIS（自適應神經模糊推理系統）。ANFIS 具有通用逼近能力，其分層拓撲結構可方便地在硬件上進行高性能布置。該模型成功地利用了Xilinx Zynq-7000 PSoC 的FPGA 設備，實現了高速、低功耗計算。此外，由于FPGA 的可重構性，可以更新PSoC 的硬件和軟件部分，以適應新車輛技術不斷引入的變化。

對ADAS 的性能改善也包括對未來的駕駛狀況的預測，這樣能夠更好地幫助ADAS 系統判斷即將到來的風險。Ou 等［44］為使主動型ADAS 具有更好的預測短期駕駛情況的能力，從而讓駕駛員有更多時間采取適當的行動來避免或減輕駕駛風險，尤其適用于應對突發事件反應時間較長的老年駕駛員，提出了一種利用深度遞歸的神經網絡，融合了有關駕駛員觀察行為和駕駛環境的信息。通過采用滑動窗口雙向循環神經網絡（BDRNN）從輸入序列的兩端提取時間和空間信息的特征表示，該系統能夠在實際轉向操作之前高準確度地預測駕駛機動。一系列實驗表明，所提出的方法能夠提前1.50 s 預測車輛開始偏航的車道變換機動，準確率提高到90.52%，并在交叉口綠燈時提前2.53 s 預測車輛開始偏航的轉向機動，準確率提高到78.59%。實時駕駛安全風險預測是ADAS 的一個關鍵組成部分。Arbabzadeh 等［45］提出了一種新穎的數據驅動方法，用于預測包括駕駛員行為等特定變量導致的交通安全風險?；诘诙鹇怨费芯坑媱潱⊿HRP 2）自然駕駛研究的數據，采用了多項式Logistic 回歸來構建預測模型，并使用彈性網正則化進行數據建模，旨在提高模型的預測性能。

基于醫療物聯網的健康監測系統（IoT）和專為老年駕駛員設計的健康監測系統代表了在老年人生活和駕駛領域應用先進技術的重要進展。Padikkapparambil 等［46］開發了一種基于醫療物聯網的健康監測系統（IoT）?；贗oT 的老年人輔助系統在拯救生命和提醒患者生命危險方面發揮著至關重要的作用。這個輔助IoT 系統包括與專家通過互聯網連接的各種生物醫學傳感器和基于人工智能（AI）的算法?；贗oT 的健康護理監測框架的應用幫助老年人獲取有關其健康狀況的信息，并在不離開家的情況下找到由醫療中心提供的服務?；卺t療數字設備的健康物聯網（IoT）使得老年人的家庭健康監測成為可能。通過建立基于IoT 的家庭護理監測系統，老年人可以了解他們的醫療狀況，并在家中獲得醫療支持和服務。此系統也可以被使用在老年人駕駛車輛的場景中。

Park 等［47］的研究專注于老年駕駛員在駕駛過程中有可能出現的中風發作的問題，提出了解決方案，即開發一個專為老年駕駛員量身定制的健康監測系統。該系統利用氣墊汽車座椅和嵌入式物聯網（IoT）設備來檢測駕駛中是否有中風發作。該系統通過使用傳感器實時監測駕駛過程中產生的異常生理信號和面部特征。在此基礎上，提出了一種使用傳感器進行中風發作檢測的框架，并開發了適用于老年駕駛員的系統。該系統可以使用物聯網傳感器測量和分析心電圖（ECG）、腦電圖（EEG）、心率、座椅壓力平衡數據、面部/眼部跟蹤等數據。這些生理數據將被傳送到云端，并與正常人數據進行比對，評定駕駛員是否需要進行干預。此車載健康監測系統的架構如圖1 所示。研究結果表明，如果在實時監測中發現任何健康異常，比如中風，系統將預測中風的類型和嚴重程度，并建議可能的應對措施。同時系統可將汽車控制切換到自動駕駛模式，并將汽車移至安全地點。系統還可能生成警報，并發送包含位置等信息的消息給親屬和緊急服務，以提供緊急援助，使受影響的駕駛員能夠被轉移到醫療救治地點。

圖1 智能車載健康監測系統框架Fig.1 Intelligent vehicle health monitoring system framework

除了對老年駕駛員的健康狀況進行實時監測外，還可以對他們的駕駛行為進行實時指導。Tanaka 等［48］研發了一種基于智能語言模型的機器人駕駛員代理系統，其呈現方法涉及位于儀表板或駕駛座附近的小型機器人。這種駕駛代理系統具有兩個主要功能：一是駕駛支持功能，能夠在駕駛過程中提供有關駕駛操作的修正建議；二是反思支持功能，對駕駛行為進行評估，并提供反饋。駕駛代理的系統配置如圖2 所示，系統通過控制區域網絡（Controller Area Network，CAN）獲取駕駛操作數據，并通過應用面部識別程序（Face API，Seeing Machines）獲取面部方向。此外，駕駛代理系統通過車載傳感器和GPS/地圖信息獲取車輛與停車線、行人等物體之間的距離?？刂颇K根據從前述數據中開發的教練指導模型確定支持內容，支持內容包括路線導航、駕駛行為回顧、注意喚醒、實事駕駛指導、以及必要時的駕駛干預。其中駕駛行為回顧在交通狀況被教練判斷為可接受時執行。注意喚醒、實事駕駛指導和駕駛干預需基于教練認定為危險的情況之前的寬限期執行。指導的時機基于時間碰撞（TTC），由車輛速度和車輛與物體之間的距離計算得出。通過此支持系統，駕駛代理系統可以使老年駕駛員意識到他們自己的駕駛行為，并鼓勵他們改善駕駛行為。

圖2 機器人駕駛員代理的系統配置Fig.2 System configuration for robot driver agent

針對老年人健康監測，提出了基于醫療物聯網的系統，該系統通過生物醫學傳感器和AI 算法，實現實時監測和遠程連接專家，為老年人提供健康信息和醫療服務。在駕駛方面，研究者們還關注了老年駕駛員可能面臨的問題，如中風發作。通過定制的健康監測系統，實時監測生理信號，預測中風風險，并采取相應的應對措施［49］。

另外，研究者們提出了智能駕駛代理系統，通過語言模型和機器人，提供駕駛支持和反思支持，以改善老年駕駛員的駕駛行為。通過使用先進技術，如深度遞歸神經網絡和彈性網格正則化的多項式 Logistic 回歸，實現了對實時駕駛安全風險的預測［50］。

總體而言，這一章旨在通過智能輔助裝置和系統提高老年駕駛員的駕駛體驗，確保他們的安全，并為智能車輛和交通系統的未來發展提供啟示。

4 總結與展望

本文圍繞老年人駕駛行為的分析和智能輔助裝置的研究展開，為實現更安全、更智能的老年駕駛提供了深刻的洞察和創新性的解決方案。第1，2 節聚焦于老年人駕駛行為的多因素影響，通過對駕駛行為、社會支持、駕駛適應性等方面的綜合研究，提供了全面的認識。第3 節強調了智能輔助裝置在老年駕駛員安全和健康方面的關鍵作用，引入了基于醫療物聯網的健康監測系統和針對中風等問題的解決方案。同時引入了智能駕駛代理系統的概念，通過先進技術實現了對實時駕駛安全風險的預測，為老年駕駛員提供更智能、個性化的駕駛支持。最后的總結突出了智能輔助裝置和系統在提高老年駕駛員駕駛體驗和確保安全方面的關鍵作用，通過物聯網技術、機器學習和人工智能等技術的創新，為老年駕駛員提供了更安全、更智能的出行選擇，同時推動了智能車輛和交通系統在老齡社會中的發展，實現了駕駛安全與健康關懷的有機結合。

綜合當前文獻，已有研究在老年駕駛員駕駛行為特征方面和智能輔助系統的研發上取得了一些顯著進展，然而，仍存在一些主要不足值得關注。

（1）盡管已有研究在老年駕駛員行為特征方面取得了一定進展，但一些研究可能存在樣本規模較小或局限于特定地區、文化背景的問題。這限制了對老年駕駛員普遍性行為的全面理解。泛化性的不足使得在不同文化和交通環境下的老年駕駛員行為缺乏詳盡的了解。

（2）現有研究往往過于側重于事故數據的分析，而對日常駕駛行為的實時監測和評估方面還存在較大空白。這導致研究人員對老年駕駛員在平常駕駛過程中的特征了解不夠，對駕駛的實時性預測不足。這一狀況限制了對特定駕駛員實際駕駛行為的準確把握，進而影響了為他們提供個性化駕駛輔助的能力。

（3）老年駕駛員認知和生理特征與駕駛行為之間的復雜關系需要更深入的數據關系研究。目前，尚缺乏充分的研究解釋老年駕駛員在特定駕駛情境中的表現。對這些關系的深入理解將為未來的智能輔助系統的發展提供更為精準的指導。

未來的研究應該致力于擴大樣本規模，增加跨地域和文化的多樣性，以獲取更具代表性的老年駕駛員數據。同時，需要采用先進的實時監測技術，以更全面、準確地捕捉老年駕駛員在駕駛中的實際行為。深入研究老年駕駛員認知和生理狀態與駕駛行為之間的關系，將為未來的智能輔助系統的開發提供更好的幫助，從而更好地適應老年駕駛員的實際需求。