牛津RobotCycle项目的一项最新研究精确测量了自行车骑行者穿越英国牛津的自行车道、公交专用道和环岛时的视线落点。结果表明，车道的宽度和分隔程度直接影响骑行者的认知负荷——而大多数自行车道无法提供与公交专用道相同的安全感。
目录
研究者的成果
牛津大学RobotCycle项目的研究人员为一名骑行者配备了移动眼动追踪器，并在2024年至2025年的几个月内骑行穿越牛津市。路线包括自行车道、公交专用道、共享道路、环岛、有信号灯路口、无信号灯转弯和人行横道。目标是捕捉真实交通条件下的高分辨率眼动数据——注视时长、水平视线分散度和注视频率。
该数据集是更大研究的一部分，旨在了解骑行者如何在城市环境中感知风险。与实验室研究不同，这项研究捕捉了真实的骑行行为，包含实际的汽车、公交车和行人交通。研究人员为每一秒视频标注了基础设施类型、事件类型和天气条件。最终形成一个丰富的开源数据集，可帮助城市规划者、车辆制造商和自动驾驶系统了解骑行者的真实视线焦点——以及什么让他们感到安全或压力。
关键结果
最惊人的发现是，牛津的自行车道几乎没有比汽车道提供更显著的安全优势。在注视时长和视线分散度方面，自行车道与汽车道之间的差异微乎其微：分散度仅比汽车道大8.5%（p < 0.001，Hedges’ g = 0.09，比值 = 1.085）——虽然统计显著，但实际差异很小。
真正的对比出现在公交专用道。骑行者在公交专用道上的注视时长更长，注视频率远低于自行车道或汽车道。下表总结了注视频率数据：
| 基础设施类型 | 注视频率（次/分钟） | 解读 |
|---|---|---|
| 自行车道 | 142.2 | 快速、频繁的再注视——高认知负荷 |
| 汽车道 | 80.5 | 中等扫描频率 |
| 公交专用道 | 62.8 | 长时间稳定的注视——低认知负荷 |
自行车道的注视频率是公交专用道的两倍以上。研究人员将其归因于牛津典型的自行车道：狭窄、无漆面保护，且几乎无法将骑行者和汽车隔开。相比之下，公交专用道宽阔，通常由实白线分隔，且当地公交司机习惯共享道路。
单独看注视时长并不能可靠区分不同事件类型（如环岛、路口或转弯）。这表明骑行者的视线落点比注视时长更重要。
工作原理
该研究使用移动眼动追踪系统（可能是头戴式摄像头和红外传感器）以60Hz频率记录骑行者的眼动。原始数据经处理后提取注视点——视线在某个点保持相对稳定的时间段——并计算两个关键指标：
- 注视时长：视线停留在某一点的时间。较长的注视通常表示注意力集中或认知处理。
- 水平视线分散度：视线在水平方向上的分散程度。较高的分散度意味着对环境进行更多扫描，通常由感知到的威胁或不确定性引起。
研究人员对数据进行对数转换以校正右偏态，然后使用Welch方差分析进行整体检验，随后进行Games-Howell事后比较。效应量使用Hedges’ g和几何均值比报告。
一个重要细节：数据集根据自行车实际所在位置而非可用基础设施进行标注。例如，如果存在自行车道但骑行者处于转弯车道，则该路段被标记为“汽车道”。这反映了真实行为——骑行者经常离开受保护车道以转弯或避让障碍物。
对机器人的意义
对于任何开发自动驾驶车辆或共享空间机器人的人来说，理解骑行者行为至关重要。论文的发现具有直接影响：
- 感知系统：自动驾驶汽车应预期狭窄自行车道上的骑行者表现出高频、快速的眼动——这是警觉性和潜在不可预测性的信号。相反，宽阔公交专用道上的骑行者可能更放松，但反应也可能更慢。
- 导航规划：如果机器人或自动驾驶车辆想要预测骑行者意图，眼动指标可作为压力或即将进行机动动作的代理指标。数据表明，注视特定物体（例如车门或转弯车辆）的骑行者可能即将转向。
- 基础设施设计：考虑部署与骑行者共享道路的仓储机器人或配送机器人的城市规划者和车队运营商，可利用这些见解设计更安全的共享空间。
更广泛的RobotCycle数据集旨在最终实现基于视线的城市“风险地图”，可用于在拥挤城市环境中导航的自动驾驶班车或人形机器人。
局限与待解决问题
研究存在几个显著局限。首先，仅涉及一名骑行者——研究团队成员——尽管路线多样化，但个体骑行行为可能不具有普遍性。其次，分析仅限于两个指标（注视时长和视线分散度）；加入惯性测量单元（IMU）数据追踪头部运动可能改善解读。
最重要的是，研究人员无法确定每次注视时骑行者的具体视线目标。知道骑行者盯着车门而非前方道路，对压力预测更有价值。团队计划未来工作将视线投射到3D场景点以回答这一问题。
最后，牛津的自行车道特别狭窄且缺乏保护。在有分离式自行车道或更宽车道的城市，结果可能不同。应在多个城市和多名骑行者之间重复研究，才能得出强有力的政策结论。
常见问题
自行车道真的不能让骑行者感到更安全吗？ 在本研究中，自行车道过于狭窄且与汽车交通隔离不良，骑行者的视线行为几乎与在汽车道上骑行无异。宽阔且保护良好的公交专用道则显示出明显优势。
注视频率告诉我们关于认知负荷的什么信息？ 更高的注视频率（每分钟更多眼动）表明骑行者正在更快速地扫描环境，通常由感知到的危险或不确定性引起。这与更高的心理工作负荷相关。
这些数据可用于训练自动驾驶车辆吗？ 可以。眼动模式为骑行者认为的显著性提供了真实依据。未来的自动驾驶系统可能使用类似眼动模型实时预测骑行者行为。
研究过程中骑行者的安全是否受损？ 骑行者经验丰富，并遵守所有交通法规。研究记录的是真实交通中的自然行为，未进行任何危险干预。
结论
牛津RobotCycle眼动追踪研究表明，并非所有自行车基础设施都一样。宽阔且受保护的车道（如公交专用道）允许骑行者以更长、更放松的视线骑行，而狭窄的自行车道则要求持续快速扫描。这些发现对城市规划者是一个警钟，也为开发与骑行者共享道路的机器人或自动驾驶系统的人提供了宝贵数据集。
如果你能根据眼动数据重新设计城市的自行车道，你会优先做出什么改变？