驾驶分心不再只看视线时长：分层模型让车道与车速信息竞争采样，八项指标均落在人群一个标准差内
核心概要
驾驶中该看车道还是看车速，被写成一个在部分可观测条件下分配有限视觉资源的问题。此前车道保持与纵向车速控制分别建模，视觉采样决策与横纵向耦合控制没有放在同一框架里。分层计算理性模型让车道保持、车速维持和上层注意力分配三个策略共同学习，在30次仿真中八项指标的平均值都落在人类均值一个标准差以内，但模型没有产生任何车道偏离。
深度剖析
视觉采样被重新表述为一项监督性决策：在车道信息与车速信息同时可能变得不确定时，驾驶员要决定下一次看哪一个，而不只是决定何时看。 此前的计算模型要么只处理车道保持中的采样时机，要么把横向与纵向控制合在一起却不建模采样决策，横纵向不确定性并行发展时的信息分配没有形式化描述。 模型在30次随机种子的仿真中与30名被试的模拟器数据做描述性对照，八项指标的平均值全部落在人类均值一个标准差以内，也全部落在人类观测的最小到最大范围内，平均绝对标准化距离为0.48个人类标准差。
模型由三个强化学习策略组成：一个管转向保持车道，一个管加速减速维持车速，最上层的一个决定这一拍是采车道信息、采车速信息还是继续遮挡。 下层两个控制器只读取内部信念估计，看不到真实车辆状态，除非对应通道被采样；遮挡期间信念按已知动力学自行外推，因此估计会随遮挡时间漂移。 训练分三阶段进行，先车道保持、再车速维持、最后冻结前两者训练注意力策略；评估使用100–110 km/h目标车速带、100 km/h初速和正弦起伏路面，每次仿真最长60秒。
注意力策略的奖励只包含任务失败惩罚、完成奖励、发起采样的切换成本和采样时暴露的信念偏差，没有直接规定采样模式。 人类数据只作为评估目标，而不是被写进奖励函数去复现，因此观察到的采样节律是从任务约束中涌现的。 在遮挡时间上模型均值0.97秒对人类的0.85秒，每10秒遮挡次数6.94次对7.20次，平均TLC为9.57秒对8.92秒，三项都在一个人类标准差以内。
启示与展望
评估范围是30次随机种子仿真与30名被试（眼动指标27名）在中等保真度模拟器上的自定步长遮挡任务，道路为半径1500米、车道宽3.75米的环形起伏路面，目标车速100–110 km/h，每次仿真最长60秒；作者提出下一步应引入信念噪声、感知不确定性或个体化的转向技能与谨慎度参数，并做被试级参数拟合。
作者说明模型在评估中未产生任何车道偏离，而人类平均每10秒0.29次，提示横向控制过于稳定；信念以确定性点估计表示，不显式编码不确定性；车道与车速被视为互斥通道，单次注视固定500毫秒且只能从遮挡状态发起；奖励中的切换成本、偏差权重和超时阈值是建模选择而非从被试数据估计；聚合层面的吻合不能保证复现个体差异。