【《自动驾驶汽车接管绩效影响因素分析综述》5700字】

自动驾驶汽车接管绩效影响因素分析综述目录TOC\o"1-3"\h\u114971.1人因问题 1311951.1.1从事非驾驶相关任务类型 1259421.1.2驾驶员性别、年龄、经验、接管态度、情绪等 2162901.2车辆 3244391.2.1车辆情境意识的提供 394641.2.2自动驾驶系统能否让驾驶员信任 545811.2.3自动驾驶系统是否易于理解 7198431.3接管情景的复杂性 7现有自动驾驶接管绩效评价方法大致可以分为主观评价法、生理测量法和行为数据法三类。主观评价法是通过问卷或用户访谈了解系统的可用性与满意度，可以更为直接的了解驾驶员对于系统的感受，但是较为主观，尤其问题设置不合理时，可能会对被试产生误导导致与实际结果偏差。生理测量法是通过测量脑电、心率、血压等来判断驾驶员的情绪状态变化，有研究认为EEG（脑电）数据与接管行为有很强的相关性[100]。行为数据法是通过测量驾驶员具体行为数据来评价接管成功与否，一般测量的指标有①时间：接管请求发出后驾驶员的反应时间、驾驶员开始接触方向盘时间、驾驶员开始接触制动踏板时间；②角度：方向盘转动的角度、制动踏板变化角度。例如Gold等[101]将方向盘转动2度或制动踏板变化10%以上视为驾驶员开始响应的阈值。生理测量法与行为数据法都较为客观，实验结果更可靠。由于接管情境的千差万别，接管绩效也受到许多因素的影响。自动驾驶系统运行的整个循环中三个客体为人、车、环境，分别存在的接管绩效的影响因素有：1.1人因问题1.1.1从事非驾驶相关任务类型由于自动驾驶阶段驾驶员不需要持续操作和监控驾驶任务，非驾驶相关任务的参与也会更多[102]。许多研究都证明非驾驶相关任务会使接管表现下降，导致更多的交通事故、更短的最小TTC以及横向加速度的提高[103][104][105]。常见的非驾驶相关任务类型大致可以分为视觉、听觉、操作、认知等，不同任务对用户造成的分心程度、认知负荷不尽相同。由于驾驶活动对视觉资源要求较高，因此视觉分心通常被认为是与安全有关的最关键的分心方式。在不同类型的非驾驶相关任务研究中，Horrey等人[106]发现有趣的听觉材料更能吸引驾驶员的注意进而导致接管绩效降低。Wandtner等[107]发现手持设备的视觉任务比听觉任务会导致更高的碰撞率。Wan等[108]研究了打字、阅读、看视频、玩游戏和打盹时的接管绩效，除了看视频和打盹会导致接管绩效下降，其它任务对接管时间影响较小。钮建伟等[109]发现听音乐比玩游戏需要更多的接管时间。这可能是因为听音乐会使人放松，而玩游戏会让人处在相对紧张的状态。另外也有文献[110]研究证明，驾驶员处于紧张状态下接管时间会更短。基于此，小鹏汽车的XmartOS车载系统提供了行驶中应用使用限制功能，用户关闭时会明确提示可能带来的安全隐患。睡眠惯性也会导致接管表现下降（睡眠惯性是指睡醒后短暂的警觉性低下、意识混乱、行为定向障碍以及认知和感知能力受损的阶段[111]。）自动驾驶接管交互设计应考虑驾驶员睡眠后驾驶性能受损[112]。从睡眠到清醒到过渡阶段，最长可达30分钟。驾驶员睡醒后会至少10分钟内速度保持不稳定。但是WrleJ等[113]的研究表明，60秒的接管时间对所有驾驶员从醒来到控制车辆都足够了。但非驾驶相关任务对接管不只存在负面影响，有的研究者发现执行看视频、阅读等非驾驶相关任务相比单纯的监督自动驾驶系统运行状态更不易产生困倦感，对接管更有利[114]；在不同非驾驶相关任务之间来回切换注意，能保持更灵活的注意[115]。1.1.2驾驶员性别、年龄、经验、接管态度、情绪等有研究指出，不同驾驶员的性别、年龄、经验、接管态度、情绪等都会不同程度的影响接管绩效。一般来讲，性别上，女性事故率比男性更高；年龄上，年长司机和年轻司机反应一样快，但年长者刹车次数更多、事故率更高；经验上，有经验的驾驶员比新手驾驶员更能从容的应对接管事件，并且事先熟悉接管请求情况比没有事先熟悉的情况下表现更好[116]；在接管态度上，接管时，如果驾驶员过于高估风险程度，则会紧张或者慌乱，如果低估风险程度，则又会盲目自信消极接管[117][118]。在驾驶员的情绪研究上，学者们也进行了众多研究。Underwood等[119]研究发现愤怒情绪会导致危险驾驶和消极表现。同样，Jeon等[200]发现悲伤和愤怒等情绪状态会导致消极驾驶表现；CliffordNass等[201]发现根据驾驶员情绪状态改变车内提示音可以提高驾驶表现；Hernandez等[202]研究了采用一系列交互措施帮助驾驶员调节压力：自适应音乐、善解人意的导航、自动调节温度、采用正确的灯光、可以反映情绪的仪表板以及车与车的信息交流。ParedesPE等[203]研究了通过触觉和听觉干预引导驾驶员深呼吸冷静下来，结果表明触觉和语音引导系统均能降低驾驶员的呼吸频率，而不影响驾驶的安全性和驾驶性能；此外小样本的研究中大部分被试更喜欢触觉刺激，因为他们发现触觉刺激更自然，更少分心，更容易参与和退出。这个研究还表明在现实场景中情绪触发的分布也可以用来触发干预。RoidlE等[204]的在线调研发现驾驶员情绪的触发很大程度上来源于目标是否一致（例如有助于或阻止到达目的地）以及谁是事件的责任方（例如其他司机）。SebastianZepf等[205]研究归纳了四类驾驶员情绪触发来源：①交通和驾驶任务：直接与驾驶或到达目的地相关联的触发。最频繁的触发为交通管理，其次为其它道路参与者的行为、交通密度以及对自身行为的反应；②人机交互：人与汽车交互过程中的触发。首要的触发因素为导航系统，其次是收音机和手动设置车辆特定功能；③车辆和配置：与车辆配置和驾驶经验有关的触发。最主要的是驾驶动态（例如加速或换挡）通常会带来正面情绪，此外，车内例如空调等可以带来舒适的功能也会给驾驶者带来正面情绪；④环境及其它：环境因素以及不属于以上分类的触发。主要的触发为如建筑物等附近的物体，其次为天气和驾驶员的想法，此外，目的地的到达通常也会带来正面情绪。1.2车辆1.2.1车辆情境意识的提供情境意识（SituationAwareness，SA）最早是在航空领域被提出，用于描述操作者对系统环境感知与理解水平的专业术语。该方面最知名的研究学者MicaEndsley给出的定义是：在一定的时间和空间内对环境元素的感知，对其意义的理解和对未来的预测。因此，情境意识有三个水平：通过刺激与线索对当前情况的感知（Level1)；对感知到的线索的意义理解（Level2）；对接下来会发生什么的预测（Level3）[206]。简单来讲就是知道当下发生了什么并且明白其对将来意味着什么。情境意识为驾驶员无法安全恢复控制提供了一种度量和理论解释[207]。由于系统要求驾驶员接管时，驾驶员处于不在环的状态导致情境意识的缺失[208]。一旦此时系统要求接管，就会导致驾驶员反应延迟、错误甚至遗漏[209]。工作负荷和情境意识是预测驾驶表现和安全最重要的两个人为因素[210]。因此接管时足够水平的情境意识是必要的，来确保接管时的正确反应。Endsley的研究认为遗漏必要信息是驾驶员情境意识认知错误的主要原因[211]，而交互界面的显示被视为提高驾驶员情境意识的解决方案[212]。提升情境意识策略的实施分为接管发生前和接管发生时，接管发生时如何尽可能快地引导司机注意道路和交通环境中的潜在危险已于前文讨论，因此本节仅讨论接管发生前提升情境意识的策略。接管发生前主要是利用外围视野来提升情境意识。VeenTV等[213]研究通过向驾驶员提供近端周边的灯光信号，可以提高对车辆周围情况的感知能力。FWulf等[214]研究了通过“驾驶员安全装置”和“视频图像”实现的人机交互界面机制，如图4-1。“驾驶员安全装置”要求驾驶员在特定的时间点按下方向盘上的触发器；“视频图像”利用外围视野来辅助驾驶员对驾驶环境的关注。研究发现“驾驶员安全装置”对提升情境意识没有直接影响，但仍然能够通过协助驾驶员执行行动来支持驾驶安全；“视频图像”有助于提升情境意识，但由于驾驶员倾向于执行操作前在真实环境中再次确认而会导致更长的反应时间。图4-1FWulf等研究中“次要任务”与“视频图像”模块显示区域Fig.4-1Displayareaof“secondarytask”and“videoimage”fromFWulf’research图片来源：FWulf等[214]CapalleraM等[215]采用平板电脑APP应用分屏的形式让驾驶员一边执行非驾驶相关任务一边利用外围视野获取驾驶情况信息，被试者正确地识别出了所有限制驾驶系统正常运行的因素。ChaoW等[216]在仪表板上安装led来显示车辆信息，当车辆进入自动驾驶模式时，灯变成蓝色，如前方有车，灯变成白色。VeenTV等[217]研究表明，近端LED玻璃信号可以提高司机在执行次要任务时的情境意识。相应地，为了评价情境意识的好坏，研究者们也总结了许多评价方法，其中测量情境意识的一个知名技术是SAGAT(SituationAwarenessGlobalAssessmentTechnique)[218]。该方法是通过停止实验过程中的某个阶段立即询问被试者当下的感受，而不是观察者的主观推测，可以避免事后搜集心理数据的许多困难，但是对实验过程的把控要求较高[219]。1.2.2自动驾驶系统能否让驾驶员信任信任被定义为一个人由于另一方的特征而愿意依赖另一方。这一概念源于人类社会学和心理学，最初只归属于人际关系，可以被视为一种减少不确定感的机制。此概念也被用来解释用户与技术之间的关系。在这种情况下，信任被认为是人们相信技术将有效地运行，不会产生负面或有害的结果的程度，因此可以受到诸如可靠性等因素的影响。因此，信任塑造了个人的态度，并最终决定了他们的行为，比如他们对技术的依赖程度以及他们使用技术的操作策略[220]。设计基于信任的车内交互对自动驾驶汽车至关重要。一些论文和研究已经开始通过语义测试、专家测试和大规模假设测试来探索自动驾驶和辅助驾驶交互中的信任[221]。事实上，最新的研究表明，绝大多数司机不愿意相信这项技术。人类不仅更愿意对机器做出负面的信任判断，而且实际上对它们更恼火，可能在实践中对它们的判断会更严厉[222]。如果涉及到现实生活中的后果时，驾驶员对自动驾驶系统的信任就会显著降低[223]。JinXu等[224]研究表明用户早期使用自动驾驶系统时系统出错会影响用户自我报告中对系统的信任度以及后期遵循系统指导的决定。即使是系统和人类犯同样的错误，人们对系统的容忍度则更低。CASA（Computers-Are-Social-Actors）理论经常被用于解释人们对机器的理解和态度[225]。该理论认为人会把机器当成社会人，因为人们会无意识地用与他人互动的方式与机器互动，尽管他们明确的知道机器并不是人。比如与机器交互时使用礼貌性用语、对机器使用“我”和“他人”的概念、根据声音来区别机器是否为同一社会人、认为机器有性别[226][227]。也有其它研究表明用户与自动驾驶系统的交互不需要改变他们的社交方式，如果系统与人类有更多的相似点则会获得更多的信任[228]。Waytz等人在研究中赋予一辆自动驾驶汽车名字、性别和声音，和没有拟人化的自动驾驶汽车相比，被试者对具有拟人化特征的无人驾驶汽车更加信任[229]。另一理论归因理论（Attributiontheory）认为人们对自动驾驶系统与人类的评判标准不同，主观上普遍会倾向于认为自动驾驶系统应该比人类更加客观、安全，表现更好[230]，而系统一旦出错就会违背这一信任，使人们对系统的信任度降低，更加责备系统。因此如果强化系统的机器属性，就会拉高人们对系统的期待值和信任感。这两种理论的结论表面上似乎是相悖的，但实际上并不矛盾，因为两种结论的信任类型不同：强化系统的人类属性提高的是易用性上的信任感，而强化系统的机器属性提高的是功能性上的信任感[231]。尽管现有的语言交互被设计的具有很多人的特质，但是用户依然会使用命令式语气寻求功能上的帮助，而不是出于情感或社交上的需要。因此在自动驾驶情境下依然应该强化用户对功能上的信任[232]。ClarisseLawson-Guidigbe等[233]研究结果表明，机械人体模型、人类模型和抽象模型是最适合代表自动驾驶环境中的虚拟助手的化身模型；而动物和机械动物模型必须避免。如将自动驾驶系统可视化有助于提升用户对系统的信任度，大部分被试者反馈他们需要更多关于自动驾驶汽车使用的目标、意图和数据的信息[234]。Ekman等[235]总结了一系列信任的重要影响因素：定制、拟人化、适应性、专业知识、共同目标、不确定性、训练和反馈。Gibson等[236]的研究显示驾驶员会自行认为自动驾驶系统运行安全有一个动态区间。驾驶员基于自己的驾驶经验来判别系统驾驶是否安全，例如是否留有足够的安全距离。系统运行轨迹越符合驾驶员的驾驶认知，驾驶员的感觉就越好，对系统就越信任。除了对自动驾驶系统信任不足，还存在驾驶员对自动驾驶系统过度信任的情况。Inagaki等[237]把过度信任定义为在错误的情况下用户认为某物值得信任而事实并非如此的诊断决定。自动驾驶系统中的过度信任则是自动驾驶系统无法对驾驶任务作出响应但是驾驶员相信它可以。如果自动驾驶系统不能胜任当前驾驶任务，过度信任会让驾驶员不履行自己的义务而给自身带来危险。对于驾驶员是否对系统过度信任的判断存在两个问题：①非实时判断（情况发生以后驾驶员或自动驾驶系统才能发现自动驾驶系统无法对驾驶任务作出回应）；②过度信任难以察觉（驾驶员无法充分知道自动驾驶系统什么时候无法执行响应；自动驾驶系统也无法衡量驾驶者的信任状态因为信任状态是内部心理活动）[238]。一般来说，是否存在信任不足或过度信任主要是因为驾驶员不能准确理解自动驾驶系统的设计、目的、机制和能力。因此，许多研究学者都提出创建透明的自动化用户界面，自动化的责任、能力、目标、活动和或效果应该在界面中被直接表示出来，使人类驾驶员能够理解正在发生的事情并做出预测[239][240][241]。1.2.3自动驾驶系统是否易于理解设计更易于理解的自动驾驶人机交互界面的一大挑战是如何让驾驶员理解系统是