理解博弈论驾驶场景中人机协作的混合交通状况

文献标题

Understanding Human-machine Cooperation in Game-theoretical Driving Scenarios amid Mixed Traffic

文献信息

• 主题领域: 人机交互、自动驾驶、游戏理论、混合交通环境中的驾驶决策
• 关键词: 自动驾驶汽车, 人机合作, 混合交通环境, 驾驶决策, 游戏理论, 时间约束, 人类驾驶风格, 交通安全, 公共物品游戏, 鸡游戏

研究背景与问题

• 发现的问题或挑战:

  1. 自动驾驶汽车（AV）的出现可能会改变既定交通行为准则，人类驾驶员如何与AV互动仍不清楚。
  2. 人类驾驶员是否会信任遵守规则的AV以增强合作，还是会利用AV的保守驾驶风格以谋取个人利益？
  3. 现有研究存在以下缺陷：AV驾驶风格对人类决策影响的探索不足、驾驶情况对人类决策的系统理论分类缺失、变量交互效应研究不足。

• 重要性: 探讨人类驾驶员在人机合作的交通环境中的决策模式，可以为自动驾驶技术的设计优化提供指导，提高交通安全和效率。

• 研究动机与相关工作:

  1. 此研究扩展了现有关于AV和HV（人类驾驶车辆）互动的工作，填补了AV驾驶风格对人类决策影响的研究空缺。
  2. 引入游戏理论框架以进行系统化研究，特别是在不同驾驶场景（如鸡游戏和公共物品游戏）中。

解决方案

• 提出的解决方法或解决方案: 作者进行了在线调查，通过操纵互动类型（HV-HV vs. HV-AV）、驾驶场景类型（鸡游戏 vs. 公共物品游戏）、车辆驾驶风格（激进 vs. 保守）、时间约束（高 vs. 低）和驾驶员驾驶风格，研究混合交通中的驾驶决策。

• 解决方案的创新点:

  1. 构建了基于游戏理论的驾驶场景分类。
  2. 引入多变量交互效应，例如车型与驾驶风格、时限压力与场景类型的联合效应。
  3. 定量和定性分析结合，深入挖掘人类驾驶员的决策动机和策略。

• 实施步骤与关键技术:

  1. 实验设计: 在在线调查中构建了3 × 2 × 2 × 2 × 2的混合因子设计，研究驾驶员的行为模式。
  2. 驾驶场景设计: 使用鸡游戏和公共物品游戏创建八种驾驶场景，并通过文本和动画展示实验条件。
  3. 数据收集: 定量数据包括二元类别（合作/不合作），定性数据通过开放式问题采集参与者的回答。
  4. 数据分析: 使用Generalized Estimating Equations（GEE）和主题分析对数据进行统计和语义分析。

研究成果

• 具体成果:

  1. 保守驾驶风格的车辆更容易导致人类驾驶员选择“不合作”行为；
  2. HV-AV互动中车辆的驾驶风格影响更显著；
  3. 鸡游戏场景相比公共物品游戏场景更促使人类驾驶员选择合作；
  4. 在高时间约束下，驾驶员更倾向于选择不合作以减少时间损失。

• 与现有解决方案的优势:

  1. 系统性地分析了多变量交互对驾驶决策的累积影响；
  2. 使用定性方法深入挖掘决策背后的心理动机和策略；
  3. 提供了基于游戏理论的理论分类，为政策与技术设计决策提供洞见。

• 实验或评估结果:

  1. 定量结果显示车辆驾驶风格、时间约束、场景类型和驾驶员驾驶风格对决策有显著影响。
  2. 定性分析揭示了参与者基于风险规避、损失规避、对其他车辆的态度，以及自身驾驶习惯的决策策略。

• 局限性与未来方向:

  1. 样本局限于美国人口，跨国研究需要进一步开展。
  2. 使用文本和动画车辆场景，结果为假设场景的反映；未来可采用驾驶模拟器和实地测试验证真实驾驶行为。
  3. 未来研究可扩展更多交互设置和复杂的驾驶环境。

总结与意义

本研究为自动驾驶算法优化和混合交通环境下的人机合作提供了重要见解，有助于交通系统的安全、可靠和高效发展，同时指出了人类因素在AV设计中的重要角色，通过跨学科视角将社会心理学与技术设计相结合，为未来自动驾驶技术发展提出了理论依据和实践指导。