一刀切并不适用：设计和评估高度自动化车辆中的关键性自适应显示器

文献标题

One Size Does Not Fit All: Designing and Evaluating Criticality-Adaptive Displays in Highly Automated Vehicles

文献信息

• 主题领域: 人机交互与自动驾驶车辆用户界面
• 关键词: 自动驾驶车辆、自适应显示、重要性等级、个体差异、交通密度、情境意识、信任、可用性

研究背景与问题

• 作者发现的问题或挑战:

  1. 当前针对高度自动化车辆(HAV)的研究主要集中在条件性自动化车辆(Level 2-3)，HAV的显示设计仍存在未充分解决的重要性等级问题，即区分关键对象和非关键对象。
  2. 显示设计可能导致视觉冗杂，降低驾驶员对重要信息的辨别能力。
  3. 个体差异（如年龄、信任倾向）会影响用户对信息显示的认知和偏好，“一刀切”的解决方案难以满足不同用户需求。

• 重要性: 在高度自动化车辆中平衡驾驶员的情境意识(Situational Awareness, SA)与非驾驶相关任务(NDRT)的性能是提升驾驶体验的关键，同时信任度和显示的设计对自动驾驶车辆的广泛接纳至关重要。

• 研究动机与相关工作: 提供符合用户个性化需求标准的信息显示不仅能提高驾驶员的驾驶安全，还能优化NDRT性能，有助于推动自动驾驶技术的接受度。文献综述表明不同类型的显示和关键因素（如交通密度及互动对象类别）对用户体验和认知有显著影响，但目前 HAV 的显示设计未充分考虑时间敏感性与用户需求动态变化。

解决方案

• 提出的解决方案: 作者设计了三种基于对象关键性等级的自适应显示（criticality-adaptive displays）:

  1. IO显示: 突出显示影响性对象 (Influential Objects, IO) 和关键对象(Critical Objects)。
  2. CO显示: 仅显示关键对象。
  3. ICO显示: 分阶段区分显示影响性对象和关键对象。

• 创新之处:

  1. 引入关键性等级概念，将交通对象分为非关键、影响性、关键三类进行显示设计。
  2. 提出了通过颜色变化和时间模式动态显示对象的方法，以减少视觉冗杂。
  3. 将个体差异（如年龄和信任倾向）融入显示评价，有针对性地优化用户体验。

• 实施步骤与技术:

  1. 显示设计:
     • 对象关键性通过距离和操作信号测量。
     • 显示格式采用边框高亮，颜色区分不同对象类别（车辆、静态对象、VRU）。
     • 候选方案经焦点组讨论选择。
  2. 实验设计:
     • 使用虚拟驾驶视频，模拟两种交通密度（低密度和高密度）及三种互动对象分类（车辆、静态对象、VRU）。
     • 在线调查实验，共有295名参与者完成观看视频和执行听觉1-Back任务的实验。
  3. 数据分析:
     • 采用线性混合模型分析显示类型、交通密度、互动对象类别以及参与者的年龄与信任倾向对信任、SA、NDRT性能和可用性评分的影响。

研究成果

• 具体成果:

  1. 信任倾向显著干扰显示的可用性评价：低信任倾向的参与者认为ICO显示更有用，而高信任倾向的参与者更倾向于CO显示。
  2. 在与VRU交互时，参与者表现出较高的SA，但较差的NDRT性能；而静态对象和车辆交互的NDRT表现较优。
  3. 年龄和CO显示均导致较慢的NDRT反应时间，但老年参与者认为显示更有帮助。

• 与现有方法的比较: 提出的ICO显示和CO显示在用户体验上能更好地匹配信任倾向较低与较高的用户需求，且动态显示设计显著减少了信息冗余问题。

• 实验评估结果:

  1. 信任倾向和年龄在显示评价中起重要作用，两者对任务绩效和系统评价有显著交互影响。
  2. 显示能支持驾驶员在复杂交通场景中识别重要对象，同时减轻新环境下对其他元素的认知负担。

• 局限性与未来方向:

  1. 实验为在线模拟，对真实驾驶情况的推广性有限，可通过驾驶模拟器或实地测试进一步验证。
  2. 情境设计可以扩展到更多复杂交通动态（如动物互动或垂直交互）。
  3. 未来可探索更高级的自适应显示方案，使其能动态响应用户实时的信任与情境意识水平。

通过上述研究，作者提出了关键性自适应显示的设计准则，为自动驾驶车辆的用户界面设计提供了新的方向，同时也为不同年龄和信任水平的驾驶员优化了驾驶体验。