自动驾驶车辆中的信任与视觉焦点：初学者和经验丰富的驾驶员的比较研究

研究背景与问题

• 作者发现了哪些问题或挑战？
  自动驾驶车辆（Automated Vehicles, AVs）发展迅速，但对人类驾驶员与自动系统的交互行为仍然存在知识鸿沟，尤其是在信任与视觉注意力的分配方面。过度信任可能导致驾驶员在临界时刻失去对车辆的有效控制，而不信任则可能导致对自动驾驶技术的低使用率。此外，不同驾驶经验对自动驾驶系统的信任及交互模式的影响还未完全被明晰。

• 为什么这个问题很重要？
  信任是用户接受自动驾驶技术的关键因素，而未能有效校准信任可能导致事故及系统性能的下降。深入了解驾驶经验对信任及驾驶行为的影响有助于改进人机交互界面设计，提升自动驾驶安全性和用户体验。

• 研究动机与相关工作
  研究表示，驾驶经验影响驾驶员对自动化技术的适应能力和决策行为。熟练驾驶员在信任校准及系统控制转换中表现较好，但其在复杂条件下的优势可能受限。另一方面，关于信任及其对监控行为、非驾驶任务（NDRT, Non-Driving-Related Task）的影响仍需更进一步的量化分析。

解决方案

• 作者提出了哪些方法或解决方案？
  本研究通过模拟驾驶实验，分析初学驾驶员与有经验驾驶员在接触自动驾驶系统时的信任变化、驾驶行为及视线分配。实验设置了三种驾驶条件（手动驾驶、非关键性自动驾驶、关键性自动驾驶），并结合使用信任问卷（TiA）、眼动追踪数据及横向位置稳定性（SDLP）评估驾驶表现。

• 该解决方案的创新之处是什么？

  1. 研究将驾驶员数据分为初学者和有经验者，深入探索驾驶经验如何影响自动驾驶信任动态以及对临界事件的响应。
  2. 结合了驾驶稳定性（SDLP）、眼动行为（MGD）及信任问卷，为驾驶行为和信任的交互机制提供了一种全面分析框架。
  3. 设计了非关键和关键场景来评估驾驶员在不同自动驾驶复杂性条件下的表现。

• 实施步骤是什么？使用了哪些关键技术？

  1. 实验设计
     20名参与者（分为经验不足和经验丰富组）完成了一次包括多个驾驶条件的模拟驾驶任务，过程中还需完成一个分散注意力的非驾驶任务（如使用Spotify）。
  2. 模拟设备
     使用CARLA驾驶模拟器以及眼动追踪设备记录驾驶行为数据，并通过语音提示引导特定情境。
  3. 数据收集
     • 标准横向位移（SDLP）：评估车辆左右位置的变异。
     • 信任问卷（TiA）：测量驾驶员对自动驾驶系统的信任及其变化。
     • 眼动追踪数据（MGD）：分析驾驶员在驾驶或非驾驶任务中对各视域区域的注意力分布。
  4. 数据分析
     使用混合方差分析（ANOVA）解构不同群体在三种驾驶条件中的表现差异，并探索信任得分的关联性。

研究成果

• 取得了哪些具体成果？

  1. 驾驶行为

     • 初学驾驶员在关键性条件下的横向位置变化(SDLP)更大，表现出对自动系统的过度信任及延迟响应。
     • 有经验驾驶员的驾驶表现更稳定，且在关键条件中对车道变化的适应性更强。

  2. 信任动态

     • 所有参与者完成实验后对自动驾驶系统的总体信任水平显著提高。
     • 初学驾驶员对系统的信任增强较快，但往往缺乏对系统局限性的理解；有经验驾驶员表现出更高的系统预测性和可靠性理解。

  3. 视觉行为

     • 关键条件下驾驶员对右侧后视镜的凝视时间显著增加，表明驾驶员对环境风险的意识增强。
     • 初学驾驶员在自动驾驶状态下表现出更高级别的监控行为，尤其是在非关键条件中。

• 与现有解决方案相比，它有哪些优势？

  • 更详细地量化了驾驶经验对信任及监控行为的差异性影响。
  • 提供了横向驾驶稳定性、信任问卷和眼动追踪的交叉分析，这在自动驾驶情境研究中较为创新。

• 实验或评估结果是什么？

  • 信任与眼动行为之间的关联性分析表明，初学驾驶员的监控行为随着信任增加而增强，而有经验驾驶员在信任增加时降低了监控频率。

• 局限性与未来方向
  局限性：

  • 样本量相对较小，文化背景及年龄差异未深入探讨。
  • 实验基于模拟驾驶，可能无法全面反映现实驾驶中的风险感知与行为选择。

  未来方向：

  • 需要进一步研究长期信任发展的动态过程以及其对驾驶行为的深远影响。
  • 探讨不同文化和社会背景在自动驾驶信任构建中的作用。

通过此研究结果，作者提出了未来自动驾驶设计中信任校准的重要性，并为改进人机交互系统提出了实用建议，例如提升界面的透明度和系统反馈的预测性。