解码驾驶员意图提示：探索以人为中心的汽车界面中的非语言沟通

研究背景与问题

• 作者发现了哪些问题或挑战？ 自动驾驶(AV)系统极大地重新定义了行车体验，但它们缺乏模拟传统人类驾驶员与乘客之间隐性非语言交流的能力。这种缺陷可能导致乘客对AV的信任和接受度降低，因为乘客无法预测AV的意图或行为。

• 为什么这个问题很重要？ 非语言交流在人类驾驶员与乘客之间的协作中至关重要。理解驾驶员意图对于提升自动驾驶系统中HMI（人机界面）的直观性、信任度和用户体验具有关键意义。与此同时，这种理解能够帮助自动驾驶车辆更接近于人类驾驶的沟通模式，从而提高用户对系统的接受度和信任感。

• 研究动机与相关工作 现有研究多集中于AV与行人之间的非语言交流，而对AV与乘客之间通过非语言交流推测意图的研究仍然稀缺。此外，大多数现有HMI设计强调显性沟通（例如明确提示），却容易增加认知负荷，而通过隐性非语言交流反而能提供直观的用户体验。

解决方案

• 作者提出了哪些方法或解决方案？
  作者通过实地观察法、体验采样法和技术辅助的自我对抗式访谈法（Auto-Confrontation Interviews），系统记录和分析了乘客如何解码驾驶员的隐性非语言意图线索。这些线索包括头部/眼睛动作、姿态变化和车体动态等。

• 该解决方案的创新之处是什么？

  1. 首次将真实驾驶环境中的乘客解码驾驶员非语言线索的动态交互进行系统化分析。
  2. 提出了四种驾驶意图线索的分类，包括情境意识线索（Awareness Cues）、交互线索（Interaction Cues）、前庭线索（Vestibular Cues）及独特/习惯性线索（Unique/Habitual Cues）。
  3. 研究结合自然驾驶观察与创新访谈方式，解锁传统量化研究无法捕捉的细致用户体验与感知过程。

• 实施步骤是什么？使用了哪些关键技术？

  1. 参与者甄选与实验设置
     • 分别招募了30对熟悉与非熟悉的驾驶员-乘客组合，通过40分钟自然驾驶，多角度记录驾驶行为。
  2. 数据采集
     • 使用多台GoPro摄像机捕捉驾驶员和乘客的动作与环境情境。
     • 乘客使用无线点击器标记他们感知到的驾驶员动作线索。
  3. 数据分析
     • 通过理论驱动的“驾驶意图语法”（DIG）框架编码乘客报告（Syntax & Semantics）。
     • 运用解释性现象分析(IPA)方法，深入挖掘乘客对这些线索的认知解读。

研究成果

• 取得了哪些具体成果？

  1. 确定并分类了四种类型的非语言意图线索：
     • 情境意识线索：驾驶员的头部/眼睛运动用来表明对环境的关注，例如检查镜子或路标。
     • 交互线索：握紧方向盘或触碰指示灯的动作，揭示即将反映的操作意图。
     • 前庭线索：通过车体动态（例如惯性、减速效应）反馈出驾驶操作完成情况。
     • 独特/习惯性线索：熟悉关系中的乘客更倾向于从驾驶员的习惯化动作中解码意图。
  2. 研究强调了线索的显著性受重复、时机和强度等因素影响。例如明确多次的头部转动可显著确认车辆换道意图。

• 与现有解决方案相比，它有哪些优势？ 本研究突破了现有HMI设计多依赖显性指示的局限，提出了基于人类自然交流模式的隐性非语言交流设计方向。这种设计能：

  • 提高可预测性和用户信心。
  • 减少显性信息引起的认知过载。

• 实验或评估结果是什么？

  • 数据显示乘客能通过非语言线索显著推断驾驶员意图，尤其是对于头部/眼睛动作及车体动态反馈的解码最为成熟。
  • 在习惯性关系中，乘客倾向于通过重复性线索获得更大的解读确定性。

• 局限性与未来方向

  1. 局限性：
     • 自然驾驶环境中部分标记线索可能难以回忆或叙述。
     • 样本文化背景和注重非语言交流的程度可能限制研究的广泛适用性。
     • 实验对乘客通信（例如对话）的限制可能降低了研究对部分行车场景的外部有效性。
  2. 未来方向：
     • 探讨不同文化和人口统计背景对非语言线索的解读差异。
     • 开发让用户与HMI长期适应的设计，使乘客随着对系统熟练度提高自动降低认知负担。
     • 引入基于研究数据训练的AI模型，将非语言线索解读提升应用于AV控制预测。

作者通过解码驾驶员与乘客之间隐性交流，为未来自动驾驶人机界面的设计提供了重要启示。这种基于人类自然行为洞察的设计策略，不仅提升了用户体验和信任感，还为如何更好地将人类情感融入机器智能设计奠定了坚实基础。