OptiCarVis：使用贝叶斯优化改进自动驾驶车辆功能可视化以增强用户体验

研究背景与问题

• 发现的问题或挑战：

  1. 当前自动驾驶车辆功能的可视化设计多为"一刀切"的解决方案，不能适应乘客多样化的感知和需求。
  2. 用户对安全性、信任度和接受度的主观评价差异化显著，现有的设计难以兼顾设计空间中的多重目标。
  3. 传统方法如用户中心设计和专家定义的标准设计，通常需要耗费大量资源进行试验，同时不能充分表达个人偏好。

• 重要性： 自动驾驶技术的用户接受度被认为取决于其对车辆操作、检测和计划功能的理解。增强用户的信任度、感知安全性及减少认知负担是推动公众接受自动驾驶的重要因素。

• 研究动机与相关工作：

  1. 之前的研究证明功能可视化可以改善司机的信任和认知负担（例如语义分割、内部功能预测和轨迹规划的可视化）。
  2. 然而，现有方法通常依赖预定义的设计或简单个性化，而没有充分利用优化算法来探索更大的设计空间。
  3. 多目标贝叶斯优化（MOBO）在其他设计领域（如触控键盘、图像分类等）展现出较高的效率和性能，但其在自动驾驶功能可视化设计中的潜力尚未被充分探索。

解决方案

• 方法或解决方案： 作者提出了一种名为 OptiCarVis 的方法，通过结合 "人机交互闭环"（HITL）和多目标贝叶斯优化（MOBO），在更大设计空间中优化自动驾驶车辆功能可视化设计，满足个体用户的主观需求。

• 创新之处：

  1. 使用 MOBO 方法生成帕累托最优设计（Pareto-optimal designs），在无偏见情况下平衡多重目标，例如信任、安全性、接受度、审美性和认知负担。
  2. 通过 Warm-Start HITL 方法结合专家设计和用户定制设计数据，提升优化效率并加快收敛。
  3. 将终端用户（包括无设计背景的普通用户）整合到闭环设计流程中，大幅减少传统迭代设计流程需要的资源。

• 实施步骤与关键技术：

  1. 定义目标函数：将多层次用户主观指标（例如信任、预测性、感知安全性等）纳入优化目标，同时考虑设计参数映射对认知负担的影响。
  2. 初始化设计条件：包括专家标准设计、用户定制设计以及随机 Cold-Start 初始参数。
  3. 使用 PyTorch 的 BoTorch 库实现 MOBO，同时对设计参数采用连续值设置优化。
  4. HITL 闭环优化过程：迭代展示设计变体，并通过收集用户反馈进行参数优化，直至实现满意的设计。
  5. 最终实验结合在线用户研究，比较多条件下设计的优劣。

研究成果

• 具体成果：

  1. HITL MOBO 方法（特别是 Cold-Start 和 Warm-Start 变体）显著提升了用户对安全、信任、预测性和审美特性的主观评价。
  2. MOBO 方法显著降低了认知负担，与非 MOBO 方法相比（专家设计或用户自定义），在多目标优化方面更高效。
  3. 用户认为增加个性化设计的能力增强了对设计过程的满意度和参与感。

• 与现有解决方案的比较与优势：

  1. 与专家设计对比： OptiCarVis 的帕累托最优解比专家设计覆盖更广的用户需求，同时有效减少设计资源需求。
  2. 与用户定制设计对比： MOBO 优化的设计规避了用户设计时可能的误判，比如过多信息导致的认知负担。
  3. 优于传统 A/B 测试： 显著提升了对多目标复杂优化问题的效率。

• 实验或评估结果：

  1. 在包含 117 名参与者的在线试验中，Cold-Start 和 Warm-Start 毫无显著差异，但都超越了非 MOBO 方法，特别是在提升感知安全性和信任度方面。
  2. 用户对 HITL 设计过程中的视觉化调整表示强烈认可，但对审美性和接受度的改善效果有限。
  3. 使用帕累托前沿分析，确定最优设计参数范围，并发现与用户关注点（如重要视觉区关注点）高度一致。

• 局限性与未来方向：

  1. 当前研究仅限于小范围模拟驾驶场景，无法完全涵盖复杂驾驶情景的需求。
  2. 使用显式优化（用户需多次主动反馈）可能导致用户疲劳，未来需要探索基于隐式信号（如眼动跟踪、心率数据等）的优化方式。
  3. 文化差异对优化设计的影响需进一步研究，例如针对不同国家用户的定制需求。
  4. 实验虽然基于屏幕模拟环境，但难以完全模拟现实驾驶场景，未来需要真实车辆实验验证方法的实用性。

总结

OptiCarVis 提供了一种创新、科学且高效的框架，用于在更大设计空间中优化自动驾驶车辆的用户可视化界面，同时为用户体验的个性化设计奠定了基础。这能有效提高公众对自动驾驶技术的接受度，未来将有潜力通过隐式优化进一步提升用户体验和设计效率。