使用贝叶斯优化改进自动驾驶车辆的外部通信

研究背景与问题

• 发现的问题或挑战： 自动驾驶车辆（AVs）缺乏人类驾驶员的非语言沟通方式（如手势、眼神接触），使得在与其他道路使用者（例如行人）的交互中存在不确定性。解决这类问题需要外部人机交互界面（eHMIs）。尽管已有多种eHMI设计方案被探索，如 LED条、前挡风玻璃显示、声音提示等，但仍然缺乏关于如何在多种设计参数和用户目标之间优化的全面理解。

• 重要性： AVs在未来交通系统中的普及程度取决于与其他道路使用者的有效沟通。合适的eHMI可以提高行人对AV的信任、感知安全以及理解其意图，而不当的设计可能导致信息误解或交通事故。

• 研究动机与相关工作： 尽管已有研究显示eHMI对信任和安全感有正面影响，但这些研究常集中于单一参数或少量设计选项。研究如何优化eHMI的多维设计参数（如颜色、大小、位置、声音强度等）以满足不同用户的需求仍是一个开放的问题。此外，性别等个体差异对设计需求的影响较少被探索。

解决方案

• 提出的解决方案： 作者采用了基于多目标贝叶斯优化（MOBO）的"人机共同优化"方法（Human-in-the-Loop Optimization），以探索和优化eHMI设计。他们旨在优化视觉显示的多个参数和听觉组件，以改善信任、安全感、预测性、接受度以及美观性，同时降低心智负担和行人等待时间。

• 创新之处：

  1. 多目标优化：与传统仅优化单一设计目标的方法相比，MOBO能够同时优化多个目标，并生成最佳权衡点（Pareto前沿）。
  2. 性别差异分析：研究eHMI设计参数是否因性别而显著变化。
  3. 人机共同优化：在优化过程中引入用户反馈，迭代调整设计参数，以提高用户满意度和适配性。

• 实施步骤：

  1. 开发了基于Unity的虚拟现实（VR）实验环境，模拟行人在两车道上的过马路情境。
  2. 定义了9个优化参数（如颜色RGB、透明度、闪烁频率、组件大小与位置等）和7个优化目标（如信任、安全感、美观性等）。
  3. 通过贝叶斯优化算法（BoTorch库）在20次实验迭代中优化eHMI设计。
  4. 收集37名参与者的主观量化评估反馈，并分析这些数据以确定Pareto前沿。

研究成果

• 具体成果：

  1. 所有参与者的反馈表明，优化过程提高了多项目标的评分（如信任与安全感），降低了心智负担和时间成本。
  2. 在性别比较中，发现无显著参数差异，这暗示某些设计参数可能适合更广泛的人群。
  3. 研究建议"部分通用"设计参数作为起点（例如3Hz频闪、青色调、大范围的正面显示区域），并在此基础上进行针对性优化。
  4. 贝叶斯优化展现出在多目标优化中快速找到设计权衡点的有效性。

• 与现有方案的比较：

  1. 与传统的eHMI设计方法不同，本研究采用了更加系统且数据驱动的优化方式，提供了更全面、个性化的设计方案。
  2. 相比于依赖单一模式（如LED条）的既有研究，本文通过融合视觉与听觉信号展示了多模态设计的优势。

• 实验或评估结果：

  1. 信任、安全感和接受度等目标的评分随着优化迭代显著提升。
  2. 时间到达线性下降趋势表明优化减少了行人完成任务的时间。
  3. 开放性反馈强调用户认为eHMI声音设计和多模态设计特别有效，但在透明性、渐进性提示以及场景多样性方面仍需改进。

• 局限性与未来方向：

  1. 参与者样本局限：参与者主要为年轻学生，研究结果在其他年龄段和文化背景中的适用性需要进一步验证。
  2. 环境与情境：实验只在VR中进行，实际道路情况（如光照、天气）可能对eHMI效果有不同影响。
  3. 目标和参数选择：研究表明某些目标（如美观性与接受度）之间存在高相关性，未来研究可以减少冗余目标，聚焦关键因素。
  4. 个性化提升：尽管发现了部分可通用参数，仍需探索更广泛的人群适配性。

总结

本研究为自动驾驶车辆与行人的有效交互提供了一个创新的方法论，通过多目标优化使eHMI设计更具吸引力、包容性和实用性。同时，研究强调了多模态通信的重要性，并为未来设计标准化和个性化需求提供了实践指导。