匹配解释详细程度与场景复杂性：研究行人相遇驾驶场景中针对情境感知的人工智能反馈

文献标题

Matching Explanation Detail to Scene Complexity: Studying Situational Awareness-Specific Feedback in Pedestrian Encounter Driving Scenarios

出版信息

• 主题领域: 自动驾驶车辆界面中的人机交互 (HCI)
• 关键词: 自动驾驶车辆、情境感知、行人交互、场景复杂性、意图不确定性、车内反馈、用户偏好、认知负荷、驾驶决策熵、人本设计

背景与问题

• 问题/挑战: 现有的车内反馈系统往往无法根据驾驶场景的感知复杂性调整反馈细节的水平，导致在简单场景中信息过载或在复杂场景中信息不足。
• 意义: 根据场景复杂性调整反馈细节可以改善用户理解、信任以及自动驾驶车辆中的认知负荷管理，特别是在安全关键的行人交互场景中。
• 动机与相关研究: 之前的研究探讨了反馈的呈现方式、时机和内容，但尚未充分解决基于场景复杂性动态调整反馈细节的问题。本文基于情境感知（SA）理论，并引入意图不确定性作为行人交互场景复杂性的代理指标。

解决方案

• 提出的方法: 引入基于行人交互中意图不确定性的感知场景复杂性（PSC），并使用手工设计的情境感知特定反馈概念评估用户对反馈细节的偏好。
• 创新点:
  1. 引入意图不确定性作为场景复杂性的人本度量，并通过驾驶决策多样性验证其有效性。
  2. 实验性地证明用户对反馈细节的偏好随场景复杂性增加而增强，在高复杂场景中更偏好丰富的反馈。
• 实验程序与关键技术:
  • 实验 1：通过标注行人过街意图的行车记录仪视频，测量意图不确定性及其与驾驶决策熵和感知一致性差距的相关性。
  • 实验 2：使用车内界面模型评估用户对三种反馈概念（仅感知、感知+理解、感知+理解+预测）在不同场景复杂性下的偏好。

结果

• 具体发现:
  • 较高的意图不确定性与更高的驾驶决策熵（低：0.82，中：0.98，高：1.07）和感知一致性差距（低：23.02%，中：26.49%，高：30.65%）相关。
  • 用户在所有复杂性水平下均一致偏好最详细的反馈（概念 C），而随着不确定性增加，对概念 A 的评分逐渐降低。
  • 具有更丰富情境感知细节的反馈降低了心理需求、努力和挫败感，同时提升了用户的感知性能（NASA-TLX 结果）。
• 相较基线的优势:
  • 概念 C（感知+理解+预测）在所有复杂性水平上均在实用性、信任度、细节充分性和呈现偏好方面优于较简单的反馈设计（概念 A 和 B）。
• 实验/评估:
  • 实验 1：68 名参与者分析了 24 段行车记录仪视频，以验证意图不确定性作为场景复杂性代理的有效性。
  • 实验 2：60 名参与者评估了 12 段代表低、中、高复杂性的场景视频中的反馈概念；认知负荷通过 NASA-TLX 进行评估。
• 局限性与未来工作:
  • 由于采用被动视频观察，生态效度有限；未来研究应使用沉浸式环境如 VR 或驾驶模拟器。
  • 研究基于手工设计的反馈；未来工作应考虑 AI 模型的不确定性和错误。
  • 仅聚焦于行人交互场景；需要将研究结果推广到其他驾驶场景。
  • 参与者多样性有限；建议开展更广泛的人口统计学研究。

总结

本文引入意图不确定性作为行人交互场景复杂性的代理指标，并证明用户对车内反馈细节的偏好随复杂性增加而增强。实验 1 验证了意图不确定性与驾驶决策多样性之间的相关性，实验 2 显示更丰富的情境感知特定反馈在复杂场景中提升了用户理解并降低了认知负荷。这些发现为设计能够平衡透明度与认知需求的自适应人本自动驾驶车辆界面提供了可操作的见解。