ProVoice：使用多目标贝叶斯优化设计车载对话助手的主动功能以提升驾驶体验

文献标题

ProVoice: Designing Proactive Functionality for In-Vehicle Conversational Assistants using Multi-Objective Bayesian Optimization to Enhance Driver Experience

出版信息

• 主题领域: 使用优化技术设计车载会话助手（IVCA）的主动干预功能。
• 关键词: 主动IVCA，多目标贝叶斯优化（MOBO），人机交互环（HITL），驾驶员-车辆交互，虚拟现实（VR），自动化水平（LoA），可预测性，有用性，心理需求，个性化。

背景与问题

• 问题/挑战: 当前的IVCA主要是被动的，需要用户激活，无法满足多样化的驾驶员偏好和动态驾驶情境。设计主动干预需要在信任、有用性和心理需求等多个不透明且主观的目标之间找到平衡。
• 重要性: 主动IVCA可以通过及时、情境感知的交互提升安全性、便利性和参与度，但需要系统化的方法来实现个性化。
• 动机与相关工作: 先前研究探讨了被动IVCA设计和用户主导的个性化，但这些方法通常忽略了最佳配置，未能解决多目标权衡问题。本文基于HITL MOBO等计算设计技术，探索主动IVCA设计。

解决方案

• 提出的方法: ProVoice，一个利用人机交互环多目标贝叶斯优化（HITL MOBO）的虚拟现实（VR）驾驶模拟器，用于优化主动IVCA设计的多个参数和目标。
• 创新点:
  1. 开发了ProVoice，一个用于主动IVCA设计的VR模拟器，集成了HITL MOBO。
  2. 通过19名参与者的组内实验研究对主动IVCA设计进行了实证评估。
  3. 开源了用于主动IVCA建模和优化的Unity资源。
  4. 探索了自动化水平（LoA）作为设计参数，并比较了固定LoA与训练LoA的效果。
• 流程与关键技术:
  • 设计参数：车内灯光亮度、声音提示音量、符号透明度和LoA（5个级别）。
  • 目标：最小化心理需求；最大化可预测性和有用性。
  • HITL MOBO设置：基于高斯过程的优化，使用q-Noisy Expected Hypervolume Improvement（qNEHVI）采集函数。
  • 实验设计：参与者在VR驾驶模拟器中完成两个条件（训练LoA和固定LoA），并提供迭代反馈以进行优化。

结果

• 具体发现:
  • HITL MOBO在多次迭代中降低了心理需求，提高了可预测性和有用性。
  • 可预测性和有用性强正相关（r = 0.47），而心理需求和有用性负相关（r = -0.32）。
  • 训练LoA相比固定LoA需要更多迭代才能符合驾驶员预期，而固定LoA从一开始就具有较高的基线评分。
• 相较基线的优势:
  • HITL MOBO系统性地探索了设计空间，发现了用户主导方法可能忽略的帕累托最优配置。
  • 固定LoA与驾驶员的主动偏好一致，始终保持较高的可预测性和有用性评分。
• 实验/评估:
  • 参与者：N=19（10名男性，9名女性，平均年龄=31.4）。
  • 流程：组内VR研究，包含两个条件（训练LoA和固定LoA），优化IVCA设计12–20次迭代。
  • 指标：使用NASA TLX评估心理需求，自动化信任调查评估可预测性，USE问卷评估有用性。
• 局限性与未来工作:
  • 样本量有限，并可能因机会抽样产生偏差。
  • 冷启动MOBO方法；未来可探索热启动方法。
  • 需要在动态驾驶条件下进行真实场景评估。
  • 关于主动功能数据收集的隐私问题需要解决。

总结

本文介绍了ProVoice，一个基于VR的驾驶模拟器，利用HITL MOBO个性化主动IVCA设计。研究表明，HITL MOBO有效降低了心理需求，提高了可预测性和有用性，其中固定LoA比训练LoA更符合驾驶员预期。开源的Unity资源为主动IVCA设计的广泛探索提供了可能。未来工作应解决隐私问题，探索替代优化方法，并在真实驾驶场景中验证研究结果。