闲聊亦可大用？基于LLM的对话代理缓解条件自动驾驶中的被动疲劳

文献标题

Small Talk, Big Impact? LLM-based Conversational Agents to Mitigate Passive Fatigue in Conditional Automated Driving

出版信息

• 主题领域: 自动驾驶情境中的人机交互。
• 关键词: 会话代理、被动疲劳、自动驾驶车辆、SAE 3级、人机协作、警觉性、安全关键系统、卡罗林斯卡嗜睡量表、用户原型、自适应设计。

背景与问题

• 问题 / 挑战: 在单调的SAE 3级自动驾驶过程中，被动疲劳削弱了驾驶员的准备状态和情境意识，带来了安全风险。现有的应对措施缺乏对个体驾驶员需求的适应性，且通常依赖于侵入式或基于模拟器的方法。
• 重要性: 应对被动疲劳对于确保自动驾驶与手动驾驶之间的安全过渡至关重要，尤其是在需要高度警觉的条件自动化场景中。
• 动机与相关研究: 先前的研究探索了游戏化、非驾驶相关任务以及“巫师帽”实验设置来缓解疲劳，但这些方法往往无法适应多样化的用户特征或真实世界的情境。基于大型语言模型（LLM）的实时会话代理在真实驾驶环境中的潜力尚未得到充分探索。

解决方案

• 提出的方法: 一个名为Zoe的实时会话代理（CA），由GPT-4驱动，旨在通过简短的、情境感知的对话缓解单调自动驾驶中的被动疲劳。
• 创新点:
  1. 在真实的SAE 3级自动驾驶车辆原型中部署了一个完全功能化的基于LLM的会话代理。
  2. 确定了用户原型（安全优先型、娱乐寻求型、社交连接导向型）及其与既有会话代理设计框架的对齐。
  3. 集成与环境相关的提示以增强驾驶员警觉性，同时尽量减少认知负担。
• 流程与关键技术:
  • Zoe通过与驾驶环境相关的简短安全对话（如观察野生动物）与驾驶员互动。
  • 交互协议包括恢复策略和安全提醒，以优先保证道路注意力。
  • 在一个包含40名参与者的测试跑道研究中，使用卡罗林斯卡嗜睡量表（KSS）、车内视频分析和驾驶后访谈评估了会话代理对警觉性的影响。

结果

• 具体发现:
  • KSS评分显示，与会话代理互动后警觉性显著提高（p = .028），逆转了对照组中观察到的疲劳增加趋势。
  • 观察到的行为包括嗜睡和无聊迹象减少、环境扫描增加以及与会话代理互动时的积极情绪表达。
• 相较基线的优势:
  • 会话代理互动比对照条件更有效地缓解了被动疲劳，对照组中疲劳症状持续存在。
  • 参与者认为会话代理比传统安全警报侵入性更低，比非驾驶相关任务更具吸引力。
• 实验 / 评估:
  • 在封闭测试跑道上使用雷诺Zoe SAE 3级原型车进行了一项包含40名参与者（25名会话代理组，15名对照组）的组间研究。
  • 衡量指标包括KSS评分、访谈的主题分析以及车内视频记录的行为观察。
• 局限性与未来工作:
  • 单次实验限制了对长期采用和习惯化的洞察。
  • 原型自动驾驶车辆和会话代理偶尔出现延迟问题。
  • 未来研究应探索长期效果、跨文化适用性以及能够动态调整以适应用户偏好的自适应系统。

总结

本研究展示了基于LLM的会话代理在缓解SAE 3级自动驾驶中的被动疲劳方面的有效性。会话代理Zoe通过简短、情境感知的对话成功提高了驾驶员的警觉性，这从KSS评分和行为观察中得到了证实。研究确定了用户原型（安全优先型、娱乐寻求型、社交连接导向型），强调了为多样化驾驶员需求量身定制的自适应会话代理设计的必要性。这些发现推动了会话界面作为自动驾驶车辆中主动安全工具的理解，并为未来开发和在安全关键领域的更广泛应用提供了设计启发。