通过不同反馈模态提升自动驾驶中的用户体验

文献标题

Increasing the User Experience in Autonomous Driving through Different Feedback Modalities

文献信息

• 主题领域: 用户体验、自动驾驶、人机交互
• 关键词: 用户体验，自动驾驶，反馈模式，人工智能解释性，视觉化，振动反馈

研究背景与问题

• 问题或挑战:

  • 现有研究表明，自动驾驶车辆的“失控感”可能导致用户负面的用户体验（UX），特别是在复杂的城市环境中。
  • 与自动驾驶相关的人工智能（AI）难以直观地向用户解释其行为和决策。

• 重要性:

  • 提供适当的反馈机制可以改善用户对自动驾驶车辆的理解与感知，从而提高信任感、安全感和整体用户体验。

• 研究动机与相关工作:

  • 人机交互与人工智能解释性（XAI）领域的相关工作已证明，通过使用反馈模式（如光、声音、视觉化、文本、振动）可以提高用户对系统决策的理解。
  • 当前的研究集中于多模态或单模态反馈，但鲜有纯粹探讨如何通过单一反馈模式优化自动驾驶的用户体验。

解决方案

• 提出的解决方案:

  • 作者设计了一种实验，通过使用单一反馈模式（光、声音、视觉化、文本和振动）来研究这些模式对用户体验的影响。
  • 分析不同情景（主动与被动、关键与非关键）下这些反馈模式的效果，以提出适配场景的反馈设计建议。

• 创新之处:

  • 首次全面分析单模态反馈如何改善自动驾驶车辆的用户体验。
  • 考虑使用虚拟现实环境模拟真实驾驶情景，以增强实验的沉浸感和可控性。

• 实施步骤与关键技术:

  1. 驾驶情景分类: 确定四种驾驶情景（主动非关键、主动关键、被动非关键、被动关键）。
  2. 反馈设计: 创建光、声音、视觉化、文本和振动反馈模式，并使用统一的设计标准。
  3. 原型开发: 在Unity中开发VR驾驶模拟器，并集成反馈机制。
  4. 实验设计:
     • 通过22名参与者在VR环境中体验四种驾驶情景，并测试各反馈模式的效果。
     • 使用UEQ-S工具评估用户体验质量（包括现实质量和情感质量）。

研究成果

• 具体成果:

  • 实验表明，与无反馈基线相比，所有反馈模式均提高了用户体验。
  • 光和视觉化反馈模式显著改善用户体验，其中视觉化表现最优，同时在现实质量与情感质量上均表现正向。

• 优势:

  • 光反馈直观且有效，适合各类场景。
  • 视觉化反馈通过显示自动驾驶车辆的实时环境信息，增加了用户的安全感和信任感。
  • 不同驾驶情景下用户偏好的反馈模式可为实际系统设计提供依据（如主动情景偏好低侵入性反馈，被动情景偏好高警示性反馈）。

• 实验结果:

  • 光和视觉化反馈在UEQ-S评分中显著高于基线，其中视觉化模式的“现实质量”和“情感质量”得分最为优异。
  • 对其他模式（如文本、声音和振动）的评价较低。
    • 声音反馈可能长期使用令人烦躁。
    • 文本反馈被认为冗余且不易快速处理。
    • 振动反馈被感知为令人不适且缺乏明确信息。

• 局限性与未来方向:

  • 局限性:
    • VR环境缺乏物理现实感（如图像质量、音效、加速度等）。
    • 实验中用户专注于反馈而未模拟现实场景中的多任务环境（如工作、听音乐等）。
    • 实验参与者样本年龄较集中，缺乏对更广泛群体的研究。
  • 未来方向:
    • 探索光与视觉化反馈结合的效果。
    • 扩展研究到多模态反馈的应用及用户行为的进一步影响评估。
    • 在真实驾驶场景中验证虚拟环境中的实验结论。

文献总结

本文通过实验研究了不同单模态反馈对自动驾驶乘客用户体验的提升效果。研究表明，对于不同驾驶情景，应选择适配场景的反馈模式（如主动情景偏好低侵入性反馈，被动情景偏好高警示性反馈）。光和视觉化反馈表现显著优异，未来研究可进一步优化反馈设计并探索其在真实驾驶环境中的应用。