一个人机环境系统交互研究

自动驾驶系统: 特斯拉S型车的初步自然主义研究

Mica R.Endsley，态势感知技术公司（2017年）

王小凤  牛博   翻译

 

目前，超过14家公司正在开发自动驾驶和半自动驾驶汽车，这些汽车可能会提高驾驶安全性和便利性，或者可能给驾驶员带来新的挑战，尤其是在态势感知（SA）和自主性交互方面。我对特斯拉S型车的自主特性进行了一项自然主义驾驶研究，记录了我在6个月内的经历，包括对态势感知的评估和自主性的问题。这项初步分析提供了有关驾驶员在现实驾驶条件下应对新型自动驾驶汽车所可能面临的挑战的见解，并将先前有关人类自主交互的研究扩展到了驾驶领域。发现了有关驾驶员培训，心理模型开发，模式融合，意外模式交互，态势感知和易受干扰等问题。对半自动驾驶系统挑战的新见解包括态势感知可变性增加，用串行离散控制代替连续控制以及需要更复杂的决策。提出了需要在未来研究中考虑的问题，并提出了一套有关自动驾驶系统驾驶员接口的准则，并用于与自动驾驶汽车互动时为改善驾驶员态势感知提出建议。

关键字：驾驶，自主，自动化，态势感知，模式感知，干扰，界面设计

 

汽车行业正在迅速为驾驶大众开发半自动和全自动驾驶汽车。这包括用于导航，碰撞和盲点预警系统的各种高级辅助工具，以及更高级的功能，例如自动停车，自适应巡航控制（ACC）和自动车道跟踪系统。Google专注于开发无需驾驶员干预的全自动驾驶汽车，而其他公司则一直在逐步推出旨在增强和帮助驾驶员的自动驾驶功能。

但是，这些努力并非没有风险。开发与人类驾驶员良好集成的自动驾驶系统受到自动驾驶使驾驶员脱离循环的趋势的极大挑战（Wickens＆Kessel，1979；Young，1969），由于降低了态势感知（SA；Endsley＆Kiris，1995）。在监视自动化时，人们通常很慢地发现存在需要干预的问题；并且他们可能很慢才能充分理解问题，从而有效地解决问题。

例如，一辆特斯拉（Tesla）S型车最近发生了一起致命车祸，其自动驾驶系统未能检测到一辆18轮的汽车在车前转弯，导致司机死亡（Soloman，2016）。如果不是依靠自动控制，司机能及时发现卡车并停车吗？如果驾驶员不依赖自动化，驾驶员是否能够察觉到卡车并及时停车？还是像特斯拉所说的那样，驾驶员也不能在刺眼的阳光下看到卡车，从而使自动化无关紧要？在另一次事故中，一名特斯拉司机没有刹车以致追尾了另一辆车，因为她相信自动驾驶系统会刹车，而她干预得太迟，无法防止碰撞（Gitlin，2016）。

态势感知是在许多高度动态和复杂领域（包括驾驶）中成功表现的基本前提（Endsley，1995；Gugerty，1997；Horswill＆McKenna，2004；Ma＆Kaber，2005）。驾驶员需要态势感知的因素很多，包括速度，燃油水平和车辆功能；其他车辆和行人的相对距离，速度和轨迹；天气和危害对车辆安全的影响；一个人在所需路线上的位置，到下一弯的距离以及到目的地的预计时间和距离；遵守公布的速度和其他适用法律；车辆设备状态异常及其对车辆安全性和性能的影响的知识（Bolstad，Cuevas，Wang-Costello，Endsley和Angell，2008年）。SA不仅要考虑驾驶员的注意力和感知能力，还要考虑以下能力：（1）根据感知信息对目标的重要性进行有意义的评估（例如，在即将到来的出口或事故发生前需要改变车道）；（2）预测可能发生的未来事件，以做出积极的决策（例如，响应于道路上的制动信号灯减速或在交通拥堵的情况下减速）。

不良的态势感知通常与车祸有关（Gugerty，1997）。导致驾驶事故的两个主要原因-不当监视和疏忽-是未能维持态势感知的例子（Treat等，1979），以及分心和识别错误（例如，看了看却没看见或者理解不正确；Sabey和Staughton，1975年）。Ma和Kaber（2005）发现，所有级别的态势感知（感知，理解和预测）似乎都对操作驾驶行为产生影响，Ward（2000），Matthews，Bryant，Webb和Harbluk（2001）展示了不同类型的驾驶任务（操作，技巧和战略）如何需要所有三个级别的态势感知。

自动驾驶系统运营商面临的挑战

在包括航空，驾驶和过程控制在内的各种环境中，针对人类自动化集成的挑战进行了大量研究。总结了关于该主题的30年研究，人类自主系统监督模型表明，驾驶员在必要时进行干预和从自动化手中接管的能力取决于其在驾驶环境中对关键信息的态势感知（Endsley，2017年）。三个主要因素将对具有自主系统的驾驶员态势感知产生很大影响。

注意和信任

态势感知直接受到一个人对相关驾驶信息的关注程度的影响，这一程度受对自动化系统的信任程度和存在竞争性次要任务的影响，并通过车辆显示的有效性进行调节。信任受自动化功能的影响很大，主要是其可靠性和鲁棒性（Hancock等，2011；Lee＆See，2004）。当自动化变得更可靠，更强大时，信任度就会提高，人们更愿意将注意力转移到竞争性任务上，例如做白日梦，操作车载技术，在手机上聊天或发短信，进餐，梳理头发，或执行其他无关紧要的任务（Carsten，Lai，Barnard，Jamson和Merat，2012；Hergeth，Lorenz，Vilimek和Krems，2016；Kaber＆Endsley，2004；Ma＆Kaber，2005；Sethumadhavan，2009）， 因此直接降低他们的态势感知。

参与度和工作量

驾驶员的工作量和参与度会严重影响态势感知。即使驾驶员保持警惕，他们在自动化下的参与度也可能大大降低（更像是乘客而不是驾驶员），这会降低SA并减慢对危险情况的响应（Endsley＆Kiris，1995；Manzey，Reichenbach和Onnasch，2012；Metzger和Parasuraman，2001）。操作员的参与度以及他们所经历的工作量取决于实现自动化的方式，尤其是（a）自动化级别（即，任务的哪些方面是自动化的）；（b）自适应自动化，介于手动和自动控制之间；（c）控制粒度，确定需要详细指导的程度。存在一个自动化难题，其中，向系统添加的自动化程度越高，自动化的可靠性和稳定性就越强，负责监督该自动化过程的人工操作人员了解关键信息并需要时接管手动控制的可能性就越小（Endsley，2017）。

心理模型

最后，态势感知很大程度上受驾驶员心理模型的准确性和完整性的影响。心理模型主要是通过培训和经验以及系统界面的透明性来开发的，从而创建了一系列期望，驾驶员可以使用这些期望来解释驾驶环境和系统动作的事件。不幸的是，随着自动化能力的增强和复杂性的提高，创建准确的心理模型变得非常困难。在自主系统的开发中使用新的深度学习技术，