Real-World Evaluation of the Impact of Automated Driving System Technology on Driver Gaze Behavior, Reaction Time and Trust
依赖于一定程度自主性的先进驾驶辅助系统(ADAS)的最新发展促使汽车行业和研究界研究它们可能对驾驶性能产生的影响。然而,到目前为止,大多数研究都是基于模拟环境。在这项研究中,我们调查了在现实驾驶场景中具有自动驾驶系统(ADS)功能的车辆中驾驶员的行为。我们分析了他们在两种不同的驾驶速度下对接管请求(TOR)的反应,同时从事非驾驶相关任务(NDRT)。从所进行的实验结果表明,驾驶员的反应时间的TOR,凝视行为和自我报告的信任自动化的NDRT的类型正在同时进行和驾驶员的反应时间和凝视行为的影响,另外取决于驾驶或车辆的速度在TOR的时间。
2021-06-14 cs.HC
Dynamic Human Trust Modeling of Autonomous Agents With Varying Capability and Strategy
本文通过时间序列建模研究人机协同任务中自主智能体能力与策略变化对人类动态信任的影响,发现近因偏差会改变被试对策略和能力的信任权重,并验证了ARIMAX模型在信任预测上的改进效果。
2024-04-30 cs.HC
TRUCE-AV: A Multimodal dataset for Trust and Comfort Estimation in Autonomous Vehicles
针对现有自动驾驶信任与舒适度研究实时评估有限、多模态数据不足的问题,本文构建TRUCE-AV多模态数据集,收集31名参与者驾驶过程中的生理、环境数据及主观评分,通过机器学习模型评估验证其有效性,为自适应自动驾驶系统开发提供支撑。
2025-08-25 cs.HC
Building Trust Profiles in Conditionally Automated Driving
The University of Michigan, Dearborn(密歇根大学迪尔伯恩分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
本研究通过驾驶模拟器实验,使用K-means聚类模型识别出三种驾驶员信任档案,并基于SHAP和多项逻辑回归模型进行验证,为设计个性化车内信任监控与校准系统以提升自动驾驶安全性和体验提供了重要依据。
2023-06-28 cs.HC cs.RO
Want a Ride? Attitudes Towards Autonomous Driving and Behavior in Autonomous Vehicles
Johannes Kepler University Linz(约翰内斯·开普勒大学林茨分校)
本文通过12人实地实验,发现对自动驾驶的态度并不影响驾驶干预和视线行为,指出缺乏实地测试的自动驾驶研究在评估行为、态度与接受度方面可能不可靠。
2024-09-04 cs.HC cs.RO
The Interaction Gap: A Step Toward Understanding Trust in Autonomous Vehicles Between Encounters
本文通过25人参与的模拟器实验,研究共享自动驾驶汽车使用中因不频繁交互产生的交互间隙对人类信任的影响,发现信任变化与一周交互间隙呈中等负相关,表明人们会在间隙期间遗忘部分对自动化的信任或不信任。
2022-09-21 cs.HC
Trust in Autonomous Human--Robot Collaboration: Effects of Responsive Interaction Policies
Laurentian University(劳伦太大学)
研究探讨了在无Wizard-of-Oz控制或预设修复的社交机器人协作中,交互策略对信任形成的影响,发现响应式策略在通信条件良好时显著提升信任,但任务准确性无显著差异。
2026-03-17 cs.HC cs.RO
Maneuver-based Driving for Intervention in Autonomous Cars
一旦自动驾驶系统不再需要手动输入作为备份,我们与自动驾驶汽车的通信方式将从根本上改变。基于机动的驾驶是一种潜在的方式,允许用户仍然干预自动驾驶汽车,以传达请求,例如在下一个停车场停车。在这项工作中,我们强调了仍然需要探索的不同研究问题,以深入了解未来如何实现这种控制。
2020-03-27 cs.HC
EMMI: Empathic Human-Machine Interaction for Establishing Trust in Automated Driving
EMMI项目通过构建社会情感用户模型和以用户为中心的HMI系统,在传递附加价值的同时管理用户信任,从而促进用户对自动驾驶车辆的信任、接受与使用。
2022-04-13 cs.HC
Drive Right: Shaping Public's Trust, Understanding, and Preference Towards Autonomous Vehicles Using a Virtual Reality Driving Simulator
自动驾驶汽车越来越多地进入我们的生活。然而,人们的误解和不信任已经成为使用这些技术的主要障碍。针对这一问题,必须做好工作,提高公众的理解和认识,帮助驾驶员理性地评估系统。本文提出的方法是一个虚拟现实驾驶模拟器,作为一个低成本的平台,自动驾驶汽车的演示和教育。为了测试平台的有效性,我们招募了36名参与者,并使用三种不同的场景进行了测试培训。结果表明,我们的模拟器成功地增加了参与者的理解,同时有利地改变了他们对自治系统的态度。本文提出的方法和研究结果可以由驾驶学校,汽车制造商和政策制定者进一步探索,以改善自动驾驶汽车的培训。
2023-02-17 cs.HC
An Investigation of Drivers' Dynamic Situational Trust in Conditionally Automated Driving
The University of Michigan-Dearborn(密歇根大学迪尔伯恩分校)
了解信任如何随着时间的推移而建立至关重要,因为信任在接受和采用自动驾驶汽车(AV)方面起着重要作用。本研究旨在探讨系统绩效与参与者信任前提对企业接管过程中动态情境信任的影响。我们评估了42名参与者使用自我报告和行为措施,同时观看30个视频接管的情况下的动态情境信任。该研究是3 × 2混合受试者设计,其中受试者内变量是系统性能(即,95%、80%和70%的准确性水平),并且受试者间变量是参与者信任的前提条件(即,过度信任和信任不足)。我们的研究结果表明,参与者迅速调整他们的自我报告的情景信任(SST)水平,这是一致的,在这两个信任的前提下,不同的准确性水平的系统性能。然而,在不同的准确性水平上,被试的行为情境信任(BST)受到信任前提的影响。例如,过度信任的前提条件显着增加了协议分数相比,信任不足的前提条件。与过度信任的前提条件相比,信任不足的前提条件显著降低了转换分数。这些结果具有重要的意义,设计一个车内的信任校准系统的条件AV。
2021-12-08 cs.HC cs.RO
Predicting Trust In Autonomous Vehicles: Modeling Young Adult Psychosocial Traits, Risk-Benefit Attitudes, And Driving Factors With Machine Learning
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本研究利用机器学习和SHAP技术分析1457名年轻成年人的调查数据,发现风险收益感知、可用性态度、机构信任和先前经验是预测AV信任的最重要因素,为设计值得信任的AV提供了关键启示。
2025-01-28 cs.AI cs.HC cs.LG
What Did My Car Say? Impact of Autonomous Vehicle Explanation Errors and Driving Context On Comfort, Reliance, Satisfaction, and Driving Confidence
University of California, San Diego(加利福尼亚大学圣迭戈分校)
通过232人的模拟驾驶研究,本文探讨了自动驾驶车辆解释错误、驾驶场景及个人特质对乘客舒适度、依赖度、满意度和信心的影响,发现解释错误会显著降低各项评分,强调需开发准确、自适应且个性化的解释系统以建立信任。
2025-01-28 cs.AI cs.HC
Incorporating a 'ladder of trust' into dynamic Allocation of Function in Human-Autonomous Agent Collectives
本文提出将“信任阶梯”融入人-自主智能体集体的动态功能分配,通过基于态势感知的信任得分调整任务分配,并考虑道德伦理约束,以促进人机团队的有效协作。
2024-08-20 cs.HC
Vehicle-To-Pedestrian Communication Feedback Module: A Study on Increasing Legibility, Public Acceptance and Trust
车辆行人通信在开发自动驾驶车辆的自主性时是极其重要的。实现行人和自动驾驶汽车之间的双向非语言交流将提高行人在自动驾驶中的安全性。如果行人想要交流,自动驾驶汽车应该向人类提供关于它将要做什么的反馈。本文提出的用户研究调查了外部车辆显示器的几种可能选项,以实现自动驾驶车辆与人类之间的有效非语言通信。这项研究的结果将指导未来研究中反馈模块的开发,优化公众对自动驾驶汽车决策的接受和信任,同时使最广泛的潜在用户能够阅读。这项研究的结果表明,参与者更喜欢符号,而不是文字,灯光和道路投影。此外,如果自动驾驶车辆没有驾驶,参与者更喜欢将符号和文本的组合作为要显示的交互模式。此外,结果表明,文本交互模式选项“安全通过”应与显示行走的人的符号的符号交互模式选项组合使用。我们计划通过虚拟现实和在现实世界中正在进行的和未来的研究,阐述和重点选定的交互模式。
2022-11-27 cs.HC
"I don't like things where I do not have control": Participants' Experience of Trustworthy Interaction with Autonomous Vehicles
本研究针对自动驾驶汽车作为社会交互智能体带来的人机交互信任问题,通过大规模在线研究探究其自主性及交互参数对驾驶员信任与接受度的影响,并结合现有可信交互指南分析初步发现。
2025-02-03 cs.HC
The Formation of Trust in Autonomous Vehicles after Interacting with Robotaxis on Public Roads
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Cornell University(康奈尔大学)
本研究在真实Robotaxi运营区开展实验,发现行人与4级自动驾驶汽车交互后信任度显著提升,且受接受度、行为特质等因素影响,弥补了实验室研究的局限。
2025-09-30 cs.HC cs.RO
Estimating Risk Levels of Driving Scenarios through Analysis of Driving Styles for Autonomous Vehicles
University of Science and Technology of China(中国科学技术大学);Carnegie Mellon University(卡内基梅隆大学)
为了在道路上安全行驶,自动驾驶汽车不仅需要能够识别前方的物体,还需要能够自动估计前方物体的风险等级。很明显,不同的物体对自动驾驶汽车的危险程度不同。自动驾驶汽车需要一个评估系统来自动确定物体的危险程度。如果系统完全由人来定义,那就太主观,太不完整了。在此基础上,提出了一种基于非参数贝叶斯学习方法的框架--粘性层次狄利克雷过程隐马尔可夫模型(sticky HDP-HMM),并发现了驾驶场景与驾驶风格之间的关系。我们使用自动驾驶汽车的驾驶风格的分析,以反映驾驶场景的车辆的风险水平。在该框架中,首先使用粘性HDP-HMM从数据集中提取驾驶风格,得到不同的聚类,然后提出一个评价体系对聚类的紧急程度进行评价和排序。最后,我们将驾驶场景映射到排名结果,从而得到不同风险级别的驾驶场景聚类。更重要的是,我们发现驾驶场景和驾驶风格之间的关系。实验结果表明,该框架能够对不同紧急程度的驾驶风格进行聚类和排序,发现驾驶场景与驾驶风格之间的关系,得出的结论也符合人们的驾驶常识。此外,该框架可用于自动驾驶汽车,以估计驾驶场景的风险水平,并帮助他们做出准确和安全的决策。
2019-04-23 cs.HC cs.RO
Toward Adaptive Trust Calibration for Level 2 Driving Automation
Purdue University(普渡大学);Honda Research Institute USA, Inc.(本田美国研究院有限公司)
本文提出基于 POMDP 的概率框架,在 L2 级驾驶自动化中建模信任与工作负荷的耦合动态,通过实时信念估计自适应调整透明度,实现信任校准。
2020-09-24 cs.HC cs.RO cs.SY
The Mediating Effects of Emotions on Trust through Risk Perception and System Performance in Automated Driving
University of Michigan-Dearborn(密歇根大学迪尔伯恩分校);University of Michigan-Ann Arbor(密歇根大学安娜堡分校)
本研究通过70名参与者的实验与中介分析,揭示自动驾驶中风险感知和系统性能通过信心、敌意、焦虑等情绪间接影响信任,且实时车辆行为比先前风险感知对信任影响更大。
2025-04-06 cs.HC cs.RO
Vision-Integrated LLMs for Autonomous Driving Assistance : Human Performance Comparison and Trust Evaluation
Seoul National University(首尔大学)
针对传统自动驾驶系统在复杂场景中空间推理能力不足的问题,本研究提出集成视觉适配器(YOLOv4+ViT)和GPT-4推理模块的辅助系统,实验表明其场景描述接近人类性能、决策与人类中度一致。
2025-02-06 cs.AI cs.CV cs.HC
Understanding Mental States in Active and Autonomous Driving with EEG
本文通过EEG研究主动和自动驾驶中心理状态的差异,发现两种模式在神经激活和心理状态强度上有显著区别,强调了开发自动驾驶车辆驾驶员监控系统时需使用场景特定的数据和模型。
2025-12-09 cs.AI cs.HC
Effects of Multimodal Explanations for Autonomous Driving on Driving Performance, Cognitive Load, Expertise, Confidence, and Trust
University of California - San Diego(加利福尼亚大学圣迭戈分校);Toyota Research Institute(丰田研究所)
本研究通过前后测实验探究AI教练解释的信息类型与呈现模态对新手驾驶学习的影响,发现模态适当的高效解释能提升驾驶表现并降低认知负荷,并提出八项HMI设计启示。
2024-06-13 cs.AI cs.HC cs.RO
Adaptive Driving Style for SAE Level-2 Driving Automation: Minimizing Preference Mismatch
Honda Research Institute USA, Inc.(本田美国研究院);San Jose State University(圣何塞州立大学)
研究 SAE 二级驾驶自动化中驾驶风格与驾驶员偏好不匹配问题,提出自适应驾驶风格控制框架,通过驾驶模拟器研究比较不同启发式方法,训练预测模型用于隐式自适应策略,降低偏好不匹配并提高信任度,向开发人类意识驾驶自动化迈进。
2026-07-27 cs.HC cs.SY eess.SY