Why do drivers and automation disengage the automation? Results from a study among Tesla users
本研究基于103位特斯拉用户的访谈,提出自动化解除的三元模型,揭示驾驶员因预期失败、异常行为或环境不适而解除自动化,以及系统因监测到警觉不足或违规而自行解除,并强调社会因素对解除决策的影响。
2023-09-19 cs.HC
What Makes An Apology More Effective? Exploring Anthropomorphism, Individual Differences, And Emotion In Human-Automation Trust Repair
技术的最新进步使自动化系统能够比以往任何时候都更积极地识别错误并修复信任。虽然以前的研究呼吁进一步研究不同的人为因素和设计特征,但它们对人类自动化信任修复场景的影响仍然未知,特别是关于情感。本文试图通过调查拟人化、用户个体差异和情感反应对人类自动化信任修复的影响来填补这些空白。我们的实验操纵不同类型的信任侵犯和道歉信息与不同的情感表达拟人化的线索。虽然没有显着的效果,从不同的道歉表示被发现,我们的参与者表现出两极分化的态度拟人化的线索。我们还发现(1)。开放性、诚实性等人格特质与道歉信息的有效性呈负相关;一个人对违反信任的情绪反应与道歉信息的有效性正相关。
2022-12-01 cs.HC
Situational Awareness, Drivers Trust in Automated Driving Systems and Secondary Task Performance
驾驶员辅助系统,也称为自动驾驶系统,允许驾驶员沉浸在与驾驶无关的任务中。不幸的是,驾驶员可能不信任自动驾驶系统,这会阻止驾驶任务的移交或完全专注于次要任务。我们断言,增强态势感知可以增加对自动化的信任。情境意识应该增加信任,并导致更好的次要任务表现。这项研究通过向他们提供不同类型的信息来操纵情境意识:控制条件不向驾驶员提供信息,低条件提供状态更新,而高条件提供状态更新和建议的行动方案。收集的数据包括通过调查、眼动跟踪和心率数据测量的信任、信任行为和任务绩效。结果表明,情境意识都促进和调节的影响,信任的自动驾驶汽车,导致更好的次要任务的性能。这一结果在自我报告的信任和信任行为的测量中很明显。
2019-03-12 cs.HC
Multitasking while Driving: How Drivers Self-Regulate their Interaction with In-Vehicle Touchscreens in Automated Driving
基于31,378个真实驾驶序列,研究驾驶自动化水平对驾驶员与中控台触摸屏交互及视线行为的影响,发现L2级自动驾驶使平均注视时长增加36%、每序列交互次数增加17%,且其影响大于车速和道路曲率。
2023-05-25 cs.HC
Real-time Trust Prediction in Conditionally Automated Driving Using Physiological Measures
在驾驶员和自动驾驶汽车(AV)之间的交互过程中,信任校准是一个主要挑战。为了校准信任,实时的测量驾驶员的信任是重要的。一种可能的方法是通过使用机器学习模型和生理测量对其动态变化进行建模。本文提出了一种基于机器学习模型的技术,利用实时的生理测量来预测驾驶员对条件自动驾驶汽车的动态信任。我们在驾驶模拟器中进行了这项研究,参与者被要求在三种情况下从自动驾驶中接管控制权,包括控制条件,错误警报条件,错过条件以及不同场景中的八个接管请求(TORs)。在实验过程中记录了驾驶员的生理指标,包括皮肤电反应(GSR)、心率(HR)指数和眼动跟踪指标。使用五种机器学习模型,我们发现极限梯度提升(XGBoost)表现最好,能够实时的预测驾驶员的信任度,f1得分为89.1%。我们的研究结果提供了很好的启示,如何设计一个车载信任监测系统,以校准驾驶员的信任,以促进驾驶员和AV之间的实时的。
2022-12-01 cs.HC
Driver perceptions of advanced driver assistance systems and safety
高级驾驶员辅助系统(ADAS)通常用于汽车行业,以突出车辆安全性的创新改进。然而,目前尚不清楚某些自动化(例如,自适应巡航控制、车道保持、停车辅助)提高了我们的道路安全性。在本文中,我们调查了驾驶员对不同自动化系统/功能的ADAS的认识,使用,感知安全,知识,培训和态度。我们的在线调查结果(n=1018)显示,不同ADAS功能的使用频率和感知安全性存在显着差异。此外,我们发现至少70%的驾驶员在驾驶时“大部分或所有时间”都会激活ADAS功能,但我们发现至少40%的驾驶员报告说,ADAS在激活时经常会危及他们的安全。我们还发现,大多数受访者通过自己在道路上尝试来学习如何在车辆中使用ADAS,而不是通过任何正式的驾驶员教育和培训。这些结果可能反映了某些ADAS功能在默认情况下经常被激活,从而导致高使用率。这些结果还表明,缺乏驾驶员安全交互和操作ADAS的培训和教育,例如关闭系统/功能。这些发现有助于对当前ADAS的整体安全影响进行批判性讨论,特别是因为它们使更高级别的自动化功能能够在培训,监管和政策方面没有锁定响应的情况下悄悄进入个人车辆。
2021-09-23 cs.HC
Decoding Driver Takeover Behaviour in Conditional Automation with Immersive Virtual Reality
本研究利用沉浸式虚拟现实实验分析条件自动驾驶中的驾驶员接管行为,揭示先前经验、AV熟悉度和多任务处理对不安全接管风险及认知负荷的不同影响。
2024-02-25 cs.HC
From Driver to Supervisor: Comparing Cognitive Load and EEG-based Attentional Resource Allocation across Automation Levels
本研究通过脑电P3a振幅和NASA-TLX测量,比较手动、SAE 2级和3级驾驶中的注意力资源分配与认知负荷,发现自动驾驶降低主观负荷但减少环境注意力处理,为自动化安全设计提供实证依据。
2023-11-10 cs.HC
Assessing the Effectiveness of Driver Training Interventions in Improving Safe Engagement with Vehicle Automation Systems
本研究通过对比三种培训方式,发现基于知识的培训能显著提升驾驶员对ACC和LKA系统的理解与安全使用,尤其惠及老年驾驶员,可作为减少人机不匹配的主动安全干预。
2025-10-16 cs.HC
Chatbots for Robotic Process Automation: Investigating Perceived Trust and User Satisfaction
在机器学习不断改进的推动下,聊天机器人已经越来越多地从实验性的界面原型发展成为可靠而强大的流程自动化工具。在这些进步的基础上,公司已经确定了各种应用场景,其中人类语言的自动处理可以帮助提高任务效率。为此,使用聊天机器人不仅可以降低成本,而且据说还可以提高用户满意度。然而,人们使用和/或再利用所述技术的意图往往取决于不太实用的因素。特别是信任和各自的任务满意度计数为相关的使用预测。因此,在本文中,我们提出的工作,旨在阐明这两个变量的结构。我们报告了一项实验研究($n=277$),研究了四种不同的人类聊天机器人交互任务。每次任务完成后,被试被要求完成关于感知信任、感知任务复杂性和感知任务满意度的调查项目。结果表明,任务复杂性对信任和满意度都有负面影响。为此,更高的复杂性特别与那些依赖于广泛的描述性聊天机器人答案的对话相关,而跨越几个短步骤的对话被认为不太复杂,即使整个对话最终更长。
2023-02-01 cs.HC
Missing Pieces: How Do Designs that Expose Uncertainty Longitudinally Impact Trust in AI Decision Aids? An In Situ Study of Gig Drivers
本文通过一项51名零工司机参与的纵向混合方法研究,揭示了AI排班推荐工具中不确定性暴露设计对信任的影响,发现任务对齐的不确定性表述能提升信任,并强调需更多情境化研究。
2025-06-04 cs.HC
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
Exploration of increasing drivers trust in a semi-autonomous vehicle through real time visualizations of collaborative driving dynamic
Thinking Wave是可视化概念的持续发展,展示了半自动驾驶汽车(AV)系统的实时工作和信心。让驾驶员访问这些信息可以为他们的决策提供信息,并使他们能够相应地处理情况并在必要时接管。设计了两种不同的可视化,概念一,潮汐,通过一个简单的图形,在速度和频率波动的强化活动演示了AV系统的努力。概念二,串联,显示了AV系统的努力,以及处理动态和驾驶员和车辆系统之间的共同责任。与东京大学的移动研究团队合作,我们正在对Thinking Wave及其实施方案进行原型设计和改进,同时我们正在努力构建一个集成到驾驶模拟器中的可测试版本。思维波的开发旨在通过增加驾驶员对车辆处理能力的知识和理解来校准信任。通过实现自动驾驶系统能力的透明通信,我们希望能够增强对自动驾驶持怀疑态度的驾驶员的能力,并在紧急接管情况下保持过度信任的驾驶员的警惕,以创造更安全的自动驾驶体验。
2021-07-05 cs.HC
Developing and evaluating an human-automation shared control takeover strategy based on Human-in-the-loop driving simulation
本文的目的是开发一种共享控制接管策略,以实现从自动驾驶系统到人类驾驶员的平稳和安全的控制过渡,并证实其对驾驶员行为和态度的积极影响。通过“人在回路”驾驶模拟器实验,对不同分离条件下共享控制接管策略的影响进行了评价。32名驾驶员的研究结果表明,共享控制接管策略可以提高安全性能的总体水平,特别是在非驾驶相关的脱离。对于由另一辆车的突然制动引起的更紧急的脱离,共享控制策略扩大了个体差异。主要原因是,一些司机有较高的自我报告的精神工作负荷,以响应共享控制接管策略。因此,在开发接管策略时,驾驶员和自动化之间的共享控制可以涉及驾驶员的培训,以避免精神过载。
2021-03-10 cs.HC cs.SY eess.SY
Engineering Trustworthy Automation: Design Principles and Evaluation for AutoML Tools for Novices
UHasselt - Hasselt University(哈瑟尔特大学);Digital Future Lab - Flanders Make(数字未来实验室 - 佛兰德斯制造)
本文提出面向初学者的AutoML工具设计原则,通过用户研究改进系统易用性与信任度,强调首次模型成功、解释提供、抽象帮助和可预测性保障。
2025-11-27 cs.HC
Adaptive driver-automation shared steering control via forearm surface electromyography measurement
Institute of Industrial Science, The University of Tokyo(东京大学工业科学研究所);Technical University of Darmstadt(达姆施塔特工业大学)
共享转向控制已经开发出来,以减少驾驶员的工作量,同时保持驾驶员在控制回路。驾驶员可以整合来自前方道路的视觉感知信息和来自方向盘的触觉感知信息,以实现更好的驾驶性能。以往的研究表明,与自适应自动化的权威,固定自动化的权威并不总是适当的人的因素。设计了一种基于驾驶员前臂表面肌电(sEMG)测量的自适应共享转向控制系统,并评估了该系统在双车道变换任务中对驾驶员行为的影响。共享转向控制通过触觉引导系统实现,触觉引导系统在方向盘上提供主动辅助扭矩。10名受试者参加了高保真驾驶模拟器实验。两种类型的自适应算法进行了研究:触觉指导减少驾驶员的握力增加(HG-减少),和触觉指导增加驾驶员的握力增加(HG-增加)。这两种算法进行了比较,手动驾驶和两个级别的固定权限触觉指导,共五个实验条件。驾驶系统的评价是基于两组因变量:驾驶员行为的客观措施和驾驶员工作量的主观措施。结果表明,自适应权限的HG-减少产生较低的驾驶员工作量和减少车道偏离的风险相比,手动驾驶和固定权限的触觉引导。
2020-09-09 cs.HC cs.RO cs.SY
Human-Machine Bidirectional Trust-Aware Analysis and Design for Human-Led Truck Platooning
University of New Brunswick(新不伦瑞克大学)
针对人为引领的卡车队列中双向信任问题,基于信任理论构建概念框架,并提出以跟车距离为变量的定量模型,通过仿真验证信任协同演化,为自动驾驶跟随车辆提供设计指南。
2026-06-18 cs.HC
The Effects of Interaction Conflicts, Levels of Automation, and Frequency of Automation on Human Automation Trust and Acceptance
本文通过324人参与的3D智能家居网络实验,采用因子设计考察LoA、FoA与CI对自动化信任及接受度的单一和联合影响。
2023-07-05 cs.AI cs.CE cs.CY
Converging Measures and an Emergent Model: A Meta-Analysis of Human-Automation Trust Questionnaires
Georgia Institute of Technology(佐治亚理工学院)
衡量人类自动化信任的一个重大挑战是结构扩散、模型和具有高度可变验证的问卷的数量。然而,所有人都同意,信任是技术接受、持续使用、流畅性和团队合作的关键因素。在这里,我们通过对经过验证和可靠的信任调查工具进行元分析,合成了一个在人与自动化交互中信任的共识模型。为了实现这一目标,这项工作确定了最常被引用和最有效的人类自动化和人类机器人信任问卷,以及最完善的因素,这些因素形成了这种信任的维度和前提。为了减少混淆和结构扩散,我们提供了调查问卷之间的详细术语映射。此外,我们进行了荟萃分析的回归模型,出现从这些实验中使用多因素调查工具。基于此元分析,我们展示了一个收敛的实验验证模型的人类自动化的信任。这种趋同模型为未来的研究建立了一个综合框架。它确定了当前信任度量的边界以及需要进一步调查的地方。最后,我们讨论选择和设计一个适当的信任调查工具。通过比较、映射和分析构造良好的信任调查工具,确定了人与自动化交互中信任的共识结构。这样做揭示了一个更完整的基础来衡量信任出现,是广泛适用的。它将学术上的信任概念与口语化的常识概念相结合。鉴于信任的重要性越来越被认可,特别是在人机交互中,这项工作使我们能够更好地理解和衡量它。
2023-03-24 cs.AI 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
Truck drivers and automation: A methodology for identifying and supporting workforce transition in the Australian road freight sector
Commonwealth Scientific and Industrial Research Organisation (CSIRO)(联邦科学与工业研究组织)
本文提出了一种方法,用于识别和支持澳大利亚道路货运行业卡车司机在自动驾驶技术发展中的职业转型,通过整合自动化分析、技能评估和劳动力市场数据,为政策制定者和行业提供转型路径的证据支持。
2025-11-29 cs.CY cs.HC
Human Trust-based Feedback Control: Dynamically varying automation transparency to optimize human-machine interactions
School of Mechanical Engineering, Purdue University(普渡大学机械工程学院)
本文提出一个概率框架,通过动态调整自动化透明度来校准人类信任与工作负载,实验表明该反馈控制策略能优化人机团队性能,为实时自适应自动化设计奠定基础。
2020-06-29 cs.HC cs.RO cs.SY
Adoption of AI-Assisted E-Scooters: The Role of Perceived Trust, Safety, and Demographic Drivers
本研究通过问卷与决策树、结构方程模型分析405名参与者数据,发现种族、收入和年龄影响AI辅助电动滑板车偏好,且AI技术安全感知与信任是使用意愿的最强预测因子。
2025-02-07 cs.HC
MIT Advanced Vehicle Technology Study: Large-Scale Naturalistic Driving Study of Driver Behavior and Interaction with Automation
Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT));Touchstone Evaluations, Inc.(托奇斯通评估公司)
在未来,人类很可能仍然是驾驶任务的一个组成部分,在人工智能系统执行驾驶任务的0%以上到100%以下的任何地方监控它。麻省理工学院自动驾驶汽车技术(MIT-AVT)研究的管理目标是(1)进行大规模的真实驾驶数据汇集,包括高清视频,以推动基于深度学习的内部和外部感知系统的开发,(2)通过整合视频数据与车辆状态数据,驾驶员特征,心理模型和自我报告的技术经验,以及(3)确定如何以拯救生命的方式改进与自动化采用和使用相关的技术和其他因素。为了实现这些目标,我们对23辆特斯拉Model S和Model X汽车、2辆沃尔沃S90汽车、2辆路虎揽胜极光和2辆凯迪拉克CT6汽车进行了长期(每个驾驶员超过一年)和中期(每个驾驶员一个月)自然驾驶数据汇集。此外,我们正在不断开发新的方法来分析从仪表车队收集的大规模数据集。记录的数据流包括IMU、GPS、CAN消息以及驾驶员面部、驾驶室、前方道路和仪表组(在选定车辆上)的高清视频流。这项研究正在进行中,而且越来越多。到目前为止,我们有122名参与者,15,610天的参与,511,638英里和71亿视频帧。本文介绍了研究的设计,数据汇集硬件,数据的处理,以及目前用于从数据中提取可操作知识的计算机视觉算法。
2019-08-14 cs.CV cs.CY cs.HC
In Automation We Trust: Investigating the Role of Uncertainty in Active Learning Systems
University of Colorado Boulder(科罗拉多大学博尔德分校)
我们研究如何不同的主动学习(AL)查询政策,再加上分类不确定性可视化影响分析师的信任自动分类系统。AL的当前标准策略是查询oracle(例如,分析员)来细化分类器具有最高不确定性的数据点的标签。这是自动化系统的最佳策略,因为它产生最大的信息增益。然而,以模型为中心的策略忽略了这种不确定性对系统中人类组件的影响,以及人类在训练后与系统交互的方式。在本文中,我们提出了一个实证研究评估如何AL查询政策和可视化贷款透明度的分类影响信任的图像数据自动分类。我们发现,查询策略显着影响分析师的信任在图像分类系统,我们使用这些结果,提出了一套Oracle查询策略和可视化AL训练阶段使用,可以影响分析师的信任分类。
2020-04-02 cs.HC cs.LG stat.ML
Driver Heterogeneity in Willingness to Give Control to Conditional Automation
本研究利用虚拟现实驾驶台和混合Logit及潜在类别模型,揭示了条件自动化驾驶中驾驶员让出控制权意愿的异质性,发现内控者比外控者异质性更大,且驾驶员在夜间或执行非驾驶任务时更倾向让出控制权。
2023-08-12 cs.HC cs.SY econ.EM
A discrete-event simulation model for driver performance assessment: application to autonomous vehicle cockpit design optimization
具有自适应自动化水平的车辆设计的最新进展对车辆-驾驶员交互提出了新的挑战。安全要求强调需要探索驾驶员认知和感知工作负荷、眼睛离开道路时间和态势感知方面的最佳驾驶舱架构。我们建议将现有的任务分析方法集成到系统架构评估的早期阶段的设计优化。我们构建了离散事件仿真工具,并将其应用于多感官(视觉,听觉,触觉)驾驶舱设计工业项目中。
2020-06-18 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
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
Evaluating Driver Perceptions of Integrated Safety Monitoring Systems for Alcohol Impairment and Distraction
本文通过调查115名美国参与者,研究了驾驶员对酒精损伤和分心监控系统的感知,发现驾驶员偏好非侵入式系统且重视隐私和信任,建议通过提高透明度和可靠性来促进技术采用。
2025-05-29 cs.HC
Why do we Trust Chatbots? From Normative Principles to Behavioral Drivers
ELLIS Alicante(ELLIS阿利坎特)
本文探讨了用户信任聊天机器人的行为驱动因素,提出将聊天机器人视为销售员而非助手,并强调信任形成的规范性与心理性差异。
2026-03-10 cs.AI cs.CY cs.HC
Look Who's Talking Now: Implications of AV's Explanations on Driver's Trust, AV Preference, Anxiety and Mental Workload
University of Michigan(密歇根大学)
自动化所带来的好处经常被用来促进自动化的采用。然而,目前尚不清楚解释是否促进了对自动驾驶汽车(AV)的接受。在这项研究中,我们在驾驶模拟器中进行了一项有32名参与者的受试者内实验,使用四种不同的条件。这四个条件包括:(1)没有解释,(2)在AV动作之前或(3)之后给出的解释,以及(4)驾驶员在听到解释之后批准或不批准AV的动作的选项。我们研究了四个AV结果:信任,偏好AV,焦虑和精神负荷。结果表明,解释之前提供的AV行为与更高的信任和偏好的AV,但没有显着差异的焦虑和工作量。这些结果对自动驾驶汽车的采用具有重要意义。
2019-05-21 cs.CY 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
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
Remote control desk in Industry 4.0 for train driver: an ergonomics perspective
本文从工效学视角介绍法国下一代列车远程驾驶台设计项目,通过工效学工作分析识别司机需求,并利用工业4.0技术缓解远程驾驶中的感官退化问题。
2024-12-04 cs.HC
Inferring trust in recommendation systems from brain, behavioural, and physiological data
Sony Computer Science Laboratories, Inc.(索尼计算机科学实验室);NeuroPiano Institute(神经钢琴研究所);National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所)
本研究以音乐推荐为模型,结合强化学习与脑电、瞳孔等多模态生理数据,揭示了系统准确率、预期奖励和预测误差如何影响自动化信任的神经与认知机制,为开发可信赖AI提供了神经依据。
2025-10-31 cs.HC eess.AS eess.SP
BATON: A Multimodal Benchmark for Bidirectional Automation Transition Observation in Naturalistic Driving
University of South Florida(南佛罗里达大学);Tongji University(同济大学)
BATON通过多模态数据捕捉真实驾驶自动化场景,定义了驾驶动作理解、手柄预测和接管预测三个任务,证明多模态数据融合对提升自动化过渡预测的重要性。
2026-07-28 cs.CV cs.HC cs.MM
Linking Behaviour and Perception to Evaluate Meaningful Human Control over Partially Automated Driving
Centre for Meaningful Human Control(有意义的人控中心);Department of Cognitive Robotics(认知机器人学系);Department of Transport & Planning(交通与规划系);Department of Intelligent Systems(智能系统系);Delft University of Technology(代尔夫特理工大学)
研究通过模拟实验探讨部分自动化驾驶系统中驾驶员对有意义人机控制(MHC)的体验,发现感知自动化车辆理解驾驶员与转向扭矩冲突存在显著负相关,且反应时间与控制感知存在正相关,提示未来设计需注重驾驶员干预的顺畅性、自动化意图的透明传达及情境敏感的权限分配。
2026-10-08 cs.AI cs.CY cs.HC
Acceptance and Trust: Drivers' First Contact with Released Automated Vehicles in Naturalistic Traffic
本研究调查了30名驾驶员在真实交通中首次接触奔驰3级自动驾驶系统的体验,发现首次接触后接受度和信任度显著提升,但系统沟通不足及驾驶负荷问题仍需改进。
2023-12-19 cs.HC cs.RO
Analyze Drivers' Intervention Behavior During Autonomous Driving -- A VR-incorporated Approach
Monash University(莫纳什大学)
本研究通过融合虚拟现实与交通微观仿真构建实验平台,分析驾驶员在自动驾驶中的干预行为,并利用干预概率、事故率等指标量化风险,以提升自动驾驶控制性能和人机信任研究水平。
2023-12-04 cs.AI cs.HC
Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy
University of Maryland(马里兰大学)
设计良好的技术,提供高水平的人类控制和高水平的计算机自动化,可以提高人类的表现,导致更广泛的采用。以人为中心的人工智能(HCAI)框架阐明了如何(1)设计高水平的人类控制和高水平的计算机自动化,以提高人类的表现,(2)了解完全人类控制或完全计算机控制是必要的情况,以及(3)避免过度人类控制或过度计算机控制的危险。HCAI的方法更有可能产生可靠、安全和值得信赖的设计。实现这些目标将大大提高人类的表现,同时支持人类的自我效能,掌握,创造力和责任感。
2020-02-23 cs.AI cs.HC
Investigating Explanations in Conditional and Highly Automated Driving: The Effects of Situation Awareness and Modality
随着车辆自动化水平的提高,例如有条件和高度自动化的车辆(AV),驾驶员越来越脱离控制回路,特别是在意外驾驶场景中。虽然在大多数情况下可能没有必要要求驾驶员进行干预,但提高驾驶员在意外驾驶场景中的情景意识(SA)仍然很重要,以提高他们对自动驾驶汽车的信任和接受程度。在这项研究中,我们在感知(SA L1),理解(SA L2)和投射(SA L3)的水平上对SA进行了概念化,并提出了一个基于SA水平的解释框架。然后,我们考察了这些解释及其模态对驾驶员情境信任、认知负荷以及解释满意度的影响。A三(SA水平:SA L1,SA L2和SA L3)由两个(解释方式:视觉,视觉+音频)之间的主题实验进行了340名参与者从亚马逊机械土耳其招募。结果表明,通过设计的解释使用建议SA为基础的框架,参与者可以重新引导他们的注意力到交通中的重要对象,并理解他们的意义的AV系统。这提高了他们的SA和填补了理解的差距,在特定的情况下,也增加了他们的情境信任AV的行为的对应性。结果表明,参与者报告了最高的信任与SA L2的解释,虽然在这个级别的心理负荷评估更高。结果还提供了洞察解释和模式的信息量之间的关系,表明参与者更满意的视觉只在SA L1和SA L2条件下的解释,更满意的视觉和听觉解释在SA L3条件。
2022-07-15 cs.HC
Anticipated emotions associated with trust in autonomous vehicles
自动化中的信任主要是从认知的角度来研究的,尽管一些研究人员已经表明信任也受到情绪的影响。因此,研究情绪与信任之间的关系是非常必要的。在这项研究中,我们探讨了与两个信任水平(即,低对高信任水平)从两个水平的自主车辆(AV)性能(即,失败和非失败)来自亚马逊土耳其机械公司(AMT)的105名参与者。在三个层面评估信任,即,性格信任、初始习得信任和情境信任。这项研究旨在衡量信任程度高低对情绪的影响。情境信任与情绪显著相关,高水平的信任显著提高被试的积极情绪,反之亦然。我们还确定了与情境信任相关的情绪的潜在因素。我们的研究结果提供了重要的影响,预期的情绪与信任自动驾驶汽车。
2022-06-18 cs.HC
From "AI" to Probabilistic Automation: How Does Anthropomorphization of Technical Systems Descriptions Influence Trust?
IT University of Copenhagen(哥本哈根信息技术大学);University of Washington(华盛顿大学);University of Chicago(芝加哥大学)
本文通过954人调查实验,发现对“AI”系统的拟人化描述总体上并未显著提升信任,产品类型与拟人化类别的组合及年龄因素影响更大,为拟人化与公众过度依赖的讨论提供了新证据。
2024-04-08 cs.AI 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
Automated Driving Systems: Impact of Haptic Guidance on Driving Performance after a Take Over Request
在条件自动化中,当由于意外事件、紧急情况或到达操作设计域边界而发出接管请求时,期望来自驱动程序的响应。自动驾驶系统和驾驶员之间的合作可以帮助保证安全和舒适的转移,如果驾驶员通过触觉引导系统进行引导,该触觉引导系统向方向盘施加轻微的反转向力。在这项工作中,我们研究了触觉引导系统对驾驶性能的影响后,接管请求被触发,以避免突然的障碍物的道路上。我们研究了涉及非驾驶相关任务(NRDT)的不同驾驶员条件。结果表明,触觉引导系统通过减少横向误差、对突然障碍物的距离和反应时间以及碰撞次数来提高道路安全性。
2022-05-02 cs.HC
Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving
UNED(西班牙国立远程教育大学);UC3M(马德里卡洛斯三世大学)
研究探讨了利用非侵入式生理信号进行个性化驾驶员状态建模的可行性,通过实验展示个性化模型在驾驶员意识识别中的高准确率,揭示了通用模型在跨用户泛化中的局限性。
2026-04-13 cs.HC cs.LG cs.RO
In-Vehicle Human-Machine Interface to Support Drivers in Conditionally Automated Platooning
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
本文研究了一种车内人机接口是否能提高驾驶员在有条件自动化编队中的监督行为、安全性和编队稳定性,通过模拟实验发现,该接口能显著减少手动干预,但对紧急反应和碰撞率无明显影响。
2026-05-18 cs.HC
What Needs Attention? Prioritizing Drivers of Developers' Trust and Adoption of Generative AI
Oregon State University(俄勒冈州立大学);Colorado State University(科罗拉多州立大学);Northern Arizona University(北亚利桑那大学)
本研究针对GitHub和微软的238名开发者开展调研,结合PLS-SEM、IPMA与定性分析,识别影响开发者信任、采纳genAI的关键因素及改进方向,为可信包容的genAI开发工具设计提供指导。
2025-11-14 cs.HC cs.SE
Are Electrodermal Activity-Based Indicators of Driver Cognitive Distraction Robust to Varying Traffic Conditions and Adaptive Cruise Control Use?
本研究通过模拟器实验探讨了皮肤电活动(EDA)指标在不同交通条件和自适应巡航控制(ACC)使用下对驾驶员认知分心的反映,发现EDA指标不仅受认知分心影响,也受驾驶环境和自动化使用的影响。
2025-08-14 cs.HC
When Context Dominates: Multimodal Signatures of Takeover Readiness Under Varying Hazard and Cognitive Load Conditions
Villanova University(维拉诺瓦大学)
研究在驾驶模拟器实验中探究危险类型、次要任务等因素对驾驶员接管行为的影响,采用多模态传感框架评估,发现危险情境是主要决定因素,为半自动车辆人机协作策略奠定基础。
2026-07-14 cs.HC
Human-Centered Design for Connected Automation: Predicting Pedestrian Crossing Intentions
The Pennsylvania State University(宾夕法尼亚州立大学);University of Florida(佛罗里达大学)
通过扩展计划行为理论,研究影响行人与L5级自动驾驶系统交互时过街决策的因素,发现感知安全性和理解对意图影响最大,为设计eHMI和V2X通信策略提供指导。
2026-06-11 cs.HC
Predicting Multitasking in Manual and Automated Driving with Optimal Supervisory Control
University of Jyväskylä(于韦斯屈莱大学);Leipzig University(莱比锡大学)
针对驾驶中交互技术分散注意力的风险,提出基于最优监督控制理论的计算认知模型,可预测不同自动化程度下的驾驶员多任务行为,经两个实证数据集验证有效,为相关研究提供洞见。
2025-03-23 cs.AI cs.HC cs.LG
Psychophysiological responses to takeover requests in conditionally automated driving
在SAE 3级自动驾驶中,从自动驾驶中接管控制会引起严重的安全问题,因为脱离车辆控制回路的驾驶员很难协商接管过渡。现有的研究接管过渡集中在驾驶员的行为反应接管请求(TORs)。作为补充,本探索性研究的目的是检查驾驶员的心理生理反应的TORS作为不同的非驾驶相关的任务(NDRT),交通密度和TOR的前置时间的结果。共招募了102名驾驶员,他们每个人都经历了8个接管事件在高保真固定基地驾驶模拟器。在两个阶段中记录并分析驾驶员的注视行为、心率(HR)活动、皮肤电反应(GSR)和面部表情。首先,在自动驾驶阶段,我们发现驾驶员的心率变异性较低,水平凝视分散度较窄,当他们相对于低水平的认知负荷具有高水平的认知负荷时,眼睛在路上的时间较短。第二,在接管过渡阶段,4s的前置时间导致抑制眨眼数和更大的最大和平均GSR相位激活相比,7s的前置时间,而高交通密度导致增加HR加速模式比轻交通密度。我们的研究结果表明,心理生理措施可以指示特定的内部状态的驱动程序,包括他们的工作量,情绪,注意力,并在一个连续的,非侵入性的和实时的方式情况意识。这些发现为在自动驾驶中使用心理生理测量的价值以及未来在驾驶员监控系统和自适应警报系统中的应用提供了额外的支持。
2020-10-06 cs.HC