设计促进自动驾驶汽车接管过渡

治疗白癜风的方子 http://m.39.net/pf/a_4790119.html

导语：随着自动化能力从2级提升到3级及以上，在动态驾驶任务中，人类驾驶员将越来越脱离控制回路。但是，如果自动驾驶车辆达到其系统极限，驾驶员将被要求在有限的时间内恢复对车辆的控制。因此，提高接管效率具有重要意义。今天给大家带来的InternationalJournalofHuman–ComputerInteraction中的一篇论文《TakeoverTransitioninAutonomousVehicles:AYouTubeStudy》，为了大家拥有更好的阅读体验，我们对这篇论文进行了要点提取和概述，快跟上小编的步伐一起来学习吧！

快

速

阅

读

版

“

研究背景：

自动驾驶具有许多潜在的好处，例如提高驾驶安全性和减少驾驶员的工作量。然而，从人为因素的角度来看，一个担忧是，一旦驾驶员开始从事与驾驶无关的任务，他们就会越来越脱离控制回路，这使得驾驶员在某些情况下难以接管控制权。

研究目的：

通过测试浏览者对包含不同汽车制造商商用汽车接管过渡时刻的视频的评论，利用主题挖掘和情绪分析调查了人们对商用自动驾驶汽车接管机制设计的看法。

研究过程：

首先对自动驾驶中接管过渡的传统实验研究与观众在观看接管过渡后提供的评论进行了系统比较，以确定该领域涉及的人为因素问题。之后使用fastText进行主题挖掘分析，基于所确定的每个主题，进一步使用VADER情绪工具进行情绪分析，以了解评论者对每条评论的意见。最后讨论了可能的设计改进，以促进高度自动化驾驶中的接管过渡过程。

研究结果：

确定了与高度自动化驾驶中接管过渡相关的四个主题，通过识别收集的YouTube视频上的评论与文献中的实验研究之间的差异，最终提出了可能的设计建议，以提高自动驾驶的接管性能。

PART0研究方法

首先进行了YouTube视频搜索，查找包含不同汽车制造商商用汽车过渡时刻的视频。确定了20个YouTube视频，每个视频至少包含一个跨越六家汽车制造商的接管过渡。收集的视频的总时间超过40分钟（平均值=7.03分钟，标准偏差=0.4分钟）。在这些收集到的视频中，我们抓取了条评论，并在清理过程后保留了条，删除了无意义的内容和用英语以外的语言编写的内容。并手动标记了从YouTube观众的条评论中随机选择的条评论。

随后，对自动驾驶中接管过渡的传统实验研究与观众在观看接管过渡后提供的评论进行了系统比较，以确定该领域涉及的人为因素问题。

为了进一步自动化这一过程，使用fastText进行了主题挖掘分析，该分析基于上述研究中确定的人为因素问题。fastText是Facebook创建的一个库，用于学习单词表示和句子分类。

图.fastText的模型架构，其中L(在L中)表示层，O(在O中)表示操作

基于所确定的每个主题，进一步使用VADER情绪工具进行情绪分析，以了解评论者对每条评论的意见。VADER利用了情感词汇表，并建立在句法规则之上，特别适合分析社交媒体文本数据。VADER的主要优势在于，它不仅认识到了社交媒体评论的极性，而且还量化了其强度比的比例，精度极高。

最后，基于评论讨论了可能的设计改进，以促进高度自动化驾驶中的接管过渡过程。设计改进的目标是确保更平稳、更好的接管过渡，减少人为错误，提高态势感知，减少反应时间，从而为目前使用2级和近3级自动系统的驾驶员提供更安全、舒适的驾驶体验。

PART02研究结果

YouTube研究与文献之间的差异

YouTube拥有大量用户，因此精选的20个过渡视频吸引了数千条评论。大多数评论都带有情绪的语气，以表达他们对视频中讨论的对象和事物的态度。通过情感分析和主题挖掘，我们能够提取当前自动驾驶汽车的隐含问题并提出设计建议。

人为因素主题

观看了20个YouTube视频并手动标记了从YouTube观众发表的条评论中随机选择的条评论后，确定了与高度自动驾驶中的接管过渡相关的四个主题，包括：

?非驾驶相关的任务，

?自动化能力意识，

?态势感知，

?预警有效性

非驾驶相关任务的话题讨论了驾驶员在自动驾驶过程中除了驾驶之外还可以做什么任务，许多观众表达了他们对未来自动驾驶的预计非驾驶相关任务。示例包括“感谢特斯拉，我可以在开车时打电话、喝酒、抽烟、睡觉、发短信。未来真棒！”、“他们会化妆并发短信……”、“坐下来，放松一下，发短信，打个盹，让车送你到目的地。”

自动化能力感知是指驾驶员识别环境和车辆的运行条件是否适合开启或保持自动驾驶系统开启。示例包括“我想知道它在有雾或下雪的条件下效果如何？它在结冰的道路上的制动效果如何？这都是软件里的程序吗？太惊人了，比如给自己留更多刹车和停车的空间……”

情境感知讨论了在自动驾驶过程中如何管理驾驶员的注意力，使驾驶员能够保持对驾驶环境的高水平态势感知，以及如何在发起接管请求时有效地重新获得态势感知，从而成功接管控制。例子包括“伙计……我对你抱臂感到畏缩，尤其是在交通和这样的道路上。埃隆说让你的手放在方向盘上是有原因的”和“你真的能看视频并安全回到路上吗？”

警告有效性描述了系统警告驾驶员任何即将发生的危险或需要接管的情况的能力。示例包括“它会发出哔哔声和嘘，所以如果你睡着了，它会叫醒你，你会控制……”，“这很烦人。转向标志经常出现”，“它会像车道标记消失时那样提醒您吗？”

表YouTube评论与文献中确定的典型研究之间的主要差异

YouTube评论话题挖掘和情感分析

应用fastText和C++来提取YouTube评论中的四个人为因素主题。为此，将选定的条评论手动标记为五个不同的类别，包括上述四个主题和一个不属于四个问题中的任何一个的主题，称为“其他”。这条评论分布如下：44条属于非驾驶相关任务，92条属于自动化能力感知范畴，80条属于态势感知范畴，33条属于预警有效性范畴，以及其余25个属于其他类别。使用5层交叉验证策略获得了80%的准确率和80%的召回率。然后使用这条评论训练主题分类模型，对其余评论进行分类。在预测过程中，采用增量学习过程作为一种验证方式。

图2主题预测涉及的增量学习过程。左y轴表示左侧注释的数量，右y轴表示迭代次数增加时的F度量

预测结果如表2所示，即每个人为因素主题的评论数量和百分比。这些评论表明，公众对测试市场上自动驾驶的当前技术的边界持谨慎和好奇态度。没有多少观众注意到警告有效性的重要性。这似乎与我们在文献中发现的情况相矛盾。可能的原因是，YouTube视频中涉及的接管事件之所以成功，是因为驾驶条件似乎不如紧急情况那么关键，而且驾驶员往往会监控驾驶环境。

表2每个人为因素主题中有效YouTube评论的数量和百分比

项目承接页承接的是用户从外部捐助场景进入到蚂蚁公益保险项目页面，这部分的设计目标是让用户了解自身价值贡献、以及是否真实地帮助到有需要的人，一方面让用户理解项目，另一方面让用户信任项目。

图3四个不同主题中正面、中性和负面评论的数量

图4不同主题之间情绪强度得分的比较

图5对不同汽车制造商评论的评估

潜在的设计改进

表3为四个确定的人为因素主题建议的主要设计改进

PART03总结

从YouTube视频及其对商用自动驾驶车辆接管事件的评论中确定了四个主要的人为因素主题，包括非驾驶相关任务、自动驾驶能力意识、情景意识和警告有效性。然后，使用话题挖掘和情绪分析调查观众对每个话题的积极和消极看法。在这四个主题中，YouTube观众对自动驾驶能力意识的评论最多，对其他主题的正面、中性和负面评论数量也差不多。此外，与其他主题相比，观看者在自动驾驶中涉及的非驾驶相关任务的感知强度得分上出现了两个极端。通过识别收集的YouTube视频上的评论与文献中的实验研究之间的差异，最终提出了可能的设计建议，以提高自动驾驶的接管性能。

注

本文是InternationalJournalofHuman–ComputerInteraction中的一篇论文《TakeoverTransitioninAutonomousVehicles:AYouTubeStudy》。

原文链接：