提高复杂系统中人类-自动驾驶车辆交互的效果

关于自动驾驶车辆 (AV) 如何满足乘客信息需求的 unresolved 问题阻碍了其实际应用。使我们满足乘客需求能力受限的因素之一是, 不同人、目标和驾驶情境对何为交互成功有不同的标准。不幸的是, 当今大多数人类-AV 研究与设计都将所有人和情境统一对待。理解 AV 应如何通信以满足乘客需求,以及通信应如何随人类-AV 复杂系统变化而变化, 至关重要。我认为, 理解人类-AV 系统不同方面之间的关系有助于构建改进且可适应的 AV 通信。我通过三个实证研究来支持这一论点。首先, 我识别出能够提升驾驶性能、信心和信任的优化通信策略, 以适应极端驾驶环境中的学习。研究结果突显了针对学习者认知限制和目标的任务敏感、模态适当通信的必要性。其次, 我强调了部署故障通信系统的后果, 并展示了需要情境敏感通信的重要性。第三, 我使用机器学习 (ML) 揭示预测 AV 信任的个人因素, 强调将设计针对个体特征和关切进行调控的重要性。总体而言, 本论文支持透明、可适应且面向个体的 AV 系统的必要性, 以满足个体需求、目标和情境需求。通过考虑人类-AV 交互所处的复杂系统, 我们为设计师、研究者和政策制定者提供了有价值的见解。本论文还为研究人机联合行动和情境意识理论提供了具体的研究领域, 可用于指导未来的 human-AI 交互研究。