小聊，大影响？基于大语言模型的对话式智能体缓解条件自动驾驶中的被动疲劳
人机交互
2026-03-18 v2
摘要
条件自动驾驶期间的被动疲劳可能损害驾驶员的准备状态和安全性。本文 presenting 来自 40 名参与者的测试轨道研究结果，基于真实世界的自动驾驶场景。在该场景中，设计了一个基于大语言模型 (Large Language Model, LLM) 的对话式智能体 (Conversational Agent, CA)，用于与驾驶员进行关怀并重新引导他们关注周围环境。依据车内视频记录、睡眠水平评分和访谈，我们分析了驾驶员如何与该智能体交互，以及这些交互如何影响警觉性。结果表明，该 CA 有助于支持被动疲劳期间的警觉性。主题分析进一步揭示了三种用户偏好轮廓，暗示了未来使用该智能体的意图。将观察到的轮廓置于现有 CA 框架中，突显了对多样化用户群体敏感的自适应设计的必要性。这项工作强调了该智能体作为主动人机界面 (Human-Machine Interface, HMI) 干预的潜力，展示了自然语言如何在自动驾驶期间支持情境感知的交互。
引用
@article{arxiv.2510.25421,
title = {Small Talk, Big Impact? LLM-based Conversational Agents to Mitigate Passive Fatigue in Conditional Automated Driving},
author = {Lewis Cockram and Yueteng Yu and Jorge Pardo and Xiaomeng Li and Andry Rakotonirainy and Jonny Kuo and Sebastien Demmel and Mike Lenné and Ronald Schroeter},
journal= {arXiv preprint arXiv:2510.25421},
year = {2026}
}
备注
Preview version of CHI '26 Conference on Human Factors in Computing Systems