自動駕駛中基于透明度的人機界面設計研究

王建民，汪巧鳳，張俊

自動駕駛中基于透明度的人機界面設計研究

王建民，汪巧鳳，張俊

（同濟大學 藝術與傳媒學院，上海 201804）

選取自動駕駛中后方來車的典型場景，探究基于透明度人機界面（HMI）設計對駕駛員認知的影響。采取文獻查閱、場景分析、實驗評估等研究方法，使用態勢感知的透明度（SAT）理論模型，設計了該場景下的HMI界面，并在駕駛模擬器上進行了設計驗證。研究結果表明HMI透明度水平與駕駛員對系統的信任度呈正相關，但感知工作量無顯著變化。另外，不同水平的透明度信息會影響駕駛員的態勢感知能力，而駕駛員對當前情境的理解與信任度存在顯著相關性。HMI的透明度設計會從三個方面影響駕駛員的認知，分別是態勢感知、工作負荷和信任度。因此在對人機界面進行透明度設計時，需要重點考慮對這些因素的影響。

自動駕駛；HMI設計；透明度；信任度；工作負荷

隨著自動駕駛技術的發展，搭載高級輔助駕駛系統（Advanced Driving Assistance System，ADAS）的智能汽車已實現產業化應用。這些ADAS可以給人類駕駛員提供認知和控制的合作，如：跟車距離過短警告、側方來車、壓線提醒等，這些功能都提高了人類駕駛員的認知能力，促進了駕駛安全。然而，自動化在交互上也給人帶來了三個方面的變化，分別是反饋的變化（Changes in Feedback）、任務和任務結構的變化（Changes in Tasks and Task Structure）、操作員對變化的認知和情緒反應（Operators 'Cognitive and Emotional Response to Changes）[1]。這種變化使人類駕駛員與ADAS技術的交互成為一個新問題，在傳統的手動駕駛中，需要駕駛員完成所有的駕駛任務，駕駛員會根據自己對環境的感知做出駕駛決策，而自動駕駛或部分自動駕駛功能開啟的狀態下（如L2、L3級別），ADAS完成了部分或全部的控制和認知任務，但是這種控制和認知的過程和結果需要人類監督，即駕駛員負責監督其駕駛，并在必要的時候完成接管[2]。換句話說，自動化本身成為人類關注的對象。

這種關注可以通過人機交互（Human Machine Interaction）來實現，而如何設計人與自動化或智能系統的交互成為最重要的問題。Parasuraman等[3]認為，成功的自動化通常是由適當的操作員心理負荷、高度的情境意識（SA）及對行為的不滿意和技能退化來衡量的。因此，在對人機交互界面中的信息進行設計時需要考慮很多因素，比如態勢感知、工作負荷、信任度等。為了讓人類駕駛員更理解機器的認知和行為，HMI界面信息需要將更多更準確的機器認知信息傳達給駕駛員，對信息進行適當的透明度設計成為智能系統的界面設計重點，尤其是在自動駕駛車輛中。

目前自動駕駛車輛中如何考慮透明度的界面設計尚需要深入研究?；谝陨媳尘?，本文以后方來車為研究場景，對中控屏幕中的信息進行了不同透明度水平的設計，期望這些設計可以有效提升駕駛員對行車環境的感知，并且可以影響人類駕駛員對自動化系統的信任。在本文中，第一部分，回顧了態勢感知、透明度、信任度等重要概念，以及國內重要的車廠對自動駕駛車輛界面設計的桌面研究。第二部分，對自動駕駛中的后方來車場景進行了認知需求分析，用來確定駕駛員的信息需求。第三部分，在特斯拉 Model3中控界面的基礎上結合透明度（SAT）模型進行了界面設計，最終形成了三種水平的透明度HMI設計方案。這三種方案主要向駕駛員傳達了以下部分或全部信息：對當前環境的感知、對當前環境狀態進行分析、對可能發生的結果進行預判。第四部分，通過實驗對設計方案進行了評估并給出了結論。

1 理論基礎

1.1 態勢感知與透明度

態勢感知或情景意識（situation awareness, SA）是指人對周圍環境變化的感知能力，即當前發生了什么，這意味著什么以及該怎么做[4]。根據Endsley[5]的定義，它分為三個等級：SA 1為個體對周圍環境中與任務相關的元素進行感知；SA2涉及對SA1等級中數據的解釋，這有助于個體對當前任務和目標的理解；SA3涉及對系統或者環境中元素未來狀態的預測。態勢感知可以由人類持有，也可以由智能系統持有，現代車輛上的ADAS系統就是這樣一個具有態勢感知能力的智能系統[6]。這種系統正在轉變為具有高度自治的自治代理[7]（L3-L5級別自動駕駛）。在高級自動駕駛實現之前，目前的自動駕駛功能是一個基于多代理的（人和ADAS）聯合駕駛活動，即駕駛任務由人類駕駛員和ADAS共同完成。因此，人和ADAS是以團隊（Team）的形式在控制車輛和感知環境。例如，在人機合作駕駛的過程中，駕駛員開啟自動駕駛后，具有部分自動駕駛能力的ADAS控制駕駛，駕駛員負責監督同時進行一些非駕駛任務，在這種情況下，人和ADAS之間需要不斷交流各自的SA，以便完成安全而高效的合作駕駛。

在交流的過程中，如何傳遞三個等級的SA信息，從而讓雙方更準確地了解彼此，透明度（Transparency）被認為是一種解決方案。透明度是指界面能夠告知操作員系統的目的、推理未來計劃的能力從而增進人對機器的理解和信任[8]。更好的透明度設計應該在駕駛場景中對駕駛員產生積極的影響，因為透明度對解釋智能系統的行為和決策有著重要的輔助作用，可以提升操作員對智能系統的信任度及團隊績效。目前，透明度設計已經被用在車輛HMI設計的各個方面，例如Chen等[9]將基于情境感知的代理透明度（SAT）模型分別應用到了Autonomous squad member和Intelligent Multi-UxV planner with adaptive collaborative/control technologies這兩個項目的HMI設計中。除此之外，“后方來車”也是自動駕駛狀態下人機合作駕駛的典型場景，Pokam等[10]認為該場景下自車有超車計劃時容易忽略后方車輛的信息。

Chen和他的同事利用Endsley的SA模型開發了一種基于態勢感知的透明度（SAT）模型，該模型將態勢感知信息進行分層顯示，以促進人類伙伴的理解。SAT模型由三個獨立的層次組成，每個層次都代表著與駕駛員互動時需要傳達的信息。其中，第一個層次（SAT 1）的信息主要用于幫助駕駛員感知系統當前的行動和計劃；第二個層次（SAT 2）的信息用于駕駛員更好地理解系統當前的行為；第三個層次（SAT 3）的信息用于駕駛員對未來結果的預測。當駕駛員開啟自動駕駛之后，ADAS時刻監控著周圍環境，并將這三個層次的態勢感知信息通過HMI界面傳遞給人類駕駛員，人類駕駛員會通過HMI界面的信息及自身從環境中得到的信息來綜合判斷是否需要接管車輛，該過程見圖1。

基于以上理論基礎，本文選取了自動駕駛中的后方來車場景。在該場景中，為了滿足人類駕駛員對機器認知情況的理解，研究團隊使用上文所提的SAT模型，將智能體對后方來車的態勢感知信息轉化為不同透明度水平的HMI設計，以研究智能系統透明度界面對人機團隊合作的影響。

圖1 自動駕駛過程中基于態勢感知的透明度模型

1.2 信任度

成功的人機合作需要通過信任校準而使駕駛員對自動化系統保持“適中”的信任程度。如果駕駛員對自動化系統沒有信任，那么即便自動化性能很好，駕駛員也不會去使用。相反，如果駕駛員對自動化系統有過多的信任，會因為過度依賴自動化系統而不正確地使用。信任度低或過度信任都會導致事故的發生。因此，HMI發揮著潛在作用，它會在實際的駕駛條件中引導駕駛員獲得其適當的信任，這對確保駕駛安全和舒適至關重要。

在人機交互領域中，Lee等認為人在與自動化系統合作時除了透明度之外，另一個組成部分是信任。當車輛處于自動駕駛狀態時，駕駛員對系統的信任也是人機團隊合作成功的重要因素[11]。Chen等[12]的研究表明，人和自動化系統之間有兩種類型的信任：傾向型信任和基于歷史的信任。傾向型信任是指一個人比較穩定的信任觀念，常在人與自動化系統進行交互之前就已經存在，而基于歷史的信任是一種不斷變化的信任，會受人與自動化系統交互的影響。在合作的過程中，駕駛員會根據自己獲取到的信息、印象以及過往的經驗而對自動化系統產生不同程度的依賴。

目前，信任度的衡量有兩種方式。一種是根據Muir[13]提出的基于車輛自動化信任度的模型，該模型將信任分為三個維度，分別是可預測性、可靠性和忠誠度?？深A測性是指駕駛員可以很好地預測系統的輸出，可靠性指的是駕駛員可以放心地讓自動化系統參與到任務中，并對系統產生依靠性，忠誠度是指在駕駛員使用自動化系統完成任務后，還希望繼續使用該系統。另外一種是Jian等[14]開發的信任度量表，該量表包含12個影響人與自動化系統之間信任的潛在因素，見表1。

Chen及其團隊的研究已經表明，人對智能體的信任度與界面的透明度有關，界面的透明度水平越高，人對系統的信任度越高。然而對透明度如何影響信任度沒有進一步的描述，本文對這部分內容做了補充。

表1 信任度量表

1.3 HMI設計案例調研

近幾年來，自動駕駛技術發展迅速，國內外多家主流車企均發布了搭載輔助駕駛功能的量產車，對自動駕駛狀態下“后方來車”這一典型場景都有各自的人機界面方案。蔚來ES8、小鵬P7、智己L7均在儀表屏上增加了顯示當前車況的信息，在HMI設計上，用醒目的車模表示本車，用灰色的車模顯示周圍的輛及行人，這在一定程度上有助于駕駛員在不用轉頭觀察左右后視鏡的情況下掌控當前車輛行駛狀態，但是這種方案仍然存在優化的空間。以后方來車場景為例，首先，車模在視覺效果上并未對超車之前和超車之后做出區分，若后方有車駛來，駕駛員不一定能迅速感知后方的車輛；其次，若本車處在多車道的駕駛環境下，左右兩邊均有車輛駛來并有并道意圖時，自動駕駛系統采取了制動行為，但是駕駛員因無法判斷這兩輛車的緊急優先程度，就無法理解系統作出此決策的原因；最后，由于儀表盤上還設計了如導航、音樂卡片等其他種類的信息，因此駕駛員在無法預判未知危險的情況下會將注意力放在這些信息上。

為了解決以上問題，HMI方案可以從透明度設計的角度出發，增加信息的視覺層次，從而提高駕駛員感知信息的能力、幫助其理解系統行為并預知未來可能存在的危險。表2總結了四款當前搭載了輔助駕駛系統的量產車，并對其在后方來車場景中的HMI設計方案進行了問題總結及解決方向總結。

表2 自動駕駛車輛HMI調研總結

Tab.2 Summary of HMI research for autonomous vehicles

2 HMI設計

2.1 場景分析

本文中，車輛處于自動駕駛模式，此時后方來車，并突然向自車前方超過。該場景如圖3所示，駕駛場景可分為三個階段，階段一是后方來車和本車的距離大于10 m（超車前），階段二是后方來車和本車的距離為0～10 m（超車中），階段三是后方來車超過本車（超車后），其中①代表正在勻速行駛的本車，②代表后方來車，以大于本車的速度勻速行駛。

實際上，道路上行駛的車輛間往往存在著強烈的相互作用[15]。在日常交通中可以觀察到，在超車的第一階段，駕駛員往往通過左右后視鏡來觀察后方行車環境，有時候駕駛員還會通過稍微減速或者拉開車輛間的橫向距離使后方車輛順利完成超車，但是在自動駕駛模式下，駕駛員可能會因擔心系統無法理解并執行這種行為而接管車輛。如圖4所示，描述了整個超車過程中不同階段的態勢感知信息需求及這些態勢感知的透明度層次。首先，在后方車輛離本車距離較遠時，HMI顯示SAT 3級預測信息，警示駕駛員后方或有危險意圖的車輛，當引起駕駛員注意后，HMI上顯示SAT 1級感知信息，即后方車輛與本車的相對位置；其次，當后方車輛與本車的位置進一步靠近時，HMI在持續顯示SAT 1級感知信息的同時，需要告知駕駛員ADAS對當前行車狀況是否危險的理解，即SAT 2級信息；最后，當后方車輛成功超車，HMI顯示SAT 1級感知，用于告知駕駛員當前車況。

圖2 后方來車場景的前、中、后三個階段

圖3 超車過程中基于透明度的交互場景

2.2 界面元素設計

本文的設計基于特斯拉Model 3的中控界面，設計的目標是通過中控界面，駕駛員是否知道后方發生了什么事？特斯拉屏幕范圍外的提示信息是否充分？如何提示駕駛員對行車環境的感知？以及提升用戶對HMI信息提示的信任度。

根據上文的分析，對SAT等級進行了界面元素的設計。對超車前的SAT 3預測信息，用一個帶有黃色漸變的方塊來表示，對SAT 1感知類信息，則用小車模型來實時映射實際的車輛狀況；對超車過程中的SAT 2理解類信息，采用黃色、紅色來顯示危險程度；對超車后的感知類信息，使用灰色小車模型來實時映射實際的車輛狀況，見圖4。

結合SAT模型的三個層次，定義出了三種HMI，每個HMI中的信息都反映了不同SAT水平需要傳遞的信息，如表3所示，其中HMI 0為Model 3用戶界面，用來作為對照，“N”表示沒有顯示某層次的信息，“Y”則表示顯示此層次的信息。

HMI 0沒有SAT模型中的任何一級信息，HMI 1僅顯示SAT 1相關的信息，用黃色小車后方車輛相對本車的位置，如圖5所示；HMI 2顯示SAT 1和SAT 2的信息，在原有黃色的基礎上，用紅色和灰色表示后方車輛與本車之間距離的遠近與危險程度，當后方車輛距離本車過近有潛在危險時，用紅色示警，如圖6所示；HMI 3顯示SAT 1、SAT 2和SAT 3的信息，在HMI 2的基礎上，用黃色色塊顯示后方來車的預測信息，見圖7。

表3 HMI設計方案

Tab.3 HMI design scheme

圖4 基于透明度的信息需求及界面設計元素

圖5 HMI 1（僅顯示SAT 1相關信息）

圖6 HMI 2（顯示SAT 1+SAT 2相關信息）

圖7 HMI 3（顯示SAT1+SAT 2+SAT 3相關信息）

3 實驗評估

使用駕駛模擬器搭建出了一個相對真實的駕駛環境，邀請16名參與者，以特斯拉Model 3的HMI作為對照（HMI 0），對這三種HMI進行評估，以拉丁方順序來展示HMI 1、HMI 2、HMI 3，以便平衡學習效應。主觀數據使用目前較為通用的SAGAT量表、信任度量表及NASA-TLX量表，以便測量不同的HMI方案對駕駛員態勢感知、信任度、工作負荷的影響，同時在每次駕駛結束之后，讓駕駛員對HMI方案的整體感受進行評價。

3.1 參與者

實驗共有16名被試者，其中8名男性，8名女性。平均年齡為32.1歲（SD為4.61），平均駕齡為7.3年（SD為3.11）。學歷在本科及以上，對自動駕駛系統有一定的認知與使用經驗。

3.2 實驗環境

實驗在駕駛模擬器上完成，如圖8所示。其中的測試道路在Unity里進行建模，車道寬度、車道線的尺寸以及車道線類別均為國家標準尺寸，盡可能增加駕駛模擬中駕駛場景的真實性。在本實驗中，選取了一條平坦路面上筆直的單向雙車道，模擬駕駛測試任務都在此道路上完成。另外，還使用了一個10.8寸（1寸≈3.33 cm）的平板來顯示任務過程中涉及的中控屏幕HMI界面，用一個15.6寸的顯示器來顯示任務過程中后視鏡的場景變化。

3.3 實驗過程

1）在測試之前，參與者會填寫一份個人信息調查問卷，包括姓名、年齡、駕齡、學歷、職業、駕駛頻率等。

圖8 實驗環境

2）進行駕駛訓練。參與者將在模擬器上完成5分鐘的試駕，同時掌握模擬器上的一些基本操作，例如開啟自動駕駛，接管車輛等，這一步旨在讓參與者習慣模擬器。

3）在進行駕駛訓練的同時，參與者被告知整個測試期間他們需要開啟自動駕駛，并結合中控HMI及左右后視鏡觀察周圍行車環境，參與者可以根據他們的信息需求去監控自動駕駛系統。

4）測試過程中，每個參與者會駕駛4次，每次呈現不同的HMI。由于HMI 0是空白對照，所以參與者第一次駕駛時中控屏幕上會出現HMI 0，此后的三次駕駛，將會以拉丁方的順序向參與者呈現HMI 1、HMI 2和HMI 3。每個參與者的實驗大約會持續1 h。

5）每次駕駛結束后，參與者需要填寫一份關于信任度、態勢感知及工作負荷的調查問卷。這些數據將會用來衡量不同透明度的HMI如何影響駕駛員對系統的信任度、駕駛員對周圍的感知能力及工作負荷。

4 實驗結果分析

4.1 量表數據

4.1.1 信任度

當屏幕顯示HMI 0時，信任度量表得分作為對照，研究基于透明度的設計是否會影響駕駛員對系統的信任度，當屏幕顯示HMI 1、HMI 2、HMI 3時的信任度量表得分則用來研究透明度模型中的三個層級如何影響駕駛員對系統的信任度，結果見圖10。結果表明，當屏幕上為HMI 0時，駕駛員對系統的信任度得分為3.89（SD值為0.35），當屏幕上為HMI 1時，駕駛員對系統的信任度得分為4.72（SD值為1.01），當屏幕上為HMI 2時，駕駛員對系統的信任度得分為4.99（SD值為0.74），當屏幕上為HMI 3時，駕駛員對系統的信任度得分為5.14（SD值為0.59）。由此可見若HMI不顯示任何透明度信息，駕駛員對系統的信任度最低，而HMI同時顯示SAT 1、SAT 2、SAT 3相關信息時，駕駛員對系統的信任度最高。

圖9 信任度量表得分

4.1.2 工作負荷

由于不同透明度水平的HMI有著不同的信息量，這就意味著還需要探究隨著信息量的增加是否給駕駛員帶來了更大的工作負荷，這使用了NASA-TLX量表來衡量，結果如表4所示。從表4中可以看出，當屏幕顯示HMI 0時，駕駛員的感知工作量最大，這是因為HMI 0沒有對信息進行視覺上的區分，駕駛員無法在短時間內迅速獲取自己想要的信息。當屏幕上顯示HMI 1、HMI 2、HMI 3時，駕駛員的感知工作量隨著信息的增加而增加，但是結果沒有顯著差異性。

表4 NASA-TLX量表得分

Tab.4 Nasa-tlx scale scores

4.2 相關性分析

4.2.1 信任度與態勢感知

上文中信任度量表分數顯示HMI 3的信任度最高，該結果是否與駕駛員態勢感知水平有關？由于HMI 0不顯示感知、理解、預判相關信息，因此對駕駛員態勢感知水平的分析以HMI 1、HMI 2、HMI 3為主，對比了這三種條件下每個SAT級別的SAGAT得分。結果顯示當中控屏幕上展示HMI 1時，用戶的感知信息能力較其他方案強，而展示HMI 2時，駕駛員聚焦于理解系統當前的駕駛行為，其感知水平略有降低，當展示HMI 3時，駕駛員對即將發生的情況預測能力最強，同時感知和理解水平均有了提升。接著，對信任度與感知、理解、預判這三個影響態勢感知的因素進行了相關性計算，結果見表5。

表5 信任度與態勢感知的相關性分析

Tab.5 Correlation analysis between trust and situation awareness

由此可知，從態勢感知的三個層級來看，信任度與界面上的理解類信息有顯著相關性?？梢哉J為在當前任務中，如果HMI能夠幫助用戶獲得更好的態勢感知，尤其是提供理解類信息時，用戶對系統有更高的信任度。

4.2.2 信任度與工作負荷

同樣地，為了探究隨著透明度信息的增加，工作負荷是否會影響用戶的信任度，對信任度量表總分與NASA-TLX量表總分及各選項得分進行了相關性計算，結果見表6。

表6 信任度與工作負荷的相關性分析

Tab.6 Correlation analysis between trust and workload

盡管三種方案之間的工作負荷并沒有顯著差異，但是工作負荷和信任度存在相關性，說明當用戶面對HMI上所呈現的信息時，受到的工作負荷越大，對系統的信任度越低，其中，HMI上所顯示的信息對用戶注意力的占用，以及用戶為完成任務付出的努力程度和信任度存在相關性。因此，在進行透明度設計時，為了避免用戶降低對系統的信任度，設計元素需要減少對用戶注意力的占用，例如采用醒目的顏色等，同時還要減少用戶完成任務的努力程度。

4.3 訪談數據

這三種設計方案主要區別在于設計元素不同，為了探究哪些設計元素影響了信任度，在實驗結束之后，又對參與者進行了訪談。與信任度相關的訪談主要從三個角度出發，分別是可預測性、可靠性、忠誠度。訪談問題見表7，訪談結果見圖11。從訪談內容可以發現，當屏幕顯示HMI 0時信任度分數之所以低，是因為駕駛員無法得出后方車輛距本車的距離，以及后方車輛向前超車時的速度。而參與者對HMI 3所顯示的信息信任度最高主要有兩個方面的原因，一是該方案使用不同的顏色對車況的危險等級做了區分，二是在駕駛員的視線盲區內使用黃色色塊增加了預測信息，這有助于幫助駕駛員判斷當車況發生改變時，系統是否具有處理能力。HMI 2只具備上述原因的第二條，HMI 1則沒有使用顏色來區分危險等級，這是HMI 1和HMI 2信任分數不高的原因。

表7 訪談問題清單

圖10 訪談結果

4.4 實驗結論

本文從三個維度（態勢感知、信任度和工作負荷）評估不同透明度級別的HMI。實驗數據表明當透明度級別越高，即提前預知駕駛員后方有車駛來，且用不同的顏色來區分后方來車相對本車的位置，極大地增加了駕駛員的感知能力，駕駛員對自動化系統的信任度也更高。另外，增加的信息量并沒有對駕駛員的工作負荷產生明顯的影響。在本次實驗的三種HMI中，還能得到以下結論。

1）態勢感知水平與用戶對自動駕駛系統的信任度呈正相關，尤其是理解類信息，可以認為用戶在開啟自動駕駛時，更加關注HMI上顯示系統對當前駕駛狀態的理解，這表明了系統做出決策的原因。

2）工作負荷與用戶對自動駕駛系統的信任度呈負相關。當提高HMI的透明度水平時，界面透明度信息對用戶注意力的占據和用戶為完成任務付出的努力程度會減少其信任度。當用戶開啟自動駕駛時，注意力集中在路況上，不太關注界面上信息的提示，如果自動駕駛系統當前的決策與用戶自身對路況的認知相符，用戶就會信任該系統。此外，用戶信任的系統是智能的，不需要用戶付出很大的努力去完成任務。

5 結語

本文主要研究了自動駕駛中基于透明度的HMI設計，將Chen開發的基于情景感知的透明度（SAT）模型引入自動駕駛場景中，發現HMI的透明度越高，用戶對當前環境的態勢感知能力越強，對系統的信任度越高。本文的創新點在于，當得出透明度會影響用戶的態勢感知和對系統信任度這一結論后，進一步對態勢感知、工作負荷與信任度的相關性進行了更為細致的分析，這為以增強駕駛員信任度為目標的透明度設計提供了一種思路。

以上結論是在自動駕駛的超車場景中得出的，之后將對更多的自動駕駛場景進行研究，探索不同的場景中所需要的透明度信息，以及這些信息會從哪些方面影響駕駛員的態勢感知、工作負荷以及信任度。

[1] LEE J D, SEPPELT B D. Human Factors in Automation Design[M]// NOF S Y. Springer Handbook of Automation. Berlin: Springer. 2009: 417-36.

[2] INTERNATIONAL S. Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems[J]. 2014, 3016: 1-12.

[3] PARASURAMAN R, SHERIDAN T B, WICKENS C D. A Model for Types and Levels of Human Interaction with Automation[J]. IEEE Transactions on Systems Man and Cybernetics-Part A Systems and Humans, 2000, 30(3): 286-97.

[4] ENDSLEY M R. Toward a Theory of Situation Awareness in Dynamic Systems[J]. Human Factors, 1995, 37(1): 32-64.

[5] Endsley M, Jones D, Betty Bolté. Designing for Situation Awareness[J]. Ergonomics, 2013, 56(4): 727-728.

[6] JOHANNSDOTTIR K R, HERDMAN C M. The Role of Working Memory in Supporting Drivers' Situation Awareness for Surrounding Traffic[J]. Human Factors, 2010, 52(6): 663.

[7] ENDSLEY, MICA, R. From Here to Autonomy: Lessons Learned From Human-Automation Research [J]. Human factors: The journal of the Human Factors Society, 2017, 59(1): 5-27.

[8] CHEN, J. Y C, BARNES, et al. Human–Agent Teaming for Multirobot Control: A Review of Human Factors Issues[J]. Human Machine Systems Transactions on, 2014, 44(1): 13-29.

[9] CHEN J, BARNES M J, SELKOWITZ A R, et al. Human-Autonomy Teaming and Agent Transparency; Proceedings of the Companion Publication of the 21st International Conference on Intelligent User Interfaces[C].Companion Publication of the 21st International Conference on Intelligent User Interfaces.New York: Association for Computing Machinery, 2016: 28-31.

[10] POKAM R, DEBERNARD S, CHAUVIN C, et al. Principles of Transparency for Autonomous Vehicles: First Results of an Experiment with an Augmented Reality Human-machine Interface[J]. Cognition Technology and Work, 2019, 21: 643-656.

[11] BILLINGS D R, SCHAEFER K E, CHEN J, et al. Developing Trust in Human-robot Interaction[J]. 2012: 109-110.

[12] CHEN J, BARNES M. J. Y. C. Chen and M. J. Barnes, Agent Transparency for Human-Agent Teaming Effectiveness[J]. 2015 IEEE International Conference on Systems, Man, and Cybernetics, Hong Kong, China, 2015, pp. 1381-1385.

[13] BONNIE M, MUIR. Trust in Automation: Part I. Theoretical Issues in the Study of Trust and Human Intervention in Automated Systems[J]. Ergonomics, 1994, 37(11): 1905-22.

[14] JIAN J, BISANTZ A M, DRURY C G, et al. Foundations for an Empirically Determined Scale of Trust in Automated Systems[J]. International journal of cognitive ergonomics, 2000, 4(1): 53-71.

[15] HOSONO K, MAKI A, WATANABE Y, et al. Implementation and Evaluation of Load Balancing Mechanism With Multiple Edge Server Cooperation for Dynamic Map System[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, PP(99): 1-11.

Human-machine Interface Design Based on Transparency in Autonomous Driving Scenes

WANG Jian-min, WANG Qiao-feng, ZHANG Jun

(College of Arts and Media, Tongji University, Shanghai 201804, China)

The work aims to select the typical scene of a vehicle coming from behind in autonomous driving to explore the influence of transparency-based human-machine interface (HMI) design on the driver's cognition. Literature review, scene analysis, experimental evaluation and other research methods were adopted to design the HMI in this scene by the Situation Awareness-based Agent Transparency (SAT) model, and the design was verified on a driving simulator. The results indicated that the HMI transparency level was positively correlated with the driver's trust in the system, but the perceived workload had no significant change. In addition, different levels of transparency affected the drivers' situational awareness ability, and the drivers' understanding of the current situation was significantly correlated with the trust. The transparency design of HMI will affect the drivers' cognition from three aspects: situation awareness, workload and trust. Therefore, it is necessary to focus on the influence of these factors when designing the transparency of human-machine interface.

autonomous driving; HMI design; transparency; trust; workload

TB472

A

1001-3563(2023)14-0152-10

10.19554/j.cnki.1001-3563.2023.14.016

2023–02–11

同濟大學2022年智能新能源汽車協同創新中心智能駕駛艙子項目

王建民（1973—），男，博士，教授、博士生導師，主要研究方向為交互設計、信息架構設計、汽車交互設計、社會媒體計算。

汪巧鳳（1998—），女，碩士生，主攻汽車交互設計、用戶行為分析、用戶體驗。

責任編輯：陳作