2022-09

设计自动驾驶汽车：处理先前需要的陪同人员的任务的策略

分类： 人机交互

作者： Tobias Schräder, Robert Graubohm, Nayel Fabian Salem, Markus Maurer

发布时间： 2022-09-22

链接： http://arxiv.org/abs/2209.11083v1

摘要： 当使用传统客车时，几组人需要依赖陪同人员的帮助，例如进出汽车时。对于这些群体独立使用自动驾驶车辆，如果没有之前需要的陪同人员，则需要进行补偿。在自动家庭车辆的设计过程中，我们发现低障碍车辆设计只能部分补偿缺少所需人类陪伴的情况。在本文中，我们提出了四种策略，用于处理先前需要的陪同人员的任务。所提出的自上而下的方法支持开发人员识别未解决的问题，寻找、构建和选择解决方案，以及在无人驾驶汽车新概念开发的早期阶段发现即将出现的问题。例如，我们假设需要援助的人离开。此示例中四种策略的应用表明，在自动驾驶汽车的开发中持续考虑需要支持的用户会产生深远的影响。

未来自动驾驶汽车内饰的情感作用

分类： 人机交互

作者： Taesu Kim, Gyunpyo Lee, Jiwoo Hong, Hyeon-Jeong Suk

发布时间： 2022-09-22

链接： http://arxiv.org/abs/2209.10764v1

摘要： 自动驾驶技术的最新进展为汽车内饰设计带来了新的机遇。车内活动的这种转变表明，车辆内部空间应考虑用户的情感需求，提供适当的方式。因此，本研究旨在调查未来汽车内饰的情感作用。十个焦点小组的 31 名参与者接受了采访，了解他们当前车辆内饰面临的挑战以及对未来车辆的期望。内容分析的结果揭示了未来汽车内饰的情感作用。先进的独特性和先进的便利性是确定的两个主要方面。每个方面所确定的情感角色总共有八个本能层次，每个本能层次有四个，包括专注、刺激、有趣、愉快、安全、舒适、适应和组织。我们期望这项研究的结果能够为开发概念方向和评估其对用户体验的影响提供基础知识，从而促进情感车辆内饰的发展。

对车内彩色环境光的情感反应

分类： 人机交互

作者： Taesu Kim, Kyungah Choi, Hyeon-Jeong Suk

发布时间： 2022-09-22

链接： http://arxiv.org/abs/2209.10761v1

摘要： 本研究通过自我评估和脑电图 (EEG) 调查了对车辆内部照明颜色的情绪反应。该研究分为两个阶段：第一个阶段研究环境照明颜色的潜力，第二个阶段用于制定车内照明颜色指南。每节课包括三十个科目。在第一部分中，使用十七个形容词评估了四种照明颜色。结果发现，“偏好”、“柔和度”、“亮度”和“独特性”是最能表征车辆内部照明氛围特性的四个因素。根据脑电图数据，环境照明会增加人们的兴奋度并降低他们的阿尔法波。接下来的课程使用从上一课程中提取的四个因素研究了更广泛的颜色。结果，在十种照明颜色中，蓝色和紫色的照明颜色具有最高的偏好性和唯一性。绿色获得了中等偏好和高独特性得分。凭借其出色的亮度和柔和度，中性白也获得了中等偏好评级。尽管偏好度较低，但暖色被认为是柔和的。红色是最不受欢迎的颜色，但其独特性和粗糙度却受到高度评价。这项研究预计将为车辆环境中的情感照明指南提供基本理论，为制造商提供客观的理论依据。

交互差距：理解自动驾驶汽车在两次相遇之间的信任的一步

分类： 人机交互

作者： Jacob G. Hunter, Matthew Konishi, Neera Jain, Kumar Akash, Xingwei Wu, Teruhisa Misu, Tahira Reid

发布时间： 2022-09-21

链接： http://arxiv.org/abs/2209.10640v1

摘要： 未来十年，将会有更多共享自动驾驶汽车 (SAV) 被引入。由于共享出行的快速发展和全自动驾驶汽车 (AV) 的发展缓慢，SAV 可能会先于私人拥有的 AV 进行部署。此外，现有的共享出行服务正在将其车队转向驾驶自动化水平越来越高的车队。因此，“按需”使用共享车辆的人们与自动驾驶的互动并不频繁，从而出现互动空白。使用 25 名参与者的人类信任数据，我们表明交互差距会影响人类对自动驾驶的信任。参与者参与了一项模拟器研究，该研究包括两次互动，间隔一周的互动间隔。在初始交互期间的信任变化与交互间隙之间发现了适度的负相关关系，这表明人们“忘记”了在交互间隙期间对自动化获得的一些信任或不信任。

通过 SAE L2 车辆中的隐式输入识别自适应驾驶风格偏好

分类： 人机交互, 机器学习, 机器人技术

作者： Zhaobo K. Zheng, Kumar Akash, Teruhisa Misu, Vidya Krishmoorthy, Miaomiao Dong, Yuni Lee, Gaojian Huang

发布时间： 2022-09-21

链接： http://arxiv.org/abs/2209.10536v1

摘要： 自动驾驶汽车功能的最佳接受度和舒适度的关键因素是驾驶风格。自动驾驶与驾驶员偏好的驾驶风格之间的不匹配可能会导致用户更频繁地接管甚至禁用自动功能。这项工作提出利用多模态信号识别用户驾驶风格偏好，以便车辆能够以连续、自动的方式匹配用户偏好。我们对 36 名参与者进行了驾驶模拟器研究，并收集了广泛的多模式数据，包括行为、生理和情境数据。这包括眼睛注视、转向握力、驾驶操作、制动和油门踏板输入以及脚距踏板的距离、瞳孔直径、皮肤电反应、心率和驾驶情境。然后，我们建立了机器学习模型来识别首选的驾驶风格，并确认所有模式对于识别用户偏好都很重要。这项工作为自动驾驶汽车的隐式自适应驾驶风格铺平了道路。

使用车内和路边数据进行驾驶安全预测和安全路线绘制

分类： 人机交互, 机器学习

作者： Yufei Huang, Mohsen Jafari, Peter Jin

发布时间： 2022-09-12

链接： http://arxiv.org/abs/2209.05604v1

摘要： 道路风险评估通常基于历史事故数据进行。有时会丢失有关驾驶员行为和实时交通状况的信息。在本文中，安全路线图（SRM）模型是一种开发道路动态风险热图的方法，它被扩展为在进行预测时考虑驾驶员的行为。 Android 应用程序旨在收集驾驶员信息并将其上传到服务器。在服务器上，面部识别提取驾驶员的数据，例如面部标志、注视方向和情绪。检测驾驶员的困倦和分心情况，并评估驾驶表现。同时，路边摄像头捕捉动态交通信息并上传到同一服务器。基于纵向扫描线的干线交通视频分析用于从视频中识别车辆，以构建速度和轨迹曲线。基于这些数据，引入 LightGBM 模型来预测驾驶员在接下来的一两秒内的冲突指数。然后，使用模糊逻辑模型组合多个数据源，包括历史碰撞计数和预测交通冲突指标，以计算路段的风险评分。使用从实际交通路口和驾驶模拟平台收集的数据来说明所提出的 SRM 模型。预测结果表明模型是准确的，并且添加的驾驶员行为特征将提高模型的性能。最后，生成风险热图以用于可视化目的。当局可以使用动态热图来指定安全走廊，并派遣执法人员和司机进行预警和出行规划。