日期：
2023-03-01 03:13:34
来源：功夫体验设计收集 编辑：百度IDX
「01 人机共驾为什么需要构建信任」 驾驶自动化的探索已经有近半个世纪的历史，近年来随着传感器技术和智能化的发展，驾驶自动化技术获得巨大的进步，为了更好地规范和引导自动驾驶汽车行业的发展，美国汽车工程师学会（Society of Automotive Engineers，SAE ）在2014年制定了驾驶自动化分级标准SAE J3016，并于2021年与国际标准化组织（ISO）合作进一步澄清了相关概念和术语。 SAE按自动化程度的高低，将驾驶自动化分为六个层级，不同级别的驾驶自动化其车辆能力、对驾驶员的要求不同，驾驶员和车辆需要完成的操作和职责不同。如下图所述，从L0到L5，人类从拥有100%控制权逐步转移到自动驾驶系统主导。其中L1~L3等级的驾驶自动化产品，我们既可以选择手动驾驶，也可以将驾驶权移交给系统，人保持对车辆驾驶的监控并在车辆要求时接管，这种人车协同驾驶状态可以简称为人机共驾。 图1 人类驾驶员和驾驶自动化系统在不同驾驶等级中的职责变化 驾驶是一项环境复杂、动态且安全相关的活动，现实生活有海量复杂的交通场景，当前驾驶自动化系统的能力还很难完全应对，实现完全自动驾驶还有一定的距离。在完全自动驾驶实现前, 智能汽车将长期处于人机共驾状态。 根据创新扩散理论，一项新技术产品的推广往往会经历一个从少部分创新者和用户认可再到早期大众接受的过程，大部分创新无法跨域从早期用户到早期大众的“鸿沟”。目前人机共驾产品正处于向大众快速渗透的拐点阶段，市场上仅有几家具备量产能力的品牌：2018年特斯拉最早推出了NOA导航辅助驾驶功能，可以实现高速场景下的自动变道、超车及上下匝道；陆续自主品牌蔚来、小鹏、理想等也都推出了类似的产品，并逐步推进停车场、城市场景等更大范围的辅助驾驶落地，逐渐实现三域融合。 这个阶段用户对技术期待会非常高，会觉得技术无所不能，但事实上这个阶段技术往往没有那么成熟，会存在用户认知与技术能力上的偏差： ① 过度信任：用户对系统的信任超过了技术能力边界，从而疏忽或者放弃监控车辆，在危险发生时可能来不及响应接管预警，而造成安全隐患。 ② 信任不足：系统的实际能力可靠，但用户并不信任，不敢使用；即使尝试使用，但由于信任度不足，驾驶负荷不降反增——既需要保持正确的驾驶操作，又需要密切注意车辆的驾驶状态和各种提示预警信息。 因此，人机共驾阶段，构建对自动驾驶系统的恰当信任，即主观信任和系统客观能力相匹配，是影响驾驶安全、人机协同效率和用车体验的关键因素。 「02 人机共驾的信任发展过程」 人际关系中，“信任，是指在不确定和风险情况下，委托人对受托人帮助其实现目标的态度” 。信任的形成一般会受这几个因素影响：受托人的过往所表现出来的能力、可靠性；完成任务过程中的及时反馈和沟通；以及最终结果符合预期。 人和车建立信任的过程，与人与人之间类似，既受人的初始经验影响，也取决于完成任务过程中的系统表现和最终结果。人机共驾状态下，人是委托人，需要在不确定性极高的驾驶环境中，将驾驶权和自己的安全委托给机器系统，这个过程对信任的要求更高。我们参考文献资料，结合实际业务实践，将用户接触和使用车辆的生命周期划分为3个阶段，并梳理了每个阶段影响用户信任的因素和信任水平的发展曲线，如下图所示。 图3 用户使用旅程的不同阶段以及各阶段影响信任水平的因素 【购买前】用户可以通过媒体、朋友、试驾等多种渠道了解车辆能力，这些因素会影响用户的初始信任。当然，对于相同的信息，不同个性的驾驶员产生的信任不同，有些会过于乐观，另一些则可能非常缺乏信任。 【磨合期】用户完成购买后，随着与车辆实体的互动磨合，对系统的信任水平会发生变化，如果能顺利过渡，且设计得当，最终会到达一个恰当的水平。 【成熟期】在后续的长期使用中，如果系统一直表现良好，信任逐渐积累可能会再次导致过度信任；如果遇到某些特殊的场景，比如一次小的事故意外，信任水平可能会回落，如果处理不当，也可能直接降为0。 总体来说，人机共驾的过程中，信任是动态变化的。我们需要构建恰当水平的信任，以避免用户因缺乏信任而弃用，或者因过度信任而误用，造成生命财产的损失。 「03 如何构建恰当水平的信任」 针对不同阶段可能影响信任的因素，我们针对性地分析，通过一系列设计策略，来构建人机共驾中恰当水平的信任。 （1）购买前：建立基础信任 每个人对驾驶自动化系统的信任倾向不同，这种倾向大概率受人的固有特质影响，比如年龄、性格、性别、文化等，固有特质很难受外界的影响和改变。因此，我们需要找到符合我们产品定位的潜在用户群体。通过访谈和问卷等一系列用户研究的方法，收集相关用户信息，然后进行高潜用户聚类分析，与我们的产品定位相匹配，找出我们的目标用户。 然后，在此基础上，综合考虑潜在用户群体可能接触的信息媒介，通过一系列的活动来合理普及自动驾驶的概念，比如： 这些活动都助于吸引潜在目标用户，让他们更好地了解驾驶自动化系统，建立初始信任。 （2）磨合期：提升人车交互体验 对于技术驱动的创新产品，磨合期很关键，如果在尝试使用的过程中，感受不好，用户很可能会失去对系统的信任，不再使用。因此，这个阶段的核心任务是通过良好的人车交互体验，让用户在尝试的过程中感觉有使用价值，能留存下来且愿意继续使用。那么，如何打造良好的人车交互体验呢？ 满足体验的基础是产品能满足用户的基本任务需求，也就是要“可用”。对于智能驾驶，“可用”意味着：车辆能安全完成相应驾驶任务，能在更多的路段启用辅助驾驶，辅助驾驶的体感舒适等等。这些主要取决于我们基础的技术能力。因此，持续提升技术能力，保证驾驶任务的完成度，是体验的基础。 满足基本的可用后，就是易用和爱用，如果车驾比人驾还费劲，用户大概率就会放弃尝试，这也是体验设计主要关注的部分。用户体验在基础能力的基础上更关注人的效率和情感需要，通过一系列的设计方法来提升人机交互的体验： 具体来讲，磨合阶段我们可以通过以下设计策略来提升人车交互体验，增强信任： 设计策略1：有效的学习培训 汽车是一个复杂的产品，智驾更是这个复杂产品中更为复杂抽象的部分，因此前期的学习培训很重要。但是大部人是不喜欢看说明书的，因此我们需要精心考虑培训的内容和方式：尽量按用户使用场景划分学习任务，传达核心要点；考虑图文、视频等互动式的学习方式，提高学习兴趣。另外，也可以考虑适当结合实车环境，模拟真实操作，让学习更有效。 如下图，百度ANP的用户培训，使用图文、视频，并结合实车环境模拟操作，加深对模糊操作的认知和理解，减少在真实驾驶场景中进行智能操作的安全焦虑。 设计策略2：驾驶情境透明 人机共驾的最大挑战是人与车驾状态切换——人将驾驶权转移给车，人监督车辆辅助驾驶，一旦车辆无法胜任时需要人立即接管。 类比人际信任，当你把一个重要任务交给一个还不太熟悉的人，你肯定期望能及时了解任务的进度和状态，有风险及时报备和介入。人和人大体的文化背景和行为模式是类似，我们通过面对面观察、交流就能基本了解。但智能汽车、AI对人而言是一个黑盒，人在汽车内部，除了具体的驾驶行为，我们不清楚车在做什么，即将做什么。就像《三体》里的“黑暗森林”法则所描述的：距离和差异，必然产生猜疑和不信任。所以，我们需要有个可视化的载体，保证驾驶情境对人车都透明，便于驾驶员理解AI系统看到了什么、正在做什么、将要做什么。 如下图所示，驾驶情境是整体驾驶环境的总和。我们的ANP&AVP产品，通过三维仿真界面构建可视化载体，结合高精地图的道路环境数据和车载传感器感知的交通信息，呈现一个实时透明的驾驶情境，让人对辅助驾驶中车辆的行为可观察、可预测。 三维仿真界面能够将机器感知的信息，以人理解的方式可视化，能够提升用户对系统能力的感知。近期，我们团队也在进行停车场环境仿真底图的构建，过程中有邀请用户探讨三维仿真精细度给他们的感受，如下图所示。大部分用户认为：三维界面展示的元素是系统能力的体现，系统看到的，与人眼观察到真实世界越匹配，系统的能力就越强；如果有差异，则会排查是不是系统的问题，考虑主动接管。 不一定，三维仿真界面是一种信息表达方式，需要综合考虑信息传达效率、兼容性和情感化体验。元素真实程度，不应该影响关键驾驶元素的识别效率。AutoUI2020 的一篇论文研究了不同驾驶场景中，人们对于各种元素的关注度，如下图的场景中，橙色关注度最高，绿色最低。这和人类驾驶时认知模式相符——人在驾驶时主要关注近处动态的行人、无法预测其行为的物体，选择性忽略非驾驶相关的环境因素（建筑、树木）。 三维界面还是为驾驶服务的，像照片一样还原现实，信息太过冗杂，还需要人进一步的抽取，影响识别效率。在访谈中我们也的确发现，用户认为能识别的元素越多越好，但同类信息一直在画面重复也没有必要。比如柱子可以辅助空间定位，柱子上的停车区域信息，能显示也可以，但其实知道后就不会太关注。 另外我们也需要综合考虑不同停车场环境的兼容性和技术感知精度，比如不同停车场的车位线框、锥桶、地锁等有差异的，如果按一种进行高精细度仿真的，用户进入的停车场元素与三维仿真差异较大，反而会让用户产生困惑。 可观察主要是具象环境行为的透明，可预测则是抽象思维、能力的透明。这些抽象的信息包括：能力状态（是否开启、传感器状态）、车辆意图（减速停车、等待变道等）。这一部分的难点是，如何将抽象的意图具象化？ 对于人而言，意图是一种内心活动，是接下来要做什么的事情。仔细审视自己驾驶，完成驾驶任务的思考过程，你会发现自己的行为是有一定模式的。比如，泊车过程中，距障碍物（车或柱子）多远会停下来？人类驾驶员会有一个心理安全距离，到了这个距离就会停下来。而在车辆自动泊车的过程中，如果系统不传达车辆有此意图，超过了人类心理安全距离后还没感知到车辆采取措施，用户就会因为害怕碰撞而接管。那如何表达这一意图？在规划线的基础上，可以展示车辆规划的停止位置，从而简单直观地传达了车辆的即将停车意图。 再比如车辆自主变道的场景，在常态行驶中需要并入左侧车道。变道是一个动态的过程，需要判断目标车道的空间、后方车辆的速度等等。这个过程可能会持续一段时间，如果等待时间过长还未变道，用户会困惑系统是否正常。因此我们需要在三维仿真场景中展示变道等待、影响变道执行的因素（如后方来车）、以及变道取消后车辆的动作等，清晰传达车辆意图。 这些方案看起来很简单，却很容易忽略一些细节，具备这些细节就会让人感觉车辆和人类行为类似，认为车辆比较智能。因此在满足功能设计的前提下，需要多挖掘揣摩此类抽象的意图，类比人的思维决策过程，寻找最佳隐喻表达。 设计策略3：自然有效沟通 要建立信任，除了过程状态透明，还是需要在过程中就关键信息进行及时沟通。人机共驾的过程包括车对人的引导，也包括接管的提醒、过程中状态反馈。 对于座舱，我们需要时刻记住，座舱是一个空间，有多种沟通媒介。下图是百度和湖南大学在2019年合作研究的多通道交互字典集，系统梳理了人车交互的多通道媒介。在具体设计中，我们可综合考虑座舱交互媒介和实际驾驶场景，选择最佳的信息展示、操作通道。 信息输出通道的选择，需考虑不同通道的特点和传达效果。 视觉适合展示连续的低优先级信息；如果需要用户立即采取行动，使用听觉传达；但听觉信息的持续性不长，最好结合视觉补充展示，这样用户没听清或遗漏时可以通过视觉再次验证。驾驶员输入通道，需考虑人机关系和信息关联度。一般需要在屏幕阅读后 再操作的，使用屏幕触控操作；手动驾驶任务中，驾驶员的视觉通道被占用，尽量考虑 使用方向盘按钮等硬件盲操。 除了传达通道的选择，我们还需要仔细考量沟通内容，根据不同的场景进行灵活准确的提示。车驾情况下，人监督车驾驶，需要根据场景紧急程度和驾驶员状态，适度分层提示，既保证信息沟通有效，又避免过度的打扰让用户紧张反而负荷过重。如下图是脱手预警的3个层级提示，通过层层递进的提醒逐渐获取驾驶员的注意力。 人驾情况下，需要考虑驾驶者的通道占用情况。由于人驾状态，视觉通道被占用且视线往往在正前方，因此应尽量使用语音提醒的方式进行引导，语音提醒要注意提醒时机和内容。比如在记忆泊车的使用场景，人开着车辆进入停车场，发现可用路线后使用语音结合界面视觉的方式传达，如下图所示：语音提醒“发现可用路线，点击方向盘按键即可开启”，快速获取驾驶员注意力，让其明确当前状态和操作位置；插画及文案可以让用户进一步核对信息，避免用户没听清或遗漏造成的困惑。 （3）成熟期：数据化智能运营 磨合期之后，驾驶员对车辆的能力和使用体验已有清晰的认知，信任水平会处于一个相对稳定成熟的状态。这个阶段，人车交互体验依然重要，但侧重点会转移到基于用户长期使用数据的智能运营及个性化校准信任水平。 驾驶风格，从自设置到自适应 每个人的驾驶风格不同，主要体现在加减速、刹车紧急度、跟车距离、对信息提醒的偏好等等。除了受个人性格特质的影响，还会受到其它因素的影响，比如道路环境、出行场景。 现在大部分智能驾驶厂商会提供几种标准驾驶风格的自定义设置，比如特斯拉的冷静、标准、激进。但这些设置无法满足具体的场景差异化需求。未来，也许可以根据驾驶行为数据，结合不同的道路环境、出行场景等，进行驾驶风格的自适应，这可以让驾驶风格更贴近用户，也能让用户感知车辆也在随着使用不断进化成长，从而增加智能感、信任感。 基于驾驶行为数据，主动调控信任水平 我们还可以基于驾驶行为数据，及时调控不规范的驾驶行为。目前使用比较完善的是小鹏的智驾分系统，当检测到用户使用辅助驾驶的行为不规范时，会像驾照一样扣分，当分值低于一定的程度，给用户推荐相应的学习内容。 除此之外，如果辅助驾驶系统运行良好，用户长期使用可能会部分降低其手动驾驶技能。我们也可以考虑基于驾驶行为数据，比如辅助驾驶的使用总时长、特色路段等信息，主动推荐驾驶员进行手动驾驶，以帮助其维护手动驾驶技能。 「04 结语」 人机共驾的信任是随着用车阶段动态变化的。在基本技术能力的基础上，我们可以针对各阶段的特点，通过一系列的设计策略提升信任，包括：购买前识别潜在目标用户，合理普及概念，建立初步信任；磨合期提升人车交互体验，让用户从尝试到常用；成熟期：数据化智能运营，个性化校准信任，养成使用习惯。 参考资料 [1] SAE-J3016 2021年版官网 https://www.sae.org/blog/sae-j3016-update [2] John D. Lee and Katrina A. See.《Trust in Automation: Designing for Appropriate Reliance》.2014 Human Factors Volume 46, Issue 1. Pages: 50 - 80 [3] J.D.POWER，2021《中国消费者自动驾驶信心指数调查》 [4] Fredrick Ekman,etc. 《Creating appropriate trust in automated vehicle systems: A framework for HMI design》. 2017 ΙΕΕE. [5] Philipp Wintersberger,etc. 《Explainable Automation: Personalized and Adaptive UIs to Foster Trust and Understanding of Driving Automation Systems》. AutomativeUI 2020. [6] 百度&湖南大学 《百度智能驾驶多通道交互字典集》,2019. [7] 高在峰, 李文敏, 梁佳文等. 自动驾驶车中的人机信任[J]. 心理科学进展, 2021, 29(12): 2172-2183 PANTONE 2023 流行色来了：Viva Magenta！