一个人机环境系统交互研究

自动驾驶系统: 特斯拉S型车的初步自然主义研究

Mica R.Endsley，态势感知技术公司（2017年）

王小凤  牛博   翻译

目前，超过14家公司正在开发自动驾驶和半自动驾驶汽车，这些汽车可能会提高驾驶安全性和便利性，或者可能给驾驶员带来新的挑战，尤其是在态势感知（SA）和自主性交互方面。我对特斯拉S型车的自主特性进行了一项自然主义驾驶研究，记录了我在6个月内的经历，包括对态势感知的评估和自主性的问题。这项初步分析提供了有关驾驶员在现实驾驶条件下应对新型自动驾驶汽车所可能面临的挑战的见解，并将先前有关人类自主交互的研究扩展到了驾驶领域。发现了有关驾驶员培训，心理模型开发，模式融合，意外模式交互，态势感知和易受干扰等问题。对半自动驾驶系统挑战的新见解包括态势感知可变性增加，用串行离散控制代替连续控制以及需要更复杂的决策。提出了需要在未来研究中考虑的问题，并提出了一套有关自动驾驶系统驾驶员接口的准则，并用于与自动驾驶汽车互动时为改善驾驶员态势感知提出建议。

关键字：驾驶，自主，自动化，态势感知，模式感知，干扰，界面设计

汽车行业正在迅速为驾驶大众开发半自动和全自动驾驶汽车。这包括用于导航，碰撞和盲点预警系统的各种高级辅助工具，以及更高级的功能，例如自动停车，自适应巡航控制（ACC）和自动车道跟踪系统。Google专注于开发无需驾驶员干预的全自动驾驶汽车，而其他公司则一直在逐步推出旨在增强和帮助驾驶员的自动驾驶功能。

但是，这些努力并非没有风险。开发与人类驾驶员良好集成的自动驾驶系统受到自动驾驶使驾驶员脱离循环的趋势的极大挑战（Wickens＆Kessel，1979；Young，1969），由于降低了态势感知（SA；Endsley＆Kiris，1995）。在监视自动化时，人们通常很慢地发现存在需要干预的问题；并且他们可能很慢才能充分理解问题，从而有效地解决问题。

例如，一辆特斯拉（Tesla）S型车最近发生了一起致命车祸，其自动驾驶系统未能检测到一辆18轮的汽车在车前转弯，导致司机死亡（Soloman，2016）。如果不是依靠自动控制，司机能及时发现卡车并停车吗？如果驾驶员不依赖自动化，驾驶员是否能够察觉到卡车并及时停车？还是像特斯拉所说的那样，驾驶员也不能在刺眼的阳光下看到卡车，从而使自动化无关紧要？在另一次事故中，一名特斯拉司机没有刹车以致追尾了另一辆车，因为她相信自动驾驶系统会刹车，而她干预得太迟，无法防止碰撞（Gitlin，2016）。

态势感知是在许多高度动态和复杂领域（包括驾驶）中成功表现的基本前提（Endsley，1995；Gugerty，1997；Horswill＆McKenna，2004；Ma＆Kaber，2005）。驾驶员需要态势感知的因素很多，包括速度，燃油水平和车辆功能；其他车辆和行人的相对距离，速度和轨迹；天气和危害对车辆安全的影响；一个人在所需路线上的位置，到下一弯的距离以及到目的地的预计时间和距离；遵守公布的速度和其他适用法律；车辆设备状态异常及其对车辆安全性和性能的影响的知识（Bolstad，Cuevas，Wang-Costello，Endsley和Angell，2008年）。SA不仅要考虑驾驶员的注意力和感知能力，还要考虑以下能力：（1）根据感知信息对目标的重要性进行有意义的评估（例如，在即将到来的出口或事故发生前需要改变车道）；（2）预测可能发生的未来事件，以做出积极的决策（例如，响应于道路上的制动信号灯减速或在交通拥堵的情况下减速）。

不良的态势感知通常与车祸有关（Gugerty，1997）。导致驾驶事故的两个主要原因-不当监视和疏忽-是未能维持态势感知的例子（Treat等，1979），以及分心和识别错误（例如，看了看却没看见或者理解不正确；Sabey和Staughton，1975年）。Ma和Kaber（2005）发现，所有级别的态势感知（感知，理解和预测）似乎都对操作驾驶行为产生影响，Ward（2000），Matthews，Bryant，Webb和Harbluk（2001）展示了不同类型的驾驶任务（操作，技巧和战略）如何需要所有三个级别的态势感知。

自动驾驶系统运营商面临的挑战

在包括航空，驾驶和过程控制在内的各种环境中，针对人类自动化集成的挑战进行了大量研究。总结了关于该主题的30年研究，人类自主系统监督模型表明，驾驶员在必要时进行干预和从自动化手中接管的能力取决于其在驾驶环境中对关键信息的态势感知（Endsley，2017年）。三个主要因素将对具有自主系统的驾驶员态势感知产生很大影响。

注意和信任

态势感知直接受到一个人对相关驾驶信息的关注程度的影响，这一程度受对自动化系统的信任程度和存在竞争性次要任务的影响，并通过车辆显示的有效性进行调节。信任受自动化功能的影响很大，主要是其可靠性和鲁棒性（Hancock等，2011；Lee＆See，2004）。当自动化变得更可靠，更强大时，信任度就会提高，人们更愿意将注意力转移到竞争性任务上，例如做白日梦，操作车载技术，在手机上聊天或发短信，进餐，梳理头发，或执行其他无关紧要的任务（Carsten，Lai，Barnard，Jamson和Merat，2012；Hergeth，Lorenz，Vilimek和Krems，2016；Kaber＆Endsley，2004；Ma＆Kaber，2005；Sethumadhavan，2009）， 因此直接降低他们的态势感知。

参与度和工作量

驾驶员的工作量和参与度会严重影响态势感知。即使驾驶员保持警惕，他们在自动化下的参与度也可能大大降低（更像是乘客而不是驾驶员），这会降低SA并减慢对危险情况的响应（Endsley＆Kiris，1995；Manzey，Reichenbach和Onnasch，2012；Metzger和Parasuraman，2001）。操作员的参与度以及他们所经历的工作量取决于实现自动化的方式，尤其是（a）自动化级别（即，任务的哪些方面是自动化的）；（b）自适应自动化，介于手动和自动控制之间；（c）控制粒度，确定需要详细指导的程度。存在一个自动化难题，其中，向系统添加的自动化程度越高，自动化的可靠性和稳定性就越强，负责监督该自动化过程的人工操作人员了解关键信息并需要时接管手动控制的可能性就越小（Endsley，2017）。

心理模型

最后，态势感知很大程度上受驾驶员心理模型的准确性和完整性的影响。心理模型主要是通过培训和经验以及系统界面的透明性来开发的，从而创建了一系列期望，驾驶员可以使用这些期望来解释驾驶环境和系统动作的事件。不幸的是，随着自动化能力的增强和复杂性的提高，创建准确的心理模型变得非常困难。在自主系统的开发中使用新的深度学习技术，创建频繁变化和倾斜的系统逻辑集，将使维持准确的心理模型更具挑战性（美国空军，2015年）。

现实环境中有关自动化的大多数研究来自过去30年中航空和过程控制行业的经验和事故。这项研究为理解驾驶员将来在自动驾驶汽车中所面临的挑战提供了重要的基础。相比之下，驾驶环境可能会遇到更严重的自主功能问题，因为与飞机相比，汽车的运行距离更近，在许多交通场景中几乎没有错误的余地，并且驾驶员缺乏高度的选择权以及在操作最复杂的自动飞行管理系统的商业飞行员中常见的培训。

汽车自主性研究

在过去的几年中，模拟环境中的许多研究都致力于确定新的自主系统将如何影响驾驶员。Petermeijer，Abbink和de Winter（2015）对自动驾驶向系统进行了研究，发现它们不仅提高了驾驶员的满意度和性能，而且还增加了从系统关闭中恢复的时间，这表明存在回路外问题。

研究还表明，随着自动驾驶系统的实施，驾驶员的注意力可能会增加。在高度自动化的驾驶任务中，随着信任度的提高，视觉监控频率和持续时间会降低（Hergeth等，2016）。德温特等（2014年）发现，通过高度自动化的驾驶执行其他次要任务的驾驶者增加了261％。卡斯滕等（2012年）表明，高度自动化的车辆（同时具有ACC和自动车道跟踪）的驾驶员越来越多地从事次要任务，从而在需要干预时会导致明显的工作量峰值，通常超过驾驶员的能力。同样，Merat Jamson，Lai和Carsten（2012年）发现，当使用自动系统的驾驶员将注意力转移到次要任务上时，他们对关键事件的响应要慢得多，而在欠载时段这种影响会更糟。此外，与自动化本身的交互会增加对问题的分心（Neubauer，Matthews，Langheim和Saxby，2012年）。

但是，并非所有研究都表明自动化会降低态势感知。Beller，Heesen和Vollrath（2013）发现，当向驾驶员显示自动化的可靠性时，态势感知和碰撞响应时间得到了改善。Ma and Kaber（2005）还发现ACC改善了态势感知，他们认为驾驶员增加了参加交通的可用心理能力。但是，当驾驶员使用手机时，这种好处就消失了，这证实了在监督自动化的同时执行双重任务的负面影响。有趣的是，受影响最大的是驾驶员预测未来事件的能力（Level 3 SA）。由于使用手机通话会增加工作记忆的中央执行功能的负担，并削弱驾驶员态势感知（Hen-nan、Herdman、Brown和Robert，2014年），很可能驾驶员的投射能力不足（驾驶的一个重要方面）以及参与度降低。

这些研究证实了许多对自动驾驶系统影响的担忧。但是，大多数研究都是在驾驶模拟器上针对较短持续时间的任务进行的，这可能无法反映现实情况。例如，Strayer和Cooper（2015）指出，与模拟器研究相比，在现实世界中，许多任务的干扰程度要高得多。此外，随着驾驶员习惯于自动化，学习何时信任它并调整其驾驶策略，或者随着他们对一项要求不高且任务繁琐的工作越来越无聊，驾驶员的行为可能会随着时间而改变。

尽管许多汽车公司都在积极地测试新的自主功能，但其中许多尚未得到广泛应用。特斯拉一直在采取更积极的方法，在其商用车辆中推出先进的自动化功能。

图一.主要的自动驾驶显示

因此，我选择在特斯拉S型车上进行自然驾驶研究，并仔细记录了我在6个月内的经验。

尽管这种方法缺乏在模拟器研究中发现的经验控制能力，但这种自然驾驶研究提供了一种独特的观点，即驾驶员在现实驾驶条件下应对新的自动驾驶汽车时可能会遇到的挑战而没有限制模拟研究。应当指出的是，这种分析仅揭示了我自己的经验，并且我是通过对人与人之间的互动和系统设计的了解来分析该系统的（与采用多个朴素主题的典型研究相比）。该分析形成了对自动驾驶软件如何影响驾驶者态势感知和表现的早期观察，以确定先前有关人与自动驾驶相互作用的研究在驾驶领域的应用情况，未来研究中应考虑的问题类型以及在汽车自主系统接口的设计上的改进建议。

自动化软件测试

该研究是在特斯拉S型 70车上进行的。研究开始时，汽车的自动驾驶软件版本为7.0。在研究的6个月中，它自动获得了总共五次软件更新（7.1–7.1.2.18）。测试了以下自动化软件，图1展示了提供给驱动程序的显示。

自适应巡航控制：自适应巡航控制使车辆保持驾驶员设定的速度。如果它靠近另一辆车的后部，速度会变慢，自适应巡航控制会减慢其速度，以使该车保持在前方车后一定距离（5个车长）的位置。

自动行驶：在本研究中，自动行驶功能是特斯拉自动驾驶的一部分，处于beta模式。如果汽车仅感应到一个车道标记，则自动行驶会将汽车保持在沿道路车道标记中心的轨道上，或者沿着侧面保持一定距离。尽管自适应巡航控制可以单独使用，但自动行驶始终与自适应巡航控制一起使用。

自动换道：在自动转向中，当驾驶员打开转向信号灯时，自动换道（ALC）自动将汽车移至相邻车道。驾驶员有责任在激活自动换道之前确保车道畅通。

导航系统：基于GPS的地图导航系统可自动导航到输入的任何目的地。驾驶员负责遵循导航方向，因为自动转向功能未直接绑定到地图。

召唤：召唤模式是在第一个每月更新中引入的，大约是在测试期的6周。召唤允许驾驶员使用智能钥匙或智能手机在车外将汽车移入车库或停车场。驾驶员负责确保汽车没有障碍物，并负责启动和停止汽车。

警告：当前速度限制显示在主驾驶显示屏上（通过合法的速度限制标志时由传感器更新），并且当速度限制超过> 5 mph时，大小会临时增加。此外，侧面碰撞警告系统在车辆旁边显示风扇，以显示检测到障碍物或其他车辆的区域。当车辆在没有打开转向灯的情况下越过车道标记时，通过触觉反馈提供车道偏离警告。在软件更新过程中增加了紧急碰撞制动功能，如果感觉到即将发生碰撞，则提供自动制动。

研究方法

拿到特斯拉S型车并从服务代表处收到有关其功能的正常说明后，我开始了200英里的初始训练期。我在研究的6个月期间的目标是，在所有正常驾驶期间只要安全就使用自动驾驶装置。我通过行程结束问卷收集了有关自动化经验的数据，其中包括行程时间，驾驶条件，使用的自动化，行程中遇到的任何问题以及评分（5分）自动化程度，信任度和实用性的满意度水平，以及主观工作负荷等级和其他注释。

开车时，我还收集了关于我的态势感知的数据。Bolstad等（2008年）讨论了态势感知措施对驾驶任务的适用性。他们建议采用直接客观的措施，例如“情境意识全球评估技术”或实时态势感知探针，这些探针可以提供关于态势感知的所有三个级别的详细信息，这是最敏感和最诊断的。这些测量通常在模拟器设置中进行收集，从而可以轻松进行数据收集。在此实际驾驶任务中，我使用了一种改进的技术，其中我随机地口头记录了我在驾驶任务期间对多个态势感知探测器的响应（而不是在冻结期间进行模拟，这是态势感知全球评估技术的通常情况）。

将计时器设置为在3到10分钟之间的任意时间发出提示音。那时，我迅速记住了对五种SA探针中每一个的回答，而没有环顾四周或看着我的显示器。在安全的情况下，我将对探针的答案和正确答案记录在语音记录中，然后将其输入计算机中。从一系列与驾驶相关的目标的SA需求中选择了SA探针（Bolstad等，2008）：

l与前方汽车相比，您的轨迹如何？前进，后退，保持跟随距离，不适用

l周围的车辆在哪里？左侧，左侧后部，后部，右侧后部，右侧，无

l您距离下一转弯有不到半英里吗？是的，没有

l您的速度是多少？5英里/小时以内

l您是否在速度限制的5英里/小时范围内？是的，没有

（我没有收集任何有乘客乘坐汽车的旅行的SA数据。）此外，那时，我通过主观工作量评估技术以1到3分的评分来记录我的工作量。时间，精力和压力的小尺度，我的参与水平（9分制）和当前正在使用的自动化。

为了进行比较，在开始在特斯拉上进行数据收集之前，我还以控制条件收集了1个月的SA数据。在控制条件下，我驾驶了没有高级自主功能的雷克萨斯350ES。它配备了传统的巡航控制系统和基于GPS的车载地图导航系统，在数据收集期间我没有使用过这些。

调查结果

在测试的6个月中，我共完成了2684英里的旅程，大于106次旅行，平均旅行时长为25.6英里：78％的旅行涉及高速公路驾驶，45％的城市驾驶和8％的乡村驾驶（许多行程基于组合类型）。在研究期间，有84％的旅行使用了某种形式的自动化：导航向导（50％），ACC（82％），自动驾驶（82％），ALC（72％）和召唤（4％）。

图二.研究期间的态势感知

对我的SA的分析（在驾驶期间测量）在研究期间（图2）没有显示出显著的变化（p<.05），这可能是由于样本量相对较小，只有一名驾驶员。趋势显示，在整个研究过程中，人们对我与前方车辆以及距离下一个转弯处半英里以内的人的关系的认识仍然很高，很可能是因为这些问题的答案几乎没有变化。趋势显示，在整个研究过程中，我对于前方车辆以及距离下一个转弯处半英里以内的人的关系的认识仍然很高，很可能是因为这些问题的答案几乎没有变化。我对速度和限速符合性的了解随着自动化程度的提高而增加，这主要是由于ACC的一致性，而不是手动控制速度。但是，这种增加在统计上并不显著。

对其他交通流的意识有所提高，但在研究的最后一段时间内，这一点有所减少。总的来说，当自动转向和ACC接通时，我发现可以很容易地多看看周围，观察附近的交通状况。但是，随着时间的推移，无聊和警觉性挑战不断涌现，我的注意力转移到了竞争性的任务上，例如做白日梦，调整导航系统和声音系统或处理短信。

我应该注意的是，在这项研究中收集SA数据要求我在确定自己的回答（通常为5-6秒）时拒绝查看相关信息，并且仅在之后环顾四周以查看我的答案是否正确（通常为另一个1-2秒）；然后，我会在开车时通过录音机在内存中迅速记录这些答案和正确/不正确的分数，通常在30秒内。与在模拟器中使用态势感知全局评估技术评估SA相比，这更具挑战性，可以在回答SA探针时停止场景并使其一片空白。我的主观印象是，在发生这种情况时，它很可能会干扰驾驶。出于安全原因，在实际驾驶中，在模拟器中使用SA探针比尝试收集SA探针数据更为可取。

总体而言，我在30％的行程中遇到了与自动化相关的问题。图3显示了研究过程中使用的自动化遇到的问题的频率和类型。尽管发生了与自动化相关的问题，但在学习期间，我对自动化的总体满意度，感知的实用性和信任度都在增加，如图4所示。这些增长部分是由于在每月进行一次软件更新中对自动化的改进，但主要是由于我适应了自动化可以做或不能做的事情，并相应地调整了我的使用情况。在整个研究中，我的工作量很低。

图3.自动化相关问题的发生率.SA=态势感知

图4.在研究期间，对自动化和工作负荷等级的平均满意度，有用性和信任度（等级：0 =低，5 =高）。

自动化相关的问题

训练和心理模型

开发和维护一个关于自动化如何工作的精确的心智模型是一个相当大的挑战。特斯拉的服务代表在我提车时提供了所有控件和显示器的初步口头描述，以及对自动驾驶功能的口头描述。虽然服务代表最初告诉我自动化是100%可靠的，但在反复询问之后，请来了一位更有经验的服务代表（即工作3个月，而不是3天），他不仅解释说，自动化并非100%可靠，还详细说明了它的一些局限性，并提供给我一次试驾机会。培训经验是临时的，主要由驾驶员的问题和知识指导。

在很大程度上，开发一个自动化工作原理的心智模型是由驾驶员决定的。尽管手册中包含了有关每个功能如何工作的一些信息，但它并不全面，也没有解释每个自动化功能单独或与其他功能一起工作的详细信息。因此，我不得不依靠反复试验来确定在不同的驾驶条件下，自动化系统是如何工作的。

在许多情况下，我无法完全确定自动化为何以这种方式运行，因此我不得不做出自己的假设。软件的快速变化极大地加剧了创建系统精确心智模型的挑战。尽管每次更新都会通知驾驶员，并在车载显示屏上提供更新发布说明，但这些说明往往不够详细，无法解释许多更改。此外，更新说明无法在网上获得，因此我只能在车里阅读它们。

例如，自动转向器最初不会在急转弯上工作。测试大约4个月后，我发现它已经学会了处理这些曲线。该软件已经学会了在进入弯道时减速，并在跟踪车道标记方面得到了改进。然而，这是令人惊讶的，因为没有一个更新版本表提到了这个变化。

召唤模式是通过软件更新添加到系统中的，只有书面说明可用。在随后的更新中，它的操作发生了显著变化（通过智能手机应用程序而不是遥控钥匙），并且给出了一个非常令人困惑的解释。经过反复尝试，经过了无数次错误，才能弄清楚如何使用此新功能。

模式感知和模式混乱

模式混乱是我遇到的最常见的问题。在大多数情况下（n = 11），这种混淆源于以下事实：控制ACC和自动转向功能的控制杆位于转向柱左侧转向信号控制杆的正下方。转向信号提供传统信号，并在自动转向开启时激活ALC。将巡航控制杆向前拉一次将激活ACC，两次将自动转向。一个常见的错误是意外地在其上方的转向信号灯操纵杆上执行了此操作，而这反而会使指示灯亮起。上下移动巡航控制杆会增加或减小速度设置。但是，我经常不小心对上面的操纵杆执行了所需的操作，打开了转向信号灯，反之亦然（即，当我要激活转向信号灯时，更改速度设置）。此错误导致汽车在某些情况下加速，因此当我打算换道时，需要进行干预。

在两种情况下，我认为自动驾驶在它不工作的时候是开着的（由于未知的原因，自动转向器无法激活），而在三种情况下，我没有意识到在我接管手动控制之后，ACC仍在开着。当驾驶员踩下刹车时，ACC和自动转向将关闭；但是，如果驾驶员转动方向盘，则只有自动转向被取消，ACC仍保持打开状态。例如，当我在出口匝道处转弯驶离高速公路时，我惊讶地发现我的车速仍然很快，需要刹车来断开ACC。当我接管手动转向时，这个问题也发生在急弯上；我很惊讶，ACC还开着，而且车子开得太快了。

意外的模式交互与突发行为

最初，我被告知各种自动化系统（ACC、自动转向和导航）都是独立工作的。然而，我发现系统的逻辑产生了一些不寻常和意外的突发行为，在某些情况下，软件更新将这些模式的行为联系起来，这进一步加剧了这种情况。例如，当我在一辆开得比较慢的车后面时，ACC会减速以保持设定的跟车距离。然而，当我改变车道时，汽车会意外地猛增以恢复设定的ACC速度。

为安全起见，当同时启用ACC和自动转向系统时，车辆的速度将被限制为超过不带分隔线的道路的速度限制，最高不超过5 mph。如果驾驶员接管了手动转向控制，或者如果后来道路分开（例如，出现了中间线），汽车可能会突然飙升至更高的ACC速度设置，从而产生一些意外的经历。

自动化可靠性和鲁棒性

ACC通常运行可靠，并保持在前面车辆后方的设定跟车距离。因为前面的车慢了下来，我的车也慢了下来，一般来说不需要刹车。但是，如果我正在接近完全停止的车辆，或者前面没有车，我确实需要为红绿灯刹车。这就造成了一个更加复杂的双重决策局面。我不是总是在红灯时刹车，而是需要做两个决定——“需要停车吗？”和“我需要干预吗？”—这会增加响应时间。

自动转向功能在笔直的高速公路上非常可靠，可以平稳地行驶。然而，在不同的情况下，它不够强大。它不容易在地面街道上使用，因为它不知道在没有标线的十字路口该怎么做。由于自动化通常会在此时退出，所以在测试期间的大部分时间里，我都不再尝试在地面街道上使用它。它也不能处理急转弯，至少在一开始是这样，尽管它的性能在测试期间有所改善。

有几次，自动化系统意外地退出，在弯道中间回到手动控制时，这是相当可怕的。它在处理车道合并时也遇到了麻烦；当车道分成两条车道时，它不知道该怎么办。更重要的是，它并没有对车道减少导致另一辆车合并进来做出反应。

发布说明指出，当车道标线缺失、褪色或模棱两可，或在雨雪或雾天的情况下，自动转向无法正常工作。根据我的经验，在一条线迹很差的乡村公路上，它只掉过一次标线。在一场猛烈的暴雨中，只有当我看不见路标时，它才失去了路标的踪迹。

ALC功能工作非常可靠。每次激活时它只改变一条车道，需要第二次激活才能再次变道。因为特斯拉的传感器看不到车辆前方或后方很远的地方，所以总是需要手动检查相邻车道，以确保没有接近的车辆。人们对特斯拉旁边或盲区内车辆的认识似乎并不一致。至少有一次，它阻止了我把车道换成相邻的车辆，还有一次允许我改变车道，但是之后需要人工干预。

在中度或重度交通中使用ALC是相当困难的。在改变车道之前，需要多次谨慎地改变车速，使汽车与一个开放的狭槽对齐，并与相邻车辆的速度保持一致。我发现手动执行变道和合并道路操作要容易得多。

召唤模式运作效果良好，可以缓慢进出车库，并在接到命令时停止。当一个障碍物被放置在它的路径上时，汽车试图绕过它，使它在一个很小的空间里进入一个奇怪的角度。在测试过程中，我只使用了几次这个功能，以便在有人将车停在太近的地方时将其移出停车位，因为几乎没有其他需要。

态势感知，分散注意力，唤醒和过度依赖

在某些方面，我发现我的态势感知在使用自动化时增加了。我不再高度关注于保持车速和行驶速度，而是能够更多地观察其他交通、标牌和信息显示。

我还发现了几个分心和注意力丧失的例子，这些都是令人担忧的。随着时间的推移，我的注意力分散了，我发现我更容易做白日梦，与导航系统或音响系统互动，甚至在开车时发短信，这在我手动驾驶时从来没有做过。高度可靠的自动化相当诱人，是不良行为的推动者。

由于我通常只在自动化高度可靠的情况下执行这些无关的任务，所以这可能不是问题。然而，当意外发生时（例如，车道合并或意外弯道），态势感知的暂时损失可能是致命的。因此，即使态势感知在平均水平上与手动控制和自动控制下相同，它也可能变得更加多变，并且容易出现高低波动，从而导致事故风险。

一个更隐蔽的问题是在使用自动化时失去了参与。当我在自动驾驶模式下驾驶特斯拉时，我发现当我的车和我旁边的一辆休闲车在高速公路上的车道合流时，我的反应非常慢。花了几秒钟才意识到自动化并不能解决这个问题。我能够及时控制局面，但情况可能并不总是这样。

有一次，我在深夜驾驶自动驾驶仪时变得相当困倦。从积极的方面来说，自动转向系统让我保持了安全，让车保持在正确的车道上，消除了偏离道路的风险。然而，如果它也能让我入睡，我就不会意识到在必要时需要干预了。

我发现最大的挑战之一是特斯拉如何处理意外的自动化转换，当自动化无法处理某个情况时，意外地将功能返回手动控制。转换的变化信号是一个低音频音调和显示屏上自动模式符号的颜色从蓝色到白色。在研究过程中，这种情况至少发生了8次。不幸的是，所提供的音频音调不够响亮或不够突出，无法吸引驾驶员的注意，尤其是在音响系统中，而且已经分心或昏昏欲睡的驾驶员可能无法察觉到。此外，在这些情况下，没有提供任何提前警告，主要是因为情况超出了自主软件或传感器能够处理的范围，这意味着驾驶员必须立即采取行动。

特斯拉自动转向功能要求驾驶员始终将手放在方向盘上，一旦启动，它就会以警告信息通知驾驶员。如果汽车没有检测到手放在方向盘上，它会在3到5分钟后发出警告信号，如果仍然没有检测到手，则会再次发出警告信号。如果它继续检测不到驾驶员的手放在方向盘上，它将开始减速并逐渐停止。我发现传感器在检测我的手放在方向盘上的能力很差，而且警告经常出错，导致严重的故障。（注意：在拥有车辆将近一年后，我发现车轮没有压力传感器，而是对左右转向输入做出反应，从而解释了这个问题。这是另一个未记录的功能导致心智模型不佳的例子。）

最大的限制是，尽管此功能可能为驾驶员睡着的情况提供良好的备份，但它不适用于处理由于低唤醒、分心或失去参与感而导致的态势感知丢失。手放在方向盘上不等于把心思放在路上。

建议

尽管这是一个基于我6个月经验的初步研究，但我发现许多重大问题值得进一步研究，需要更大的主题库和更多的自动驾驶车辆设计，以确定其普遍性。这类研究可以在可能需要更严格的数据收集的地方使用模拟器，以及可以检查典型驾驶员在日常条件下如何与自动驾驶车辆互动的自然和纵向研究。然而，仅从这一有限的研究中，可以对驾驶员培训和车辆界面设计提出一些建议。

培训

需要对驾驶员进行更详细的自动化系统功能培训，这一点至关重要。客户服务代表可能缺乏经验或缺乏沟通自动化系统复杂性的技能。驾驶员将需要更详细和互动的培训，不仅是如何操作自动化系统，还包括在不同的驾驶条件下该系统如何运行，以及不同的自动功能在实践中如何相互作用，以便他们能够形成准确的心理模型，以适当地校准他们的信任和期望。该培训可通过在线视频软件轻松进行，该软件可随着系统的成熟而更新。

驾驶员显示器

已制定了改进操作员态势感知的详细指南（Endsley&Jones，2012），可应用于驾驶。

表1：根据支持人类自主互动的指南对特斯拉界面的评估

支持人类对自主系统的理解

（续）

最小化自治系统的复杂性

支持情境意识

ACC = 自适应巡航控制; SA = 态势感知

表1展示了特斯拉模型的显示方式如何与这些指南进行对比，以及在哪些方面可以改进，以帮助解决本研究中发现的一些交互问题。在很多方面，特斯拉为自主软件提供了一个出色的可视化界面，在很大程度上，它是直观和易于使用的。显示清晰，易于导航。

然而，鉴于自动化固有的复杂性，在创建有效的接口和方法以支持驾驶员对自动化的理解，以及补偿与失去参与和分心相关的非常实际的问题方面，这些挑战是非常巨大的。因为特斯拉在向开车的公众提供一套更为自动化的功能方面走在了许多其他公司的前面，因此值得研究一下它的方法是否能很好地应对这些挑战。表1中的建议概述了所有汽车公司在向市场推出自主功能时需要解决的问题。此外，由于许多人在家里或从租车公司开多种车辆，因此有必要为驾驶员-自动驾驶接口制定一致的标准。这些指南指出了许多需要在这些标准中解决的问题。尤其是，需要高度的自动化透明度，同时提供自动化操作的可理解性和可预测性，对于解决车辆之间自动化行为的不一致性以及随时间变化的情况至关重要。

结  论

本研究的局限性在于，它只收集了一名驾驶员的驾驶经验，并且态势调查和评估是自我管理的。然而，它有助于确认与高度自动化驾驶相关的态势感知风险模拟研究中的许多研究结果，并增加了其他车内自动化研究的研究成果（Blanco等人，2015年；Blanco等人，2016年）。它还提供了许多关于驾驶者在操作高度自动化车辆时可能遇到的挑战类型的深入见解，包括模式混乱、心智模型开发以及对意外自动化转换的支持。特别是，我发现需要更多的关注驾驶人在新的自主特性方面的培训。未来的研究应进一步探索这些问题与更大的主题库和模拟器为基础的和自然主义的研究方法。

自动化能力正在迅速提高，这里报告的许多可靠性和鲁棒性问题可能会随着时间的推移而减少甚至消失。然而，驾驶员互动问题仍然存在，必须加以解决。虽然这项研究的重点是特斯拉自动化软件，但我要指出的是，这些问题在其他汽车公司中相当普遍，并不是该车独有的。

即将到来的自动化浪潮正在给驾驶体验带来重大变化。随着驾驶员在驾驶车辆时变得更加被动，非驾驶行为的显著增加将变得突出。为了补偿这种自然的人为倾向，需要对驾驶员界面的设计给予更多的关注。简单的警告和警示是不够的，多年的警戒和监测研究证明了这一点。汽车自动化工作的成功和驾驶公众的安全取决于对系统设计的仔细关注，这些设计包含了驾驶员的需求。