为自动化驾驶接管提供与认知工作负荷相匹配的触觉反馈:一项基于生理学的两阶段模拟研究
《International Journal of Industrial Ergonomics》:Cognitive workload-matched haptic feedback for automated driving takeover: A two-stage physiology-informed Wizard-of-Oz simulation study
【字体:
大
中
小
】
时间:2026年09月30日
来源:International Journal of Industrial Ergonomics 3.6
编辑推荐:
• 工作负荷调节了触觉警告参数的效果。• 在高工作负荷下,低增益脉冲反馈更受青睐。• 与负荷匹配的触觉反馈改善了高负荷接管结果。• Physio-WoZ 将参数筛选与策略验证分开。• 研究结果支持针对工作负荷的触觉人机界面(HMI)设计。
引言
现代复杂的自动化系统正从连续的手
• 工作负荷调节了触觉警告参数的效果。• 在高工作负荷下,低增益脉冲反馈更受青睐。• 与负荷匹配的触觉反馈改善了高负荷接管结果。• Physio-WoZ 将参数筛选与策略验证分开。• 研究结果支持针对工作负荷的触觉人机界面(HMI)设计。
引言
现代复杂的自动化系统正从连续的手动控制转向人机共享控制和间歇性的手动接管。在这些系统中,操作员可能会花费大量时间进行监控、等待或执行非主要任务。然而,当自动化系统达到操作边界、遇到环境不确定性或检测到安全关键事件时,操作员必须理解系统请求,重新分配注意力,并在有限的时间内恢复手动控制并稳定系统。自动驾驶接管是这一更广泛的人为因素问题的一个代表性案例。虽然在特定条件下车辆可以控制纵向和横向运动,但当发出接管请求(TOR)时,驾驶员必须迅速重新进入控制循环。因此,接管安全性不仅取决于车辆的自动化能力,还取决于驾驶员在 Tor 之前的认知工作负荷、注意力分配、警告感知和控制恢复能力(Zhang 等人,2019;Melnicuk 等人,2021;Van der Heiden 等人,2022;Nasser 等人,2025)。
从工业和认知人机工程学的角度来看,接管支持不应仅仅被视为自动驾驶技术问题。它也是复杂技术系统中的人类表现、警告设计和安全干预的问题。固定的警告参数可以提高系统警报的一致性,但它们隐含地假设感知准备度、认知资源和行动准备度在驾驶员状态之间相对稳定。实际上,在低工作负荷下的驾驶员可能需要更紧急的警告来快速重新定向注意力,而在高工作负荷下的驾驶员可能会经历强烈、连续或突然的触觉刺激,作为额外的感知和运动控制负担。先前的研究还表明,认知次要任务、接管前的工作负荷和非驾驶相关任务属性会影响接管响应、接管质量和接管后的稳定性(Lu 等人,2021;Melnicuk 等人,2021;Lee 等人,2021;Van der Heiden 等人,2022)。
触觉反馈对接管支持具有特殊价值。与视觉警报相比,触觉警报不需要驾驶员主动在视觉界面上寻找信息。与听觉警报相比,触觉警报对语音、环境声音和听觉非驾驶任务通道的要求较低。先前的研究表明,振动模式、触觉呈现位置、信号方向、接管模式和非驾驶任务类型可以影响自动驾驶接管性能,适当设计的触觉支持可以提高驾驶性能和安全裕度(Wan 和 Wu,2018;Yoon 等人,2019;Cohen-Lazry 等人,2019;Huang 和 Pitts,2022a;Gruden 等人,2022)。然而,触觉反馈的有效性并不意味着更强、更连续或更紧急的刺激一定是更好的(Lo 和 Huang,2024;Shi 等人,2024)。关于多模态 Tor 的研究表明,视觉、听觉和触觉信息可以提供冗余线索和互补信息,但也可能增加信息处理需求并在响应速度、控制稳定性和主观接受度之间产生权衡(Hong 和 Yang,2022;Huang 和 Pitts,2022b;Guo 等人,2026)。因此,触觉参数的选择应考虑驾驶员的工作负荷状态和接管任务特性。
现有自适应 HMI 研究中的一个关键方法学问题是,自适应策略和特定参数配置通常同时改变。例如,自适应策略可能在高工作负荷下使用低增益脉冲振动,而固定比较策略可能始终使用高增益连续振动。在这种情况下,观察到的差异可能来自工作负荷匹配规则本身、在给定工作负荷状态下使用的特定触觉参数,或两者都有。没有无警告基线、固定参数控制和独立的参数筛选阶段,很难确定触觉警告的好处是来自工作负荷匹配还是特定参数配置。因此,需要一种方法学途径来区分参数级效应和策略级效应,以澄清针对工作负荷的触觉 HMI 的人为因素价值。
为了解决这个问题,本研究采用了两阶段生理信息驱动的 Oz 巫师(Physio-WoZ)驾驶模拟器设计。实验 1 首先使用受控的手动跟车紧急制动任务在不同的认知工作负荷状态下筛选触觉参数。这一阶段的目的是不是为了再现完整的自动驾驶接管,而是在更简单的响应环境中隔离参数级行为、安全和主观效应,并具有更可控的事件时间。然后,实验 2 将实验 1 中识别的低工作负荷和高工作负荷参数组织成一个负荷匹配的自适应策略,并在自动驾驶接管场景中将该策略与无警告、静态高增益和静态低增益策略进行比较,以测试工作负荷到参数的映射是否带来策略级优势。
这里使用 Physio-WoZ 模范作为实时生理闭环部署前的受控预部署验证方法。在实验中,使用脑电图(EEG)、皮肤电反应(GSR)和心率变异性(HRV)进行操作检查和离线工作负荷验证。触觉输出由 Physio-WoZ 控制台根据预定义的实验条件和状态标签触发,而不是由在线生理分类器触发。这种设计避免了识别延迟、错误分类和运动伪影对策略评估的影响,同时保留了对工作负荷敏感的触觉映射逻辑的受控测试。与在线分类器驱动的闭环系统不同,本研究中的 Physio-WoZ 实现评估的是工作负荷匹配触觉策略本身的人为因素价值,而不是生理识别算法的分类性能。
本研究解决了三个研究问题。RQ1 询问在不同的认知工作负荷状态下,哪种触觉参数能够提供更好的响应速度、安全裕度、车辆控制稳定性和主观接受度。RQ2 询问从参数筛选结果构建的负荷匹配自适应策略是否优于固定参数策略和无警告基线。RQ3 询问两阶段 Physio-WoZ 方法是否可以作为实时闭环部署前针对工作负荷敏感的触觉 HMI 的受控评估方法。
本研究做出了三项贡献。首先,在参数层面,它系统地比较了在高认知工作负荷状态下高增益连续、低增益脉冲、中性脉冲和无警告条件下的驾驶响应、安全裕度、控制稳定性和主观评估。其次,在策略层面,它将参数筛选结果转化为自动驾驶接管任务,并测试工作负荷匹配的触觉策略是否优于固定参数策略和无警告基线。第三,在方法论层面,它提出了一种两阶段 Physio-WoZ 评估方法,用于在实时闭环部署前验证参数映射逻辑和工作负荷敏感的触觉 HMI 的人为因素和安全价值。
**整体研究设计和假设**
本研究包括两个相互关联但具有不同功能的实验。实验 1 是一个触觉参数筛选实验,旨在识别在低和高认知工作负荷条件下更合适的触觉信号特性。实验 2 是一个接管策略验证实验,旨在测试从实验 1 中得出的工作负荷特定参数在自动驾驶接管场景中作为负荷匹配自适应策略的组织效果。
**实验系统、触觉装置和 Physio-WoZ 实现**
实验平台被设计为一个模块化的驾驶模拟器环境。视觉场景是在 Unity 3D 中开发的,模拟了一个三车道高速公路环境,车道宽 3.5 米;实验在白天、干燥路面、能见度良好的条件下进行,背景交通密度低且不与目标风险事件互动。场景展示在一个 135 厘米×85 厘米的显示屏上。参与者距离显示屏大约 130 厘米。刷新率为 60 赫兹。
**参与者**
实验 1 招募了 43 名持证驾驶员。由于模拟器不适或数据记录异常,有 3 名参与者被排除在最终分析之外,最终有效样本为 40 名参与者。参与者的年龄在 20 至 35 岁之间,平均年龄为 25.6 岁,标准差为 4.1 岁。样本包括 22 名男性和 18 名女性参与者。他们的平均驾驶经验为 4.2 年,标准差为 2.6 年,平均每周驾驶频率为 2.8 天。
实验 2 招募了 66 名持证驾驶员。由于模拟器不适、任务完成异常或数据记录不完整,有 6 名参与者被排除在最终有效样本之外,最终有效样本为 60 名参与者。参与过实验 1 的参与者没有参与实验 2,以避免参数熟悉度和学习效应影响策略验证实验。参与者的年龄在 20 至 38 岁之间,平均年龄为 26.2 岁,标准差为 4.7 岁。
**稳健性和敏感性分析**
为了检验主要发现的稳健性,本研究进行了多项敏感性分析。首先,反应时间结果在对数变换后重新建模。在高负荷条件下,负荷×策略交互作用和负荷匹配自适应相对于静态高增益的优势仍然一致。其次,在将超出参与者特定平均值±3 标准差范围的试验重新引入模型后,主要效应的方向没有改变。
**主要发现**
本研究使用了两阶段 Physio-WoZ 驾驶模拟器实验来检验认知工作负荷匹配触觉反馈在自动驾驶接管支持中的作用。研究结果并未表明工作负荷匹配策略在所有工作负荷状态或结果测量中都更优越;相反,其主要优势集中在高认知工作负荷下。实验 1 显示,触觉参数对响应速度、安全裕度、控制稳定性的影响因驾驶员的认知工作负荷状态而异。
**结论**
本研究使用了两阶段 Physio-WoZ 驾驶模拟器实验来检验认知工作负荷匹配触觉反馈在复杂自动化接管情况下的人为因素价值。实验 1 的结果表明,在本研究中测试的参数组合中,触觉效应随驾驶员的认知工作负荷状态而变化。在低工作负荷下,高增益连续振动在提高感知紧迫感和快速重新定向注意力方面更为有效。
**作者贡献声明**
Jian Wu:撰写 - 审查与编辑、撰写 - 原稿、可视化、软件、方法论、调查、正式分析、数据管理、概念化。
Jing Wang:撰写 - 审查与编辑、验证、监督、资源管理、项目管理、方法论。
Mengwei Gui:撰写 - 审查与编辑、可视化、方法论、正式分析。
Minghui Chen:撰写 - 审查与编辑、可视化、调查、数据管理。
Bingxue Lyu:撰写 - 审查与编辑。
**参与同意**
所有参与者在实验前都提供了知情同意。
**伦理批准**
本研究遵循《赫尔辛基宣言》的原则,并获得了马来亚大学研究伦理委员会(UM.TNC(P&I)/UMREC_5096)的批准。
**数据可用性**
支持本文的补充材料随手稿提供。由于机构伦理和隐私限制,原始的参与者层面行为和生理数据不公开。对于访问去标识化材料的请求,将由相应的作者根据伦理批准和数据保护要求进行考虑。
**资助**
本项工作得到了南方学院广州的研究项目(授权号 2025XK013)的支持。资助方作为机构,在研究设计、数据收集、数据分析与解释、手稿撰写或决定提交文章发表方面没有发挥作用。
**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系,这些利益或关系可能会影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号