数据驱动的因果发现揭示行人-自主个人移动车交互心理机制：从情境意识到步行行为

《IEEE Transactions on Intelligent Transportation Systems》：Data-Driven Causal Discovery for Pedestrians-Autonomous Personal Mobility Vehicle Interactions With eHMIs: From Psychological States to Walking Behaviors

本文针对自动驾驶车辆与行人交互中存在的沟通障碍问题，研究了搭载外部人机界面（eHMI）的自主个人移动车（APMV）与行人交互过程中，行人心理状态与步行行为之间的因果关系。通过42名被试的实验，结合DirectLiNGAM因果发现算法，研究验证了行人“认知-决策-行为”假设模型，发现eHMI通过提升情境意识直接增强对APMV的信任，降低风险感知和决策犹豫，从而优化行人过街行为。该研究为智能交通系统中人车交互设计提供了理论依据和方法支撑。

　　

在智慧城市浪潮中，自主个人移动车（APMV）作为解决“最后一公里”难题的创新交通工具，正逐步融入共享空间和室内环境。然而这些小巧的自动驾驶设备在混行环境中与行人相遇时，却面临着一个棘手的问题：如何让行人准确理解车辆的行驶意图？传统的交互方式主要依赖车辆运动学特征（如距离、速度等），但这种“哑巴式”的沟通往往导致行人产生困惑和风险感知错位，甚至可能引发安全隐患。

为破解这一难题，日本奈良先端科学技术大学院大学的刘海洋博士团队开展了一项创新研究，通过在APMV上安装外部人机界面（eHMI），探索行人心理状态与步行行为之间的内在因果关系。研究成果发表在交通工程领域顶级期刊《IEEE Transactions on Intelligent Transportation Systems》上，为智能交通系统中的人车交互设计提供了重要理论支撑。

研究团队采用多学科交叉的研究方法，首先构建了行人“认知-决策-行为”理论假设模型，该模型包含情境意识、风险平衡、决策制定和行为生成四个核心环节。为验证这一模型，研究人员设计了严谨的室内实验场景，招募42名参与者与配备eHMI的APMV进行交互实验。

实验设计了四种eHMI条件：无eHMI、早期eHMI（减速前1.5米提示“我将停止”）、同步eHMI（减速时同步提示）和延迟eHMI（停止后提示“我已停止”）。通过这种巧妙设计，成功诱发了参与者不同水平的心理状态和行为反应。研究人员采用OpenPose姿态估计算法精确测量行人步行时间参数，包括过街发起时间（CIT）、过街时间（CT）和过街后时间（ACT），并结合主观问卷评估行人的情境意识、信任水平、风险感知等心理指标。

eHMI条件对行人主观评价的影响

研究发现，早期和同步eHMI条件显著提升了行人对APMV驾驶意图的理解程度（Q1）和行为预测能力（Q2）。与无eHMI条件相比，这两种eHMI设计使行人更容易形成准确的情境意识，从而建立起对APMV的信任（Q4）。特别值得注意的是，同步eHMI由于实现了语音提示与车辆行为的完美同步，在降低决策犹豫（Q6）方面表现最为突出。

因果关系的发现与验证

通过DirectLiNGAM算法构建的因果模型揭示了一系列重要发现。行人对驾驶意图的理解（Q1）直接正向影响其行为预测能力（Q2），这一路径的再现概率高达100%。更重要的是，研究首次发现了情境意识对信任的直接因果作用——当行人能够清晰理解APMV的驾驶意图并准确预测其行为时，他们对车辆的信任水平显著提升。

心理状态对步行行为的作用机制

因果模型显示，行人的主观体验主要影响过街发起时间（CIT），而对过街时间（CT）和过街后时间（ACT）的影响较小。具体而言，提升情境意识和信任水平能够缩短CIT，而决策犹豫则会延长CIT。这一发现表明，行人的心理状态主要影响其决策过程，一旦开始过街行为，心理因素的影响就会减弱。

信任校准的重要意义

本研究的一个重要理论贡献在于为“信任校准”提供了新思路。研究发现，eHMI通过提升行人的情境意识来间接校准其对APMV的信任水平，这一发现对解决自动驾驶领域普遍存在的“过度信任”问题具有重要启示。通过帮助行人建立准确的心理模型，可以实现对其信任水平的有效校准，避免因过度信任而引发的风险行为。

该研究的创新性在于首次将数据驱动的因果发现方法应用于行人-APMV交互研究，不仅验证了理论假设模型，还揭示了心理因素与行为指标之间的复杂因果网络。研究结果对智能交通系统中的人车交互设计具有直接指导意义：eHMI应在驾驶行为变化期间或之前向行人传递驾驶意图信息，这样才能有效提升行人的情境意识，优化其步行行为效率。

然而，研究也存在一定局限性，如被试群体以年轻亚洲人为主，实验场景相对简化等。未来研究将拓展更多样化的实验场景和人群样本，并探索动态非线性因果关系，为智能交通系统的人性化设计提供更加全面的理论支撑。

这项研究标志着智能交通系统人因研究从相关分析向因果推断的重要转变，为理解人车交互的心理机制提供了新范式，对推动自动驾驶技术的安全落地和人性化发展具有深远意义。