《Array》：Design and Evaluation of Augmented Reality Head-Up Displays for Driving: A Multivocal Review of Interaction Challenges, Research Gaps, and Future Directions
编辑推荐：
• 多声部文献综述（Multivocal Literature Review, MLR）整合了关于增强现实抬头显示（Augmented Reality Head-Up Display, AR-HUD）设计与评估的白文献（White Literature, WL
• 多声部文献综述（Multivocal Literature Review, MLR）整合了关于增强现实抬头显示（Augmented Reality Head-Up Display, AR-HUD）设计与评估的白文献（White Literature, WL）与灰文献（Grey Literature, GL）。
• 认知与视觉感知挑战是报告频率最高的挑战。
• 设计与评估实践表现出显著的方法学异质性。
• 学术证据与实践者证据为AR-HUD提供了互补视角。
• 关键研究需求包括标准化评估以及自适应、情境感知的AR-HUD。
研究背景：道路交通伤害仍是全球公共卫生问题，驾驶员分心是重要风险因素，视觉分心尤为关键。车载信息系统（In-Vehicle Information Systems, IVIS）在提供导航、通信和实时辅助的同时增加视觉与认知需求及信息过载风险。抬头显示（Head-Up Display, HUD）通过将信息投影到驾驶员视野内减少视线转移，增强现实抬头显示（Augmented Reality Head-Up Display, AR-HUD）进一步将虚拟线索空间对齐嵌入驾驶场景，并可与高级驾驶辅助系统（Advanced Driver Assistance Systems, ADAS）及实时传感器结合，以期提升情境意识、降低认知转换并支持决策。但AR叠加设计不当可能增加工作负荷、造成视觉杂乱、注意捕获和危险漏检。既有综述对交互挑战、设计策略、评估实践和未解决问题覆盖不一致，且多依赖白文献（White Literature, WL），未系统识别、评估和综合灰文献（Grey Literature, GL）。因此，研究人员采用多声部文献综述（Multivocal Literature Review, MLR），围绕交互挑战（RQ1）、设计与评估策略（RQ2）、限制与研究缺口（RQ3）开展整合分析。研究得出认知与视觉感知挑战最常报告、设计与评估方法高度异质、GL主要补充实践实施与验证视角等结论；其意义在于为AR-HUD以人为中心设计与评估提供证据基础，并连接交互问题、设计响应、评估实践与未来需求。
关键方法（≤250字）：研究人员按Garousi et al.的MLR流程开展规划、实施与报告；检索ACM Digital Library、ScienceDirect、IEEE Xplore、SpringerLink、Dimensions及Google；时间限定2020年至2026年1月；以AR-HUD、驾驶员分心、交互、设计、用户界面等概念构建检索式；纳入驾驶员-AR-HUD交互、设计与评估及未来挑战研究，GL限第一、二层；WL采用9项质量准则，GL采用10项准则并以Krippendorff's alpha检验评分一致性；三人独立筛选、提取并共识校验；采用归纳主题综合与描述统计，辅以10篇高被引种子论文的回溯滚雪球（backward snowballing）提供历史语境但不纳入主数据集。证据来源为文献数据库和Google检索到的WL与GL，无人类受试者队列。
研究结果：
4.1 RQ1 AR-HUD系统中的交互挑战：对62项用户评估研究的分析显示，32项报告交互挑战；归纳为认知、视觉感知、交互、适应与情境、沟通与解释五类；视觉感知12项、认知11项、适应与情境7项、沟通与解释7项、交互3项；认知评估覆盖最高（30项），适应与情境报告问题比例最高（70.0%）但仅10项评估；报告挑战的研究无纯产业作者，9项为产学合作。结论是认知与视觉感知是核心挑战。
4.2 RQ2 AR-HUD系统中的设计与评估策略：该部分综合设计策略、评估策略及评估方法与指标，并考察其与人机交互原则和现实评估实践的契合程度。
4.2.1 设计策略：110项中仅13项明确报告设计策略；以用户为中心设计（User-Centered Design, UCD）6项、结构化决策4项、理论框架2项、系统导向1项；说明以人为中心设计和人机交互（Human-Computer Interaction, HCI）基础报告有限。
4.2.1.1 设计方法：归纳为UCD、结构化决策、理论框架和系统导向四类，但明确报告者少，设计决策与用户需求及注意/感知影响之间的可追溯性不足。
4.2.1.2 工具与技术：仿真环境42项、原型与真实环境16项、视频技术10项，图像与混合方法较少；证据多来自受控环境，限制现实代表性。
4.2.1.3 设计指南与原则：9项报告明确指南，涉及视觉属性、空间配置、信息管理及ISO 9241-3、SAE J2831、FHWA、UNECE R125等标准；仅Lin and Zheng明确报告一致性、美学和极简等原则。
4.2.2 评估策略：62项交互相关研究中混合评估35项、主观评估15项、客观评估12项；6项系统/技术评估被排除；方法异质性限制可比性。
4.2.3 评估方法与指标：主观评估覆盖可用性、工作负荷、信任、用户体验（User Experience, UX）、情境意识（Situational Awareness, SA）和技术接受；客观评估覆盖驾驶绩效、视觉注意、反应时和生理反应；技术指标包括调制传递函数（Modulation Transfer Function, MTF）、几何畸变、视场（Field of View, FoV）、eyebox、分类准确率、错误率、曲线下面积（Area Under the Curve, AUC）及危害分析与风险评估（Hazard Analysis and Risk Assessment, HARA）；关键人因构念操作化不统一。
4.3 RQ3 AR-HUD系统的局限与研究缺口及未来以人为中心设计与评估方向：归纳九类缺口；空间与光学设计19项（16.5%）、信息管理与优先级18项（15.7%）、评估与验证18项（15.7%）、环境与车辆系统集成14项（12.1%）、交互与多模态11项（9.6%）、图形界面设计11项（9.6%）、认知负荷与注意管理10项（8.7%）、AI集成与智能适应8项（7.0%）、适应与个性化6项（5.2%）；评估验证中异质样本最常被提及。
4.4 通过回溯滚雪球进行历史语境化：以10篇高被引种子论文及10篇2020年前历史前驱作补充，不纳入主数据集；认知与视觉问题持续，近期新增沟通、情境适应和交互困难；历史证据也显示AR提示在部分条件下不必然损害表现。
4.5 灰文献的互补贡献：GL未增加RQ1用户评估交互挑战和RQ2设计/用户评估策略；RQ3补充HARA、阳光反射、神经多样性与系统工程等实践证据，未产生新高层主题。
讨论部分总结：研究人员指出AR-HUD技术成熟与以人为中心设计/评估实践不同步；核心悖论是旨在减少分心的AR信息若管理不当本身可致分心；设计指南存在但明确HCD/人机交互原则（Human–Machine Interaction, HMI）基础不足；评估实践多样但指标、协议和构念操作化异质，技术验证与用户中心评估分离；WL侧重用户实证，GL侧重技术验证与实施；实践上应优先信息管理与感知清晰性，联合考虑虚拟图像距离（Virtual Image Distance, VID）、FoV、eyebox与人因影响，明确指标与构念对应，逐步从仿真扩展到真实条件，并整合HCD与实践者技术指南；自适应、情境感知和AI支持是方向但需验证。局限包括GL检索努力受限且未饱和、WL数据库有限、时间限于2020—2026年1月、未按驾驶自动化情境分层、异质性限制效应量综合、归纳分类有解释主观性。
研究结论（译）：本研究呈现一项MLR，系统分析驾驶情境下AR-HUD系统的交互挑战、设计与评估实践及未来研究挑战。通过整合WL与GL，综述提供涵盖以人为中心、技术和方法学层面的多维视角，并使学术证据与实践者关于实施、验证和现实适用性的知识共同接受审视。研究支持四项贡献：基于证据的AR-HUD交互挑战分类；整合设计与评估实践及其与报告交互问题的关系；连接学术与实践者知识的多声部综合；综合未解决研究需求。研究发现认知与视觉感知挑战最常报告；认知挑战涉及工作负荷、注意需求和情境意识，视觉感知挑战涉及虚拟信息与驾驶环境的可见性、清晰性、复杂性和空间整合。AR-HUD交互不仅取决于技术性能，也取决于信息在动态驾驶条件下如何被选择、呈现、感知和解释。设计与评估实践显示显著方法学异质性；正式设计方法和HMI原则基础报告不一致；认知负荷/工作负荷、情境意识和视觉注意/分心通过不同主客观、生理、眼动、行为和绩效指标组合评估，限制跨研究比较。WL与GL整合显示互补侧重：学术研究贡献驾驶员行为、可用性、工作负荷、注意和交互的实证调查；实践者证据补充实施、验证、系统集成和新兴技术考虑；GL未实质改变高层主题结构，但拓宽证据基础，尤其RQ3。实践上支持信息优先级和感知清晰性、空间光学参数与人因影响联合考虑、评估指标与构念明确对齐、在系统成熟和安全条件允许时逐步超越受控模拟，并在开发中整合HCD原则与实践者技术指南；这些应视为证据启发而非通用规范。未来研究应考察VID、FoV和eyebox配置及信息管理与优先级；自适应、情境感知和AI支持AR-HUD是有前景方向，但需验证其工作负荷、注意、可预测性、驾驶员理解和安全影响；需要方法标准化、异质代表性样本和代表性纵向评估。定量综合和效应量分析可应用于足够同质研究子集；未来综述应区分手动、辅助和自动驾驶情境及自动化水平。最后，GL检索努力受限且无饱和分析，WL限于所选数据库，综述聚焦2020—2026年1月而非完整历史；未按自动化情境分层，异质性限制定量效应量综合，归纳分类有解释主观性。
