自动驾驶方向盘触觉警告的反应速度与误报容忍度：两种集成配置的对比

《International Journal of Industrial Ergonomics》：Response speed and false-alarm tolerance in steering-wheel haptic warnings for automated driving: A comparison of two integrated configurations

　　

•B模式与及时的制动反应中更短的BRT相关。•B模式中在4.0秒内完成的制动反应比例较低。•对于5秒制动完成，未发现明显的模式效应。•B模式在虚警试验中与更多的虚假制动相关。•触觉警告评估应平衡反应速度与反应适当性。

引言

三级自动驾驶将驾驶员从持续操作者转变为待命的后备用户。根据SAE J3016标准，有条件驾驶自动化系统可以在定义的操作设计域内执行动态驾驶任务，但驾驶员仍需在系统达到功能极限、遇到超出其能力范围的情况或发出接管请求时做出响应（SAE International, 2021）。先前的研究表明，从自动到手动控制的转换受时间预算、交通复杂度、非驾驶相关任务、警告设计和驾驶员状态的影响，且接管表现不仅限于反应时间，还涉及车辆控制质量、制动行为和碰撞风险（Eriksson and Stanton, 2017; Gold et al., 2018; Tan and Zhang, 2022; Deng et al., 2024a; Wu et al., 2025）。Guo等（2019）建立了次级任务驾驶的结构化评估指标体系，并分析了各组成指标的相对重要性，为驾驶员行为评估提供了有用的多维视角。因此，人因工程问题不仅仅是让驾驶员尽可能快地做出反应。驾驶员必须判断警告是否对应真实危险并选择适当的行为，包括制动、继续监控或抑制不必要的反应。警告设计因此涉及反应速度和反应适当性两个方面。仅优化最短制动反应时间可能会忽视自动化可靠性不完美时的不当反应（Li et al., 2025, 2026）。

触觉警告是三级接管请求的重要通道（Huang and Pitts, 2023）。与纯视觉提示相比，触觉信号通过直接接触身体传递，可减少对视通道的依赖，并在注意力转移到非驾驶相关任务时提供近端警告线索。最近对自动驾驶人机界面触觉反馈的元分析确定了其对反应时间的影响，并强调了反馈位置、非驾驶相关任务和多模态组合的作用（Lan et al., 2026b）。近期的人体工学研究进一步表明，接管表现和用户体验随触觉反馈技术和位置而变化，而引导注意力的视觉、听觉及组合警报可影响驾驶员表现和情境意识（Lan et al., 2026a; Dong et al., 2026）。视觉、听觉和触觉警告还可影响接管表现、感知紧急度和接受度，其适用性因场景紧急度和用户偏好而异（Biondi et al., 2017a; Petermeijer et al., 2017; Bazilinskyy et al., 2018; Yun and Yang, 2020）。从汽车界面角度看，触觉反馈涉及从检测和含义识别到动作准备和用户体验的一系列过程（Breitschaft et al., 2019）。更突出、更有节奏或更紧迫的触觉信号并不一定更好。更高的感知紧急度可能有助于注意力捕获和动作准备，但也可能增加不适感、干扰或不必要反应的倾向（Biondi et al., 2017b; Ko et al., 2022; Shi et al., 2026）。

现实世界自动化系统中的警告并非完全可靠。Guo等（2025）通过多模态信息融合推进了自动驾驶行为预测，以改善场景理解和预测性能。然而，人因工程设计必须考虑偶尔的不必要警告及其行为后果。在三级自动驾驶中，不必要的警报可能源于感知不确定性、场景解释不完整或保守的安全冗余。在此类条件下，适当的驾驶员反应可能是抑制制动而非机械地响应警告。接管请求设计因此需要反映场景需求、可用响应时间和信息需求；警告时机、信息内容和模态组合的有效性因交通环境和任务要求而异（Deng et al., 2024a）。警告设计还必须平衡安全性能与驾驶员接受度，而非仅优化单一性能指标（Shi et al., 2026）。此外，自动化错误类型影响信任、依赖、警觉和后续行为，虚警、遗漏和不同可靠性框架对驾驶员的影响方式不同（Li et al., 2025, 2026; Yokoi, 2024）。因此，一种有助于对真实危险做出反应的触觉配置在虚警情况下可能会带来行为代价。虚假制动因此是对不完美警告可靠性容忍度的核心行为指标，而非附带结果。

关于三级接管警告的研究主要考察触觉或多模态警告是否促进接管反应。综述和元分析已积累了关于接管时间、非驾驶相关任务、接管请求模态、信息支持和自动化等级的证据（Lan et al., 2026b; Deng et al., 2024a; Hu et al., 2024; Jin et al., 2025）。近期研究通过考察触觉反馈技术和位置以及引导注意力的多模态接管警报扩展了这些证据（Lan et al., 2026a; Dong et al., 2026）。研究也开始关注自动化可靠性和虚警（Li et al., 2025, 2026），但在同一实验框架中，不同方向盘触觉配置如何共同影响真警条件下的反应速度和虚警条件下的不必要制动的直接证据仍然有限。因此，尽管在触觉技术、警告模态和引导策略方面的差异化工作日益增加，关于反应促进与反应抑制之间联合权衡的配置层面证据仍然有限。因此，需要试次层面的行为证据来直接评估这种权衡。

本研究在一项2×2被试内实验中，在真警和虚警条件下比较了两种集成方向盘触觉警告配置（A模式和B模式）。报警条件要求制动或抑制不必要的制动。主要行为结果为真警条件下的制动反应时间和虚警条件下的虚假制动。感知紧急度、强度和不适感作为解释性主观结果；NASA-TLX和模式特异性信任作为次要结果。EEG P300平均幅度和GSR皮电反应峰值幅度作为报警相关反应模式的补充生理指标纳入分析。该结果层次结构遵循近期结合行为、主观和生理证据的自动驾驶研究（Du et al., 2020; Deng et al., 2024b; Wu et al., 2025）。共检验了三个假设。

H1：在真警条件下，B模式将与比A模式更短的BRT相关。
H2：在虚警条件下，B模式将与比A模式更高的虚假制动率相关。
H3：B模式将产生比A模式更高的感知紧急度、感知强度和不适感。

EEG P300平均幅度和GSR皮电反应峰值幅度作为跨报警条件下生理反应模式的探索性补充指标进行分析。

研究设计

采用2×2被试内设计。两个被试内因素为集成触觉警告配置（A模式和B模式）和报警条件（真警和虚警）。每位参与者完成两个触觉区块，每个区块包含20次真警和10次虚警试验，共60次正式试验。配置顺序采用AB和BA序列进行平衡，每种序列分配28名参与者。

数据质量与试验纳入

试验筛选显示，最终行为数据与预定义的2×2实验结构相匹配。最终样本包括56名参与者和3360次正式试验，每人60次试验，模式顺序平衡。关键时间标记完整，未发现影响主要行为分析的结构数据问题。

记录了三个无效试验：一次视频延迟错误、一次触觉输出错误和一次踏板记录错误。在真警条件下……

主要发现：反应速度、反应时机和虚警容忍度

两种集成方向盘触觉警告配置在自动驾驶警告任务中产生了不同的行为模式。在0.1–4.0秒正确制动试验进入主要BRT分析中，经周期、序列和区块内试验进展调整的LMM估计B模式/A模式BRT比率为0.857，对应B模式下建模BRT约低14.3%。同时，B模式下及时制动频率较低（92.8% vs 96.5%），主要是因……

结论

这项包含56名参与者的2×2被试内研究在自动驾驶监控任务中比较了两种集成方向盘触觉警告配置在真警和虚警条件下的表现。在经周期、序列和区块内试验进展调整后，主要LMM估计B模式/A模式BRT比率为0.857，对应B模式下建模BRT约低14.3%。在0.1–4.0秒……

作者贡献声明

Jian Wu：撰写—初稿、可视化、软件、方法学、调查研究、形式分析、数据整理、概念化。Raja Ariffin Raja Ghazilla：撰写—审稿与编辑、监督、方法学。Wen Tong Chong：撰写—审稿与编辑、监督。Yingxin Goh：撰写—审稿与编辑、监督、方法学。Lingyu Zhang：撰写—审稿与编辑、监督。Jieshu Zhang：方法学、概念化。

知情同意

所有参与者在实验前均收到关于研究目的、实验程序、潜在不适、数据使用及撤回权利的信息。所有参与者均签署了书面知情同意书。参与者在任何阶段均可撤回且不会受到任何不利后果。

伦理批准

本研究已获得马来西亚大学研究伦理委员会批准（批准号：UM.TNC(P&I)/UMREC_5096）。研究程序、数据收集和参与者保护措施均在批准的人类被试研究伦理范围内进行。

生成式AI和AI辅助技术在论文准备过程中的声明

在准备本文过程中，作者使用了ChatGPT进行语言编辑、论文组织和一致性检查。作者对内容进行了审阅和编辑，并对全文承担全部责任。

资金

本研究未获得公共、商业或非营利部门的任何特定资金资助。

利益冲突声明

作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。

致谢

作者感谢所有参与实验的参与者以及协助实验准备、数据收集、设备检查和数据整理的研究团队成员。作者还感谢支持本研究实施的实验平台和技术支持。

Jian Wu | Raja Ariffin Raja Ghazilla | Wen Tong Chong | Yingxin Goh | Lingyu Zhang | Jieshu Zhang