《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》:Connecting AV Behavior to Future Adoption: An On-Road Robotaxi Case Study
编辑推荐:
在技术开发中,通常不会在原型创建之前测量人与技术的交互。研究人员在此展示了一个反例:在公共道路上的真实自动驾驶汽车(Autonomous Vehicle, AV)中测量人类对模拟车辆行为的反应,并使用行为意向(Behavioral Intention, BI)
在技术开发中,通常不会在原型创建之前测量人与技术的交互。研究人员在此展示了一个反例:在公共道路上的真实自动驾驶汽车(Autonomous Vehicle, AV)中测量人类对模拟车辆行为的反应,并使用行为意向(Behavioral Intention, BI)从特定车内体验推断未来的重复乘坐行为。该方法提供了一种轻量级测量手段,可在做出昂贵的开发选择之前比较不同体验的采用率或收入影响。本研究发现,乘客对交通中AV停车的耐心超出预期,行为意向在停车时长超过90秒之前保持稳定。研究人员使用私有验证数据集和关于出行价值的企业财务假设,基于这些体验预测收入,从而为工作优先级、资源配置以及车辆行为的决策提供支持。研究人员建议,行为意向及其姊妹指标行为期望(Behavioral Expectation, BE)可用于预测技术使用行为并指导系统开发。
**Introduction(引言)**
技术开发最有效的方式是在原型创建前就了解使用者与技术的交互体验,但要在技术实现前形成稳健而具体的认识十分困难。自动驾驶汽车(Autonomous Vehicle, AV)进入公共领域后,Robotaxi商业模式尤其面临这一挑战:在可预见的未来,用户每次出行都必须在无人驾驶与有人驾驶之间主动选择,这与私人AV每5至7年才做一次购买决策的情况不同。因此,AV在交通中的行为是否创造出乘客愿意重复选择的体验,几乎比技术操作本身更重要。然而,由于大多数人目前尚无法常态选择Robotaxi,大规模重复乘坐数据在数年内难以获得。为在开发规划中做出合理决策,一家商业Robotaxi公司需要尽量具体地预测AV行为对重复乘坐率的影响。本研究所关注的具体行为,是由远程人工操作员解决AV系统无法独立处理的情形时所引发的交通中停车。
**Background(背景)**
新兴技术的社会和行为影响往往在部署后才显现,已有研究提出用“科幻科学”方法,在技术完全实现之前通过实验模拟未来技术并收集用户态度和行为的定量数据。若一次网约车行程意外停下,乘客通常会看向驾驶员寻求解释;而 Robotaxi 中不存在可立即求助的人类驾驶员时,乘客如何反应仍是未知数。既有研究表明,人机交互中的意外延迟会增加与认知控制和唤醒相关脑区的活动,并产生负面系统感知;等待研究强调时间感知和情绪是服务体验反应中的关键因素;AV接受研究也识别出感知信任、感知风险和用户体验等影响采用意向的因素,但此类研究多依赖用户问卷和计算模拟,缺少沉浸式体验。虽然隐藏人工操作员模拟系统行为已被用于研究旁观者反应,但尚未被用于考察乘客反应。
**Approach(方法)**
研究人员开展了一项重复测量、被试内设计实验,让乘客在自动驾驶汽车中经历不同时长的行驶中停车。该研究经政府关系、安全和法务团队确认符合现有市政AV测试协议与安全要求。30名乘客分别在波士顿和拉斯维加斯两个地点经历了30、60、90和130秒的停车,并在每次停车后报告压力、再次乘坐意向以及对停车时长的估计。停车时长来自车辆与系统日志的时长分布,分别代表快速典型处理、长于通常处理以及最常见的异常时长。为避免在AV技术栈中注入故障,车辆由隐藏人工驾驶员操作。所有乘客均经历四种停车时长,并平衡了顺序。研究测量使用视觉模拟量表,优先关注压力和再次乘坐意向;再次乘坐意向采用行为意向(Behavioral Intention, BI)测量,因为BI不包含受访者对自己是否还会有类似机会的评估,更适合Robotaxi使用场景。定量分析采用贝叶斯线性混合效应模型,分别以压力和BI为响应变量;随后使用一个将BI与后续实际行为相联系的验证数据集,模拟停车体验对重复乘坐率的影响,并结合企业内部财务假设预测2028年预期部署规模下的收入影响。
**Outcome(结果)**
最基本的发现是,30名初始参与者中有28人未察觉体验的模拟性质;注意到车辆由人工驾驶的2名参与者被排除在后续分析之外。另一个基本结果是,乘客对每次停车时长的估计较为准确,说明实验覆盖了可感知的时长范围。
在乘车后访谈中,乘客对较短延迟有两种解释:一些人因后排视野受限,直到收到音频通知才意识到停车并非由交通状况引发;另一些人则将停车理解为AV在“理解”环境,直到延迟约60至90秒后才意识到可能出了问题。
控制乘客个体、实验地点和延迟在行程中位置的贝叶斯线性混合效应模型确认了这一模式:30、60和90秒停车时长在各测量指标上差异很小,平均压力直到130秒才整体上升。130秒停车主要将低压力评分推向中等范围,但中等压力并未普遍升为高压力。同样,再次乘坐意向在130秒之前无显著变化,130秒后正向意向转为中性。这表明乘客对不熟悉AV在交通中停车的容忍度远高于预期。
乘客选择Robotaxi的动机主要是好奇,而非感知到功能、隐私或安全优势。研究人员将这些结果解释为:由于乘客并未预期AV具有效率等功能优势,行程延迟并未削弱其选择AV的目标,因此对交通中停车表现出意外的耐心。
研究人员使用来自公共健康的验证数据集,将每种停车时长下表达出的行为意向分布,外推为预期重复乘坐率的加权百分比。结果显示,30、60和90秒停车对预期重复乘坐率影响甚微,即使130秒停车的影响也小于预期。结合战略和财务部门用于收入预测的出行价值、出行频率等假设,研究人员将重复乘坐率转化为预期收入。比较不同体验之间的收入差异、收入目标以及缩短停车时长的工作成本后,这些数据支持将此类远程支持事故处理中的车辆行为标准设定为90秒停车时长。
**Conclusion(结论)**
从体验角度看,用户对车辆在公共道路上莫名静止的耐心程度非常出乎意料。研究指出,这种耐心可能是暂时的:数据收集时,自动驾驶汽车故障已被主流新闻广泛报道,潜在用户可能因此强烈意识到AV功能有限,从而表现出比面对更成熟技术时更大的耐心。更广泛的启示是,系统在初始阶段可能获得用户超出预期的宽容;也可能说明,那些将效能和效率置于探索之上的用户会等到新技术发布初期之后再去使用。
该方法具有科学和商业两方面的应用价值。在科学层面,人机交互研究常在功能原型开发之前就需要了解用户与未来或潜在技术的行为,而行为意向作为未来行为的代理指标既经过验证又易于应用;将真实世界模拟与行为意向测量相结合,可在投入昂贵原型或部署之前量化采用潜力。行为意向特别适用于现有熟悉度较低的技术,因为它反映参与者在有机会重复体验时的预期反应,同时排除了其对机会概率的估计。未来研究若能进一步验证和量化技术采用情境中行为意向与后续行为的关系,将有助于更精细的预测建模。在商业层面,技术公司可将行为意向与内部财务假设结合,基于不同客户体验生成收入预测,为开发优先级和体验策略提供依据;该方法也可推广到制造自动化、建筑与交通自动化等使用行为难以预测且硬件制造限制方向调整的领域。
研究人员采用“科幻科学”方法,结合将基础研究指标转化为应用研究的桥接方式,让乘客乘坐公共道路上的真实自动驾驶汽车,并利用隐藏操作员系统性地改变AV系统尚不能稳定产生的体验,从而在工程资源投入之前将体验影响和收入差异加以量化和具体化。研究结论是:行为意向与其姊妹指标行为期望可用于预测技术使用行为并指导系统开发,从而在技术发展诸多不确定性的前提下,支持前瞻但具实证依据的产品开发决策。