[论文解读] Improving Driver Satisfaction with a Driving Function Learning from Implicit Human Feedback -- a Test Group Study

Robin Schwager, Andrea Anastasio+7 more|arXiv (Cornell University)|Feb 14, 2026

Human-Automation Interaction and Safety被引用 0

一句话总结

论文提出一个迭代的速度曲线调整算法（SPAA），通过驾驶员的隐性干预来个性化预测性纵向驾驶函数（PLDF），在驾驶仿真器研究中显示出更高的满意度和更少的干预。

ABSTRACT

During the use of advanced driver assistance systems, drivers frequently intervene into the active driving function and adjust the system's behavior to their personal wishes. These active driver-initiated takeovers contain feedback about deviations in the driving function's behavior from the drivers' personal preferences. This feedback should be utilized to optimize and personalize the driving function's behavior. In this work, the adjustment of the speed profile of a Predictive Longitudinal Driving Function (PLDF) on a pre-defined route is highlighted. An algorithm is introduced which iteratively adjusts the PLDF's speed profile by taking into account both the original speed profile of the PLDF and the driver demonstration. This approach allows for personalization in a traded control scenario during active use of the PLDF. The applicability of the proposed algorithm is tested in a driving simulator-based test group study with 43 participants. The study finds a significant increase in driver satisfaction and a significant reduction in the intervention frequency when using the proposed adaptive PLDF. Additionally, feedback by the participants was gathered to identify further optimization potentials of the proposed system.

研究动机与目标

• 通过利用驾驶员在 PLDF 的 ODD 内发起的干预，推动驾驶功能的个性化。
• 提出一个迭代的 SPAA，将基础 PLDF 的速度曲线与驾驶员示范相结合，以学习偏好。
• 评估 SPAA 是否在仿真器研究中提升驾驶员满意度并降低干预频率。
• 探讨局限性并为真实车辆部署和长期评估提出可行方向。

提出的方法

• 描述预测性纵向驾驶函数（PLDF）及其对限速和道路曲率的尊重。
• 将驾驶员干预定义为踏板调整或设定速度的调整，并解释其在 SPAA 中的记录与使用。
• 详述速度曲线调整算法（SPAA），包括：用系数 alpha=0.5 扩展干预曲线，与驾驶员曲线对齐，应用 Savitzky–Golay 平滑，并形成 v_mean(d) = (v_PLDF(d) + v_prepro(d))/2。
• 解释迭代训练过程：调整后的速度曲线成为随后行驶的新的 PLDF 基线。
• 在 SPAA 中区分踏板干预（与 PLDF 曲线合并）和设定速度干预（直接取用）。
• 描述测试组仿真器设置、赛道、参与者及将基线 PLDF（系统 A）与使用 SPAA 的自适应 PLDF（系统 B）进行比较的流程。

实验结果

研究问题

• RQ1 自适应 PLDF 结合 SPAA 是否相对于基线 PLDF 提高了驾驶员满意度？
• RQ2 SPAA 是否在使用 PLDF 进行驾驶时降低了驾驶员干预频率？
• RQ3 驾驶员对速度曲线的感知如何，哪些方面最有改善？
• RQ4 关于自适应系统的沟通性和可学习性的定性参与者观察有哪些？
• RQ5 真实车辆部署和干预仲裁的局限性及未来方向有哪些？

主要发现

• 系统 B 的总体满意度高于系统 A（均值 4.27 vs 3.69，配对 t 检验 p = 3.85e-5）。
• 速度曲线的满意度系统 B 高于系统 A（均值 4.14 vs 3.06，Wilcoxon p = 3.83e-9）。
• 综合干预率从系统 A 的 54.68% 降至系统 B 的 22.97%（Wilcoxon p = 4.55e-13）。
• 踏板干预率从系统 A 的 22.32% 降至系统 B 的 12.04%（t 检验 p = 9.78e-8）。
• 设定速度干预率从系统 A 的 39.76% 降至系统 B 的 12.42%（Wilcoxon p = 1.38e-7）。
• 一轮 SPAA 即可显著降低干预率，但研究期内未观察到完全收敛至 0% 的情况。