[论文解读] A Case Study of Trust on Autonomous Driving

Shili Sheng, Erfan Pakdamanian+5 more|arXiv (Cornell University)|Apr 16, 2019

Human-Automation Interaction and Safety参考文献 31被引用 3

一句话总结

本研究通过驾驶模拟器对19名参与者进行实验，实时采集其在自动驾驶情境中的人类信任动态数据，采用李克特量表进行信任评分。结合方差分析（ANOVA）与信号时序逻辑（STL）分析报警类型、天气和驾驶模式对信任的影响，结果表明：漏报报警显著降低信任（下降67.1%），而误报报警的影响则不一致；个体反应时间差异显著，且通过STL学习可实现个性化信任响应建模。

ABSTRACT

As autonomous vehicles have benefited the society, understanding the dynamic change of humans' trust during human-autonomous vehicle interaction can help to improve the safety and performance of autonomous driving. We designed and conducted a human subjects study involving 19 participants. Each participant was asked to enter their trust level in a Likert scale in real-time during experiments on a driving simulator. We also collected physiological data (e.g., heart rate, pupil size) of participants as complementary indicators of trust. We used analysis of variance (ANOVA) and Signal Temporal Logic (STL) to analyze the experimental data. Our results show the influence of different factors (e.g., automation alarms, weather conditions) on trust, and the individual variability in human reaction time and trust change.

研究动机与目标

• 理解人机共驾过程中人类信任的实时动态演化过程。
• 识别外部因素（如报警类型、天气状况、驾驶模式）对信任水平的影响。
• 探究生理信号（如心率、瞳孔大小）作为信任的补充指标的作用。
• 利用信号时序逻辑（STL）建模个体间信任响应差异，并学习个性化的反应时间边界。

提出的方法

• 通过驾驶模拟器开展面向19名参与者的受试者实验，实时采集其在李克特量表上的信任评分。
• 收集生理数据（心率、瞳孔大小、皮肤电导反应、眼动追踪）作为信任的客观关联指标。
• 应用单因素方差分析（one-way ANOVA）评估报警类型、天气和驾驶模式对信任水平的统计影响。
• 采用信号时序逻辑（STL）形式化指定并验证信任演化中的时间模式，例如误报或漏报报警后信任的下降趋势。
• 利用时序逻辑提取工具（TeLEx）从参与者数据中学习个性化的信任变化反应时间边界。
• 结合群体层面的ANOVA分析与个体层面的STL分析，同时捕捉整体趋势与个性化信任动态。

实验结果

研究问题

• RQ1 不同报警类型（误报 vs. 漏报）如何影响人类对自动驾驶车辆的信任实时变化？
• RQ2 天气等环境条件对信任及生理指标有何影响？
• RQ3 个体在反应时间与信任响应模式上的差异如何影响自动驾驶过程中的信任演化？
• RQ4 瞳孔大小与皮肤电导反应等生理信号在多大程度上可作为信任的可靠代理指标？
• RQ5 基于STL的建模结合参数学习，是否能比群体层面分析更有效地捕捉个性化信任动态？

主要发现

• 漏报报警显著降低了信任水平，事件发生后10秒内信任下降的概率达67.1%。
• 误报报警的影响具有混合性：25.2%导致信任下降，18.5%导致信任上升，表明其影响不一致。
• 漏报报警后信任上升的概率为51.3%，而激活报警后信任上升的概率为59.2%，表明报警未触发具有更强的负面影响。
• 瞳孔大小与皮肤电导反应峰值数量对天气条件敏感，表明生理指标对环境压力源具有敏感性。
• 个体对信任变化的反应时间差异显著，参与者A反应最快（平均2.6秒），参与者C最慢（平均6.475秒）。
• 通过TeLEx实现的STL学习成功提取了个性化的反应时间边界，验证了建模个体信任响应模式的可行性。