282
目的：
实验1的目的是研究在混合交通（包括周围遗留车辆，L0级）模拟公路驾驶条件下，操作人员如何响应和评估替代通知策略的效用；即，提前通知运营商可能需要干预，而不是需要立即行动的紧急通知。对于本研究，L2级操作定义（NHTSA，2013）的两个方面很重要，并为实验设计和感兴趣的场景奠定了基调：
“司机仍应负责监控道路和安全运行，并预计在任何时间和短时间内都可随时进行控制。”
“系统可以在没有提前警告的情况下放弃控制，驾驶员必须准备好安全控制车辆。”
基于这些操作定义，实验1旨在探索当操作人员在短时间内使用哪种警报会更有效地控制车辆。
方法
对于实验1，进行了一次单一的长时间曝光实验。参与者首先对车辆及其操作进行了全面的熟悉，然后在L2自动驾驶模式下进行了大约90分钟的车辆体验。在驾驶过程中，参与者被指示执行与驾驶无关的任务（例如，电子邮件，网页浏览），并且有时会收到提示他们必须接管车辆的警报。呈现了三种形式的警报：警示性警报、紧急警报和分阶段警报。警示性警报向参与者提供了检测到潜在问题的信息。紧急警报向参与者提供了检测到活动故障的消息。分阶段警报从警示性警报阶段过渡到紧急警报阶段。参与者对这些信息的反应，无论是持续时间还是响应方法，都是本实验中考察的变量之一。
实验设计
该研究采用的是被试内设计。所有参与者完成了一次驾驶会话，在此期间他们总共收到了19个系统警告。具体来说，每位参与者经历了六次警告性提醒、六次分阶段提醒和六次即将功能退出的提醒。对于这三种提醒类型，参与者分别体验了三次单一模式的提醒（仅视觉）和三次多模式提醒（视觉+触觉）。在接收到这18个提醒之后，每位参与者又收到了一个即将发生的多模式提醒，同时伴随着实验员触发的车道偏离，从而总共收到了19个提醒。该研究旨在模拟当监测道路条件降低时的最坏情况场景。
十九个提醒中的十八个以六种不同的顺序呈现给参与者。每种顺序包括六种不同类型的提醒和提醒模式的组合，这在实验会话中重复了三次。使用所有六种可能的提醒类型和提醒模式组合，开发了一个拉丁方阵来创建六种不同的提醒呈现顺序。在90分钟的驾驶会话中，这个顺序被重复了三次，从而产生了18个提醒。提醒是在随机时间呈现的，时间在2到8分钟之间；因此，参与者不太可能能够预见到它们何时会发生。
独立变量
研究设计包括两个独立变量，如下所述：
控制警报类型
这是一个被试内变量，有三个水平：警告性、紧迫性和模拟性。根据NHTSA的L2级自动化定义，操作员应随时准备控制，并且能够迅速响应。因此，警报的设置是为了给参与者有限的时间来反应并重新控制车辆。（根据情况，车载实验员会在参与者未能在规定时间内重新控制时指示参与者重新控制。）请注意，这些时间设置并不是未来设计的建议值；相反，它们被认为是适合本研究的，以开始探索不同反应时间的兴趣点和参与者的反应行为。
警告性。此警告涉及参与者有大约30秒的时间在系统问题自行解决之前（即警告灯熄灭，但自动化并未关闭）接管车辆。参与者总是通过HMI上的视觉警告和“接管方向盘”的指令以及黄色发光二极管（LED）来提示。
功能退出。此警告允许参与者大约30秒（秒）的时间在智能驾驶系统退出功能之前接管车辆。参与者通过HMI上的视觉警告和“接管方向盘”的指令以及闪烁的红色LED来提示。一旦接管了方向盘，HMI会告知参与者智能驾驶系统已不再可用。如果参与者在30秒内未能重新获得控制权，智能驾驶系统将关闭，在此点上，智能驾驶系统和参与者都不再控制车辆。因此，车内实验员指导参与者接管车辆以确保安全。
• 分阶段。这个警告涉及一个大约30秒的紧急程度逐渐增加的时期，要求参与者在这段时间内接管车辆控制，否则自动化系统将关闭。在警告的前10秒内，参与者通过HMI上的视觉警告得到提示，指示“接管方向盘”，并伴有黄色LED灯。如果参与者在这10秒内重新控制了车辆，情况将自行解决（即警告关闭，但智能驾驶系统并未关闭）。然而，如果参与者在这段时间内未能重新控制车辆，警告将进入一个紧迫阶段。在这个阶段，参与者通过HMI上的视觉警告得到提示，指示“接管方向盘”，并伴有闪烁的红色LED灯。如果参与者在紧迫阶段开始后的20秒内未能重新控制车辆，智能驾驶系统将关闭，在这一点上，系统和参与者都不再控制车辆。因此，车内的实验员指示参与者接管车辆以确保安全。
警告模式
这是一个有两个水平的组内变量：单一模式和多模式。
• 单一模式。这种警告条件仅包括视觉警告（即，在人机界面（HMI）上显示的“接管方向盘”指令以及黄色或闪烁的红色LED灯）。
• 多模式。这种警告条件包括视觉警告（即，在人机界面（HMI）上显示的“接管方向盘”指令以及黄色或闪烁的红色LED灯）以及触觉座椅振动。
依赖变量
研究设计包括了七个依赖变量，如下详细说明：
操作者行为
• 对警告的反应时间（以秒计）
这被定义为在警告首次呈现之后，参与者执行一个可以被认为是对此警告反应的动作所需的时间（例如，向前看，移动脚或手）。
• 恢复控制的时间（以秒计）
这被定义为从警告首次呈现开始，直到参与者尝试通过控制方向盘来手动恢复控制的时间。
• 表现
这被定义为参与者对感兴趣事件的正确反应（例如，参与者在收到警报后是否恢复了控制？）。
• 释放控制的时间
这个变量由两个部分组成。
• 激活智能驾驶系统的时间（以秒为单位）
这被定义为从系统指示自主性可用到参与者尝试激活自动化的时间。请注意，在警告期间，系统问题自行解决（即，警告关闭但自动化没有关闭）；因此，对于这种警告类型，大多数参与者没有时间激活自动化。
• 释放转向控制的时间（以秒为单位）
这被定义为从成功激活智能驾驶系统到参与者将双手从方向盘上移开的时间。
• 恢复非驾驶任务的时间（以秒为单位）
这被定义为从释放方向盘控制到参与者恢复与非驾驶相关任务互动的时间。
图2-1展示了与操作者行为相关的依赖变量测量的顺序。
图2-1. 实验1中与操作员行为相关的依赖变量序列
参与者主观评估
实验过程中，共进行了10次信任量表（附录E）的评估，大约每9分钟进行一次。参与者被要求使用李克特量表（Likert-type scale）对他们在进行非驾驶任务时对自动化系统正常运作的信任程度进行评分，其中1分代表“强烈不同意”，7分代表“强烈同意”。
除了实验过程中收集的10次信任评分外，参与者在完成驾驶任务后，还被要求完成体验后的信任量表（附录E）并参与开放式访谈（附录F）。
试验设备及场地
这项实验是在密歇根州米尔福德的米尔福德试验场（MPG）圆形赛道上进行的（见图2-2）。该设施由通用汽车（GM）拥有并维护，包括一条7.2公里（4.5英里）的倾斜圆形赛道，有五个行车道。每个车道的行驶速度都在指定的速度范围内，最内侧的车道允许停启交通，而最外侧的车道限速在100英里/小时及以上。实验1是在第三车道进行的，该车道允许的速度范围在50到70英里/小时之间。这条赛道之前在关于自动驾驶的研究中被用来模拟高速公路条件。圆形赛道仅限于批准的研究和经过批准的训练有素的驾驶员使用；因此，在实验期间，有其他非研究交通存在
车辆
一辆配备了原型L2级智能驾驶系统的2009款雪佛兰马里布被用作实验1的实验车辆（见图2-3）。作为自动驾驶系统的一部分，安装了几个HMI（人机界面）组件。这辆车被改装以包括自适应巡航控制（ACC）和车道居中功能，以及一个灵活的驾驶员界面和研究人员的控制台。研究人员控制台的目的是允许车内实验员触发各种显示，并改变自动驾驶系统的操作，这包括模拟错误行为和设备故障。
该车辆还配备了数据收集和记录设备。数据记录器与自动驾驶系统和车辆控制器局域网络（CAN）相连。
收集的关键变量包括自动化状态（例如，关闭、开启并积极控制、故障模式）、车辆速度、车道位置以及表示消息呈现和系统故障的标志。此外，还收集了以下视频视角（图2-4）：
. 操作员的脸部
. 超肩（OTS）视角
. 前方道路
. 后方
. 脚部（踏板区域）
. 人机界面（HMI）
. 外部左侧后方
. 外部右侧后方
图2-4. 通用汽车公司实验1的数据采集系统（DAS）摄像机视图
本研究使用了一台华硕Nexus 7平板电脑，以便在车辆处于L2级智能驾驶系统（图2-5）时为参与者提供执行非驾驶任务的机会。该平板电脑的外部尺寸为198.5毫米乘以120毫米，提供大约178毫米（7英寸）的对角线屏幕尺寸。平板电脑的屏幕分辨率为1,280乘以800像素（每英寸216像素），并配备了标准的QWERTY触摸屏键盘。平板电脑安装在一个位于中央控制台附近的支架上，可以以各种位置使用。
平板电脑通过Wi-Fi连接到便携式热点，以获得互联网连接。在驾驶过程中，车载实验员为参与者提供了一系列导航、电子邮件和网页浏览的分心任务来完成。
参与者
数据是从35名参与者中收集的；然而，有10名参与者的数据被认为是无效的（即，由于恶劣天气、跑道关闭或与原型车辆相关的技术问题导致的会话取消）。本章中呈现的分析代表了25名参与者的数据（16名男性，9名女性）。参与者的平均年龄为44.3岁（标准差[S.D.] = 19.24），年龄范围从18岁到72岁。为了确保所有年龄组都有代表，参与者被分为四个不同的年龄组：18-24岁、25-39岁、40-54岁和55岁以上；其中，五名年龄在18至24岁之间（3名男性，2名女性），六名年龄在25至39岁之间（5名男性，1名女性），四名年龄在40至54岁之间（1名男性，3名女性），十名年龄在55岁及以上（7名男性，3名女性）。然而，年龄组并不是本研究的依赖变量。关于实验1参与者的更多信息可以在附录B中找到。
指令和培训
在进行测试车辆之前，参与者被提供了他们将在车辆中使用的平板电脑。他们被简要介绍了他们将要执行的任务类型，并且如果有需要，他们被允许提问和练习每种不同类型的任务。参与者接受了对实验车辆的静态定位，包括基本控制和L2智能驾驶功能。之后，参与者接受了在测试道路上的定位。在这次培训中，参与者没有被解释智能驾驶级别的概念，也没有被给予系统应该允许他们从道路上转移注意力的印象。
这次在轨道上的定位的目的是让参与者适应车辆和测试环境。参与者被要求驾驶到圆形赛道入口，进入第三条行车道，并保持60英里的速度。第一圈是在手动驾驶下完成的。在第二圈中，激活了ACC，允许参与者释放纵向控制给智能驾驶系统，同时他们保持对车辆的横向控制。第三和第四圈是使用L2智能驾驶系统（ACC加车道居中）完成的，允许参与者释放对车辆的纵向和横向控制。原型系统清楚地显示了系统何时准备好激活智能驾驶系统，并且参与者被告知他们可以自行决定激活智能驾驶系统（即，当他们感到舒适时）。之后，参与者获得了有关实验会话的额外指示，并被给予提出任何额外问题的机会。注意：实验者遵循了一套固定的脚本和协议，以确保实验者之间的一致性。
试验任务
参与者完成了一次大约90分钟的驾驶试验。在激活L2智能驾驶功能后，参与者被指示在驾驶期间开始与各种非驾驶任务互动。
参与者使用平板电脑完成三种类型的非驾驶任务：导航、电子邮件和网页浏览。在每个类别中，参与者被分配了30个任务，如下所述，总共90个不同的干扰任务。
• 导航。导航任务要求参与者打开设备的应用程序，选择新的目的地选项，并按照卡片上提供的打印数字-街道-城市-州格式输入地址。
• 电子邮件。电子邮件任务要求参与者使用平板电脑撰写电子邮件。参与者被要求从30个潜在任务中完成一个电子邮件任务。这些任务对于实验1和实验2是相同的。一个反映平均难度的示例任务是：给clayton.ellis@lun.com发送电子邮件，询问Jane的生日是什么时候，并确认她将满六岁。
• 网页浏览。网页浏览任务要求参与者打开平板电脑上的网页浏览器。参与者被要求确定一个特定问题或需要搜索或与互联网互动的任务的答案。
每项任务都被打在一张记事卡上。车载实验员向参与者提供了一张记事卡，完成任务后，参与者将记事卡交还给车载实验员，然后实验员再提供一张包含不同任务的新记事卡。这些任务以随机顺序呈现，所需视觉/手动需求相似。这些任务的节奏不是强制性的，而是由参与者自行决定。
大约每5分钟（在2到8分钟之间的随机值），参与者会收到单模态（仅视觉）或多模态（视觉+触觉座椅振动）警报（警告性、紧迫性或分阶段），指示他们接管车辆。参与者被告知他们可以自行决定激活自动化系统（例如，当他们感到舒适时）。每位参与者都体验了作为单模态和多模态警报的警告性、紧迫性和分阶段信息。所有在警报紧迫部分结束时被归类为失败的情况都是预定的，并通过实验员控制台注入到感兴趣的条件中。它们模拟了系统捕捉到潜在故障并警告车辆操作员重新控制的情况。图2-6为不同警报类型提供了总结。
图2-6. 实验1的警告性、紧迫性和分阶段控制警报时间线
参与者对这些系统消息的反应时间是通过DAS的视觉证据来衡量的。如上图所示，即将发生的警报和进入即将发生阶段的分阶段警报都导致了需要参与者重新控制的系统故障。然而，警示性消息得到了解决（即警报关闭），无需参与者介入。
共有六种警报类型（警示性、即将发生、分阶段）和警报方式（单模态和多模态）的组合，以及六种这些组合的顺序，形成了一个拉丁方阵。这些顺序随机分配给参与者，并且每个参与者都重复了三次。参与者总共收到了18条系统消息：六条警示性警报（三种单模态，三种多模态），六条即将发生的警报（三种单模态，三种多模态），以及六条分阶段警报（三种单模态，三种多模态）。
意外车道偏离在收到这18个警报后，每位参与者都收到了一个即将发生的多模态警报，同时伴随着实验员触发的车道偏离。这个故障是在安全的情况下注入的（周围车道没有其他车辆），模拟车道居中系统的故障。这个事件总是以即将发生的多模态警报形式呈现。触发警报后，车辆将开始向左侧相邻车道漂移，并将在3到5秒内离开车道。如果车辆已经完全进入相邻车道，实验员会告知参与者接管车辆。然而，所有参与者在进入相邻左车道之前都成功地获得了控制。在这一事件之后，参与者被指示退出圆形赛道并返回准备区。然后对参与者进行采访，要求他们完成体验后的信任量表，然后向他们说明研究的目的。参与者因参与研究而获得补偿。图2-7展示了实验1的事件时间线。
图2-7. 实验1的实验会话时间线
在研究期间也发生了未计划的事件。由于系统使用摄像头执行车道居中，因此在某些情况下，环境条件（例如，低太阳角度）导致系统无法正常工作；因此，有时会指示参与者接管车辆。
结果
需要注意的是，在分析这个实验时，“单模态”指的是具有视觉成分的警报，而“多模态”指的是具有视觉成分和触觉成分的警报。因此，单模态和多模态之间的任何显著差异只能被解释为视觉警报和视觉+触觉警报之间的差异。这些解释不能推广到任何单模态警报与任何多模态警报之间。
整个实验期间共发出505次警报，其中408次有效，97次无效。无效事件中有52次是未计划的事件，这些（如上所述）被用作分析中的协变量（例如，如果在特定参与者的事件2和事件3之间发生了两次未计划的事件，则事件3的未计划事件值为“2”）。其余的45个无效事件被排除在分析之外。在这些事件中，有22个是预设警报（6个多模态，16个单模态），18个是警告性警报（10个多模态和8个单模态），以及5个紧迫警报（全部为单模态）。无效的预设警报发生在原型自动化系统冻结（3次）或在参与者重新控制之前失败（15次）。无效的警告性警报发生在系统冻结（2次）或失败（16次）。所有五个紧迫的无效事件都是因为系统在参与者重新控制之前失败。剩下的408个事件被视觉地、描述性地和统计学地分析，以确定警报模式或警报类型是否有任何显著效果。
性能
本次实验的一个重点是调查警报有效性以帮助操作员重新控制L2智能驾驶车辆。性能被定义为参与者对感兴趣事件作出的正确行动。在参与者被呈现警报的408个有效实例中，只有18个（占4.4%）被认为是错误的性能。所有这18个错误性能都发生在警告性警报下，其中15个（占83.3%）是单一模式的警告性警报。
在这18个性能错误的实例中，参与者对警报作出了反应（例如，向前看），但没有执行任何其他行动来重新控制车辆。因此，对于这些实例，恢复控制的时间、激活自动化的时间、释放控制的时间以及恢复非驾驶任务的时间都存在缺失值。此外，还有两个实例中，参与者对警报作出了反应，但只执行了另一个行动。
在这些实例中的一个，参与者恢复了非驾驶任务，而在另一个实例中，参与者重新控制了车辆。
对警报的反应时间
警报的模态被发现对参与者的反应时间有显著影响，F(1, 223) = 162.87, p < .0001。使用视觉和触觉组件的警报的平均反应时间比只有视觉组件的警报显著快4.6倍（平均值 = 0.66秒，标准误差[S.E.] = 0.03秒，n = 209，最小值 = 0.04秒，最大值 = 4.34秒）。
警报的严重程度未被发现对参与者的反应时间有显著影响，p > .05。参与者对即将发生的警报的平均反应时间为1.31秒（S.E. = 0.15秒，n = 139，最小值 = 0.04秒，最大值 = 13.81秒），对分阶段警报的平均反应时间为1.89秒（S.E. = 0.30秒，n = 130，最小值 = 0.08秒，最大值 = 16.19秒），对警告性警报的平均反应时间为2.26秒（S.E. = 0.38秒，n = 137，最小值 = 0.15秒，最大值 = 31.04秒）。警报类型和警报模态之间也没有显著的交互作用，p > .05。有关图形表示，请参见图2-8，有关统计分析的更多细节，请参见附录B，警报反应时间分析，统计分析。
图2-8. 实验1中通过模式反应时间的平均值和标准误差条形图
重新获得控制的时间
发现警告类型和警告方式之间存在显著的交互作用，F(2,132) = 4.33, p = .0151。这表明警告类型对重新获得控制时间的影响在视觉警告和视觉+触觉警告之间有所不同。
在所有三种警告类型中，参与者在带有视觉+触觉组件的警告后显著更快地重新获得了控制。平均差异对于紧迫警告来说最小（M = 1.30秒，S.E. = 0.08秒，n = 73，最小值 = 0.38秒，最大值 = 4.18秒对于视觉+触觉对比 M = 2.90秒，S.E. = 0.36秒，n = 66，最小值 = 0.67秒，最大值 = 14.64秒仅视觉，t(91.2) = -7.78, p < .0001），而对于警告性警告来说差异最大（M = 1.14秒，S.E. = 0.05秒，n = 63，最小值 = 0.50秒，最大值 = 2.51秒对于视觉+触觉对比 M = 6.29，S.E. = 1.04秒，n = 58，最小值 = 0.33秒，最大值 = 30.53秒仅视觉，t(64.4) = -7.61, p < .0001）。警报类型如果包含视觉和触觉成分，并没有显著效果，p > .05。然而，对于仅包含视觉成分的警报，参与者在紧急警报后（平均值 M = 2.90 秒，标准误差 S.E. = 0.36 秒，n = 66，最小值 min = 0.67 秒，最大值 max = 14.64 秒）比在警告性警报后（平均值 M = 6.29 秒，标准误差 S.E. = 1.04 秒，n = 58，最小值 min = 0.33 秒，最大值 max = 30.529 秒）恢复控制的速度快了2.2倍。这个结果在统计上是显著的，t(86.2) = 2.86, p = .0162。（有关统计分析的更多细节，请参见图 2-9 的图形表示和附录 B，控制恢复时间的统计分析。）
图2-9. 实验1中按警报模式和警报类型分层的时间恢复控制的平均值和标准误差条形图
激活自动化的时间
对于激活自动化的时机，只有紧迫的警报（既有视觉又有触觉成分，以及只有视觉成分的）和已经进入紧迫阶段的分阶段警报可以进行比较。
这三组之间发现了显著的差异，F(2, 116) = 5.76, p = .0041。
具体来说，当参与者经历了一个只有视觉成分的紧迫警报时，他们平均激活自动化的反应时间显著更长（M = 4.04秒，S.E. = 0.30秒，n = 66，最小 = 0.84秒，最大 = 10.68秒），与警报既有视觉又有触觉成分的情况相比（M = 3.36秒，S.E. = 0.29秒，n = 73，最小 = 1.00秒，最大 = 13.18秒），t(112) = 2.60, p = .0321。此外，参与者在经历紧迫视觉警报后的反应时间比警报为只有视觉成分的分阶段警报要长（M = 3.40秒，S.E. = 0.88秒，n = 16，最小 = 0.67秒，最大 = 15.18秒），t(121) = 2.92, p = .0125。
释放转向控制的时间
发现警告类型与警告方式之间存在显著的交互作用，F(2,346) = 4.44, p = .0124。这表明警告类型对释放控制时间的影响在视觉警告和视觉+触觉警告之间有所不同。
事后检验发现，如果警告具有视觉和触觉成分，那么不同类型的警告在激活智能驾驶的时间上存在显著差异。具体来说，如果警告具有视觉和触觉成分，那么当警告是即将发生时（M = 2.44秒，S.E. = 0.17秒，n = 73，最小值 = 0.67秒，最大值 = 11.52秒），参与者释放控制的速度显著快于当警告是分阶段进行时（M = 4.56秒，S.E. = 0.69秒，n = 69，最小值 = 0.83秒，最大值 = 44.22秒），t(345) = -5.42, p < .0001。此外，即将发生的多模态警告导致释放控制的时间显著快于警告是警告性的（M = 3.99秒，S.E. = 0.43秒，n = 63，最小值 = 1.34秒，最大值 = 25.19秒），t(356) = -4.72, p < .0001。
恢复非驾驶任务的时间
警报的严重性被发现对恢复非驾驶任务的时间有显著影响，F(2,353) = 4.53, p = .0114。恢复非驾驶任务的平均时间在警告性警报（M = 2.74秒，S.E. = 0.31秒，n = 121，最小值 = 0.08秒，最大值 = 21.69秒）、紧迫性警报（M = 2.76秒，S.E. = 0.31秒，n = 138，最小值 = 0.14秒，最大值 = 35.04秒）和分阶段警报（M = 2.84秒，S.E. = 0.44，n = 129，最小值 = 0.16秒，最大值 = 34.7秒）之间相似。事后检验显示，当参与者经历紧迫性警报时，他们恢复非驾驶任务的时间比经历分阶段警报时要长，t(346) = 2.85, p = .0141。
模态没有显著影响，p > .05。参与者恢复非驾驶任务的平均时间为视觉+触觉警报为2.93秒（S.E. = 0.27秒，n = 205，最小值 = 0.08秒，最大值 = 21.69秒）。对于视觉警报，平均时间为2.62秒（S.E. = 0.32秒，n = 183，最小值 = 0.14秒，最大值 = 35.04秒）。
操作行为分析摘要
在经历多模式警报后，参与者反应更快并更快地重新控制了局面，相比之下，在经历单模式警报后他们的反应较慢。此外，警报类型和警报模式可能会影响操作员将控制权交还给系统并恢复非驾驶任务的速度。在经历单模式即将发生的警报后，参与者激活自动化的时间比经历多模式即将发生的警报和单模式分阶段警报时要长。在经历多模式警报后，如果警报是即将发生的，参与者释放车辆控制权的速度显著快于警报是警告性或分阶段的情况。同时，如果警报是分阶段的，他们在多模式警报后释放控制权的速度比单模式警报慢。最后，与分阶段警报相比，参与者在经历即将发生的警报后恢复非驾驶任务的时间显著更长。表2-1总结了操作员行为分析的结果。
操作人员在收到视觉与触觉相结合的警报后，可能会比仅收到视觉警报时反应更快。操作人员在收到视觉与触觉相结合的警报后，可能会比仅收到视觉警报时更快地重新掌控局面。此外，当操作人员收到视觉警报时，他们在收到“即将发生”警报后可能会比收到“警示性”警报后更快地重新掌控车辆。
| 变量 | 警告模态 | 警告类型 | 接管操作 |
| 驾驶员反应时间 | 明显 | 不明显 | 操作人员在收到视觉与触觉相结合的警报后，可能会比仅收到视觉警报时反应更快。 |
| 重新获得控制的时间 | 明显 | 明显 | 操作人员在收到视觉与触觉相结合的警报后，可能会比仅收到视觉警报时更快地重新控制车辆。此外，当操作人员收到视觉警报时，他们在收到“即将发生”警报后重新掌控局面的速度，可能会比收到“警示性”警报后更快。 |
| 激活功能的时间 | 明显 | 明显 | 当操作人员收到带有视觉要素的“即将发生”警报时，他们启动智能驾驶功能的可能会比收到既有视觉又有触觉要素的“即将发生”预警花费更多的时间。 |
| 释放转向控制的时间 | 明显 | 明显 | 如果警报既有视觉成分又有触觉成分，而且还是“即将发生”的警报，那么操作人员可能会更快地交出控制权。 |
| 恢复非驾驶任务的时间 | 不明显 | 明显 | 操作人员在经历“即将发生”的警报后，重新开始非驾驶任务可能会比经历“分阶段”的警报后花费更多时间，但不一定比经历“警示性”警报后花费的时间更多。 |
| 性能 | N/A | N/A | 大多数操作人员可能会在30秒内重新掌控车辆。然而，有时如果警报是警示性的，尤其是当警报仅有视觉部分时，他们可能无法做到这一点。 |
表2-1. 实验1操作行为分析摘要表
视线行为分析
这项分析帮助确定警报类型是否影响了视线行为。计算了参与者在收到警报后看向前方所需的时间。如图2-10所示，很明显，在多模式条件下，参与者看向前方的速度比在单一模式条件下更快，这一趋势在所有三种警报类型中都保持一致。在多模式的警告条件下，参与者分别在0.84秒、0.88秒和0.78秒内看向前方。相比之下，在单一模式的警告条件下，参与者分别在4.06秒、2.23秒和3.70秒内看向前方。
图2-10. 实验1中通过方式查看前方时间的平均值和标准误差
实验结束时，车辆被从车道中心移动的车道偏离行为被实施。同时，呈现了一个多模态的、即将发生的警告。这导致22名参与者经历了有效的车道偏离事件。在这次实验的最后事件中，所有参与者都在进行非驾驶任务。因此，在事件发生时，他们都没有向前看，没有人手握方向盘，只有一个人脚踩踏板。然后，每个参与者都会执行所有正常功能（例如，反应，重新获得控制等），并获得所有五个操作变量的值（一名参与者没有恢复非驾驶任务）。由于车道偏离发生在每次实验结束时，并且与多模态的、即将发生的警告相关联，任何与之前的车道偏离效应事件的比较都会受到警告类型、警告方式和时间效应的干扰。因此，没有对车道偏离事件和之前的事件进行统计比较。然而，对车道偏离事件进行了描述性分析。
如图2-11所示，当存在车道偏离时，参与者对警报的反应时间很短。平均反应时间为0.5秒（标准误差=0.03秒），比没有车道偏离的多模式、紧迫警报的平均反应时间（平均值=0.7秒，标准误差=0.03秒）低约0.2秒。同样，参与者在警报后不久就成功重新控制了车辆，平均重新控制时间为1.2秒（标准误差=0.1秒），比没有车道偏离的多模式、紧迫警报的平均重新控制时间（平均值=1.3秒，标准误差=0.1秒）少约0.1秒。智能驾驶功能激活的平均时间为2.7秒（标准误差=0.3秒），这比没有车道偏离的紧迫多模态警报激活智能驾驶功能的时间少了大约0.7秒（平均值=3.4秒，标准误差=0.3秒）。对于释放控制的时间，平均时间为2.7秒（标准误差=0.3秒），这比没有车道偏离的紧迫多模态警报释放控制的平均时间高了大约0.3秒（平均值=2.4秒，标准误差=0.2秒）。最后，车道偏离事件的恢复非驾驶任务的平均时间为2.2秒（标准误差=0.4秒），这比其他紧迫多模态警报（没有车道偏离）低了大约0.4秒（平均值=2.6秒，标准误差=0.3秒）。紧迫多模态警报在有无车道偏离之间的差异似乎并不显著。然而，必须注意的是，所有车道偏离事件都发生在实验的最后阶段，而非车道偏离事件则并非如此。
图2-11. 实验1中车道偏离事件后操作变量的平均值和标准误差条形图
信任量表
参与者报告称，在实验过程中，他们比不信任更经常地信任系统。在202个实例中（占81.1%），参与者表示他们“适度同意”或“强烈同意”信任该系统。只有在17个实例中，参与者不同意他们信任系统。然而，信任并没有随着时间的推移而显著改变，p > .05。
图2-12显示了参与者随时间的平均评分变化，并没有显示出任何强烈的评分变化。最高的平均评分为第5个时间点，平均评分为6.24，而第一和第四个时间点的平均评分最低，为6。第10个时间点的平均评分为约6.04，表明在整个实验过程中，评分的平均提高仅为0.04。因此，似乎时间与评分之间没有强烈的关系。
实验后的信任量表
在实验结束时（即不是在每个环节结束时，而是在所有三个环节都结束后），参与者被要求回答六个与他们对系统的信任程度相关的陈述。这些陈述是：
TS1. 当我在做其他事情时，我可以依赖自动化系统正常工作。
TS2. 自动化系统在需要时提供了警报。
TS3. 自动化系统发出了错误的警报。
TS4. 自动化系统是可靠的。
TS5. 我熟悉自动化系统。
TS6. 我信任自动化系统。所有回答都是基于一个7点李克特量表，选项范围从“1”表示强烈反对到“7”表示强烈同意。除了一个信任声明外，所有声明都使用了正面措辞，因此更高的分数表示更高程度的信任。声明3，“自动化系统发出了错误警报”，使用了负面措辞，因此对这个声明的回答被重新编码，使得“1”=“7”，“2”=“6”，依此类推。
体验后的访谈
在车内体验之后，参与者被问了一系列六个问题。访谈被音频录制作为研究者笔记的备份。数字音频记录被转录成文本，但任何评论都没有附上个人名字。记录了25名参与者的回答并进行了转录。转录文本和研究者笔记作为定性内容分析的基础，该分析使用框架分析方法完成。这次分析的结果被用来帮助研究者可能理解与常规不同的参与者行为。关于完成框架分析所使用的方法以及详细发现的完整讨论可以在附录F中找到。
通常，参与者表示他们有一个积极的体验，并且似乎对系统印象深刻且有信心。大多数参与者报告说他们对系统感到舒适（图2-14）。那些没有表达特定舒适水平的人提供了他们舒适度的一般描述。这些一般性的表达被归类为“其他”。注意，参与者没有被要求使用李克特量表来描述他们的舒适水平。
图2-14. 实验1参与者对自动化系统的自我报告舒适度水平
当被问及他们达到舒适水平的速度（具体或相对时间）时，大多数参与者报告说他们的最终舒适水平在15分钟或更短时间内达到（图2-15）。对于这个问题回答含糊的七名参与者中，有两人回答说他们很快就对系统感到舒适，三人回答说相当快，一人回答说在看到系统对其他车辆做出几次反应后，他对系统感到非常舒适。最后一位参与者表示，他对警报（测试条件的一部分）和测试轨道上其他车辆的存在感到不适。
图2-15. 实验1 参与者按年龄达到系统舒适度所需时间
关于呈现的警报，回应表明参与者更倾向于多模态警报系统。例如，在被问及哪些因素影响他们的舒适度时，有15名参与者特别评论了警报。参与者特别指出他们喜欢触觉（9次回应）和视觉警报（10次回应）。在这些参与者中，有七人表示他们希望并/或期望触觉警报能够与听觉或视觉警报一致地呈现，或者在系统故障发生时呈现。几名参与者（5次回应）表示他们希望并/或期望一致的视觉警报。参与者还建议包括听觉警报（4次回应）。在设计建议的背景下也提出了类似的建议。
实验1总结
以下表格（表2-2至表2-7）总结了每种依赖变量相关的警报类型和模态组合之间的显著差异。在每个表格中，特定的警报类型和警报模态组合与其他所有相关的组合进行比较。例如，在表2-2中，警告性多模态是感兴趣的组合，它直接与紧迫性多模态和分阶段多模态进行比较，因为它们共享相同的模态；它还与警告性单模态进行比较，因为它们共享相同的警报类型。为每种警报类型和警报模态组合提供了类似的表格。当感兴趣的组合与其他相关组合之间没有显著差异时，这被标记为“不显著”。显著差异也被相应地标记为“显著”。
表2-2. 警告性多模态的平均值，与实验1中其他相关警报类型/警报模态组合的平均值比较
表2-3. 警告性单模态的平均值，与实验1中其他相关警报类型/警报方式组合的平均值比较
表2-4. 即将发生的多模式与实验1中其他相关警报类型/警报方式组合的平均值对比
表2-5. 实验1中即将发生的单模态与其他相关警报类型/警报模态组合的平均值对比
表2-6. 阶段性多模式与实验1中其他相关警报类型/警报方式组合的平均值比较
表2-7. 实验1中单模态分阶段的平均值与其他相关警报类型/警报方式组合的平均值比较
表2-8描述了对激活智能驾驶功能所需时间的比较。因为参与者只有在警报处于迫近阶段时才需要激活自动化，所以只有三种警报类型和警报模式的组合（迫近单一模式、迫近多模式和分阶段多模式）提供了有效的激活自动化时间样本。下表中对这三种组合进行了相互比较。如果两种特定警报类型之间没有显著差异，它们将共享一个共同的字母。由于迫近单一模式与迫近多模式和分阶段多模式显著不同，迫近单一模式被赋予字母“A”，而迫近多模式和分阶段多模式被赋予“B”。
表2-8. 实验1中相关警报类型/警报模式组合激活自动化所需时间的平均值比较
