特斯拉Model S自动驾驶体验研究

自动驾驶系统：特斯拉Model S的初步自然主义研究

自动驾驶和半自动驾驶汽车目前正由超过14家公司进行开发。这些车辆可能会提高驾驶的安全性和便利性，但也可能给驾驶员带来新的挑战，特别是在情境意识（SA）和自主性交互方面。我开展了一项关于特斯拉Model S自主功能的自然驾驶研究，记录了我在6个月期间的经验，包括对情境意识和自主系统问题的评估。这项初步分析揭示了驾驶员在真实驾驶条件下应对新型自动驾驶汽车时可能面临的挑战，并将以往关于人‐自主系统交互的研究扩展到了驾驶领域。研究发现了驾驶员培训、心理模型构建、模式混淆、意外的模式交互、情境意识（SA）以及分心易感性等方面的问题。关于半自动驾驶系统的新的发现包括：情境意识的变异性增加、连续控制被串行离散控制所取代，以及需要做出更复杂的决策。本文提出了未来研究中值得关注的一系列问题，并提出了一套针对自动驾驶系统驾驶员界面的指导原则，用于制定提升驾驶员在与自动驾驶汽车交互过程中情境意识的建议。

关键词：驾驶，自主性，自动化，情境意识，模式意识，分心，界面设计

汽车行业正在快速开发面向公众驾驶的半自动驾驶和全自动驾驶汽车。这包括各种先进的导航辅助、碰撞预警和盲点预警系统等。自动泊车、自适应巡航控制（ACC）和自动车道保持系统等高级功能。谷歌致力于开发完全自动驾驶汽车，无需驾驶员干预，而其他公司则逐步推出旨在辅助和增强驾驶员操作的自动驾驶功能。

然而，这些努力并非没有风险。由于自动化会降低驾驶员的情境意识（SA；恩兹利和基里斯，1995），导致驾驶员脱离环路（威肯斯与凯塞尔，1979；杨，1969），因此要开发出能与人类驾驶员良好协作的自主系统面临相当大的挑战。在监控自动化过程中，人们往往难以及时察觉需要干预的问题，且难以迅速充分理解该问题以有效采取行动。

例如，一辆特斯拉Model S最近卷入了一起致命车祸，导致驾驶员死亡，当时其自动驾驶仪系统未能检测到一辆在其前方转弯的18轮卡车（所罗门，2016）。如果该驾驶员没有依赖自动化系统，他是否本可以及时发现卡车并刹停？或者正如特斯拉所声称的那样，驾驶员同样会因卡车与明亮天空背景融为一体而未能察觉，从而使自动化系统的作用变得无关紧要？在另一起事故中，一名特斯拉驾驶员因信任自动驾驶仪会自动刹车而未采取制动措施，结果追尾前车，并且她干预过晚，未能避免碰撞（吉特林，2016）。

情境意识是许多高度动态和复杂领域（包括驾驶）中实现成功性能的基本前提（恩兹利，1995；古格蒂，1997；霍斯威尔和麦肯纳，2004；马和卡贝尔，2005）。驾驶员需要掌握诸多因素的情境意识：车辆的速度、燃油量和车辆运行状态；其他车辆和行人的相对距离、速度和轨迹；天气和危险对车辆安全的影响；在目标路线上的位置，到下一个转弯的距离，以及到达目的地的预计时间和距离；遵守限速规定及其他适用法律；了解车辆设备异常状态及其对车辆安全和性能的影响（Bolstad, Cuevas, Wang‐Costello, Endsley, & Angell, 2008）。情境意识不仅包括驾驶员注意力和感知，还包括（1）针对所感知信息与其目标的相关性做出有意义的评估的能力（例如，为应对前方出口或事故而提前变道）；以及（2）预测可能发生的未来事件以做出主动决策的能力（例如，根据前方道路上的刹车灯减速，或绕行交通拥堵路段）。

情境意识（SA）差常常被认为是车辆事故的原因（古格蒂，1997）。驾驶事故的两个主要原因——观察不当和注意力不集中——就是未能保持情境意识的例证（特里特等人，1979），分心和识别错误（例如，看了但未看到或解释错误；萨比和斯托顿，1975）也是如此。马和卡伯（2005）发现，情境意识的所有层次（感知、理解与预测）似乎都会影响操作性驾驶行为，而沃德（2000）以及马修斯、布莱恩特、韦伯和哈尔布卢克（2001）则表明，不同类型的驾驶任务（操作层面、战术层面和战略层面）都需要这三个层次的情境意识。

自动驾驶系统操作员面临的挑战

大量研究致力于解决各种环境（包括航空、驾驶和过程控制）中的人机自动化融合挑战。恩兹利（2017）总结了约30年的相关研究，提出人类自主系统监督模型，该模型表明，驾驶员在需要时的干预能力和从自动化接管的能力，取决于其对驾驶环境中关键信息的情境意识。三个主要因素将对自动驾驶系统中的驾驶员态势感知产生重大影响。

注意力和信任

情境意识直接受个体对相关驾驶信息的注意力水平影响，而注意力水平又受到对自动化信任程度的影响，以及存在竞争性次要任务，且这一过程受到车辆显示系统有效性的调节。信任显著受到自动化能力的影响，主要是其可靠性和鲁棒性（汉考克等人，2011；李和西，2004）。当自动化更加可靠和更具鲁棒性时，信任度会提高，人们也更愿意将注意力转移到竞争性任务上，例如做白日梦、操作车载技术、使用手机通话或发短信、进食、梳妆或执行其他额外任务（卡尔斯特恩、赖、巴纳德、贾姆森和梅拉特，2012；赫格特、洛伦茨、维利梅克和克雷姆斯，2016；卡贝尔和恩兹利，2004；马和卡贝尔，2005；塞图马达瓦，2009），从而直接降低其情境意识。

参与度和工作负荷

驾驶员的工作负荷水平和参与度显著影响情境意识。即使驾驶员保持警惕，在自动化条件下也可能变得远不如以往投入（更像乘客而非驾驶员），从而降低情境意识，并减缓对危险情况的反应速度（恩兹利和基里斯，1995；曼齐、赖兴巴赫和奥纳施，2012；梅茨格和帕拉苏拉曼，2001）。操作员的参与程度及其所经历的工作负荷大小，取决于自动化的实现方式——特别是（a）自动化等级（即任务的哪些方面被自动化）；（b）自适应自动化，即手动控制与自动控制交替进行；以及（c）控制粒度的多少，决定指导需要详细到何种程度。存在一种自动化困境：系统中添加的自动化越多，且自动化越可靠、越稳健，负责监控自动化的人员就越不可能掌握关键信息，并在需要时接管手动控制（恩兹利，2017）。

心理模型

最后，驾驶员的心理模型的准确性和完整性在很大程度上影响着情境意识。这种心理模型主要通过培训、经验以及系统界面的透明度逐步形成，并为驾驶员建立一系列预期，用于解读驾驶环境中的事件和系统的操作。然而，随着自动化变得越来越强大且复杂，建立准确的心理模型变得相当困难。在自动驾驶系统开发中使用新的深度学习技术，导致系统逻辑频繁变化且复杂难懂，这将使保持准确的心理模型更加具有挑战性（美国空军，2015）。

在现实环境中，关于自动化的大多数研究来源于过去30年航空和过程控制行业的经验和事故。这些研究为理解未来驾驶员在自动驾驶车辆中将面临的挑战提供了重要基础。相比之下，驾驶环境可能会因自动驾驶功能而出现更严重的问题，因为汽车之间的运行距离比飞机更近，在许多交通场景下几乎没有容错空间，而且驾驶员缺乏商业飞行员所普遍具备的高水平选拔和培训，而后者操作着最复杂的自动化飞行管理系统。

researCh on automobile autonomy

在过去几年中，许多在仿真环境中的研究聚焦于确定新的自主系统将如何影响驾驶员。彼得梅耶、阿宾克和德温特（2015）研究了自动转向系统，发现它们能提高驾驶员满意度和性能，但也增加了从系统关闭中恢复所需的时间，显示出脱离回路问题。

研究还表明，随着自动驾驶系统的实施，驾驶员分心的可能性会增加。在高度自动化驾驶任务中，随着信任度的增加，视觉监控的频率和持续时间有所减少（赫格斯等人，2016）。德温特等人（2014）发现，在高度自动化驾驶情况下，执行其他次要任务的驾驶员增加了261%。卡尔斯滕等人（2012）显示，在配备自适应巡航控制和自动车道保持的高度自动化车辆中，驾驶员越来越多地参与次要任务，导致在需要干预时出现显著的工作负荷激增，需要时，往往超出驾驶员的能力。同样，梅拉特·贾姆森、赖和卡尔斯滕（2012）发现，当使用自主系统的驾驶员将注意力转向次要任务时，他们对关键事件的反应速度明显变慢，且在低负荷期间这种影响更为严重。此外，与自动化系统本身的交互还会造成分心，加剧了这一问题（Neu-bauer, Matthews, Langheim, & Saxby, 2012）。

然而，并非所有研究都表明自动化会降低情境意识。贝尔、赫森和福尔拉特（2013）发现，当向驾驶员显示自动化可靠性时，驾驶员态势感知和碰撞反应时间均有所改善。马和卡伯（2005）也发现自适应巡航控制（ACC）能够提升情境意识，他们将其归因于驾驶员用于关注交通的可用心理容量增加。然而，当驾驶员使用手机时，这种优势便消失了，证实了在监控自动化过程中进行双重任务的负面影响。有趣的是，受影响最显著的是驾驶员对未来事件的预测能力（三级情境意识）。由于研究表明使用手机通话会加重工作记忆的中央执行功能负担并损害驾驶员态势感知（亨南、赫德曼、布朗和罗伯特，2014），驾驶员可能缺乏足够的容量来进行驾驶中至关重要的预测，同时也导致参与度降低。

这些研究证实了关于自动驾驶系统影响的许多担忧。然而，大多数研究是在驾驶模拟器中进行的，且任务持续时间相对较短，可能无法反映真实世界的状况。例如，斯特雷耶和库珀（2015）表明，与模拟器研究相比，许多任务在现实环境中的分心程度要高得多。此外，随着时间的推移，驾驶员的行为可能会发生变化，因为他们逐渐适应自动化，学会何时信任它并调整其驾驶策略，或者由于任务变得不那么具有挑战性和吸引力而日益感到无聊。

尽管许多汽车公司都在积极测试新的自动驾驶功能，但其中许多功能尚未广泛部署。特斯拉采取了更为积极的方法，在其商业可用车辆中推出了先进的自动化功能。因此，我决定在特斯拉Model S上进行一项自然驾驶研究，仔细记录我在6个月期间的驾驶经验。

尽管这种方法缺乏模拟器研究中常见的实验控制，但这项自然驾驶研究为驾驶员在真实驾驶条件下应对新型自动驾驶汽车时可能面临的挑战提供了独特的视角，且不受模拟研究的局限性影响。需要指出的是，本分析仅反映了笔者个人的经验，并且我是基于人‐自主性交互和系统设计的相关知识来分析该系统的（与采用多名未经训练受试者的典型研究不同）。本分析初步探讨了自动驾驶软件如何影响驾驶员态势感知和性能，以确定以往关于人‐自主性交互的研究成果在驾驶领域的适用程度，明确未来研究中值得关注的问题类型，并提出针对汽车自主性系统界面设计的改进建议。

自动化软件测试

该研究在一辆特斯拉Model S 70中进行。研究开始时，车辆的自动驾驶软件版本为7.0。在为期6个月的研究期间，该车自动接收了总共五次软件更新（7.1–7.1.2.18）。以下是对所测试的自动化软件的说明，图1展示了提供给驾驶员的显示内容。

自适应巡航控制 ：自适应巡航控制使车辆保持驾驶员设定的速度行驶。如果接近前方较慢行驶的车辆，自适应巡航控制会自动减速，使本车与前车保持设定的距离（5个车长）。

自动转向 ：作为特斯拉自动驾驶系统的一部分，自动转向功能在本研究期间处于测试模式。当检测到道路的车道标线时，自动转向可使车辆沿车道标线中心行驶；若仅检测到一条车道标线，则保持与该侧边固定距离行驶。自动转向始终与自适应巡航控制配合使用，尽管自适应巡航控制可单独使用。

自动变道 ：在启用自动转向时，自动变道（ALC）会在驾驶员打开转向灯后自动将车辆移至相邻车道。驾驶员需在激活自动变道（ALC）前确保相邻车道无车。

导航系统 ：基于GPS的地图导航系统可自动导航至任何输入的目的地。驾驶员需负责遵循导航指示，因为自动转向功能未与地图直接关联。

召唤 ：召唤模式在测试开始约6周后的首次月度更新中推出。该模式允许驾驶员在车外使用遥控钥匙或智能手机将车辆驶入或驶出车库或停车位。驾驶员需负责确保车辆已清除障碍物，并用于车辆的启动和停止。

警告 ：当前速度限制会显示在主驾驶显示屏上（当传感器检测到法定速度限制标志时会进行更新），当超过速度限制>5英里/小时时，显示大小会暂时增大。此外，侧面碰撞预警系统会在车辆旁边显示扇形区域，以指示检测到障碍物或其他车辆的区域。当车辆在未打开转向灯的情况下越过车道标线时，系统会通过触觉反馈提供车道偏离警告。紧急碰撞制动功能是在一次软件更新中新增的，当感应到即将发生碰撞时，系统将自动制动。

研究方法

在提车并从服务代表处获得关于特斯拉Model S功能的常规说明后，我驾驶了200英里作为初始培训期。在为期6个月的研究期间，我的目标是在所有正常驾驶条件下，只要安全就使用自动化系统。我通过每次行程结束后的问卷收集了使用自动化系统的经验数据，问卷内容包括行程长度、驾驶条件、使用的自动化系统、行程中遇到的任何问题，以及对自动化系统满意度、信任度和有用性的评分（采用5点量表），还包括主观工作负荷评级及其他评论。

我还收集了自己在驾驶过程中的情境意识（SA）数据。博尔斯特德等人（2008年）讨论了情境意识测量方法在驾驶任务中的适用性。他们推荐使用直接的客观测量方法，例如情境意识全局评估技术或实时情境意识探测，这些方法能够提供关于情境意识三个层次的详细信息，是最敏感且具有诊断性的。这些测量通常在模拟器环境中进行，便于数据收集。在此项真实世界的驾驶任务中，我采用了一种改进的技术，即在随机时间点口头记录我对多个情境意识探测问题的回答（而不是在模拟过程中暂停时回答，这通常是常规做法）。

计时器被设置为在3到10分钟之间的随机时间点响起。当计时器响起时，我在不四处张望或查看显示的情况下，迅速记住了我对五个情境意识探测问题中的每一个问题的答案。当安全时，我将我对探测问题的回答以及正确答案录入手持录音设备，之后再输入计算机。这些情境意识探测问题选自与驾驶相关的多个目标所对应的一组情境意识要求（Bolstad等，2008）：

• 您与前方车辆的轨迹相比如何？正在接近、正在远离、保持跟车距离、不适用
• 周围车辆在哪里？左侧、左后方、后方、右后方、右侧、无
• 您是否在距下一个转弯半英里范围内？是，否
• 您的行驶速度是多少？以每小时5英里为区间
• 您的速度是否在速度限制的5英里/小时范围内？是，否

（在有乘客在汽车内的行程中，我没有收集情境意识数据。）此外，在当时，我通过主观工作负荷评估技术，对时间、努力程度和压力等子量表采用1到3分评分，记录了我的工作负荷、参与度水平（9分量表）以及当前使用的自动化系统。

为了进行比较，我在开始收集特斯拉的SA数据之前的一个月内，在对照条件下也收集了情境意识数据。在对照条件下，我驾驶了一辆雷克萨斯350ES，该车不具备高级自动驾驶功能，仅配备了传统巡航控制和车载基于GPS的地图导航系统，但在数据收集期间我没有使用该导航系统。

研究结果

在为期6个月的测试期间，我总共完成了2,684英里，共>106次行程，平均行程长度为25.6英里：78%的行程涉及高速公路驾驶，45%为城市驾驶，8%为乡村驾驶（许多行程基于混合类型）。在研究期间84%的行程中使用了某种形式的自动化：导航引导（50%），自适应巡航控制（82%）、自动转向（82%）、自动车道控制（72%）和召唤（4%）。

对驾驶过程中测量的我的情境意识（SA）进行分析，发现在整个研究期间没有显著变化（p < .05），这可能是由于样本量较小，仅涉及一名驾驶员。趋势显示，我对与前方车辆相对位置的意识以及距离下一个转弯半英里内的意识在整个研究过程中始终保持较高水平，很可能是因为这些问题的回答差异很小。我对当前速度及是否符合速度限制的认知随着自动化程度的提高而提升，主要归因于自适应巡航控制（ACC）在速度控制上比手动控制更为一致；然而，这一提升在统计学上并不显著。

对其他车辆的注意力在研究初期有所增加，但在研究的最后阶段却有所下降。总体而言，当自动转向和自适应巡航控制启用时，我发现更容易观察周围及相邻车道的交通状况。然而，随着时间推移，由于感到无聊以及保持警觉的困难，我的注意力逐渐转移到其他任务上，例如做白日梦、调整导航系统和音响系统，或查看发短信。

需要注意的是，本研究中收集态势感知数据要求我克制住查看相关内容的冲动在确定我的回答时（通常需要5‐6秒），我会同时处理信息，之后再环顾四周查看我的答案是否正确（通常需要另外1‐2秒）；然后我会迅速通过录音设备凭记忆记录下这些答案以及正确/错误的评分，整个过程通常在30秒内完成。这比在模拟器中使用情境意识全局评估技术来评估情境意识更具挑战性，因为在模拟器中可以暂停并遮蔽场景后再回答情境意识探测问题。我个人的主观感受是，在此过程中很可能会干扰驾驶。出于安全考虑，在模拟器中使用情境意识探测问题优于在真实驾驶环境中收集情境意识探测数据。

总体而言，我在30%的行程中遇到了自动化相关问题。图3显示了在研究期间使用自动化系统时遇到的问题频率和类型。尽管存在自动化相关问题，但如图4所示，我对该自动化系统的整体满意度、感知有用性以及信任度在整个研究期间均有所提升。这些提升部分归因于每月软件更新带来的自动化改进，但主要归因于我逐渐适应了该自动化系统能够或无法完成的任务。

自动化相关问题

培训和心理模型

建立并保持对自动化系统工作原理的准确心理模型被证明是一项相当大的挑战。当我提车时，特斯拉的服务代表为我提供了有关所有控制装置和显示内容的初步口头说明，以及关于自主性功能的口头介绍。尽管服务代表最初告知我该自动化系统是100%可靠的，但在反复追问后，他们请来了一位经验更丰富的服务代表（即工作了3个月，而非3天），这位代表不仅解释说该系统并非100%可靠，还详细说明了一些局限性，并为我提供了一次试驾。培训经验相当随意，主要由驾驶员的问题和知识水平所引导。

建立对自动化系统工作方式的心理模型，在很大程度上取决于驾驶员。尽管手册中包含了一些关于每个功能如何操作的信息，但这些信息并不全面，也没有详细说明各个自动化功能单独或与其他功能结合使用时的工作方式。因此，我不得不依靠反复试验来确定自动化功能在不同驾驶条件下的工作情况。

在很多情况下，我并不完全清楚自动化系统为何会以某种方式运行，因此不得不自行做出假设。由于软件更新速度很快，要建立对系统的准确心理模型变得更加困难。尽管每次更新都会通知驾驶员，并且车载显示屏上会提供更新发布说明，但这些说明通常不够详细，无法解释许多变更内容。此外，这些更新说明无法在线获取，因此我只能在车辆内阅读它们。

例如，自动转向功能最初在急转弯时无法正常工作。大约在测试开始4个月后，我发现它已经学会了应对这些弯道。该软件学会了在进入弯道时减速，并且在跟踪车道标线方面也有所改进。然而，这令人感到意外，因为所有的更新发布说明中均未提及此项变更。

召唤模式是通过一次软件更新添加到系统中的，当时仅提供了书面说明。在后续的一次更新中，其操作方式发生了显著变化（改为通过智能手机应用程序而非遥控钥匙），但给出的解释非常令人困惑。用户不得不通过反复试验的多次尝试，才弄清楚如何使用这一新功能。

模式意识和模式混淆

模式混淆是我遇到的最常见问题。在大多数情况下（n = 11），这种混淆源于控制自适应巡航控制和自动转向功能的拨杆位于转向柱左侧转向信号拨杆正下方。转向信号用于传统指示，并在自动转向开启时激活自动车道控制。向前拉动巡航控制拨杆一次可激活自适应巡航控制，两次则激活自动转向功能。一个常见错误是意外地在上方的转向信号拨杆上执行此操作会触发远光灯闪烁。向上或向下移动巡航控制拨杆可增加或降低速度设定。然而，我经常误在上方的拨杆上执行期望的操作，导致错误地打开了转向信号，或者相反（即本想激活转向信号时却更改了速度设定）。这种错误导致我在打算变道时车辆多次意外加速，需要进行干预。

在两种情况下，我以为自动化系统已开启但实际上并未开启（由于未知原因，自动转向在激活时未能成功启动）；在另外三种情况下，我在接管手动控制后并未意识到自适应巡航控制仍然处于开启状态。当驾驶员踩下刹车时，自适应巡航控制和自动转向都会关闭；然而，如果驾驶员转动方向盘，则仅取消自动转向，自适应巡航控制仍保持开启。例如，当我转动方向盘从高速公路的出口匝道驶出时，惊讶地发现车辆仍在高速行驶，因此还需要踩刹车才能断开自适应巡航控制。这种情况也出现在一个急弯处，当我接管手动转向时，惊讶地发现自适应巡航控制仍然处于启用状态，导致车辆过弯时速度过高。

意外的模式交互和涌现行为

最初，我被告知各种自动化系统（自适应巡航控制、自动转向和导航）都是独立运行的。然而，我发现系统的逻辑产生了一些异常且意想不到的突发行为，而软件更新在某些情况下将模式的行为关联起来，进一步加剧了这一问题。例如，当我跟在一辆较慢的车辆后方时，自适应巡航控制会减速以保持设定的跟车距离。但当我变换车道时，车辆却会意外加速，以恢复设定的自适应巡航控制速度。

作为安全预防措施，当自适应巡航控制和自动转向均处于激活状态时，在没有分隔带的道路上，车辆速度将被限制为不超过限速5英里/小时。如果驾驶员接管手动转向控制，或道路随后变为分隔式道路（例如存在中央隔离带），车辆可能会突然加速至较高的自适应巡航控制速度设定，从而造成一些意想不到的体验。

自动化可靠性与鲁棒性

自适应巡航控制通常表现可靠，能够保持设定的跟车距离。当前方车辆减速时，我的车辆也会随之减速，通常在接近红绿灯停车时无需制动。然而，如果我正在接近完全停下的交通状况，或者前方没有车辆，则仍需要为红绿灯进行制动。这导致了一种更复杂的双重决策情况。我不再是始终在红灯时制动，而是需要做出两个判断——“是否需要停车？”和“我是否需要干预？”，这可能会增加反应时间。

自动转向功能在直行高速公路上非常可靠，能够稳定保持行驶轨迹。然而，在不同情况下其鲁棒性不足。由于在没有车道标线的交叉路口无法判断如何操作，该功能难以在城市道路上使用。由于自动化系统通常在此时退出，因此在大部分测试期间，我停止了在城市道路上尝试使用该功能。此外，至少在初期阶段，该系统也无法处理急转弯，尽管在测试期间其性能有所改善。

在多个场合下，自动化系统意外退出，在弯道中央突然返回手动控制，这相当令人惊恐。此外，该系统在处理车道合并时也存在问题；当车道分叉为两条车道时，它不知道该如何应对。更重要的是，当出现车道减少导致另一辆汽车并入其所在车道时，系统未能做出反应。

发布说明中指出，当车道标线缺失、模糊或不明确，或在雨、雪、雾天气条件下，自动转向功能可能无法正常工作。根据我的经验，在一条车道标线非常差的乡村道路上，它仅出现过一次无法识别标线的情况。在一场大雨中，只有当标线对我而言也已不可见时，系统才失去了对车道标线的跟踪。

自动变道辅助功能工作非常可靠。每次激活时仅变道一次，若要再次变道需要重新激活。由于特斯拉传感器无法探测到车辆前方或后方较远的距离，需手动检查相邻车道始终是必要的，以确保没有接近的车辆。对于紧邻特斯拉或处于其盲区内的车辆，驾驶员的警觉性似乎不一致。至少有一次，系统阻止我变道至相邻车辆所在车道；而另一次则允许变道，但随后需要手动驾驶干预。

在中度或拥堵交通中使用自动车道控制相当困难。变道前，需要多次进行细微的速度调整，使车辆与可变道空隙对齐，并与相邻车道的交通速度保持一致。我发现手动进行变道和并道操作要容易得多。

召唤模式运行良好，能够缓慢地进出车库，并在发出指令时停止。当路径上放置障碍物时，车辆会尝试绕行，导致其在狭小空间内以奇怪的角度移动。在测试期间，我仅使用了几次此功能，用于在他人停车过近时驶出停车位，因为其他情况下几乎没有使用需求。

情境意识、分心、警觉性以及过度依赖

在某些方面，我发现使用自动化时我的情境意识有所提升。我不再需要高度集中注意力来维持车速和行驶轨迹，而是可以更多地观察周围的交通状况、标志和信息显示。

然而，我也发现了若干令人担忧的分心和注意力丧失的情况。随着时间推移，我的注意力开始分散，发现自己更容易做白日梦、与导航系统或音响系统互动，甚至在驾驶时发短信，而这些行为在我手动驾驶时从未发生过。这种高度可靠的自动化非常诱人，助长了不良行为。

由于我通常只在自动化高度可靠的情况下执行此类额外任务，这可能不会成为问题。然而，当出现意外情况时（例如车道合并或意外弯道），情境意识的暂时丧失可能是致命的。因此，即使平均而言情境意识在手动控制和自动化下的水平相同，它也可能变得更加波动，容易出现高低波动，随之而来的风险是事故。

一个更为隐蔽的问题是使用自动化时出现的参与度丧失。当我在自动驾驶模式下驾驶特斯拉时，我发现当我的车辆与旁边的一辆房车在高速公路车道合并时逐渐靠近，我的反应速度出乎意料地缓慢。我花了额外几秒钟才意识到自动化系统并不会处理这种情况。虽然我及时接管了车辆控制权，但这种情况并不总是能够避免。

有一次，我在深夜使用自动驾驶仪驾驶时感到非常困倦。从积极的方面来看，自动转向使我保持在正确的车道内，避免了车辆偏离道路的风险，从而保障了我的安全。然而，这也可能让我睡着，导致我在需要干预时无法意识到情况。

我发现最大的挑战之一是特斯拉如何处理意外的自动化转换——当自动化系统无法应对某种情况并意外地将功能交还给手动控制时。这种转换通过一个低沉的音频提示音以及显示屏上自动化模式图标从蓝色变为白色来提示。在研究过程中，这种情况至少发生了八次。不幸的是，所提供的音频提示音音量不够大，也不够显著，难以引起驾驶员的注意力，尤其是在音响系统播放声音时，对于已经分心或困倦的驾驶员来说可能根本无法察觉。此外，在这些情况下均未提供提前预警，很大程度上是因为当时的情况超出了自动驾驶软件或传感器的处理能力，这意味着驾驶员必须立即采取行动。

特斯拉的自动转向功能要求驾驶员始终将双手放在方向盘上，并在启用时通过警告信息提醒驾驶员这一点。如果车辆未检测到驾驶员的手放在方向盘上，会在3到5分钟后发出警告信号，若仍未检测到，将再次发出警告。如果持续无法检测到驾驶员的手在方向盘上，车辆将开始减速并逐渐停止。我发现传感器对检测我手是否放在方向盘上的效果不佳，经常出现误警告，导致极大的挫败感。（注意：在拥有该车辆近一年后，我发现方向盘并没有压力传感器，而是对左右转向输入做出反应，从而解释了这一问题。这是另一个由于缺乏文档记录的功能导致心理模型不佳的例子。）

最大的局限性在于，尽管该功能可能在驾驶员睡着时提供良好的后备支持，但对于因低唤醒状态、分心或注意力丧失而导致的情境意识下降却无法充分应对。手放在方向盘上并不等同于心思集中在道路上。

尽管这是一项基于我在6个月期间经验的初步研究，但我发现了许多重要问题，值得通过更大的受试者群体以及更多自动驾驶汽车设计进行进一步调查，以确定其普遍性。此类研究可以采用模拟器，以便进行更严格的数据收集，也可以开展实地和纵向研究，以考察典型驾驶员在日常条件下与自动驾驶汽车交互的体验。然而，仅从这项有限的研究中，就可以提出一些关于驾驶员培训和车辆界面设计的建议。

培训

关于自动化系统功能的更详细驾驶员培训至关重要。客服代表可能经验不足，或缺乏传达自动化系统复杂性的技能。驾驶员不仅需要更加详细和互动的培训，了解如何操作自动化系统，还需了解其在不同驾驶条件下的表现，以及不同的自动化功能在实际中如何相互作用，从而建立准确的心理模型，以适当调整他们的信任和期望。此类培训可通过在线视频软件轻松实现，并可随着系统的成熟不断进行更新。

驾驶员显示

已开发出改进操作员态势感知的详细指南（Endsley & Jones, 2012），可应用于驾驶。表1展示了特斯拉Model S的显示如何与这些准则进行比较，以及在哪些方面可以改进以帮助解决本研究中发现的一些交互问题。在许多方面，特斯拉为自动驾驶软件提供了出色的可视化界面，该界面在大多数情况下直观且易于使用。显示内容清晰呈现且易于导航。

然而，在创建有效的界面和方法以支持驾驶员理解自动化方面面临着重大挑战，因为自动化本身具有复杂性，同时还需应对参与度丧失和分心等非常现实的问题。由于特斯拉在向公众提供更高程度自动化功能套件方面领先于许多其他公司，因此值得考察其方法在多大程度上解决了这些挑战。表1中的建议概述了所有汽车制造商在将自动驾驶功能推向市场时都需要解决的问题。此外，由于许多人会在家庭内或通过租车公司驾驶多种车辆，因此有必要为驾驶员与自动驾驶系统之间的界面制定统一的标准。这些指南指明了这些标准中需要解决的诸多问题。特别是，实现高水平的自动化透明度，确保自动化的可理解性和可预测性，对于解决不同车辆之间以及随时间推移而出现的自动化行为不一致问题至关重要。

结论

本研究存在一定的局限性，仅记录了一名驾驶员的经验，且情境意识探测问题和评估均由驾驶员自行完成。然而，该研究证实了关于高度自动化驾驶对情境意识（SA）带来风险的模拟研究中的许多研究结果，并补充了其他车内自动化研究的相关成果（Blanco等人，2015；Blanco等人，2016）。此外，该研究还提供了许多关于驾驶员在操作高度自动化车辆时可能遇到的挑战类型的见解，包括模式混淆、心理模型构建以及支持意外的自动化转换。特别是，我发现针对新自主性功能的驾驶员培训需要更多的注意力。未来的研究应通过更大的受试者群体，以及基于模拟器的和实地研究方法进一步探讨这些问题。

自动化能力正在迅速提升，此处报告的许多可靠性和鲁棒性问题可能会随着时间推移而减少甚至消失。然而，驾驶员交互问题仍将存在，必须加以解决。尽管本研究聚焦于特斯拉的自动化软件，但我需要指出的是，这些问题在其他汽车公司中也相当普遍，并非该车辆所独有。

即将到来的自动化浪潮正在对驾驶体验产生重大影响。随着驾驶员在车辆操作中变得越来越被动，非驾驶行为将显著增加并变得更加突出。必须更加重视驾驶员界面的设计，以弥补这种人类自然倾向。多年来关于警觉性与监控的研究表明，仅仅简单地提醒或警告驾驶员注意是远远不够的。汽车自动化的成功以及公众驾驶的安全，取决于系统设计对驾驶员需求的充分考虑。