《Scientific Reports》：Neuroergonomic evaluation of risk-warning eHMI penetration rates in vehicle platoons: effects on pedestrians’ mental workload, situation awareness, and gap acceptance
编辑推荐：
为解决L4-5自动驾驶车辆(AVs)因缺少驾驶员线索而引发的交互难题，研究人员针对车辆队列中风险预警外部人机接口(eHMI)的三种渗透率（零、部分、全）开展了神经工效学评估。研究发现，与部分渗透相比，全渗透eHMI能显著提升行人情境意识(SA)并降低心理负荷(MW)；与零渗透相比，全渗透eHMI可增强行人对时空间隙的敏感性，而不显著改变MW或SA。该结果强调了在eHMI过渡部署阶段进行战略规划的重要性。
在未来的街道上，当一队没有驾驶员的汽车悄无声息地驶过，行人该如何判断何时可以安全穿过马路？这并非杞人忧天，随着L4-5级自动驾驶车辆(Autonomous Vehicles, AVs)从概念走向现实，如何确保它们与行人，特别是横穿道路的行人安全、顺畅地交互，已成为一个亟待解决的重大挑战。传统的过街决策依赖于行人与驾驶员之间丰富的非语言交流——一个眼神、一个手势，甚至车辆的微微减速都能传递关键信息。然而，当驾驶座上空无一人，这些宝贵的“社会线索”也随之湮灭，留给行人的可能只有冰冷的金属外壳和难以预测的行驶轨迹。
为了弥合这一沟通鸿沟，汽车工程师和交互设计师们将目光投向了外部人机接口(External Human-Machine Interfaces, eHMIs)。想象一下，车身上能够显示动态信息的灯光带或投影，它们可以像交通信号灯一样，明确告知行人“请您先行”或“我正在行驶”。其中，风险预警eHMI是一种更为精细的设计，它能够根据车辆的实时状态，例如计算出的到达时间(Time-to-Arrival, TTA)，向行人动态传递当前的过街风险等级。理论上，这似乎是完美的解决方案。但现实世界的交通场景远比实验室复杂：车流往往以车队(Platoon)的形式出现，而非单辆车；更重要的是，新技术从无到有的普及必然经历一个漫长的过渡期，这意味着路上的车辆将是eHMI装备车与未装备车的混合体。当行人面对一列车队，其中一些车闪着eHMI信号，另一些则默不作声时，他们的大脑将如何处理这种不一致的信息？认知负荷会激增吗？他们对周围交通环境的感知（即情境意识）会下降吗？最终，这会影响他们判断可安全穿越的车辆间隙(Gap Acceptance)的决策吗？这些问题的答案，对于评估eHMI的实际效用和规划其部署路线至关重要。
为此，由Xiaowei Chen, Jun Ma, Jiawei Li, Yunyi Tang, Xiaomeng Li, Jingyi Wang, Jing Chen, Yuchen Zhang, Haobo Zhang, Jingyu Cao, 和 Wei Zhang组成的研究团队，在《Scientific Reports》上发表了一项开创性的研究。他们不再满足于传统的问卷调查或行为观察，而是引入了神经工效学(Neuroergonomics)的尖端工具，直接窥探行人在模拟过街决策时的大脑活动，客观量化其心理负荷与认知状态。他们的核心问题是：在自动驾驶车辆队列中，风险预警eHMI不同的装备渗透率，究竟如何影响行人的认知与行为？
为了回答这些问题，研究人员精心设计了一项基于视频的实验。他们招募了24名参与者，在实验室环境中模拟真实的街头穿越决策。研究者创建了包含5辆车的自动驾驶车队视频场景，并系统操纵了三个关键变量：eHMI渗透率（零渗透：所有车无eHMI；部分渗透：一半车有，一半车无；全渗透：所有车均有eHMI）、车队速度（30 km/h与36 km/h）以及前后车之间的时间间隙（从2秒到6秒，以0.5秒为增量随机变化）。参与者的任务是观看这些视频，并在认为安全时按下按钮，做出“穿越”决定。与此同时，研究采用了多维度测量来全面评估参与者的认知状态：使用情境意识评定量表(Situation Awareness Rating Technique, SART)来主观评估参与者的情境意识(Situation Awareness, SA)；更为创新的是，通过一项并发的“奇异球”(oddball)听觉任务，并记录与分析事件相关电位(Event-Related Potentials, ERPs)中的P300成分，将其作为残余注意力资源的客观指标，从而精准量化心理负荷(Mental Workload, MW)。P300波幅的降低通常意味着更高的心理负荷，因为认知资源被主任务（过街决策）大量占用，无法充分处理并发的听觉任务。
主要技术方法概述：
本研究采用视频模拟实验法，构建了包含不同eHMI渗透率（零、部分、全）、车辆速度（30 km/h, 36 km/h）和时间间隙（2-6 s）的自动驾驶车队穿越场景。通过SART量表主观评估行人情境意识(SA)，并创新性地结合并发听觉oddball任务与脑电图(EEG)技术，以P300事件相关电位(ERP)成分作为客观指标，量化行人的心理负荷(MW)。最后，通过记录参与者的按键反应，分析其间隙接纳行为。
eHMI渗透率对行人情境意识(SA)与心理负荷(MW)的影响
研究人员首先关注eHMI的不同装备情况如何改变行人对交通环境的理解（SA）和认知压力（MW）。结果发现，eHMI渗透率对SA和MW产生了显著且复杂的影响。与部分渗透条件相比，全渗透条件导致了显著更高的SA和更低的MW。 这意味着，当车队中所有车辆都一致地展示eHMI信息时，行人能更清晰地理解交通状况，且处理信息时感觉更轻松。相反，部分渗透条件则与显著更高的MW和更低的SA相关联。这表明，面对eHMI信息不一致的车队，行人需要花费更多的认知努力去解读和整合混杂的信号，反而导致了对整体局势的把握度下降，认知负担上升。
eHMI渗透率对行人间隙接纳行为的影响
那么，认知状态的变化是否直接影响了行人的实际穿越决策呢？对间隙接纳数据的分析揭示了另一个维度的故事。与零渗透条件相比，全渗透eHMI条件增强了对间隙大小的敏感性。 具体表现为，随着可用穿越时间间隙的增大，行人在全渗透eHMI条件下选择穿越的概率上升得更快、更显著。重要的是，这种行为的优化是在没有显著增加MW或损害SA的情况下实现的，表明全渗透eHMI以一种“高效”的方式辅助了决策。然而，在部分渗透条件下，行人行为出现了有趣的“回避”模式：当他们遇到装备了eHMI的车辆时，穿越频率反而降低了。 这种行为可能与之前发现的高MW和低SA有关，不一致的信号可能引发了行人的困惑与保守倾向，使他们更倾向于等待。
研究结论与重要意义
这项研究通过神经工效学的视角，清晰描绘了风险预警eHMI在车辆队列环境中对行人影响的完整图景。其主要结论是：在完全普及（全渗透）的情境下，风险预警eHMI能够有效提升行人-自动驾驶车辆的交互，表现为更高的情境意识、更低的心理负荷，以及更灵敏、高效的间隙接纳决策。 这证实了此类交互界面的潜在价值。然而，研究也发出了一个至关重要的警告：在从无到有的过渡阶段，当路上只有部分车辆装备eHMI（部分渗透）时，情况可能适得其反。 这种混合环境会显著增加行人的心理负荷，降低其情境意识，并可能导致更保守或低效的过街行为，从而在事实上损害交互安全与效率。
因此，这项研究的意义远不止于验证一项技术。它深刻揭示了技术部署的连贯性与一致性在公共人机交互中的核心重要性。研究结果强烈提示，汽车行业与交通政策制定者在推动eHMI应用时，必须高度重视其部署战略。盲目推动未成规模的早期应用，可能会在过渡期制造新的认知风险与安全隐患。理想的做法或许是在特定区域或车队中进行规模化、一致性的示范运营，而非让零星的eHMI车辆淹没在传统车流中。这项研究为自动驾驶时代“车如何与人对话”这一根本问题，提供了基于认知科学的、量化的决策依据，指明了从实验室走向真实世界时必须跨越的关键鸿沟。
