車內(nèi)控制器的復(fù)雜性對任務(wù)性能影響研究

朱輝 陳瑋

摘 要：車輛的智能功能導(dǎo)致控制界面的復(fù)雜性提升，文章旨在建立一種評估車內(nèi)控制器復(fù)雜性的模型，并探討復(fù)雜性與任務(wù)績效之間的關(guān)系。研究框架通過三個復(fù)雜維度（功能、行為、結(jié)構(gòu)）和控制器相關(guān)變量組成，通過10輛車和 91名參與者進行了用戶實驗，用回歸分析方法檢驗測量變量與感知控制器復(fù)雜度之間的關(guān)系，結(jié)果證明兩者之間存在相關(guān)性。功能維度變量的增加導(dǎo)致感知復(fù)雜性水平的增加，而行為維度變量不是統(tǒng)計上顯著的預(yù)測因子。結(jié)構(gòu)變量根據(jù)變量的特征表現(xiàn)出不同的結(jié)果。實驗結(jié)果表明，任務(wù)性能與感知的復(fù)雜性水平呈負(fù)相關(guān)，同時滿意度隨著復(fù)雜性的增加而降低，并為管理車內(nèi)控制器的復(fù)雜性提供了理論依據(jù)。

關(guān)鍵詞：語音信號分離;盲源分離技術(shù);離散時間小波變換;獨量分類分析

中圖分類號：TP393 文獻標(biāo)識碼：A 文章編號：1001-5922（2021）06-0161-04

Abstract：The intelligent function of the vehicle leads to the increase of the complexity of the control interface. This paper aims to build a model to evaluate the complexity of the controller in the vehicle and explore the relationship between complexity and task performance. The research framework is composed of three complex dimensions （function， behavior， structure） and controller related variables， and user experiments are carried out by 10 cars and 91 participants. Regression analysis method is used to test the relationship between measurement variables and perceived controller complexity， and the results show that there is a correlation between them. The increase of functional dimension variables leads to the increase of perceived complexity， while behavioral dimension variables are not statistically significant predictors. Structural variables show different results according to their characteristics. The experimental results show that the task performance is negatively correlated with the perceived complexity level， and the satisfaction decreases with the increase of complexity， which provides a theoretical basis for the management of the complexity of the controller in the vehicle.

Key words：speech signal separation; blind source separation technology; discrete time wavelet transform; independent classification analysis

0 引言

由于信息和網(wǎng)絡(luò)技術(shù)的發(fā)展，車輛系統(tǒng)已經(jīng)變得足夠智能，為駕駛員提供許多方便的功能，如車載信息系統(tǒng)等，雖然各種智能功能為駕駛員提供了駕駛的方便，但也有明顯的缺點，比如車載界面越來越復(fù)雜[1]。特別是，許多物理控制器和接口組件被用于操作車載信息系統(tǒng)，導(dǎo)致對駕駛員執(zhí)行駕駛和非駕駛相關(guān)任務(wù)的認(rèn)知需求增加。這一現(xiàn)象必然會對駕駛性能產(chǎn)生負(fù)面影響。雖然以證明增加復(fù)雜性會對駕駛安全產(chǎn)生負(fù)面影響，但很少有研究來評估控制器的復(fù)雜性。此外，在以往的研究中，對車內(nèi)控制器復(fù)雜度的評估存在一些局限性，首先，研究人員通常關(guān)注單個界面設(shè)計因素，雖然這些評估的結(jié)果提供了信息，但是復(fù)雜性需要從整體的角度進行評估，因為多個設(shè)計因素不可避免地是相互關(guān)聯(lián)的;第二，很少有研究試圖確定界面設(shè)計變量與車輛環(huán)境的主觀評價之間的關(guān)系，因此，通過開發(fā)統(tǒng)計模型來評估車載接口的復(fù)雜性，并研究了感知控制器復(fù)雜度與操作員任務(wù)性能之間的關(guān)系。

1 相關(guān)研究

1.1 車載界面相關(guān)研究

在開發(fā)新車輛的過程中考慮物理接口組件是很重要的，因為會顯著地影響可用性和用戶體驗。因此，相關(guān)研究人員對從小型和簡單設(shè)備到系統(tǒng)接口進行了廣泛的研究和評估[2]。特別是，以用戶為中心的設(shè)計方法，如啟發(fā)式、用戶測試和訪談等方式已廣泛地運用于對界面的評價，對于小型設(shè)備（如智能手機），使用原型或?qū)嵨锬Ｐ蜏y試界面組件或形式因素的效果相對容易。然而，將這些方法應(yīng)用到大型和復(fù)雜的接口是困難的，因此，研究者通常采用雙任務(wù)方法來檢驗界面設(shè)計組件的效果[3]。這些方法是有效和重要的，因為主要任務(wù)的執(zhí)行與駕駛安全密切相關(guān)，雖然可以根據(jù)對單個變量的研究結(jié)果來研究單個變量的影響和設(shè)計界面，但不能忽視變量之間交互的附加影響，這些影響可能會對駕駛造成意外結(jié)果。

定量建模方法彌補了這些缺陷，幫助研究人員評估兩個以上變量的影響并比較不同的系統(tǒng)。此外，基于變量級別檢測變化相對容易，因此，大量的研究使用基于可測量參數(shù)的定量建模方法來評估人類行為或車輛環(huán)境中界面組件的感知，如滿意度、視覺復(fù)雜度[4]，司機姿勢[5]。在本文中，開發(fā)并驗證了一個定量模型來評估車內(nèi)控制器的復(fù)雜性。

1.2 人類因素的復(fù)雜性研究

在人類因素和人類系統(tǒng)交互領(lǐng)域進行了幾類復(fù)雜性研究，可分為理論研究和實踐研究。前者包括涉及復(fù)雜性定義、復(fù)雜性類型和影響復(fù)雜性的因素的研究，而后者側(cè)重于基于復(fù)雜性的設(shè)計、復(fù)雜性度量和量化，以及復(fù)雜性與人類性能之間的相互關(guān)系。每個主題都與其他主題相關(guān)，例如，根據(jù)復(fù)雜性的定義選擇復(fù)雜度因子。這些因素提供了基于復(fù)雜的設(shè)計、定量研究和人類績效研究的基本概念信息。一般來說，復(fù)雜性有幾種不同的定義，它們基于與特定領(lǐng)域相關(guān)的重要特征，因為很難在單個句子中定義復(fù)雜性。對于人的因素，根據(jù)人與系統(tǒng)之間交互的焦點，可以定義不同的復(fù)雜性類型。例如，可將復(fù)雜性分為客觀和主觀復(fù)雜性，目標(biāo)復(fù)雜性是基于技術(shù)設(shè)計的特性或面向情境的因素，如任務(wù)復(fù)雜性、過程復(fù)雜性和人機界面（HMI）復(fù)雜性等;主觀復(fù)雜性指的是人類操作員如何主觀地感知和意識到復(fù)雜性的程度，比如感知的復(fù)雜性。也可以根據(jù)目標(biāo)的特征將復(fù)雜性分為非行為復(fù)雜性和行為復(fù)雜性，關(guān)于非行為復(fù)雜性的研究傳統(tǒng)上關(guān)注于特定系統(tǒng)的狀態(tài)，如計算復(fù)雜性、軟件復(fù)雜性和物理系統(tǒng)復(fù)雜性，而對行為復(fù)雜性的研究試圖解決心理和行為問題，包括感知、認(rèn)知和動作復(fù)雜性。根據(jù)這些定義和復(fù)雜性的類型，選擇了各種因素。Lee等人[6]試圖解釋感知視覺復(fù)雜性與三個因素之間的關(guān)系：數(shù)量、多樣性和關(guān)系。

1.3 控制器接口設(shè)計

為了評估車載控制器的復(fù)雜性，應(yīng)該從系統(tǒng)的角度分析接口特性。由于大量設(shè)備和大量信息的存在，有必要對用戶面臨的情況進行結(jié)構(gòu)化分析。因此，根據(jù)系統(tǒng)的方法和目的，基于抽象層次劃分系統(tǒng)的功能方面。設(shè)計了基于功能-行為-結(jié)構(gòu)（Function–Behavior–Structure，F(xiàn)BS）框架，其中功能是設(shè)計的目的，也就是它的目的論;行為指的是可從結(jié)構(gòu)派生的屬性，而結(jié)構(gòu)指的是工件的元素及其相互關(guān)系。FBS框架比較系統(tǒng)接口的期望行為及其結(jié)構(gòu)，此過程將系統(tǒng)結(jié)構(gòu)轉(zhuǎn)換為描述，F(xiàn)BS框架不僅可以分析用戶界面，而且在結(jié)構(gòu)上也可以分析復(fù)雜性。定義了分析車載控制器復(fù)雜性所需的功能、行為和結(jié)構(gòu)組件。功能復(fù)雜性組件包括與各種功能相關(guān)的界面設(shè)計變量，行為復(fù)雜性組件描述了影響人機行為的界面設(shè)計變量，結(jié)構(gòu)復(fù)雜性組件包括基本的物理用戶界面設(shè)計變量。

2 研究方法

2.1 研究框架

為了評估車載控制器的復(fù)雜性，本文開發(fā)并驗證了一個研究模型。在相關(guān)研究的基礎(chǔ)上，收集并選擇了車內(nèi)界面設(shè)計變量作為自變量來開發(fā)復(fù)雜模型。研究的參與者評估了每輛車的復(fù)雜性分?jǐn)?shù)，這些分?jǐn)?shù)作為模型的因變量;參與者在這個過程中執(zhí)行控制任務(wù)，并根據(jù)他們的經(jīng)驗進行評估。根據(jù)得到的數(shù)據(jù)建立了一個統(tǒng)計模型，通過分析控制任務(wù)性能之間的相關(guān)性，驗證了所建立模型的有效性。

2.2 實驗設(shè)計

參與者：招募了92名參與者（男41歲，女51歲），年齡在20～71歲（平均43.56歲，SD=12.50歲）。所有參與者都必須持有有效的駕駛執(zhí)照，以及他們自己或家人經(jīng)常駕駛的車輛。那些有駕照但不經(jīng)常開車的人被排除在外，所有參與者在駕駛過程中沒有任何視覺上的困難，并且自由移動他們的手來執(zhí)行控制任務(wù)時沒有任何不便[7-9]。

設(shè)備：實際車輛需要考慮以下標(biāo)準(zhǔn)，首先，汽車品牌僅限于國內(nèi)制造商;其次，考慮具有各種車內(nèi)控制器和接口配置的車輛。結(jié)果，我們實際使用了10輛不同的汽車：兩輛緊湊型汽車、兩輛運動型多功能車和六輛轎車。

任務(wù)：為了研究感知的控制器復(fù)雜度，要求參與者使用車載控制器執(zhí)行任務(wù)，如圖1所示。

因此，實驗參與者完成了兩類任務(wù)。一類是娛樂相關(guān)的任務(wù)：包括打開/關(guān)閉音頻系統(tǒng)的電源，在FM/AM模式之間切換，調(diào)優(yōu)無線電頻率，控制音量，以及改變音頻/CD播放模式。與空調(diào)有關(guān)的工作包括：打開/關(guān)閉前/后擋風(fēng)玻璃防凍層，改變空氣循環(huán)方式，控制溫度，控制風(fēng)量。

2.3 實現(xiàn)過程

首先，實驗組織者解釋了整個實驗過程。在實驗開始前，參與者填寫了一份書面表格，給出了知情同意，并提供了與他們的年齡、性別和駕駛經(jīng)驗有關(guān)的人口統(tǒng)計信息。參與者被告知，如果他們對實驗感到不舒服，他們可以隨時退出。在準(zhǔn)備之后，參與者完成指定的任務(wù)，然后填寫一組問卷，這是對感知復(fù)雜性的評估。一半的參與者先完成娛樂任務(wù)，另一半先完成與空調(diào)有關(guān)的任務(wù)。圖1顯示了實驗環(huán)境，實驗車輛的順序被隨機化以消除學(xué)習(xí)效果和疲勞的可能性。最后對車載控制器進行了快速訪談，整個過程耗時約為90min，圖2為整個實驗過程。

2.4 數(shù)據(jù)收集

（1）界面設(shè)計變量。本章將研究范圍限制在方向盤的控制器和車輛的中心筋膜上。3名不同的研究人員評估了每輛車的界面設(shè)計變量，首先創(chuàng)建了一個準(zhǔn)則來規(guī)范測量過程。在指導(dǎo)方針的基礎(chǔ)上，3位研究人員獨立測量了所有車輛的變量數(shù)據(jù)，以減少誤差的可能性。在分別測量變量之后，比較了這三組數(shù)據(jù)以確定值，如表2所示為10輛車的測量變量的最小值、最大值和平均值。

（2）主觀復(fù)雜性評估。本文收集參與者的主觀復(fù)雜度評估數(shù)據(jù)，建立控制器復(fù)雜度的統(tǒng)計模型。采用問卷調(diào)查法對復(fù)雜性進行評價，并在前人研究的基礎(chǔ)上制定問卷項目，本問卷旨在評估三項控制器復(fù)雜度及一項滿意度。評估復(fù)雜度的項目如下：①總體而言，車輛的控制器過于復(fù)雜，無法執(zhí)行任務(wù);②車輛的控制器難以使用;③車輛的控制界面設(shè)計簡單。

（3）任務(wù)績效。使用攝像機記錄實驗過程來驗證任務(wù)的性能，采用基于視頻圖像計算任務(wù)性能。首先，使用以下標(biāo)準(zhǔn)對任務(wù)成功進行分類：如果參與者完成一項任務(wù)的時間超過了15s，根據(jù)之前研究得出的驅(qū)動信息系統(tǒng)的15s規(guī)則，該任務(wù)被認(rèn)為是失敗的。此外，如果任務(wù)的目標(biāo)沒有實現(xiàn)，即使參與者在15s內(nèi)完成任務(wù)，任務(wù)也被歸類為失敗。所有的任務(wù)都被分為成功或失敗，根據(jù)結(jié)果，計算每輛車的成功率。

2.5 實驗結(jié)果

使用任務(wù)成功率作為任務(wù)性能度量，平均任務(wù)成功率相對較高，因為任務(wù)由所有車輛提供的一般功能組成。然而，單因素方差分析顯示，車輛間任務(wù)成功率存在顯著差異（F = 17.73，p<0.01），為了檢驗這些差異，本文使用三向方差分析年齡、性別和復(fù)雜性水平組對任務(wù)成功率的影響，結(jié)果證實年齡和復(fù)雜性水平組的影響顯著，而性別影響不顯著。男性和女性的平均成功率分別為0.89和0.86。按年齡劃分的平均成功率如下：20多歲的參與者為0.94;30多歲的參與者為0.92;40多歲的參與者為0.87;50多歲的參與者為0.79;60多歲的參與者為0.75。高復(fù)雜度組平均成功率為0.82，低復(fù)雜度組平均成功率為0.92。每對變量之間的交互作用效果顯著，但三個變量之間的交互作用效果不顯著，如圖3顯示了任務(wù)性能的差異對比。

3 結(jié)語

首先，本研究擴展了現(xiàn)有的有關(guān)人機交互和人為因素領(lǐng)域的復(fù)雜性研究。雖然研究人員多年來一直關(guān)注復(fù)雜性研究，但研究領(lǐng)域是有限的（例如，視覺復(fù)雜性和任務(wù)復(fù)雜性）。因此，文章的研究可以讓研究者更深入地研究復(fù)雜性;其次，基于FBS框架選擇了導(dǎo)致復(fù)雜性的因素，并測試了這些變量對控制器復(fù)雜度的影響，通過這個過程，驗證了現(xiàn)有知識和FBS框架在接口開發(fā)和設(shè)計理論中的適用性。最后，基于所建立的模型和快速訪談的結(jié)果，通過調(diào)查性實驗驗證了車內(nèi)控制器的復(fù)雜度對駕駛員執(zhí)行任務(wù)時的困難關(guān)系。

參考文獻

[1]Hwangbo H， Lee S C， Ji Y G. Complexity Overloaded in Smart Car： How to Measure Complexity of In-vehicle Displays and Controls[C]// The， International Conference， 2016：81-86.

[2]P.A. Hancock，B.D. Sawyer，S. Stafford.The effects of display size on performance[J]. Ergonomics， 2015，58（3）：337-54.

[3]Large David R，Crundall Elizabeth， Burnett Gary，et al. Driving without wings： The effect of different digital mirror locations on the visual behaviour， performance and opinions of drivers.[J]. Applied Ergonomics， 2016， 55：138-148.

[4] Hwangbo H， Lee S C， Ji Y G. Complexity Overloaded in Smart Car： How to Measure Complexity of In-vehicle Displays and Controls？[C]// The， International Conference， 2016：81-86.

[5]Park Jangwoon，Ebert Sheila M，Reed Matthew P，et al.Statistical Models for Predicting Automobile Driving Postures for Men and Women Including Effects of Age.[J]. Human Factors， 2016， 58（2）：261-278.

[6]Lee，Hwangbo，Ji. Perceived Visual Complexity of In-Vehicle Information Display and Its Effects on Glance Behavior and Preferences[J]. International Journal of Human-Computer Interaction， 2016， 32（8）：654-664.

[7]侯進森.基于單電機低速純電動汽車整車控制器的研究[D].聊城：聊城大學(xué)，2018.

[8]朱園園.純電動汽車自動起步控制策略研究[D].長沙：湖南大學(xué)，2017.

[9]王江.基于語音識別技術(shù)的智能車載系統(tǒng)的設(shè)計與實現(xiàn)[D].北京：中國科學(xué)院大學(xué)（中國科學(xué)院工程管理與信息技術(shù)學(xué)院），2017.