智能汽車座艙人機(jī)交互任務(wù)復(fù)雜度分析方法

馬 寧，王亞輝

智能汽車座艙人機(jī)交互任務(wù)復(fù)雜度分析方法

馬 寧，王亞輝

(清華大學(xué)心理學(xué)系，北京 100084)

智能汽車座艙中的人機(jī)交互任務(wù)及行為直接影響車內(nèi)用戶體驗(yàn)。為了幫助汽車內(nèi)外飾和人機(jī)交互界面設(shè)計(jì)師有效規(guī)避界面可用性差的風(fēng)險(xiǎn)，對(duì)智能汽車中人機(jī)交互行為進(jìn)行了定量化的研究，總結(jié)了人機(jī)交互任務(wù)復(fù)雜度量化指標(biāo)，挖掘了影響智能座艙內(nèi)部人機(jī)交互復(fù)雜度的具體任務(wù)指標(biāo)及權(quán)重分布，提出了基于熵的智能汽車人機(jī)交互任務(wù)復(fù)雜度測(cè)量方法，最終通過某智能汽車座艙的實(shí)例進(jìn)行了算法驗(yàn)證。結(jié)果顯示，座艙中的人機(jī)交互任務(wù)邏輯結(jié)構(gòu)、人機(jī)交互知識(shí)等級(jí)和認(rèn)知量、人機(jī)交互數(shù)字界面布局的復(fù)雜程度，對(duì)車內(nèi)的人機(jī)交互任務(wù)復(fù)雜度影響較大，需要設(shè)計(jì)師重點(diǎn)關(guān)注。該方法可以幫助設(shè)計(jì)師規(guī)避設(shè)計(jì)復(fù)雜度過高、用戶學(xué)習(xí)成本過高的風(fēng)險(xiǎn)，可輔助設(shè)計(jì)師對(duì)上述指標(biāo)相關(guān)的設(shè)計(jì)問題進(jìn)行提前干預(yù)。

智能汽車座艙；人機(jī)交互；熵值法；復(fù)雜度分析；交互設(shè)計(jì)

智能汽車座艙中智能系統(tǒng)與人、人與信息之間的關(guān)系變得越來越復(fù)雜，導(dǎo)致車內(nèi)的人機(jī)交互行為也呈現(xiàn)多樣化趨勢(shì)[1-2]，直接影響車內(nèi)的用戶體驗(yàn)。智能座艙中，人機(jī)交互任務(wù)的復(fù)雜程度是評(píng)估車內(nèi)交互體驗(yàn)和座艙布局設(shè)計(jì)的重要指標(biāo)[3-4]，也直接影響駕駛員完成特定任務(wù)的認(rèn)知負(fù)荷，進(jìn)而影響智能汽車駕駛過程的安全及效率。

1 人機(jī)交互任務(wù)復(fù)雜度量化指標(biāo)

在汽車座艙的多種復(fù)雜人機(jī)交互任務(wù)中，可通過任務(wù)復(fù)雜度的表征因子描述座艙人機(jī)交互的任務(wù)復(fù)雜度，并確定其7個(gè)關(guān)鍵量化指標(biāo)[5]。駕駛員與車進(jìn)行交互的空間在智能座艙中展開，圖1為不同品牌的智能座艙布局，可看出中控及儀表的交互界面及座艙布置各不相同，導(dǎo)致了智能座艙中人與車內(nèi)不同組件的人機(jī)交互復(fù)雜度存在較大的差異，故此影響智能汽車駕駛過程的安全及效率。

圖1 不同品牌的智能座艙布局

國外學(xué)者通過實(shí)驗(yàn)研究了車內(nèi)駕駛的情境認(rèn)知及注意機(jī)制，將車內(nèi)高頻的場(chǎng)景如導(dǎo)航、通訊、娛樂、車載APP及溫度調(diào)節(jié)等場(chǎng)景進(jìn)行分類[6]，在前人的研究基礎(chǔ)上，本文選取9個(gè)座艙內(nèi)的主要人機(jī)交互任務(wù)(導(dǎo)航、接打手機(jī)、音樂選擇與切換、電臺(tái)選擇與切換、車載APP交互、空調(diào)溫度調(diào)節(jié)、觀測(cè)儀表盤、語音喚醒、中控屏交互)，進(jìn)行7個(gè)維度的復(fù)雜量化與分析。其指標(biāo)內(nèi)容及含義如下：

(1) 智能座艙人機(jī)交互任務(wù)邏輯結(jié)構(gòu)的復(fù)雜程度LC。在數(shù)字化座艙的人機(jī)交互系統(tǒng)中，駕駛員除了基本的駕駛?cè)蝿?wù)以外，還包括單個(gè)交互任務(wù)如導(dǎo)航、接打手機(jī)、音樂選擇與切換、電臺(tái)選擇與切換、車載APP交互、空調(diào)溫度調(diào)節(jié)等任務(wù)，任何單一任務(wù)的邏輯結(jié)構(gòu)的復(fù)雜度將直接影響駕駛員的認(rèn)知績(jī)效和座艙用戶體驗(yàn)的流暢性。

(2) 智能座艙單個(gè)人機(jī)交互任務(wù)所需的動(dòng)作數(shù)量AC。在數(shù)字化座艙的人機(jī)交互系統(tǒng)中，駕駛員完成某一項(xiàng)特定的任務(wù)需要的動(dòng)作數(shù)量，也是表征人機(jī)交互任務(wù)復(fù)雜度的關(guān)鍵要素，可以通過統(tǒng)計(jì)學(xué)獲得相關(guān)數(shù)據(jù)。

(3) 智能座艙人機(jī)交互界面中的管理界面信息復(fù)雜度AIC。智能數(shù)字化座艙中的界面大多為觸控?cái)?shù)字界面，用戶與汽車交互的首次操作大多需從管理界面進(jìn)入，其復(fù)雜程度會(huì)影響后續(xù)操作任務(wù)的進(jìn)行。

(4) 智能座艙人機(jī)交互輸入的復(fù)雜度IC。在人車交互過程中，不同的輸入方式如語音、手勢(shì)、觸控、物理控制等方式對(duì)用戶輸入行為的精度和內(nèi)容要求不同，輸入因素的復(fù)雜度越高，用戶完成某項(xiàng)任務(wù)需要花費(fèi)的時(shí)間越多，可用性和易用性越差。

(5) 智能座艙人機(jī)交互所需要的知識(shí)等級(jí)和認(rèn)知量NCC。數(shù)字化座艙的交互任務(wù)所涉及的很多操作均集成在數(shù)字交互界面中，大量的操作任務(wù)依賴多樣的圖標(biāo)、文本來傳達(dá)其意義和內(nèi)涵，較傳統(tǒng)系統(tǒng)更加復(fù)雜，學(xué)習(xí)成本較高，此外，語音交互的上下文語義理解也需要不同等級(jí)的知識(shí)，智能座艙中人機(jī)交互所蘊(yùn)含的知識(shí)量很大，對(duì)駕駛員認(rèn)知量要求變高。

(6) 智能座艙人機(jī)交互數(shù)字界面布局的復(fù)雜程度ILC。無智能座艙中的數(shù)字界面承載著復(fù)雜的信息顯示和交互作用，人機(jī)交互界面的布局本身的復(fù)雜性，將影響用戶的反應(yīng)和決策時(shí)間，進(jìn)而影響人機(jī)交互的可用性和易用性。

(7) 智能座艙人機(jī)交互反饋復(fù)雜度FC。無論是數(shù)字界面還是語音、手勢(shì)等交互方式，信息的整合和網(wǎng)聯(lián)化的趨勢(shì)使得輸入輸出信息流也變得越來越復(fù)雜，多種交互方式反饋的復(fù)雜性，均對(duì)整個(gè)交互的流暢程度和用戶體驗(yàn)帶來很大影響。

2 基于熵的智能座艙人機(jī)交互任務(wù)復(fù)雜度量化方法

2.1 熵的概念

1948年，SHANNON[7]首次將熵的概念引入信息論中，熵的側(cè)面可以表征信息的復(fù)雜程度，即

其中，為信息熵；為信息源的個(gè)數(shù)；B為第個(gè)信息源；(B)為第個(gè)信息源出現(xiàn)的概率。熵值法作為一種客觀賦權(quán)方法，可根據(jù)各個(gè)復(fù)雜度指標(biāo)的相對(duì)變化程度對(duì)系統(tǒng)整體的影響決定指標(biāo)的權(quán)重，相對(duì)變化程度大的指標(biāo)具有較大的權(quán)重，可根據(jù)各項(xiàng)指標(biāo)的變化程度，計(jì)算其權(quán)重，為多指標(biāo)綜合評(píng)價(jià)提供依據(jù)。

智能汽車座艙的人機(jī)交互任務(wù)復(fù)雜度受智能座艙內(nèi)部人車交互信息的復(fù)雜程度直接影響[8]，本文提出基于熵的智能座艙人機(jī)交互任務(wù)復(fù)雜度量化方法，將熵的概念引入智能座艙人機(jī)交互任務(wù)復(fù)雜度分析中，通過熵值法對(duì)智能座艙中的人機(jī)交互復(fù)雜度進(jìn)行量化研究，其熵值越大，則代表人機(jī)交互任務(wù)信息復(fù)雜度越高。

2.2 算法步驟

設(shè)有項(xiàng)復(fù)雜度指標(biāo)，個(gè)人機(jī)交互任務(wù)，選取一定數(shù)量的專家和智能汽車真實(shí)用戶組成的評(píng)價(jià)小組，對(duì)個(gè)人機(jī)交互任務(wù)的項(xiàng)復(fù)雜度指標(biāo)分別進(jìn)行評(píng)分。

根據(jù)統(tǒng)計(jì)專家打分的原始數(shù)據(jù)，構(gòu)建的智能座艙人機(jī)交互任務(wù)復(fù)雜度評(píng)價(jià)指標(biāo)原始數(shù)據(jù)矩陣，其中，a表示第個(gè)人機(jī)交互任務(wù)第項(xiàng)復(fù)雜度指標(biāo)的數(shù)值，和的取值分別為[1,]和[1,]。指標(biāo)值a的數(shù)值差距越大，則該指標(biāo)在綜合評(píng)價(jià)中所起的作用越大；如果某項(xiàng)指標(biāo)值全部相等，則該指標(biāo)在綜合評(píng)價(jià)中不起作用。根據(jù)熵值法原理，智能座艙的復(fù)雜度熵值求解步驟如下：

步驟1.評(píng)價(jià)小組成員對(duì)不同復(fù)雜度指標(biāo)打分，形成原始數(shù)據(jù)矩陣為

步驟2.復(fù)雜度指標(biāo)歸一化處理，將不同維度指標(biāo)進(jìn)行歸一化。由于人機(jī)交互各項(xiàng)復(fù)雜度指標(biāo)的計(jì)量單位并不統(tǒng)一，因此，在用計(jì)算綜合指標(biāo)前，先進(jìn)行標(biāo)準(zhǔn)化處理，將指標(biāo)的絕對(duì)值轉(zhuǎn)化為相對(duì)值，從而解決各項(xiàng)不同質(zhì)指標(biāo)值的同質(zhì)化問題。對(duì)于正、負(fù)向指標(biāo)需采用不同的算法進(jìn)行數(shù)據(jù)歸一化處理。

正向指標(biāo)歸一化為

負(fù)向指標(biāo)歸一化為

為了計(jì)算方便，歸一化處理后的數(shù)據(jù)仍記為a。

步驟3. 計(jì)算第項(xiàng)復(fù)雜度指標(biāo)第個(gè)人機(jī)交互任務(wù)復(fù)雜度值占該指標(biāo)的比重為

步驟4. 計(jì)算第項(xiàng)復(fù)雜度指標(biāo)的熵值為

步驟5. 計(jì)算復(fù)雜度熵的差異系數(shù)，表征其冗余度為

步驟6. 計(jì)算各個(gè)復(fù)雜度指標(biāo)的權(quán)重為

步驟7. 計(jì)算各個(gè)人機(jī)交互任務(wù)的綜合復(fù)雜度熵值得分為

其中，a為歸一化處理后的數(shù)據(jù)，通過式(9)可求得智能座艙不同人機(jī)交互任務(wù)的復(fù)雜度熵值綜合得分。

3 智能座艙人機(jī)交互任務(wù)復(fù)雜度實(shí)例

根據(jù)研究問題的具體內(nèi)容，選取由10位專家(汽車人機(jī)交互專業(yè)和設(shè)計(jì)專業(yè)副教授及5年以上用戶體驗(yàn)從業(yè)者)和10位智能汽車真實(shí)用戶組成的小組，對(duì)某品牌智能汽車座艙9個(gè)主要交互任務(wù)下的7個(gè)復(fù)雜度指標(biāo)進(jìn)行打分。

為了充分將專家和用戶2類群體的體驗(yàn)和經(jīng)驗(yàn)轉(zhuǎn)化為量化數(shù)據(jù)，根據(jù)熵值法的思想，將LC，AC，AIC，IC，NCC，ILC和FC等7個(gè)指標(biāo)作為復(fù)雜度評(píng)價(jià)指標(biāo)。其中，AC和NCC由人機(jī)交互動(dòng)作數(shù)量和知識(shí)認(rèn)知量表示，表征復(fù)雜度等級(jí)用數(shù)量極少、數(shù)量少、數(shù)量一般、數(shù)量較多、數(shù)量極多來表示；LC，AIC，IC，ILC和FC表征復(fù)雜度等級(jí)用極其不復(fù)雜、不復(fù)雜、一般、很復(fù)雜和極其復(fù)雜5個(gè)復(fù)雜度等級(jí)表示；7個(gè)指標(biāo)的5個(gè)等級(jí)分別與標(biāo)度1，3，5，7，9對(duì)應(yīng)，復(fù)雜程度(動(dòng)作數(shù)量和知識(shí)量)在各等級(jí)之間用2，4，6，8表示，20名小組成員對(duì)9個(gè)主要交互任務(wù)下的7個(gè)復(fù)雜度指標(biāo)進(jìn)行復(fù)雜度等級(jí)打分，形成原始數(shù)據(jù)矩陣。

由用戶和專家的復(fù)雜度指標(biāo)賦值可以得到評(píng)價(jià)指標(biāo)矩陣，通過式(5)可求得初始權(quán)重矩陣，再利用式(6)～式(8)求得7個(gè)復(fù)雜度指標(biāo)的權(quán)重值，見表1。

根據(jù)式(9)計(jì)算9個(gè)人機(jī)交互任務(wù)的不同指標(biāo)的復(fù)雜度和綜合熵值，表2為不同復(fù)雜度指標(biāo)下的復(fù)雜度熵值結(jié)果。

表1 7個(gè)復(fù)雜度指標(biāo)的權(quán)重分?jǐn)?shù)

表2 人機(jī)交互行為復(fù)雜度熵值

注：下劃線數(shù)據(jù)為復(fù)雜度熵值較高值

將表2中的數(shù)據(jù)進(jìn)一步可視化，由圖2可以看出智能座艙不同的人機(jī)交互任務(wù)的復(fù)雜度指標(biāo)值不同，單個(gè)人機(jī)交互任務(wù)的復(fù)雜度也不同。

圖2 人機(jī)交互行為復(fù)雜度熵值((a)人機(jī)交互任務(wù)各個(gè)復(fù)雜度指標(biāo)熵值；(b)人機(jī)交互任務(wù)復(fù)雜度熵值)

其中，空調(diào)調(diào)節(jié)的邏輯結(jié)構(gòu)的復(fù)雜程度較高，音樂選擇與切換所需的動(dòng)作數(shù)量較多[9]，儀表盤數(shù)字界面任務(wù)信息的復(fù)雜程度較高，而音樂選擇切換和語音交互的輸入因素相對(duì)其他任務(wù)更復(fù)雜，空調(diào)調(diào)節(jié)和語音交互過程中所需要的知識(shí)等級(jí)和認(rèn)知量較大，用戶的學(xué)習(xí)成本較高，整個(gè)中控?cái)?shù)字界面、儀表盤和空調(diào)調(diào)節(jié)界面的人機(jī)交互布局更復(fù)雜，而儀表盤及空調(diào)調(diào)節(jié)的人機(jī)交互過程中，用戶對(duì)接受的反饋并不滿意。在9個(gè)人機(jī)交互任務(wù)中，空調(diào)調(diào)節(jié)的人機(jī)交互復(fù)雜度最高，而電臺(tái)選擇與切換的復(fù)雜度最低。

在導(dǎo)航任務(wù)中，因?yàn)椴煌脩艨赡苄枰ㄟ^語音、視覺結(jié)合中控屏地址輸入等多種方式結(jié)合才能最終完成該任務(wù)[10]，用戶需要的動(dòng)作數(shù)量較高，且不能將以往的經(jīng)驗(yàn)很好地傳遞到導(dǎo)航任務(wù)中，導(dǎo)致導(dǎo)航人機(jī)交互任務(wù)本身的復(fù)雜度熵較高，通過式(9)得出的最終復(fù)雜熵值為2.712。

撥打電話人機(jī)交互任務(wù)的復(fù)雜性較低，主要是因?yàn)橛脩粼诮哟螂娫挼倪^程中多依賴語音操作，且誤操作較少，但在接打電話過程中，用戶仍然需要注視中控屏中的電話界面，還需分散少量的注意力到觸屏操作，才能完成電話接打任務(wù)[11-13]，通過式(9)得出的撥打電話人機(jī)交互任務(wù)，最終復(fù)雜熵值為1.513。

音樂選擇與切換任務(wù)中，用戶在選擇與切換過程中所需的動(dòng)作數(shù)量較多，且任務(wù)執(zhí)行過程中的反饋并不清晰[12-13]，該任務(wù)用戶的個(gè)人喜好發(fā)揮作用，對(duì)音樂個(gè)人偏好導(dǎo)致音樂選擇與切換帶有目的性，當(dāng)用戶通過多個(gè)操作不能有效獲取自己喜歡的音樂時(shí)，感知的人機(jī)交互復(fù)雜度值將偏高，通過式(9)得出音樂選擇與切換任務(wù)，最終的復(fù)雜熵值為2.004。

電臺(tái)選擇與切換的復(fù)雜度最低，通過式(9)得出的最終復(fù)雜熵值為1.494，與音樂選擇與切換不同，電臺(tái)選擇與切換并不帶有較強(qiáng)的目的性，且用戶通過語音交互方式，在一次動(dòng)作下能完成該任務(wù)，不需要更多的認(rèn)知量和經(jīng)驗(yàn)、記憶等。

車載APP交互中數(shù)字主界面任務(wù)信息的復(fù)雜程度較高，專家和用戶普遍認(rèn)為車載APP提供的信息需與手機(jī)、平板、電腦等呈現(xiàn)的內(nèi)容不同，呈現(xiàn)方式應(yīng)該也有區(qū)別，通過式(9)得出車載APP交互最終復(fù)雜熵值為2.010。

空調(diào)調(diào)節(jié)任務(wù)的復(fù)雜程度最高，最終的復(fù)雜熵值為3.421，經(jīng)過分析發(fā)現(xiàn)，完成空調(diào)調(diào)節(jié)任務(wù)的邏輯復(fù)雜度、需要的動(dòng)作數(shù)量、輸入因素的復(fù)雜度、用戶需要的知識(shí)等級(jí)和認(rèn)知量、人機(jī)交互布局復(fù)雜度及反饋復(fù)雜性指標(biāo)的熵值均很高，因傳統(tǒng)汽車的經(jīng)驗(yàn)和認(rèn)知記憶與空調(diào)觸屏和語音控制操作方式完全不同[14-15]，且空調(diào)界面的層級(jí)較多，用戶在短時(shí)間內(nèi)并不能同時(shí)處理單個(gè)任務(wù)下的多個(gè)子任務(wù)，導(dǎo)致用戶的誤操作較多，且滿意度較差。

儀表盤的查看屬于特殊的人機(jī)交互行為，用戶無需輸入信息，只是被動(dòng)地接受信息[16]，儀表盤的人機(jī)交互布局相對(duì)復(fù)雜[17]，用戶并不能在較多的圖標(biāo)中迅速獲取最有價(jià)值的信息。此外，在交互過程中，用戶對(duì)接受的反饋信息并不滿意，則需要更積極地反饋幫助其獲取有效信息，觀測(cè)儀表盤任務(wù)最終的復(fù)雜熵值為2.732。

隨機(jī)的語音交互對(duì)話任務(wù)最終的復(fù)雜熵值為2.958，在復(fù)雜度指標(biāo)中，語義的邏輯復(fù)雜度較高，用戶的語音輸入相對(duì)復(fù)雜，仍然需要一定的知識(shí)學(xué)習(xí)和較多的認(rèn)知量才能順暢地完成該操作，語音交互除了語義邏輯性外，對(duì)車內(nèi)外的環(huán)境、交互對(duì)象的識(shí)別等均存在一定問題，易導(dǎo)致隨機(jī)語音交互出現(xiàn)誤操作。

中控屏交互過程中，用戶和專家認(rèn)為整個(gè)屏幕的人機(jī)界面交互布局過于復(fù)雜，用戶車載APP的管理、車載任務(wù)的激活等均需要較多的知識(shí)量，且用戶智能設(shè)備使用經(jīng)驗(yàn)并不能很好地轉(zhuǎn)移到中控屏的人機(jī)交互中，導(dǎo)致產(chǎn)生較多的失誤，中控屏交互最終的復(fù)雜熵值為2.473。

4 總 結(jié)

從人機(jī)交互任務(wù)復(fù)雜度熵權(quán)算法的結(jié)果可見，7個(gè)復(fù)雜度指標(biāo)中，人機(jī)交互任務(wù)邏輯結(jié)構(gòu)、所需要的知識(shí)等級(jí)和認(rèn)知量、數(shù)字界面布局的復(fù)雜程度3個(gè)復(fù)雜度指標(biāo)對(duì)智能座艙人機(jī)交互任務(wù)復(fù)雜度影響較大，需要設(shè)計(jì)師重點(diǎn)關(guān)注。

在9個(gè)人機(jī)交互任務(wù)中，中控空調(diào)調(diào)節(jié)任務(wù)復(fù)雜程度最高，其次是語音交互、儀表盤交互和中控導(dǎo)航的復(fù)雜度較高，說明上述4個(gè)人機(jī)交互任務(wù)的用戶使用復(fù)雜度較高，在汽車交互界面設(shè)計(jì)中應(yīng)重點(diǎn)關(guān)注。該算法能幫助汽車內(nèi)外飾和人機(jī)交互界面設(shè)計(jì)師有效規(guī)避設(shè)計(jì)復(fù)雜度和用戶學(xué)習(xí)成本過高的風(fēng)險(xiǎn)，輔助設(shè)計(jì)師在設(shè)計(jì)初期對(duì)相關(guān)設(shè)計(jì)問題進(jìn)行提前干預(yù)。

[1] 李璟璐, 孫效華, 郭煒煒. 基于智能交互的汽車主動(dòng)響應(yīng)式交互設(shè)計(jì)[J]. 圖學(xué)學(xué)報(bào), 2018, 39(4): 668-674.

LI J L, SUN X H, GUO W W. Proactive HMI design based on smart interaction[J]. Journal of Graphics, 2018, 39(4): 668-674 (in Chinese).

[2] 汪海波, 薛澄岐, 史銘豪. 自動(dòng)化影響下的復(fù)雜系統(tǒng)數(shù)字界面設(shè)計(jì)研究[J]. 包裝工程, 2014, 35(4): 36-39, 52.

WANG H B, XUE C Q, SHI M H. Digital interface design of complex system under the influence of automation[J]. Packaging Engineering, 2014, 35(4): 36-39, 52 (in Chinese).

[3] 張力, 劉雪陽, 洪俊, 等. 基于熵的數(shù)字化人機(jī)交互復(fù)雜度研究[J]. 中國安全科學(xué)學(xué)報(bào), 2015, 25(10): 65-70.

ZHANG L, LIU X Y, HONG J, et al. Research on digital human-machine interaction complexity based on entropy[J]. China Safety Science Journal, 2015, 25(10): 65-70 (in Chinese).

[4] 譚浩, 趙江洪, 王巍. 汽車人機(jī)交互界面設(shè)計(jì)研究[J]. 汽車工程學(xué)報(bào), 2012, 2(5): 315-321.

TAN H, ZHAO J H, WANG W. Vehicle human machine interface design research[J]. Chinese Journal of Automotive Engineering, 2012, 2(5): 315-321 (in Chinese).

[5] 張力, 劉雪陽, 洪俊, 等. 基于熵的數(shù)字化人機(jī)交互復(fù)雜度研究[J]. 中國安全科學(xué)學(xué)報(bào), 2015, 25(10): 65-70.

ZHANG L, LIU X Y, HONG J, et al. Research on digital human-machine interaction complexity based on entropy[J]. China Safety Science Journal, 2015, 25(10): 65-70 (in Chinese).

[6] BACH K M, JGER M G, SKOV M B, et al. Interacting with in-vehicle systems: understanding, measuring, and evaluating attention[C]//People and Computers XXIII Celebrating People and Technology. New York: ACM Press, 2009: 453-462.

[7] SHANNON C E. A mathematical theory of communication[J]. The Bell System Technical Journal, 1948, 27(3): 379-423.

[8] REN J, CUI Y Y, CHEN J, et al. Multi-modal human-computer interaction system in cockpit[J]. Journal of Physics: Conference Series, 2020, 1693: 012212.

[9] 金鑫, 李黎萍, 楊逸凡, 等. 基于汽車人機(jī)界面評(píng)測(cè)的中控觸屏按鍵研究[J]. 包裝工程, 2021, 42(18): 151-158.

JIN X, LI L P, YANG Y F, et al. Touch key of in-vehicle display and control screen based on vehicle HMI evaluation[J]. Packaging Engineering, 2021, 42(18): 151-158 (in Chinese).

[10] FINOGEEV A, FINOGEEV А, FIONOVA L, et al. Intelligent monitoring system for smart road environment[J]. Journal of Industrial Information Integration, 2019, 15: 15-20.

[11] VOLLRATH M, HUEMER A K, NICOLAI C. Young people use their smartphone all the time – even when crossing the street?[J]. IET Intelligent Transport Systems, 2019, 13(8): 1213-1217.

[12] OXTOBY J, SCHROETER R, JOHNSON D, et al. Using boredom proneness to predict young adults’ mobile phone use in the car and risky driving[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2019, 65: 457-468.

[13] BAZARGAN-HEJAZI S, TERUYA S, PAN D Y, et al. The theory of planned behavior (TPB) and texting while driving behavior in college students[J]. Traffic Injury Prevention, 2017, 18(1): 56-62.

[14] NAVARRO J, OSIURAK F, GAUJOUX V, et al. Driving under the influence: how music listening affects driving behaviors[J]. Journal of Visualized Experiments, 2019(145): 1-7.

[15] LIU N H. Design of an intelligent car radio and music player system[J]. Multimedia Tools and Applications, 2014, 72(2): 1341-1361.

[16] YOUNG G W, KITCHIN R. Creating design guidelines for building city dashboards from a user’s perspectives[J]. International Journal of Human-Computer Studies, 2020, 140: 102429.

[17] DE LUSIGNAN S, LIYANAGE H, SHERLOCK J, et al. Atrial fibrillation dashboard evaluation using the think aloud protocol[J]. BMJ Health & Care Informatics, 2020, 27(3): 1-7.

Complexity analysis method of human-machine interaction task in intelligent vehicle cockpit

MA Ning, WANG Ya-hui

(Department of Psychology, Tsinghua University, Beijing 100084, China)

The tasks and behaviors of human-machine interaction (HMI) in the intelligent vehicle cockpit directly affect users’ experience in the cockpit. To prevent the risk of poor interface usability for the automobile interior and exterior designers and car UI designers, the HMI behaviors in intelligent vehicles were studied quantitatively, and the complexity indexes of HMI tasks were summarized. Then the specific task indexes affecting the HMI complexity in the intelligent cockpit and their weight distribution were extracted, and an entropy-based measurement method for HMI task complexity of intelligent vehicles was proposed. Finally, the algorithm was verified by an example of an intelligent car cockpit. The results showed that the complexity of HMI tasks in the cockpit was impacted by many factors, such as the logical structure of HMI task, the knowledge level and cognitive quantity of HMI, and the complexity of HMI digital interface layout in the cockpit. These factors warrant more attention from designers. The proposed method can help designers avoid the high risk of design complexity and cost of user learning, and assist them to intervene in advance in the design problems related to the above indicators.

intelligent vehicle cockpit; human-machine interaction; entropy method; complexity analysis, interaction design

TP 391

10.11996/JG.j.2095-302X.2022020356

A

2095-302X(2022)02-0356-05

2021-05-18；

2021-11-05

國家自然科學(xué)基金重點(diǎn)項(xiàng)目(61936010)

馬 寧(1988–)，女，碩士研究生。主要研究方向?yàn)楣I(yè)設(shè)計(jì)、人機(jī)交互等。E-mail：maningyhh@163.com

王亞輝(1988–)，男，助理研究員，博士。主要研究方向?yàn)槿艘驅(qū)W、汽車人機(jī)交互、交互設(shè)計(jì)。E-mail：yhwangmh@tsinghua.edu.cn

18 May，2021；

5 November，2021

Key Project of National Natural Science Foundation of China (61936010)

MA Ning (1988–), master student. Her main research interests cover industrial design, human computer interaction. E-mail：maningyhh@163.com

WANG Ya-hui (1988–), associate professor, Ph.D. His main research interests cover human factors, automotive HMI, interaction design etc. E-mail：yhwangmh@tsinghua.edu.cn