中国国际汽车照明论坛（IFAL）

中文

中文

English

首页

IFAL2024

IFAL 历史

【技术文章】汽车抬头显示器的视觉复杂性会调节注意力隧道效应

原文：《Visual Complexity of Head-Up Display in Automobiles Modulates Attentional Tunneling》[1]

作者：Lee,J;Lee,N;Ju,J;Chae,J;Park,J;Ryu,H;Cho,Y

简介：汽车平视显示器（Head-up display，HUD）上显示的信息类型和数量不断增加。由于人类注意力能力有限，近域视觉复杂性的增加可能会干扰远域信息的有效处理。本研究使用双任务范例分别测试近域和远域视觉。在模拟道路环境中，62名参与者控制车速（速度监测任务 Speed monitoring task，SMT）；近域）并同时手动响应探测器（探测任务 Probe detection task,PDT）；远域）。分块呈现了五个HUD复杂性级别，包括HUD缺失情况。结果表明，近域性能不受HUD复杂性级别的调节。然而，随着HUD复杂程度的增加，远域检测精度受到损害，中央探头和外围探头之间的精度差异更大。

关键词：注意力隧道、驾驶模拟、平视显示、视觉复杂性

编译：复旦大学林燕丹课题组王潇

研究目的

本实验目的是希望HUD复杂度的影响能够独立反映在速度监测和探头检测任务数据中。这两项任务的假设如下。

1、在SMT中，HUD的存在将提高参与者持续监测和控制车辆速度的能力，这复制了之前研究中观察到的HUD的有效性[2-5]；

2、SMT性能不会受到HUD视觉复杂性的影响，因为由于任务需求，注意力将主要分配到当前速度显示。然而，重要的是，PDT的性能将受到HUD视觉复杂性的显着调节，这是本研究的主要兴趣。具体来说，中心探头的检测精度将保持不变或随着HUD视觉复杂性的增加而增加。相反，由于检测探针所需的注意力资源被剥夺，随着视觉复杂性水平的增加，外围探针的检测将会受到影响。

因此，当前的研究假设，中央探针和外周探针的检测精度之间的相对差异（指示注意力隧道的数量）将随着视觉复杂性的函数而增加。

实验方法

1、参与者

所有参与者均具有正常或矫正视力和有效的驾驶执照，并自称具有驾驶技能。具有使用HUD经验的参与者被排除在外，以尽量减少HUD偏好和熟悉程度的混淆影响。

总共招募了66名参与者（49名男性，平均年龄=24.56岁）并提供了知情同意书。

2、设备

实验是在光线昏暗的房间里进行的。
使用Unity 2020.3.21f1控制虚拟环境、刺激和反应。
视觉刺激在49英寸超高清电视（韩国首尔三星）上呈现。
使用Logitech G29 Driving Force赛车方向盘和踏板进行响应。
发动机声音通过耳机提供，以便在模拟环境中获得身临其境的体验。

参与者的矢状中线、方向盘和踏板与低头显示器（Head-down display,HDD）和HUD对齐，它们位于屏幕的左侧，相当于典型车辆中的驾驶员座椅。每个参与者的油门踏板距离都进行了调整。观看距离约为60厘米（图1）。

图1 实验装置图

3、刺激

PDT的刺激物是路边灯，这些灯以50m的间隔定期安装在道路的左右两侧。路边灯默认全部打开为黄色（R=255，G=255，B=113），关闭时指定为探针（R=31，G=31，B=31）。虚拟环境中路边灯的尺寸为30cm3，关闭时屏幕上的可视角度为0.44°×0.34°。

4、驾驶环境

练习区块的虚拟道路宽22m，长约1.3km，主实验区块的虚拟道路长约6km（图2）。为了最大限度地减少因驾驶场景变化而产生的混杂影响，道路环境中只有路灯和限速标志。车辆沿着道路中点沿着预定路线行驶，无需参与者控制方向盘，这确保了所有参与者对刺激（即路边灯）的同等受控视角。这种“转向助手”设置相当于3级自动驾驶中的转向系统，车辆无需人工输入即可转向。

图2 实验显示的示例图像

5、低头显示器

当前车速通过车速表指示器位置显示，反映加速踏板上的压力大小。HDD使用开源三维运动型多用途车(Sport utility vehicle,SUV)模型进行渲染。HDD包括车速表、转速表、发动机温度和燃油表。车速表和转速表的指示器经过编程以反映加速踏板上的压力大小。HDD车速表是在没有HUD的情况下车辆当前速度的唯一信息来源。

6、平视显示器

根据HUD区域中呈现的项目数量，HUD视觉复杂性被操纵并分为四个级别（图3）。

HUD1级是HUD中最简单的，包含两个与任务相关的项目：当前速度限制和当前车辆速度。
HUD2、3和4级中添加的项目均与任务无关，因此不需要处理任何与任务相关的信息。

HUD显示在HDD上方，HUD下边缘（基于HUDLevel4）与HDD速度计面板上边缘之间的距离约为2°。整个实验过程中HUD的光学距离固定，无需准直，以控制HUD的位置。根据HUDLevel4，HUD的尺寸约为8°×4°（按视角计算）。

图3 HUD中的项目布局

7、实验流程

该实验采用双任务范例，参与者同时执行SMT和PDT。

对于SMT（主要任务），参与者必须使用油门踏板将车速保持在限速以下。车速由踩在踏板上的压力大小控制，该压力大小直接反映在HUD显示屏和HDD中的车速表中。街区内设有两种类型的限速，限速区长度相等。当前速度限制由限速标志和HUD上通知。参与者按本实验要求行驶。
对于PDT（次要任务），参与者必须对探测位置做出反应。每对左右路边灯都被视为一次试验，并且试验之间的距离几乎相等。当参与者进行SMT时，道路边缘灯越来越近，并且当左和右道路边缘灯分别到达从驾驶员中线向左约4°和向右约19°时，一个灯、两个灯或没有灯被关闭，表示探测器。参与者必须通过按下方向盘上的相应按钮来尽快对探头做出反应。

道路左侧的探头（即左侧路边灯关闭）被视为中央探头。在执行SMT的同时，中心探针的检测不需要转移视线或转移注意力。道路右侧的探头（即右侧路边灯关闭）被视为外围探头。外围探针的检测要求参与者转移注意力（隐性注意力；[6]），同时将目光固定在HUD上以执行SMT。如上所述，试验可以包含中心探针、外围探针、两个探针或不包含探针。

参与者被要求用双手握住方向盘。练习块包含两个条件：HDD和HUD1级。每个练习块包含60次试验。该实验由5个区块组成，共120次试验，每个区块都在一种HUD复杂性条件下呈现（不存在HUD，HUD级别1、2、3和4）。每个区块由40个中心探针试验、40个外围探针试验、20个双探针试验和20个无探针试验组成，以伪随机顺序呈现。通过采用拉丁方设计来平衡条件的顺序。组之间有60秒的休息时间。

实验结果

1、速度监控任务

总体平均曲线下面积（Area Under the Curve,AUC）为6.82。HUD复杂度的主效应并不显着，F(4,244)=1.946，p=115，表明SMT中的性能不受HUD复杂度的影响（表1，图5）。比较HUD不存在条件和HUD存在条件的折叠数据的其他分析显示，与HUD不存在条件(M=7.99)相比，HUD存在条件(M=6.52)的AUC更小，F(1,61)=4.36，p=.041，η2p=.067，Cohen'sd=.265，表明使用HUD提高了性能。

图5 基于个体速度监测任务响应绘制的平均曲线下面积(AUC)

2、探针检测任务

探针检测任务的准确性，总体准确率为91.7%。探针位置的主效应显着，表明与中心点相比，中心点的检测精度更高外围探针。限速主效应显着，60km/h限速区准确率较高比70km/h限速区高。HUD复杂性没有表现出显着的主效应。重要的是，HUD复杂性和探头位置之间的相互作用非常显着，它展示了作为HUD复杂性的函数，外围探头的检测精度呈下降趋势，而中心探头的检测精度呈上升趋势（图6）。其他双向交互作用或HUD复杂性、探头位置和速度限制之间的三向交互作用并不显着

为了进一步探索HUD复杂性和探头位置之间的双向相互作用，检查了每个HUD复杂性条件下中央探头和外围探头之间的精度差异（中央-外围精度）。成对t检验显示除HUD1级外，所有HUD复杂性条件均存在显着差异（表2）。HUDLevel1中中央和外围探头之间的差异并不显着，表明使用最简单的HUD时，中央和外围检测精度之间没有性能差异。

图6 探针检测任务中按探针位置和HUD复杂性绘制的平均准确度

接下来，比较了五种HUD复杂性条件之间的精度差异，以研究差异如何随着HUD复杂性的函数而变化。成对t检验显示，HUD1级中的中心探针和外周探针之间的准确度差异小于HUD缺失条件下的准确度差异，以及HUD4级。尽管效应量较小，但这些显着的精度差异成对比较表明，作为HUD复杂性函数的次线性趋势（图7）。

图7 中心探头和外围探头之间的平均精度差异

双探针条件下中心探针和外周探针的检测精度之间的成对比较也揭示了结果的一致模式。

反应时间。总体平均RT为924毫秒。限速主效应显着，表明60km/h限速区的平均RT大于70km/h区域。存在速度与准确度的权衡，因为在60km/h限速区平均RT较长且准确率较高，而在70km/h限速区平均RT较快但准确率较低。HUD复杂性和探头位置的主要影响并不显着。RT数据中双向和三向交互作用均不显着。

近域和远域灵敏度的分离调制

HUD视觉复杂性对近域和远域性能的影响被分为两个不同的任务。在SMT中，HUD内任务相关信息（即车速）的处理不会因视觉复杂性的增加而受到调节，因此显示出比仅支持H2的HDD更高的整体性能。相反，在PDT中，由于注意力隧道效应，远域视觉内适当的注意力分布明显受损，这与H3一致。这种差异的结果模式意味着，与近域视觉处理相比，远域视觉处理更容易受到视觉注意力干扰[7,8]，这会扰乱近域和近域之间的充分认知切换。远域[9]的研究强调需要通过采用双任务范式来独特地研究这两个视觉领域。

结论

视觉注意力的偏差分配是安全驾驶的主要威胁，可能导致致命的后果。本研究表明，汽车HUD的视觉复杂性是导致注意力向HUD附近视野转移的关键因素。结果表明与远域视觉和近域视觉的中心视野相比，复杂HUD的使用增加了注意力隧道，牺牲了对驾驶员远域视觉外围视野中外部物体的检测。因此应通过仅纳入与驾驶相关的基本信息来最大程度地降低HUD的视觉复杂性。此外，基于人类认知动态的仔细考虑应该体现在未来HUD的设计中。

文献来源：

[1] Lee, Jieun, Nahyun Lee, Jangkyu Ju, Jihwan Chae, Jiyoon Park, Hoe Sung Ryu, and Yang Seok Cho. "Visual complexity of head-up display in automobiles modulates attentional tunneling." Human Factors 66, no. 7 (2024): 1879-1892.

[2] Charissis, Vassilis, Stylianos Papanastasiou, and George Vlachos. Comparative study of prototype automotive HUD vs. HDD: collision avoidance simulation and results. No. 2008-01-0203. SAE Technical Paper, 2008.

[3] Liu, Yung-Ching, and Ming-Hui Wen. "Comparison of head-up display (HUD) vs. head-down display (HDD): driving performance of commercial vehicle operators in Taiwan." International Journal of Human-Computer Studies 61, no. 5 (2004): 679-697.

[4] Smith, Missie, Joseph L. Gabbard, and Christian Conley. "Head-up vs. head-down displays: examining traditional methods of display assessment while driving." In Proceedings of the 8th international conference on Automotive User Interfaces and Interactive Vehicular Applications, pp. 185-192. 2016.

[5] Sojourner, Russell J., and Jonathan F. Antin. "The effects of a simulated head-up display speedometer on perceptual task performance." Human factors 32, no. 3 (1990): 329-339.

[6] Carrasco, M. "Visual attention: The past 25 years, vision research 51." (2011): 1484-1525.

[7] Donkor, G. E. "Evaluating the impact of Head-Up Display complexity on peripheral detection performance: a driving simulator study." Advances in transportation studies 28 (2012).

[8] Van Winsum, Wim. "The effects of cognitive and visual workload on peripheral detection in the detection response task." Human factors 60, no. 6 (2018): 855-869.

[9] Prinzel III, Lawrence J., and Matthew Risser. Head-up displays and attention capture. No. NASA/TM-2004-213000. 2004.