今天我想和大家聊聊智能座舱HMI设计中人因的相关模型，以及在智能座舱开发中的简单应用。

二战时期，各种复杂机器和武器装备发展迅速，但是因为人本身生理和心理的局限性存在，导致人很难适应复杂机器的性能要求，从而事故频发。

在第⼆次世界⼤战期间发⽣的飞机事故中，90%是由于⼈为因素⽽造成的。之后⼈们在不断的失败中逐渐意识到，只有当武器装备符合使⽤者的⽣理、⼼理特性和能⼒限度时，才能发挥其⾼效能，避免事故的发⽣。

人因工程的出发点源于“人的局限性”

随着控制论、信息论、系统论、机器行为学的建⽴，以及人因工程（Human Factor Engineering）与人机交互的耦合关系更加深入，促使⼈因⼯程学进⼊了超脱“人机界面”，转而面向“⼈-机-环境系统”的研究阶段。

目的是通过⼈与机器应该互相适应，以及⼈机之间更加合理的分⼯，创造最适合于⼈操作的机械设备和作业环境，使⼈-机-环境系统更加协调，从⽽获得系统的最⾼综合效能。

但人会疲劳、分心，也会犹豫、恐惧和犯错，人的肢体、视觉、认知资源也都在一定的区间内发挥作用，人需要学习才能完成特定任务，人又在复杂的知识中陷入认知负荷中，总之，人是有局限性的。

人因工程的出发点源于“人的局限性”，落脚点在人与系统的整体绩效上。

对于大部分产品来说，人因学（Human Factor）的主要目标是减少人为错误，提高系统绩效并增强安全性和舒适性，当然这个系统也包括智能座舱的操控系统和辅助驾驶系统。

无论对于手动驾驶、辅助驾驶还是自动驾驶，在我们进行HMI设计时，我们的最终目标是让驾驶员和乘客安全、舒适、高效的到达目的地。

在智能座舱的设计开发中，只有充分了解人的局限性才能让我们设计出更合理的驾驶体验。

我们拿座舱的生理舒适性举一个简单例子。座舱的舒适性和车内人机空间布置密切相关，例如座椅结构、形状和材料会直接影响驾驶员的坐姿，而长时间错误的坐姿会让人感到局部疲劳甚至疼痛。从生理维度，我们需要考虑基于成年人的人体尺寸来考虑车内人机空间布置。[b]

[/b]

截至2022年，我国汽车行业目前普遍采用SAE（美国机动车工程师学会）人体模板开展研发工作，但中美人体尺寸存在较大差异。

例如美国人身高比中国人高（美国男性身高第50百分位数为1759mm，中国男性身高的第50百分位数为1689mm），但躯干比中国人矮（美国男性坐姿高度第50百分位数为919mm，中国男性坐姿高度的第50百分位数为921mm），这会导致我国部分驾驶员在长途驾驶过程中坐得不舒服甚至出现腰痛状况。

除了舒适性，基于错误的人体尺寸进行座舱设计会让驾驶员的局限性直接加大，例如驾驶员背部贴紧座椅时手臂伸直仍摸不着中控屏幕，这时需要身体向前倾，这无疑是不适、低效和不安全的。

为了解决以上问题我们应该基于中国成年人人体模板开展研发工作。但是目前能使用的《中国成年人人体尺寸》是1988年发布的标准，标准中的成年人人体数据已完全无法准确反映当前我国国民的身体状况。

为此，我国人体基础数据调查在2018年已经启动并完成了最新的人体尺寸数据测量，具体标准有可能会在2022年发布并实施。

人因工程不是黑科技，而是白月光，人是万物的尺度，人因工程的理念就是以人为本，以人为中心，要让机器适应人，从而更好的服务于人（来源于行业前辈的说法）。

有助于理解“人因”的理论模型

为了更好的理解人因和人的认知及行为，下面将引用几个模型来加深大家的理解，这些模型分别是态势感知（Situation Awareness）、基于技能-规则-知识的行为模型（Skill-Rule-Knowledge Behavioral Model）、多重资源理论（Multiple-Resource Theory）和耶德定律（Yerkes–Dodson Law）。

本次分享暂未将人机交互中希克定律、菲茨定律、7±2 法则作为重点，而是通过更宏观的模型让大家理解驾驶本身。

态势感知（ Situation Awareness）

态势感知（也被称为情境意识）最早用于飞行场景，被定义为“在一定时间和空间量内对环境中的元素的感知，并对其意义的理解以及对它们在不久的将来的状态预测”，也被认为是飞行员在任何时间点对周围世界的内部模型。态势感知结构可以进一步分解为三个层级，如下图所示。

飞行员感知环境中存在某些元素（例如飞机、 山、警示灯）及其相关特征（例如颜色、大小、速度、 位置），这构成态势感知一级：感知。

基于飞行员对这些元素的了解，以及这些元素和其他元素通过格式塔的方式组合为不同模式时，飞行员会构建出一幅当前环境的整体图景，以及理解当前对象和事件的重要性，例如警告面板上出现了红灯，飞行员理解红灯的出现有可能会危及他的生命，这构成态势感知二级：理解。

当有三架敌机出现在特定距离内，预测这些敌机未来行动的能力构成了态势感知三级：预测。

同理，态势感知也能用于汽车驾驶中，并能较好地解释注意力缺失导致的问题。

例如当汽车开启了辅助驾驶模式，驾驶员正在玩手机或者看视频的时候汽车需要驾驶员紧急接管，驾驶员在注意力缺失的情况下需要对当前环境、自身汽车和周围车辆状况等一系列因素进行感知、理解、预测、决策，最后再执行。

极短时间完成以上步骤很有可能让驾驶员出现认知负荷过载的情况，最后手忙脚乱导致悲剧的发生，这也就是为什么辅助驾驶需要驾驶员处于合理的情景意识。

工作负荷和能力、经验、训练都会直接影响态势感知、决策和执行的绩效，这两部分都能用后面的耶德定律及SRK模型分别进行解释。

总的来说，高绩效需要驾驶员处于良好的情景意识和恰当的唤醒度、注意力和认知负荷水平，同时对于驾驶员的驾驶技能有一定要求。

在辅助驾驶过程中我们也需要驾驶员处于同等状态才能让驾驶员在突发情况时更好地完成接管，因此我们可以在辅助驾驶过程中通过听觉通道将重要信息实时告知驾驶员，并且在屏幕上显示最重要的信息，以确保驾驶员能快速感知和理解当前状况并进入良好的预测和决策流程。

态势感知模型能让我们更好的理解驾驶员在人机环中，是如何进行感知、理解、预测和决策，最终完成驾驶任务的，我们在HMI设计中，任何一个影响上述态势感知环节的设计，都会作用于最后的驾驶行为，从而对驾驶安全产生直接影响。

基于技能-规则-知识的行为模型

基于技能-规则-知识的行为模型（以下简称SRK模型）把人的工作根据认知参与的复杂程度分成三种不同的水平，如下图，它们之间的区别如下：

基于技能的操作：指非常熟练的、几乎是潜意识的操作，不需要经过大脑的复杂思维过程，因此对人的认知负荷和注意力要求最低，比如盲操。

基于规则的操作：了解各种规则，当事情发生时，按照各种规则来操作，比如保持车道线、遵守交通法律，就属于此类操作。

基于知识的操作：也就是问题相对比较复杂，解决的过程需要大量的知识、分析和判断，因此对人的认知负荷和注意力要求最高。

通过SRK模型，我们就不难理解为什么新手司机开车非常谨慎，而老司机可以边开车边去处理其他事情，因为老司机通过长时间的训练已经将驾驶这项操作训练成基于技能的操作，当他对路面非常熟悉时，他可以不花费太多注意力在路面上，同时驾驶车辆可以通过肌肉记忆完成。

但是对于新手司机来说驾驶车辆仍处于知识层面的操作，所以驾驶时需要花费更多的注意力在路面、眼睛和手脚之间的配合以及记忆如何操控车辆上。

但是在看不清或者复杂路面上，无论是新老司机都需要花费注意力去分析和判断当前车辆操作是什么，因为新的环境对他们来说属于另一种“知识盲区”，这种基于新知识的操作人人平等。

多重资源理论

多任务处理在驾驶过程中非常普遍，例如我们会一边跟同伴聊天，一边观察路面变化，一边听周围有没有鸣笛等特殊声音需要引起我们的注意，之所以能够同时进行两种或两种以上的活动，是因为这些活动所要求的注意容量没有超出他所能提供的容量。若在行人拥挤的街道上开车，大量的视觉和听觉刺激占用了他的注意容量，他也就不能再与同伴聊天了。

车内有些多任务并行并不推荐，例如一边开车一边玩手机或者注视中控屏幕，为什么？因为人的注意力和认知负荷是有限的，如果超出人的注意容量很容易引起人的失误，从而导致交通事故。

那为什么人可以做到边看边听？从多重资源理论的角度来看，人会通过多资源和多通道去理解和处理信息，如下图，而且每项资源或通道都有自己的容量，当信息不超出该容量时不容易超出人的认知负荷。

多重资源理论在座舱体验设计上能给我们带来很多指导意义，例如一些紧急信息最好通过听觉通道传达给驾驶员，而不是通过视觉通道，因为这能有效避免驾驶员认知负荷超载。

但是为什么我们又会经常把一些信息显示在屏幕上呢？这不是和前者结论矛盾么？多重资源理论结合SRK模型能解释为什么部分老司机能边开车边看屏幕甚至是玩手机，而新手司机却不能。

因为老司机在驾驶时对路面的观察和理解不占用太多视觉和认知容量，所以他们有更多的容量去处理其他事物（不提倡分心驾驶），但对于新手司机来说光是观察路面已经让他的认知资源接近容量上限甚至超载，所以他们必须很谨慎地驾驶才能避免发生事故。

耶德定律

在心理学里，耶德定律用于描述唤醒度（Arousal）高低与绩效之间的关系，如下图。唤醒度可以反映人当前的生理和心理状态，从生理角度唤醒度由低到高可以依次描述为犯困、疲劳、松弛、正常、焦虑、压力大和疼痛，它和压力（Stress）、注意力（Attention）、警觉性（Alertness）、认知负荷（Cognitive Load）和工作负荷（Workload）等因素有着强联系。

从图中我们可以发现存在着一个最佳的绩效唤醒水平区域，太少或太多的唤醒都会对任务绩效产生不利影响。

当唤醒度过低时，例如在犯困到放松的这个区间下，我们可以理解人的注意力是缺失的，边开车边玩手机可以理解为驾驶员在驾驶任务上处于松弛状态，所以他此时的绩效并不处于最佳状态。

当唤醒度过高时，例如在焦虑到疼痛的这个区间下，人的注意力处于分散甚至过载状态下。在这个区间下怎么理解注意力分散甚至过载？

焦虑、压力大甚至疼痛会让人过度紧张导致注意力无法集中到该集中的任务上，例如新手司机在学习或者实习期也会用他由于紧张导致“脑子里一片空白”，其实这是在描述注意力分散甚至过载。

信任校准

人机信任也属于人因工程正在探索的领域。人机信任的研究更多关注机器系统的因素，主要包括机器能力与机器特性两个方面。

机器能力相关的人机信任影响因素主要包括人机系统的可靠性、可预测性、异常故障等。

大量研究表明在复杂的交互任务中，高度可靠的自动人机系统会促进操作者信任，但是也可能会导致用户监视行为的减少及过度依赖。

可预测性是指人机系统来执行任务符合用户期望的程度，当用户可以依据经验预测系统的表现时，人机信任水平会持续较高，而可预测性差的人机系统会使信任水平迅速下降；人机系统的异常故障对人机信任有负面影响,即使故障恢复后信任恢复也比较缓慢，且不会达到以前的信任水平。

与人机系统特性相关的人机信任影响因素主要包括系统的自动化等级、物理特征、系统透明度等因素。自动化等级或智能化水平越高的机器系统，初始的人机信任程度越高，但当其出错时，人机信任会迅速降低并持续处于较低水平，原因在于系统自动化等级越高可理解性及可预测性越差,一旦出错就会导致人机信任水平的持续降低。

信任的交互将增强操作自动驾驶/辅助驾驶的人的信心，改进其对车辆的控制以及提升安全感，我们需要将人对车的信任限制在一个适度的等级，过度信任和不信任都会影响驾驶安全。

在智能座舱领域，人类和机器的关系可以抽象为下图，当人对机器越不信任，在辅助驾驶过程中会一直担心汽车出现问题，从而产生焦虑感和注意力分散，对变化的响应会越迟钝；当人对机器过度信任，在辅助驾驶过程中会太过依赖汽车的决策，渐渐地注意力分散到其他事情上，两种现象都不是我们希望看到的，因此什么是合理的人机信任以及如何校准人机信任将是设计辅助驾驶时很重要的课题。