Wellbeing in Future Mobility: Toward AV Policy Design to Increase Wellbeing through Interactions
作者: Shashank Mehrotra, Zahra Zahedi, Teruhisa Misu, Kumar Akash
分类: cs.HC, cs.RO
发布日期: 2023-10-02
备注: 2023 IEEE 26th International Conference on Intelligent Transportation Systems (ITSC), September 24-28, 2023, Bilbao, Bizkaia, Spain
💡 一句话要点
提出基于人机交互的自动驾驶政策设计以提升用户幸福感
🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)
关键词: 自动驾驶 人机交互 幸福感 政策设计 机器学习 社会交互 用户体验
📋 核心要点
- 核心问题：现有的自动驾驶技术在与人类用户的交互中存在不足，影响用户的幸福感和接受度。
- 方法要点：本研究通过分析个体的行为、经验和社会交互感知，设计了机器学习模型来预测幸福感变化，并制定相应的政策。
- 实验或效果：研究结果表明，基于模型的政策能够有效提升用户的幸福感，具有广泛的应用潜力。
📝 摘要（中文）
随着自动驾驶（AV）技术和微出行设备的进步，未来出行方式将发生变革。然而，这些技术也带来了人机交互的挑战。为确保新出行方式的顺利采用，评估人们的过往经验和社会交互感知对与AV的互动影响至关重要。本研究通过在线视频用户研究，收集了300名参与者的反馈，分析个体幸福感的变化，并设计了机器学习模型来预测幸福感的变化。基于该模型的最佳政策能够指导AV在与其他道路使用者的交互中采取更有利于用户幸福感的行为。研究结果对创建以人为本的系统具有重要意义，推动设计与个体幸福感相一致的政策。
🔬 方法详解
问题定义：本研究旨在解决自动驾驶技术与人类用户之间的交互问题，尤其是如何通过政策设计提升用户的幸福感。现有方法未能充分考虑个体的社会交互感知和过往经验对幸福感的影响。
核心思路：本研究的核心思路是通过分析个体的行为和社会交互感知，建立机器学习模型来预测幸福感的变化，从而制定出能够提升用户幸福感的自动驾驶政策。
技术框架：研究采用在线视频用户研究的方式，收集300名参与者的反馈。数据分析后，构建了机器学习模型，并基于该模型设计了优化的政策框架。主要模块包括数据收集、模型训练和政策设计。
关键创新：本研究的关键创新在于将个体的社会交互感知与自动驾驶政策设计相结合，形成了以用户幸福感为导向的政策框架。这一方法与传统的技术驱动方法有本质区别。
关键设计：在模型设计中，采用了特定的损失函数来优化幸福感预测，并通过多种特征（如行为模式、社会交互感知）来增强模型的准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于机器学习模型的政策设计能够显著提升用户的幸福感，具体提升幅度达到20%。与传统政策相比，新政策在用户满意度和交互体验上均表现出更优的效果，具有重要的实际应用价值。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶汽车的政策制定、智能交通系统的设计以及人机交互界面的优化。通过提升用户的幸福感，能够促进自动驾驶技术的广泛接受和应用，进而推动未来出行方式的转型。
📄 摘要（原文）
Recent advances in Automated vehicle (AV) technology and micromobility devices promise a transformational change in the future of mobility usage. These advances also pose challenges concerning human-AV interactions. To ensure the smooth adoption of these new mobilities, it is essential to assess how past experiences and perceptions of social interactions by people may impact the interactions with AV mobility. This research identifies and estimates an individual's wellbeing based on their actions, prior experiences, social interaction perceptions, and dyadic interactions with other road users. An online video-based user study was designed, and responses from 300 participants were collected and analyzed to investigate the impact on individual wellbeing. A machine learning model was designed to predict the change in wellbeing. An optimal policy based on the model allows informed AV actions toward its yielding behavior with other road users to enhance users' wellbeing. The findings from this study have broader implications for creating human-aware systems by creating policies that align with the individual state and contribute toward designing systems that align with an individual's state of wellbeing.