文章主要内容和创新点
主要内容
本文针对L3级自动驾驶系统中，司机在进行次要任务（如使用手机、进食等）时易分心，导致紧急情况下需手动接管车辆时认知负荷过高的问题，提出了一种基于大语言模型（LLM）的“驾驶助手”工具。该工具通过分析路况风险（如交通流量、行人、天气等）和司机注意力分配状态，触发“人性化”的劝说建议（结合视觉和听觉途径），引导司机合理平衡次要任务与路况关注。
研究通过半结构化访谈明确了司机对劝说方式的偏好（如简洁、非命令式、口语化等），基于Fogg行为模型和PSD框架设计了6种劝说策略，并通过40名参与者的模拟驾驶实验验证了工具的有效性。结果表明，与传统警报相比，该工具能减少司机次要任务频率、降低认知负荷、维持更稳定的注意力分配，且司机接受度更高。
创新点
- 方法创新：突破传统“警告式”干预模式，采用“劝说式”沟通，通过LLM生成符合司机偏好的人性化建议，建立更舒适的人机交互。
- 触发机制：结合实时路况风险（如交通流量、天气等）和司机注意力状态（通过眼动追踪监测分心行为），动态判断劝说时机，实现精准干预。
- 策略设计：基于Fogg行为模型和PSD框架，设计了6种针对性劝说策略（状态反馈、强调风险、默认关注等），兼顾行为改变的有效性和用户体验。
- 实证验证：通过模拟驾驶实验对比传统警报与新工具的效果，从客观数据（次要任务数量、眼动指标）和主观评价（认知负荷、接受度）多维度验证了LL
