马 宁，王亚辉

智能汽车座舱人机交互任务复杂度分析方法

马 宁，王亚辉

(清华大学心理学系，北京 100084)

智能汽车座舱中的人机交互任务及行为直接影响车内用户体验。为了帮助汽车内外饰和人机交互界面设计师有效规避界面可用性差的风险，对智能汽车中人机交互行为进行了定量化的研究，总结了人机交互任务复杂度量化指标，挖掘了影响智能座舱内部人机交互复杂度的具体任务指标及权重分布，提出了基于熵的智能汽车人机交互任务复杂度测量方法，最终通过某智能汽车座舱的实例进行了算法验证。结果显示，座舱中的人机交互任务逻辑结构、人机交互知识等级和认知量、人机交互数字界面布局的复杂程度，对车内的人机交互任务复杂度影响较大，需要设计师重点关注。该方法可以帮助设计师规避设计复杂度过高、用户学习成本过高的风险，可辅助设计师对上述指标相关的设计问题进行提前干预。

智能汽车座舱；人机交互；熵值法；复杂度分析；交互设计

智能汽车座舱中智能系统与人、人与信息之间的关系变得越来越复杂，导致车内的人机交互行为也呈现多样化趋势[1-2]，直接影响车内的用户体验。智能座舱中，人机交互任务的复杂程度是评估车内交互体验和座舱布局设计的重要指标[3-4]，也直接影响驾驶员完成特定任务的认知负荷，进而影响智能汽车驾驶过程的安全及效率。

1 人机交互任务复杂度量化指标

在汽车座舱的多种复杂人机交互任务中，可通过任务复杂度的表征因子描述座舱人机交互的任务复杂度，并确定其7个关键量化指标[5]。驾驶员与车进行交互的空间在智能座舱中展开，图1为不同品牌的智能座舱布局，可看出中控及仪表的交互界面及座舱布置各不相同，导致了智能座舱中人与车内不同组件的人机交互复杂度存在较大的差异，故此影响智能汽车驾驶过程的安全及效率。

图1 不同品牌的智能座舱布局

国外学者通过实验研究了车内驾驶的情境认知及注意机制，将车内高频的场景如导航、通讯、娱乐、车载APP及温度调节等场景进行分类[6]，在前人的研究基础上，本文选取9个座舱内的主要人机交互任务(导航、接打手机、音乐选择与切换、电台选择与切换、车载APP交互、空调温度调节、观测仪表盘、语音唤醒、中控屏交互)，进行7个维度的复杂量化与分析。其指标内容及含义如下：

(1) 智能座舱人机交互任务逻辑结构的复杂程度LC。在数字化座舱的人机交互系统中，驾驶员除了基本的驾驶任务以外，还包括单个交互任务如导航、接打手机、音乐选择与切换、电台选择与切换、车载APP交互、空调温度调节等任务，任何单一任务的逻辑结构的复杂度将直接影响驾驶员的认知绩效和座舱用户体验的流畅性。

(2) 智能座舱单个人机交互任务所需的动作数量AC。在数字化座舱的人机交互系统中，驾驶员完成某一项特定的任务需要的动作数量，也是表征人机交互任务复杂度的关键要素，可以通过统计学获得相关数据。

(3) 智能座舱人机交互界面中的管理界面信息复杂度AIC。智能数字化座舱中的界面大多为触控数字界面，用户与汽车交互的首次操作大多需从管理界面进入，其复杂程度会影响后续操作任务的进行。

(4) 智能座舱人机交互输入的复杂度IC。在人车交互过程中，不同的输入方式如语音、手势、触控、物理控制等方式对用户输入行为的精度和内容要求不同，输入因素的复杂度越高，用户完成某项任务需要花费的时间越多，可用性和易用性越差。

(5) 智能座舱人机交互所需要的知识等级和认知量NCC。数字化座舱的交互任务所涉及的很多操作均集成在数字交互界面中，大量的操作任务依赖多样的图标、文本来传达其意义和内涵，较传统系统更加复杂，学习成本较高，此外，语音交互的上下文语义理解也需要不同等级的知识，智能座舱中人机交互所蕴含的知识量很大，对驾驶员认知量要求变高。

(6) 智能座舱人机交互数字界面布局的复杂程度ILC。无智能座舱中的数字界面承载着复杂的信息显示和交互作用，人机交互界面的布局本身的复杂性，将影响用户的反应和决策时间，进而影响人机交互的可用性和易用性。

(7) 智能座舱人机交互反馈复杂度FC。无论是数字界面还是语音、手势等交互方式，信息的整合和网联化的趋势使得输入输出信息流也变得越来越复杂，多种交互方式反馈的复杂性，均对整个交互的流畅程度和用户体验带来很大影响。

2 基于熵的智能座舱人机交互任务复杂度量化方法

2.1 熵的概念

1948年，SHANNON[7]首次将熵的概念引入信息论中，熵的侧面可以表征信息的复杂程度，即

其中，为信息熵；为信息源的个数；B为第个信息源；(B)为第个信息源出现的概率。熵值法作为一种客观赋权方法，可根据各个复杂度指标的相对变化程度对系统整体的影响决定指标的权重，相对变化程度大的指标具有较大的权重，可根据各项指标的变化程度，计算其权重，为多指标综合评价提供依据。

智能汽车座舱的人机交互任务复杂度受智能座舱内部人车交互信息的复杂程度直接影响[8]，本文提出基于熵的智能座舱人机交互任务复杂度量化方法，将熵的概念引入智能座舱人机交互任务复杂度分析中，通过熵值法对智能座舱中的人机交互复杂度进行量化研究，其熵值越大，则代表人机交互任务信息复杂度越高。

2.2 算法步骤

设有项复杂度指标，个人机交互任务，选取一定数量的专家和智能汽车真实用户组成的评价小组，对个人机交互任务的项复杂度指标分别进行评分。

根据统计专家打分的原始数据，构建的智能座舱人机交互任务复杂度评价指标原始数据矩阵，其中，a表示第个人机交互任务第项复杂度指标的数值，和的取值分别为[1,]和[1,]。指标值a的数值差距越大，则该指标在综合评价中所起的作用越大；如果某项指标值全部相等，则该指标在综合评价中不起作用。根据熵值法原理，智能座舱的复杂度熵值求解步骤如下：

步骤1.评价小组成员对不同复杂度指标打分，形成原始数据矩阵为

步骤2.复杂度指标归一化处理，将不同维度指标进行归一化。由于人机交互各项复杂度指标的计量单位并不统一，因此，在用计算综合指标前，先进行标准化处理，将指标的绝对值转化为相对值，从而解决各项不同质指标值的同质化问题。对于正、负向指标需采用不同的算法进行数据归一化处理。

正向指标归一化为

负向指标归一化为

为了计算方便，归一化处理后的数据仍记为a。

步骤3. 计算第项复杂度指标第个人机交互任务复杂度值占该指标的比重为

步骤4. 计算第项复杂度指标的熵值为

步骤5. 计算复杂度熵的差异系数，表征其冗余度为

步骤6. 计算各个复杂度指标的权重为

步骤7. 计算各个人机交互任务的综合复杂度熵值得分为

其中，a为归一化处理后的数据，通过式(9)可求得智能座舱不同人机交互任务的复杂度熵值综合得分。

3 智能座舱人机交互任务复杂度实例

根据研究问题的具体内容，选取由10位专家(汽车人机交互专业和设计专业副教授及5年以上用户体验从业者)和10位智能汽车真实用户组成的小组，对某品牌智能汽车座舱9个主要交互任务下的7个复杂度指标进行打分。

为了充分将专家和用户2类群体的体验和经验转化为量化数据，根据熵值法的思想，将LC，AC，AIC，IC，NCC，ILC和FC等7个指标作为复杂度评价指标。其中，AC和NCC由人机交互动作数量和知识认知量表示，表征复杂度等级用数量极少、数量少、数量一般、数量较多、数量极多来表示；LC，AIC，IC，ILC和FC表征复杂度等级用极其不复杂、不复杂、一般、很复杂和极其复杂5个复杂度等级表示；7个指标的5个等级分别与标度1，3，5，7，9对应，复杂程度(动作数量和知识量)在各等级之间用2，4，6，8表示，20名小组成员对9个主要交互任务下的7个复杂度指标进行复杂度等级打分，形成原始数据矩阵。

由用户和专家的复杂度指标赋值可以得到评价指标矩阵，通过式(5)可求得初始权重矩阵，再利用式(6)～式(8)求得7个复杂度指标的权重值，见表1。

根据式(9)计算9个人机交互任务的不同指标的复杂度和综合熵值，表2为不同复杂度指标下的复杂度熵值结果。

表1 7个复杂度指标的权重分数

表2 人机交互行为复杂度熵值

注：下划线数据为复杂度熵值较高值

将表2中的数据进一步可视化，由图2可以看出智能座舱不同的人机交互任务的复杂度指标值不同，单个人机交互任务的复杂度也不同。

图2 人机交互行为复杂度熵值((a)人机交互任务各个复杂度指标熵值；(b)人机交互任务复杂度熵值)

其中，空调调节的逻辑结构的复杂程度较高，音乐选择与切换所需的动作数量较多[9]，仪表盘数字界面任务信息的复杂程度较高，而音乐选择切换和语音交互的输入因素相对其他任务更复杂，空调调节和语音交互过程中所需要的知识等级和认知量较大，用户的学习成本较高，整个中控数字界面、仪表盘和空调调节界面的人机交互布局更复杂，而仪表盘及空调调节的人机交互过程中，用户对接受的反馈并不满意。在9个人机交互任务中，空调调节的人机交互复杂度最高，而电台选择与切换的复杂度最低。

在导航任务中，因为不同用户可能需要通过语音、视觉结合中控屏地址输入等多种方式结合才能最终完成该任务[10]，用户需要的动作数量较高，且不能将以往的经验很好地传递到导航任务中，导致导航人机交互任务本身的复杂度熵较高，通过式(9)得出的最终复杂熵值为2.712。

拨打电话人机交互任务的复杂性较低，主要是因为用户在接打电话的过程中多依赖语音操作，且误操作较少，但在接打电话过程中，用户仍然需要注视中控屏中的电话界面，还需分散少量的注意力到触屏操作，才能完成电话接打任务[11-13]，通过式(9)得出的拨打电话人机交互任务，最终复杂熵值为1.513。

音乐选择与切换任务中，用户在选择与切换过程中所需的动作数量较多，且任务执行过程中的反馈并不清晰[12-13]，该任务用户的个人喜好发挥作用，对音乐个人偏好导致音乐选择与切换带有目的性，当用户通过多个操作不能有效获取自己喜欢的音乐时，感知的人机交互复杂度值将偏高，通过式(9)得出音乐选择与切换任务，最终的复杂熵值为2.004。

电台选择与切换的复杂度最低，通过式(9)得出的最终复杂熵值为1.494，与音乐选择与切换不同，电台选择与切换并不带有较强的目的性，且用户通过语音交互方式，在一次动作下能完成该任务，不需要更多的认知量和经验、记忆等。

车载APP交互中数字主界面任务信息的复杂程度较高，专家和用户普遍认为车载APP提供的信息需与手机、平板、电脑等呈现的内容不同，呈现方式应该也有区别，通过式(9)得出车载APP交互最终复杂熵值为2.010。

空调调节任务的复杂程度最高，最终的复杂熵值为3.421，经过分析发现，完成空调调节任务的逻辑复杂度、需要的动作数量、输入因素的复杂度、用户需要的知识等级和认知量、人机交互布局复杂度及反馈复杂性指标的熵值均很高，因传统汽车的经验和认知记忆与空调触屏和语音控制操作方式完全不同[14-15]，且空调界面的层级较多，用户在短时间内并不能同时处理单个任务下的多个子任务，导致用户的误操作较多，且满意度较差。

仪表盘的查看属于特殊的人机交互行为，用户无需输入信息，只是被动地接受信息[16]，仪表盘的人机交互布局相对复杂[17]，用户并不能在较多的图标中迅速获取最有价值的信息。此外，在交互过程中，用户对接受的反馈信息并不满意，则需要更积极地反馈帮助其获取有效信息，观测仪表盘任务最终的复杂熵值为2.732。

随机的语音交互对话任务最终的复杂熵值为2.958，在复杂度指标中，语义的逻辑复杂度较高，用户的语音输入相对复杂，仍然需要一定的知识学习和较多的认知量才能顺畅地完成该操作，语音交互除了语义逻辑性外，对车内外的环境、交互对象的识别等均存在一定问题，易导致随机语音交互出现误操作。

中控屏交互过程中，用户和专家认为整个屏幕的人机界面交互布局过于复杂，用户车载APP的管理、车载任务的激活等均需要较多的知识量，且用户智能设备使用经验并不能很好地转移到中控屏的人机交互中，导致产生较多的失误，中控屏交互最终的复杂熵值为2.473。

4 总 结

从人机交互任务复杂度熵权算法的结果可见，7个复杂度指标中，人机交互任务逻辑结构、所需要的知识等级和认知量、数字界面布局的复杂程度3个复杂度指标对智能座舱人机交互任务复杂度影响较大，需要设计师重点关注。

在9个人机交互任务中，中控空调调节任务复杂程度最高，其次是语音交互、仪表盘交互和中控导航的复杂度较高，说明上述4个人机交互任务的用户使用复杂度较高，在汽车交互界面设计中应重点关注。该算法能帮助汽车内外饰和人机交互界面设计师有效规避设计复杂度和用户学习成本过高的风险，辅助设计师在设计初期对相关设计问题进行提前干预。

[1] 李璟璐, 孙效华, 郭炜炜. 基于智能交互的汽车主动响应式交互设计[J]. 图学学报, 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, 史铭豪. 自动化影响下的复杂系统数字界面设计研究[J]. 包装工程, 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] 张力, 刘雪阳, 洪俊, 等. 基于熵的数字化人机交互复杂度研究[J]. 中国安全科学学报, 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] 谭浩, 赵江洪, 王巍. 汽车人机交互界面设计研究[J]. 汽车工程学报, 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] 张力, 刘雪阳, 洪俊, 等. 基于熵的数字化人机交互复杂度研究[J]. 中国安全科学学报, 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, 杨逸凡, 等. 基于汽车人机界面评测的中控触屏按键研究[J]. 包装工程, 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

国家自然科学基金重点项目(61936010)

马 宁(1988–)，女，硕士研究生。主要研究方向为工业设计、人机交互等。E-mail：maningyhh@163.com

王亚辉(1988–)，男，助理研究员，博士。主要研究方向为人因学、汽车人机交互、交互设计。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