以人為中心的連網自動化設計：預測行人過街意圖
arXiv - Human-Computer InteractionSanaz Motamedi, Viktoria Marcus, Griffin Pitts
研究擴充TPB模型，發現安全感與理解度對行人過街意圖影響最大，為設計eHMIs與V2X溝通提供指導。
AI 幫你先抓重點
AI 重點 1
安全感與理解度是決定行人過街意圖的關鍵驅動因素。
滑鼠懸停看 AI 判斷理由
這一發現說明在設計自動駕駛車的外部人機介面時，必須優先傳遞安全與清晰的意圖訊息，否則行人可能因不信任或不理解而拒絕過街，降低系統效能。
AI 重點 2
TPB模型的擴充能整合信任、兼容性與理解度，提供更完整的行人行為預測框架。
滑鼠懸停看 AI 判斷理由
將傳統TPB與安全、信任等變項結合，可更精準捕捉行人對自動駕駛車的反應，對於開發安全協同策略與政策制定具有實務價值。
核心研究發現
- 1
在212名受訪者的線上調查中，行為控制感、態度與社會資訊顯著影響行人過街意圖。
- 2
感知安全性與理解度對TPB構念的影響力最大，顯示安全與溝通是關鍵。
- 3
研究結果可用於設計eHMIs與協同V2X策略，以促進行人與自動駕駛車安全互動。
對教育工作者的啟發
對於自動駕駛車設計者而言，本文指出安全感與理解度是影響行人過街意圖的核心因素。設計eHMIs時，應以直觀圖示或語音提示傳遞車輛意圖，並提供足夠的上下文資訊以降低行人疑慮。V2X通信可用於即時共享車速、預測路徑，並以可視化方式呈現給行人，提升信任度。政策制定者可依此調整行人安全標準與道路設計，鼓勵使用者友善的自動駕駛環境。
原始文獻資訊
- 英文標題：
- Human-Centered Design for Connected Automation: Predicting Pedestrian Crossing Intentions
- 作者：
- Sanaz Motamedi, Viktoria Marcus, Griffin Pitts
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。