自动驾驶给你看的“信心指数”,真的可信吗?

想象一下：你坐在一辆L3级自动驾驶汽车里，窗外雨雾蒙蒙，前方突然出现施工区。中控屏上，一条曲线正在波动——那是车辆在向你“汇报”它绕过障碍的信心指数。

曲线忽高忽低。面对这种“心里没底”的提示，你会信任车辆，还是立刻抢回方向盘？

*L3级（有条件自动驾驶）：在特定条件下，系统主导驾驶，允许驾驶员“脱手”。

研究背景

开头的这个场景并非科幻。目前的L3自动驾驶在理想路况下表现良好，但遇到复杂情况时系统能力会下降，需要驾驶员随时接管。

问题是，大多数车辆的反馈太粗糙了——大多是弹出一个“自动驾驶受限”的二元提示，却说不清是看不清路、抓地力下降还是别的什么问题。驾驶员只能靠自己猜：该减速？立即接管？还是继续观察？

图1 特斯拉自动驾驶界面的模拟图

这种模糊信息容易导致信任错配：过度信任引发危险，或信任不足导致不必要的接管。

因此，研究者尝试用动态二维曲线展示系统的信心指数变化趋势，让驾驶员不仅知道车辆现在是否有信心，还能看到它过去的变化轨迹。

研究方法

图2 DSRI miniSim驾驶模拟器

36名持有驾照的年轻人（20男16女，平均23.9岁）。

参与者在驾驶模拟器中完成8次自动驾驶任务，每次遇施工区障碍前15秒系统发出提示，参与者根据屏幕上的信心指数曲线决定是否接管。每次任务结束后，参与者需要填写对自动驾驶系统的信任程度。

• 线性上升（Linear Up）：信心暴跌后迅速回升。

• 线性下降（Linear Down）：信心持续下跌。

• 凸形（Convex）：信心暴跌后缓慢回升。

• 凹形（Concave）：信心先升后降。

关键设定：系统“可靠性”（实际成功概率，固定75%）与“信心指数”（系统自我评估）并不一致。系统可能很自信但实际失败，也可能很心虚但实际成功。

图3 显示自动驾驶车辆系统信心指数的四种人机界面

研究结果

288次任务中发生119次接管（41.3%），远超实际需要的72次（25%），近半数接管不必要。

24%的决策出错——该接管时没接（过度信任），或是车辆能行却强行接管（信任不足）。

正确决策的接管响应时间显著长于错误决策，见图4。

图4 接管响应时间与驾驶员接管决策

及系统信心指数模式的关系

不同模式下的接管时间差异显著：线性上升最快，线性下降较慢，凹形最慢（见图5）。

线性上升最快，可能是因为曲线初期的暴跌触发了警报，随后的回升又让人犹豫，导致快速反应。

图5 接管响应时间与系统信心指数模式的关系

无论曲线怎么变，驾驶员信任度无显著差异。真正影响信任的是系统实际表现，图6可见，最后2次自动驾驶不可靠表现让驾驶员信任感骤降。

图6 信任评分随驾驶时段的变化情况

（驾驶时段已重新排列，其中时段1-6为可靠，

时段7-8为不可靠）

结论与启示

• 动态信心指数影响驾驶员行为（接管时间、眼动模式），但不影响信任感。

• 驾驶员更相信“系统实际表现”，而非屏幕上那条起伏的“信心指数”。他们用自己的经验校准信任，前几次可靠表现建立信任，一次失败就大幅降低信任。

• 24%的决策错误，说明驾驶员对系统信心指数的解读仍有偏差。

• 多花几秒观察，能提高决策准确率。

• 信息过载风险：过于复杂的动态历史趋势图（如凹形曲线）可能会争夺驾驶员的视觉注意力，导致其忽视路况，反而延缓了关键的接管决策。

• 信任的建立是一个长期的过程，驾驶员更看重实际可靠性。如果系统信心指数长期与真实表现不符，用户会迅速丧失信任。

这项研究给“全透明化”设计泼了盆冷水：更多信息，不等于更好决策。

自动驾驶的普及不仅是技术问题，还是人与机器如何沟通的心理学问题。真正的信任，来自每一次安全抵达的累积，而非屏幕上起伏的曲线。我们要学会读懂这些信号，与AI形成真正的人机协作。

下一次，当你的爱车显示“系统不确定”，你会选择相信它，还是相信自己的直觉？