前方是一段施工区。自动驾驶还在工作，界面上显示的“系统把握”原本在85%以上，识别到障碍后突然掉到60%。

如果你坐在驾驶位上，会马上接管，还是再等两秒看看？如果这个数值又慢慢升回70%、80%，你会不会改变主意？

这不是一个纯粹的界面设计题。对于L3条件自动驾驶来说，系统有时需要驾驶员重新承担驾驶任务。如果车辆已经能够估计自己“有多大把握”，把这种不确定性告诉驾驶员，看起来似乎比只在最后一刻弹出“请接管”更透明。

但透明之后，还有一个更难的问题：驾驶员看懂了吗？

一、85%突然掉到60%，驾驶员会怎么做？

George、Hass和Pitts在2026年《Applied Ergonomics》发表的一项研究，专门把“系统确定性”做成了一条会随时间变化的曲线。

36名参与者在驾驶模拟器里使用L3自动驾驶，通过低能见度、雨天环境中的施工区域。每个人完成8次驾驶。研究人员告诉他们：这套系统总体可靠性为75%。8次任务里，6次车辆实际上能够绕过障碍，2次不能。

有意思的地方在于，界面显示的“确定性走势”和车辆最后到底能不能成功绕过去，并不是一一对应的。研究设计了四种曲线：有的先突然下降再回升，有的一路下降，还有两种非线性变化。驾驶员要一边看前方施工区，一边根据这条曲线决定要不要接管、什么时候接管。

这种设计比简单问“你喜欢哪个图标”更接近真实的人机协同问题：研究人员故意把“系统显示得有多自信”和“系统最后到底靠不靠谱”拆开，观察驾驶员究竟怎样利用界面信息做决定。

二、真正需要接管的只有四分之一，但驾驶员接管了四成

36名参与者一共完成288次驾驶，其中只有72次，也就是25%，车辆实际上需要人工接管。

驾驶员却主动接管了119次，占41.3%。按照论文以车辆最终真实状态定义的判断标准，76%的选择与真实状态一致，24%的试次出现了两类情况：车辆实际上能绕过去，人却提前接管；或者车辆实际上绕不过去，人却没有接管。

所以，把不确定性显示出来以后，人的决策并没有自动变得“完美”。

不同确定性曲线确实改变了人的行为。比如“先从85%左右突然降到60%，随后线性回升”的Linear Up曲线，驾驶员接管反应最快，平均约6.85秒；但这组曲线的整体正确决策比例反而最低，约62.5%。Linear Down和Concave两种曲线的正确决策比例都达到约84.7%。

这个结果很适合给车载HMI设计提一个醒：反应更快，不等于判断更好。界面如果过于强烈地触发“赶紧接管”的感觉，可能同时增加不必要的人工介入。

三、人盯着确定性曲线更久，也可能更晚做决定

眼动结果也很有意思。

不同确定性走势显著改变了驾驶员看HMI的方式。Concave曲线下，驾驶员在确定性界面上的总注视时间和注视占比最高；Linear Up最低。与此同时，Concave也是接管反应较慢的条件。

研究还发现，驾驶员看确定性界面的总时间与接管反应时间存在一个较弱的正相关。这个结果不能解释成“看HMI导致反应变慢”，但至少说明了一件事：当界面本身需要驾驶员花更多时间理解走势时，人可能会把一部分宝贵的决策时间用在继续读图。

论文甚至观察到，参与者总体上看确定性HMI的时间多于看前方施工障碍。作者认为，其中一个原因可能是施工区在多次试验中比较相似，驾驶员逐渐形成了固定的扫描策略。但从HMI角度看，这仍然是一个值得警惕的现象：为了帮助驾驶员理解系统，我们又给了他一个需要持续监控的新对象。

四、更麻烦的是，“正确接管”本身也没有想象中那么简单

这项研究有一个我觉得特别值得留下来的细节。

论文把“车辆最终能不能成功绕过障碍”作为真实状态：车辆可靠时不接管算正确，车辆不可靠时接管算正确。

但作者自己在局限部分承认，这个标注方式并不完全等于驾驶员当时的合理判断。

驾驶员在做决定时并不知道未来真实结果。他看到的只是道路和HMI。如果车辆最终其实能够绕过去，但界面此刻明确显示系统把握正在下降，那么驾驶员选择接管，从风险角度看可能是合理的谨慎行为，却会在实验里被记成“错误接管”。

这个细节把问题往前推了一步：评价不确定性HMI，不能只问驾驶员最后有没有跟“真实结果”一致，还要问——根据当时能够看到的信息，这个决定是否合理。

也正因为这样，未来研究最好同时区分“系统真实能力”“系统自己认为的能力”和“驾驶员根据界面形成的判断”。这三件事并不总是一回事。

五、把“没把握”放到视野边缘，人的身体会有反应吗？

同一份资料中的另一篇AutomotiveUI 2025论文，从另一个角度研究了这个问题。

Pardo等人没有重点比较驾驶员到底接不接管，而是观察不同不确定性HMI是否会改变驾驶员的生理状态。研究最终分析了187名参与者的数据，年龄从20岁到76岁。

实验中，驾驶员处在L3自动驾驶状态，同时在HUD区域观看视频。系统不确定性升高时，研究人员设计了几种不同提醒方式。

一种叫Guardian Angel：视频旁边有一个类似翅膀的外围图形，随着不确定性从低到高，由绿变黄再变红，同时改变大小。另一种更加直接：当不确定性达到高水平时，娱乐视频暂时消失，界面改成“check environment”，要求驾驶员重新看道路。实验还测试了两种方式组合使用的情况。

真正的高不确定性事件是一名骑车人准备横穿车辆前方。研究人员用皮电传感器记录事件发生前后15秒的反应，同时让参与者填写NASA-TLX工作负荷量表。

六、身体的变化和“我觉得累不累”，没有完全对上

Guardian Angel出现以后，皮电数据出现了一个很细微但有意思的组合：与具体事件相关的SCR幅值增加，而更持续的SCL变化反而下降。作者把它解释为，外围渐变提示可能在危险出现时引起较快的即时反应，同时没有造成持续升高的总体唤醒。

但这个解释需要克制使用。论文也指出，显著结果的标准误相当大，个体差异明显；而单独的文字中断提示以及两种方式的组合，并没有在这些皮电指标上形成同样清晰的显著效应。

更值得注意的是，无论哪一种HMI，参与者在NASA-TLX里报告的主观工作负荷都没有显著差异。

也就是说，人可能会说“感觉差不多”，皮电却已经显示出不同的即时反应。反过来也不能把皮电变化直接等同于“更安全”——这篇研究并没有把这些生理变化直接对应到实际接管质量上，作者也把这件事列为后续需要验证的方向。

对智能座舱评价来说，这个结果很实用：如果一种界面设计本来就在人的外围注意中工作，只问一句“你觉得累不累”，可能看不到全部变化。

七、告诉驾驶员“我没把握”，还差最后一步

把两篇研究放在一起，我觉得今天真正值得想清楚的不是“不确定性到底该不该显示”。

答案更像是：可以显示，但不能把“透明”当成终点。

第一篇研究说明，动态确定性曲线会改变驾驶员的注视和接管时机，却没有显著改变不同曲线条件下的信任和工作负荷，而且仍然出现了大量提前接管或遗漏接管。第二篇研究说明，渐变式外围提示能够引起可测量的生理反应，而驾驶员自己未必觉得负荷发生了变化。

真正有用的界面，可能需要把三个问题联系起来：系统现在对什么没把握，这种不确定性是在改善还是恶化，以及驾驶员此刻究竟需要做什么。

如果界面只给一个“60%”，驾驶员仍然要自己猜：是感知看不清？路径规划拿不准？只是继续观察，还是现在就应该准备接管？

这时候，所谓透明度就可能只是把系统内部的不确定性从机器里搬到了驾驶员面前。

八、这两篇论文，很适合继续往课题和课堂里走

今天可以继续沉淀一个课题方向：自动驾驶不确定性表达方式与驾驶员干预决策校准研究。

实验可以把“系统真实可靠性”和“界面显示的不确定性”有意拆开，再比较几种HMI：只显示数值、显示变化趋势、增加原因解释，以及增加明确的行动建议。评价不只看接管快慢，还要看不必要接管、遗漏接管、眼动、信任校准、NASA-TLX和皮电。

这里尤其值得保留George等人的实验思路：不要让“系统真实能力”和“界面显示出来的把握”永远同步。只有两者偶尔不一致，才能真正看出驾驶员是在相信界面、观察道路，还是机械跟随一个数字。

专利方面可以先保留一个候选：基于自动驾驶系统不确定性演化、风险水平与驾驶员状态的分级HMI提示方法。比如低风险时用外围渐变提示，风险继续升高时再切换到明确的行动提示，并结合驾驶员是否已经看向道路决定提示强度。但这一方向还没有做专利检索，现在只能称为专利候选。

教学上也很容易做成实训。可以给学生一组动态确定性曲线，但不告诉他们车辆最终是否能避障，让他们在模拟视频中决定什么时候接管。试验结束后再公布真实结果，统计“不必要接管”和“遗漏接管”，最后让学生重新设计界面。这样学生学到的就不只是画一个漂亮的置信度条，而是怎样把机器的不确定性变成人能够使用的决策信息。

结语

自动驾驶如果能够知道自己什么时候“没把握”，当然是一种进步。

但从机器知道，到人真正会用，中间还隔着一层HMI。

今天这两篇研究给出的共同提醒是：把不确定性显示出来，确实会改变人的注意、生理反应和接管行为；但它不会自动带来更准确的决策，也不会自动把信任校准到合适的位置。

真正困难的不是让车说一句“我不确定”。

而是让驾驶员在看到这句话以后，知道下一步该做什么。

参考文献

（1）George, M. W., Hass, Z., & Pitts, B. J. (2026). Do you trust what an automated vehicle shows you? The effects of presenting dynamic system certainty information on driver behavior. Applied Ergonomics, 134, 104719. https://doi.org/10.1016/j.apergo.2025.104719

（2）Pardo, J., Li, X., Gerber, M. A., Gonçalves, R. C., Kuo, J., Lenné, M., & Schroeter, R. (2025). Measuring Driver Electrodermal Activity when Exposed to HMIs Conveying Uncertainty in Conditional Automated Driving. AutomotiveUI '25. https://doi.org/10.1145/3744333.3747809