外文翻译-停车场智能诱导系统设计与实现文档格式.docx
《外文翻译-停车场智能诱导系统设计与实现文档格式.docx》由会员分享,可在线阅读,更多相关《外文翻译-停车场智能诱导系统设计与实现文档格式.docx(19页珍藏版)》请在冰豆网上搜索。
类别和主题描述
H.1.2[模式和原则]用户/机系统-人为因素,人类的信息处理。
H.5.2[信息接口和演示]:
用户接口-用户中心设计,图形用户界面(GUI)。
常用术语
设计 实验 人为因素
关键字
车辆导航 卫星导航 汽车导航 识别地图 司机分心 司机负担
1.介绍
车辆导航系统是移动计算机设备日益普及的例子。
欧洲联盟2007年的一次
民意调查发现,高达35%的公民,大约1.59亿人,目前正在使用或打算购买导航系统[6]。
这些设备使驾驶路线选择的关键任务自动化,同时支持随后路线的机变任务-通过及时发布轮转的指令。
到目前为止,移动的人机交互在用户界面上的研究专注于生提出指导方案来解决实用和效率的问题以及他们和导航有效性和驾驶性能等的联系[10,17]。
几个研究人员已经提高了对车辆导航设备信任的长期影响特别是对移动方式和航行不确定性的影响方面的关注[18]。
在这些领域一个关键的行为定为能力,随着时间的推移,将开发一个准确的拥有大规模环境的心理表示。
这种内部表示通常称为识别地图(参见[13]此术语的评论)。
开发识别地图能力是一项提高运输效率和可能拥有社会与心理学效益的重
要技能。
这些可能包括对到达目的地进行选择和为其提供指示的能力[4]。
此外,开发准确和全面的识别地图 将授权司机找到不包括在导航系统的数据库位置
(例如地区或特定的建筑物),或当导航系统发生故障恢复任务。
早前在这所大学的一个研究寻求在驾驶模拟器的可控环境内对真实城镇识别地图构成领域的探索[4]。
连同以往的研究[1,11],有明确的证据表明驾驶员在一个地区的空间学习受到一个简单轮转导航系统使用的负面影响。
有几个可能的原因包括对环境低水准的关注,简化和缩短导航做决定的时间尺度和使用导航系统招致的限定压力。
早前的研究提出了一个学习型导航系统,用以寻求对驾驶空间知识的发展,以及尽量减少航行的不确定性。
这个可以让司机通过系统从经常旅行的路线或地区迈向一个独立点。
目前的文献已经描述了这种概念的初步评估。
独特的研究旨在探讨导航学习和工作量的关系。
工作量和视觉需求是至关重要的考虑因素。
司机的工作量也和航行的不确定性有关。
导航系统最初可能对工作量的减少有作用,但是,减缓识别地图的发展,可能隐瞒一个已被研究地区的工作量的下降。
这种关系的探讨可能会引导未来设计的重要指标。
2.方法
这项研究是学科间的实验,用16个参与者,12男4女。
参与者的大部分年龄在21-30岁之间。
3个年龄超过此范围,1个低于此范围(平均年龄是25.4,范围是17-53之间)。
12个是经验丰富的司机(超过两年的经验)。
10个
自认为是优秀的驾驶员,6个自认为不是。
2.1驾驶模拟器
实验利用一个固定起点,普通的逼真度,驾驶模拟器,位于英国诺丁汉大学的一个混合真实实验室(图1)。
参与者被随机分配,使其中8个用基本指导行驶路线,8个用学习型导航系统行驶路线。
参与者在行驶过程中将被录像,这样就可以肉眼分析行为,以及评估两个系统的在视觉上的要求。
图1模拟器
2.2虚拟城镇
参与者在虚拟城镇行驶的三条线路显示如图2,3,4。
线路可以选择在多个点上重叠或交叉。
路线上10个连接处中有8个可被至少一条线路共享,有4个被3条线路都共享。
路线所覆盖的区域大概有75%被两条或以上的路线共享。
图2 线路1
图3 线路2
图4 线路3
人们希望,这种设计将促进该地区综合知识的发展。
在现实生活环境中识别地图的方式包括大量的时间和多样的环境的暴露。
时间短是本实验一个潜在的限制。
仔细设计线路,试图在相对较短的时间尺度内提供最大的曝光率来克服这个问题。
此外,一些独特的地标,包括公共房屋、教堂和快餐店,被放置在主要路口,或者连接处,沿着路线可以从远处看到的位置,以及和其他地标的连接处(见图5)。
这是为了使他们可以把沿线的参考点用作定点装置来使用。
图5在城镇中,驾驶员对地标的视点
2.3导航系统设计
在审查了导航系统设计和识别地图发展的文献之后,决定制作两个接口作为比较。
基本的导航系统将展现距离转变期间的信息,就像一个交界处的设计视窗(类似大多数商用系统)。
学习型系统将包括一些被建议能让识别地图发展变的容易的功能[8,12]。
这些功能包括沿线地标,指南针方向,和最突出的已行驶路线(由显示屏上的轮胎标记表示)。
最突出的已行驶路线的目的是要加强三条线路在识别地图中一体化的学习进程。
两个系统都将提供视觉和听觉的导航。
导航系统的制作的原型由微软的PowerPoint演示文稿构成。
这些要在一台笔记本电脑上运行并在驾驶模拟器中央控制台的一个12英寸的屏幕上显示(参见图6和7)。
声音是通过一个仪表板后面的扬声器发出。
演示文稿由实验者控制,通过一个“绿野仙踪”的方法在路线上相同点处对每个参与者提供指令操作,以规范他们的实验。
听觉命令能记录一个女性声音,并在每一个新的屏幕显示的同时播放出来。
语言命令也是同样的对于每个导航系统除了学习型系统包括参考的界碑,如下:
•基本导航–“50码右转”
•学习型导航–“在教堂处50码右转”
这些消息演示了在每一种情况下通过转向指令的界碑参考。
此前的研究表明了这样的表达顺序在促进识别地图发展方面更有效[12]。
图6基本导航界面
图7学习型导航界面
2.4测量识别地图发展
识别地图的发展已经得到了地理学家,城市规划者和心理学家的研究和讨论[13]。
如同所有的心理过程一样关于心理表现形式的发展和他们采取的方式存在不确定性和不认可性。
识别地图的发展没有单一的接受过程所能替代,因而难以界定和衡量它。
然而,一个对大型环境空间知识的发展广泛引用的模型详尽的描述了三个阶段的发展。
起点或者地标知识转移到线路知识,并达到研究或知识结构的顶点。
获得的调查知识能使一个人准确地估计笔直方向以及到看不见位置的距离,并计划出到新的目的地的路线[19]。
三阶段模式已被广泛用作研究与测量识别地图的方法。
用来试图测量识别地图发展的方法包括素描图分析,现场和线路识别测试,交叉线路定点任务和练习要求参与者重复他们以前旅行的路线[4,7,9]。
2.4.1地标知识
为了测试这项研究在虚拟城市的地标收回,给参与者提供了8个场景卡,其
中4个他们已经在城镇里看到,4个没看到。
要求他们根据是否还记得这些场景把4个场景分成两类。
这些场景卡作为看到的一个或多个城镇地标用作行使路线知识的练习。
参与者要是将每个场景正确分类的话就会获得一个积分。
2.4.2线路知识
场景排序工作被用来衡量第三条线路行驶的记忆。
参与者被提供了九个场景卡。
7个场景拥有最后路线,两个场景不在城镇内。
第一个和最后一个场景在正确的位置上。
这是给参与者指出他们剩余的路线。
他们被要求对剩余的7个场景卡进行正确的排序除了他们没有看到的任何部分。
这次实验记录用到的方法如表1所示。
表1线路知识排序
线路3的场景卡
积分
正确识别在线路上
﹢1
正确识别不在线路上
不正确识别在线路上
-1
不正确识别不在线路上
最多3个正确排序
最多4个正确排序
﹢2
最多5个正确排序
﹢3
最多可能有10个积分如果所有的卡被正确识别和顺序排列放置。
计分方法已经考虑了其他对卡进行空间识别分类研究所使用的方法[4,7,9]。
这种计分方法
被认为是一个可接受的方法用有序的数据标明记忆线路以及线路上可见的地标。
3个或3个以被正确的排序就可以获得积分。
正确排序两个卡片没有得分,因为这被视为是可能发生的偶然事件。
2.4.3测量知识
草图的演习用来试图衡量对于两个接口的用户所取得的测量知识水平。
要求参与者在一张A4纸上画出了在三条路线上行驶所到地区的地图。
他们被要求包含他们能记忆的尽可能多的道路和地标,并用短语注明地标。
他们有尽可能需要的时间去做这件事。
参与者所画的草图将用如下这些元素标号记录储存:
•地标-城镇中存在的绘制符号
•交点-绘制的交叉路口,和地标有正确联系
•路径线段-正确绘制地图的线段(例如通过一个正确道路设计连接两个位置∕地标)
•地标方位-一个单独的地标对于其他地标的正确方位
据分析,由于主题间存在很高的变化性,草图的定性分析变的十分困难[2]。
和其他许多草图研究一样,我们期待用阿普尔亚德法对草图进行分类。
这种草图分类法分为空间的(显示地形和布局的知识)和连续的(显示更多的线性知识)两大主要种类。
阿普尔亚德法基于连接性给出一种复杂的升序进一步分为五大类。
然而,试图根据这种分类自由绘制地图是困难的,也有些主观。
因此,决定增加一条措施就是两个独立陪审团将这项研究的其他措施是这项研究交由两个独立的评审团进行实际评估。
这取决于草图对需要游览虚拟城镇游客的用处有多大。
虽然这只是一个主观的措施,但它至少涉及现实生活中的所使用的导航草图的绘制。
2.5问卷调查
最后要求参与者完成一份问卷调查。
要求有个人详细资料(年龄,性别,驾驶经验等),以及参与者对自己导航能力的评估。
要求学习型系统的用户提供一个对系统各个组件功能的主观评估,以便帮助他们发展城镇设计想象描绘图。
3.结果
3.1线路和地标知识
这个线路知识任务的得分显示了一个高水平的变动,给参与者指出一个宽广的性能范围。
这反映出许多参与者认为实验很有挑战性。
只有7个参与者成功
对超过两个场景正确排序,只有一个人排序对了四个。
没有人完全排序正确。
地标知识测试的成绩更好。
有13个参与者正确识别了8个卡片中的6个及以上,只有一个人少于4个。
表2显示了使用基本导航系统和学习型系统两组的平均得分。
两组对于线路知识测试的结果明显不同(2.1和5.1相比较)。
用非参数Mann-Whitney检验分析透露出具有意义的统计差异性:
U(15)=11.5;
p<
0.05:
结尾是2。
对于地标知识的测试学习型系统的用户的平均得分更高,但这不是当分析一个独立抽样t测试时统计的意义(p=0.063)。
表2导航分组得分
基本系统(n=8)
学习型系统(n=8)
练习
平均得分
SD
线路知识
2.1
2.7
5.1
地标知识
5.3
1.8
6.8
1.0
线路知识测试成绩对于驾驶经验的影