Differences in Drivers’ Glance Behavior and Lateral Control Ability during Full-Touch Interaction Mode and Conventional Interaction Mode: A Case Study of Road Experiments
Notice bibliographique
Résumé
In recent years, the full-touch human–machine interaction (HMI) mode has gained popularity in the automotive market. However, little research has been conducted on how this interaction mode affects drivers’ glance behavior and lateral control ability. In this study, we evaluated the visual engagement and driving performance of 30 participants while driving two vehicles equipped with either the full-touch interaction mode (FTIM) or the conventional interaction mode (CIM) provided by the original equipment manufacturer (OEM). We found that both air conditioning–related tasks required more visual engagement, longer task completion time, and worse lateral vehicle control under FTIM. Furthermore, the gray correlation analysis demonstrated that FTIM exhibited slightly different disadvantages in the two secondary tasks. In the temperature adjustment task, the correlations of glance behavior and lateral control ability between the two interactive modes were 0.688 and 0.680, respectively. In the airflow adjustment task, the correlations of glance behavior and lateral control ability between the two interactive modes were 0.659 and 0.668, respectively. In addition, this study revealed that driving speed had significant effects on glance behavior and lateral driving performance in both interaction modes. As speed increased, self-adjusting glance behavior was evident in performing the secondary task; however, this behavior could not compensate for the deterioration in lateral driving performance caused by the increased speed. The findings will help improve drivers’ perception of FTIM and provide theoretical guidance for the design development of HMI mode.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».