DOI: https://doi.org/10.26599/jicv.2026.9210099
تاريخ النشر: 2026-09-08
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: التفاعل بين الإنسان والآلات والسلامة
نظرة عامة
تقدم البحث PACE-ADS (أنظمة القيادة الآلية المدعومة بعلم النفس والإدراك)، وهو إطار عمل يركز على الإنسان مصمم لتعزيز التفاعل بين المركبات المستقلة (AVs) وركابها. على عكس المركبات المستقلة الحالية التي تعتبر البشر ركابًا سلبيين، يدمج PACE-ADS ثلاثة وكلاء نموذجية أساسية: وكيل السائق، الذي يقيم ظروف المرور الخارجية؛ وكيل النفس، الذي يفسر حالات الركاب من خلال الإشارات النفسية والمدخلات الإدراكية؛ ووكيل المنسق، الذي يدمج هذه المعلومات لإبلاغ سلوك القيادة. يعمل هذا الإطار على طبقة تخطيط دلالي منخفضة التردد، مما يسمح له بتكييف سلوك القيادة بناءً على حالات الركاب والتعليمات الإدراكية، مما يحسن راحة الرحلة ويسهل التعافي من سيناريوهات التوقف.
تشير نتائج المحاكاة إلى أن PACE-ADS يمكنه ضبط استجابات القيادة بدقة بناءً على حالات الركاب المتغيرة، مثل عدم الصبر أو القلق، مع الالتزام بقيود السلامة. مقارنةً بمقارنة قائمة على القواعد تستخدم ملفات تعريف قيادة محددة مسبقًا، يظهر PACE-ADS تكيفًا أكثر دقة مع مدخلات الركاب. كما يمكّن الإطار الركاب من لعب دور نشط في قرارات القيادة، مما قد يقلل من عدم الراحة والارتباك في المواقف الغامضة. بينما تستند النتائج الحالية إلى محاكاة لا تأخذ في الاعتبار التعقيدات الواقعية، تهدف الأبحاث المستقبلية إلى تنفيذ PACE-ADS في المركبات المستقلة الفعلية، مع معالجة التحديات المتعلقة بالإدراك واتخاذ القرار في البيئات الديناميكية. بالإضافة إلى ذلك، ستعزز الخطط لإدخال وحدة ذاكرة قدرة النظام على التعلم من تفاعلات المستخدم، مما يعزز تجارب القيادة الشخصية مع مرور الوقت.
مقدمة
تناقش مقدمة ورقة البحث المشهد الحالي للأتمتة في صناعة السيارات، مع تسليط الضوء على تنفيذ ميزات مثل التحكم التكيفي في السرعة (ACC) وأنظمة القيادة الذاتية الكاملة (FSD) من قبل شركات مثل تسلا وفورد وجنرال موتورز وبي إم دبليو. من المتوقع أن ينمو سوق هذه التقنيات بشكل كبير، من 40.25 مليار دولار في 2024 إلى 75.23 مليار دولار بحلول 2030، بمعدل نمو سنوي مركب (CAGR) يبلغ 13.83%. على الرغم من التقدم في مستويات الأتمتة الأدنى، تواجه المستويات الأعلى تحديات تشمل مخاوف السلامة، والعقبات التنظيمية، وبشكل ملحوظ، انخفاض الثقة العامة. تحدد الورقة أن أنظمة القيادة الآلية الحالية (ADS) غالبًا ما تفتقر إلى التخصيص والشفافية، مما يؤدي إلى عدم رضا الركاب عندما ينحرف سلوك المركبة عن توقعاتهم.
لمعالجة هذه القيود، يقترح المؤلفون PACE-ADS (أنظمة القيادة الآلية المدعومة بعلم النفس والإدراك)، وهو إطار عمل يركز على الإنسان يدمج الإشارات النفسية وتعليمات الركاب في اتخاذ قرارات المركبة. يستخدم هذا الإطار ثلاثة وكلاء متخصصين: وكيل نفساني لتفسير الحالة النفسية للراكب، وكيل سائق لتحليل ظروف المرور، ووكيل منسق لدمج هذه المدخلات لتعزيز سلوك القيادة والتعافي من سيناريوهات التوقف. يهدف PACE-ADS إلى تمكين التكيف في الوقت الحقيقي مع تفضيلات الركاب المتغيرة وتحسين تجربة المستخدم العامة، مما يعزز الثقة العامة في تقنيات القيادة الآلية. ستفصل الأقسام التالية من الورقة في المنهجية، والتقييمات التجريبية، واتجاهات البحث المستقبلية.
طرق
في هذا القسم، يقيم المؤلفون أداء إطار عمل PACE-ADS مقابل طريقتين أساسيتين للتخصيص: وكيل سلوك CARLA غير المعدل ونهج التخصيص القائم على القواعد. يعمل وكيل سلوك CARLA كتحكم، حيث يظهر سلوكًا متسقًا عبر حالات الركاب المختلفة دون أي تخصيص. تستخدم الطريقة القائمة على القواعد ثلاثة ملفات تعريف قيادة محددة مسبقًا (حذر، عادي، عدواني) للتكيف مع حالات الركاب، لكنها تفتقر إلى الدقة للتمييز بين حالات مشابهة، مثل “غير صبور جدًا” و”غير صبور”. بالمقابل، يقدم PACE-ADS تكيفًا أكثر دقة عبر خمس حالات للركاب، مما يميز بينها بفعالية.
شملت التقييمات تجارب متكررة تحت ظروف محكومة، مع نتائج تشير إلى أنه بينما تظهر كلا القاعدتين قابلية محدودة للتكيف، فإن PACE-ADS يعزز بشكل كبير استجابة سلوك القيادة لحالات الركاب. ومع ذلك، تأتي هذه القابلية المتزايدة للتكيف على حساب أوقات استنتاج أطول، حيث يبلغ متوسط PACE-ADS حوالي 2.3 ثانية مقارنةً بالمللي ثانية فقط للقاعدتين. تؤكد النتائج فعالية PACE-ADS في تقديم تخصيص أكثر دقة، على الرغم من أنه لا يدعي التفوق على جميع طرق التخصيص المحددة مسبقًا بسبب متطلباته الحاسوبية.
نقاش
يعزز إطار عمل PACE-ADS (أنظمة القيادة الآلية المدعومة بعلم النفس والإدراك) التخصيص والاستجابة للمركبات المستقلة (AVs) من خلال تسهيل التواصل الثنائي الاتجاه بين الركاب والمركبة. من خلال مراقبة مستمرة لكل من الإشارات النفسية السلبية (مثل EEG ومعدل ضربات القلب) والتعليمات الإدراكية النشطة (مثل الأوامر اللفظية)، يستنتج PACE-ADS الحالة العاطفية والنية للراكب، مما يسمح للمركبة بتكييف سلوك قيادتها وفقًا لذلك. تعتبر هذه القابلية للتكيف ضرورية بشكل خاص في سيناريوهات التوقف، حيث يمكن للنظام استخدام تعليمات الركاب للتنقل في مواقف المرور الغامضة. يستخدم هيكل PACE-ADS ثلاثة وكلاء متخصصين—السائق، النفساني، والمنسق—كل منها مصمم لإدارة جوانب مختلفة من سلوك القيادة، مما يحسن من قابلية الفهم والموثوقية.
تتكامل PACE-ADS بسلاسة مع الأطر الحالية للمركبات المستقلة، دون الحاجة إلى تعديلات هيكلية، حيث تعمل على البيانات المقدمة من وحدات AV المضيفة. يركز النظام على اتخاذ القرارات على مستوى عالٍ بينما تتولى وحدات AV الأساسية مهام التحكم على مستوى منخفض. من المهم أن تظل جميع جهود التخصيص ضمن حدود السلامة المحددة مسبقًا التي تتماشى مع قوانين المرور والمعايير الاجتماعية، مما يضمن بقاء سلوك المركبة مقبولًا قانونيًا واجتماعيًا. تظهر الأبحاث أن PACE-ADS يمكنه التكيف بفعالية مع استراتيجيات القيادة بناءً على حالات الركاب العاطفية المتغيرة، كما يتضح من السيناريوهات التجريبية التي تحاكي ظروف نفسية مختلفة. تشير النتائج إلى أن النظام يمكنه تعديل السرعة، والتسارع، والتباطؤ استجابةً لتفضيلات الركاب، مما يعزز الراحة والثقة في تقنيات القيادة الآلية.
DOI: https://doi.org/10.26599/jicv.2026.9210099
Publication Date: 2026-09-08
Author(s): Zhenyun Du et al.
Primary Topic: Human-Automation Interaction and Safety
Overview
The research presents PACE-ADS (Psychology and Cognition Enabled Automated Driving Systems), a human-centered autonomy framework designed to enhance the interaction between autonomous vehicles (AVs) and their occupants. Unlike current AVs that treat humans as passive passengers, PACE-ADS integrates three foundational model agents: the Driver Agent, which assesses external traffic conditions; the Psychologist Agent, which interprets occupant states through psychological signals and cognitive inputs; and the Coordinator Agent, which synthesizes this information to inform driving behavior. This framework operates at a low-frequency semantic planning layer, allowing it to adapt driving behavior based on occupant states and cognitive instructions, thereby improving ride comfort and facilitating recovery from immobilization scenarios.
Simulation results indicate that PACE-ADS can finely adjust driving responses based on varying occupant states, such as impatience or anxiety, while adhering to safety constraints. Compared to a rule-based comparator that uses predefined driving profiles, PACE-ADS demonstrates a more nuanced adaptation to occupant inputs. The framework also empowers occupants to play an active role in driving decisions, potentially reducing discomfort and confusion in ambiguous situations. While the current findings are based on simulations that do not account for real-world complexities, future research aims to implement PACE-ADS in physical AVs, addressing challenges related to perception and decision-making in dynamic environments. Additionally, plans for incorporating a memory module will enhance the system’s ability to learn from user interactions, fostering personalized driving experiences over time.
Introduction
The introduction of the research paper discusses the current landscape of automation in the automotive industry, highlighting the implementation of features such as Adaptive Cruise Control (ACC) and Full Self-Driving (FSD) systems by companies like Tesla, Ford, GM, and BMW. The market for these technologies is expected to grow significantly, from $40.25 billion in 2024 to $75.23 billion by 2030, with a compound annual growth rate (CAGR) of 13.83%. Despite advancements in lower levels of automation, higher levels face challenges including safety concerns, regulatory hurdles, and notably, low public trust. The paper identifies that existing Automated Driving Systems (ADS) often lack personalization and transparency, leading to rider dissatisfaction when the vehicle’s behavior deviates from their expectations.
To address these limitations, the authors propose PACE-ADS (Psychology and Cognition Enabled Automated Driving Systems), a human-centered framework that integrates psychological signals and occupant instructions into vehicle decision-making. This framework employs three specialized agents: a Psychologist Agent for interpreting the rider’s psychological state, a Driver Agent for analyzing traffic conditions, and a Coordinator Agent for integrating these inputs to enhance driving behavior and recovery from immobilization scenarios. PACE-ADS aims to enable real-time adaptation to changing occupant preferences and improve the overall user experience, thereby fostering greater public trust in automated driving technologies. The subsequent sections of the paper will elaborate on the methodology, experimental evaluations, and future research directions.
Methods
In this section, the authors evaluate the performance of the PACE-ADS framework against two baseline personalization methods: the unmodified CARLA Behavior Agent and a rule-based personalization approach. The CARLA Behavior Agent serves as a control, demonstrating consistent behavior across various occupant states without any personalization. The rule-based method utilizes three predefined driving profiles (cautious, normal, aggressive) to adapt to occupant states, but it lacks the granularity to differentiate between similar states, such as “very impatient” and “impatient.” In contrast, PACE-ADS offers a more nuanced adaptation across five occupant states, effectively distinguishing between them.
The evaluation involved repeated trials under controlled conditions, with results indicating that while both baselines exhibit limited adaptability, PACE-ADS significantly enhances driving behavior responsiveness to occupant states. However, this increased adaptability comes at the cost of longer inference times, with PACE-ADS averaging approximately 2.3 seconds compared to mere milliseconds for the baselines. The findings underscore the effectiveness of PACE-ADS in providing finer-grained personalization, although it does not claim superiority over all predefined personalization methods due to its computational demands.
Discussion
The PACE-ADS (Psychology and Cognition Enabled Automated Driving Systems) framework enhances the personalization and responsiveness of autonomous vehicles (AVs) by facilitating bidirectional communication between occupants and the vehicle. By continuously monitoring both passive psychological signals (such as EEG and heart rate) and active cognitive instructions (like verbal commands), PACE-ADS infers the occupant’s emotional state and intent, allowing the vehicle to adapt its driving behavior accordingly. This adaptability is particularly crucial in immobilizing scenarios, where the system can utilize occupant instructions to navigate ambiguous traffic situations. The architecture of PACE-ADS employs three specialized agents—driver, psychologist, and coordinator—each designed to manage distinct aspects of driving behavior, thereby improving interpretability and robustness.
The integration of PACE-ADS with existing AV frameworks is seamless, requiring no structural modifications, as it operates on data provided by the host AV modules. The system focuses on high-level decision-making while the underlying AV modules handle low-level control tasks. Importantly, all personalization efforts are bounded within predefined safety envelopes that align with traffic laws and social norms, ensuring that the vehicle’s behavior remains legally and socially acceptable. The research demonstrates that PACE-ADS can effectively adapt its driving strategies based on varying occupant emotional states, as evidenced by experimental scenarios that simulate different psychological conditions. The findings indicate that the system can modify speed, acceleration, and deceleration in response to occupant preferences, thereby enhancing comfort and trust in automated driving technologies.