2025年3月26日-28日，2025商用车产业发展会议在湖北省十堰市举办。本次会议由中国汽车工业协会主办，以“开辟新赛道，汇聚新动能——发展商用车产业新质生产力”为主题，采用“1+1+6+N”模式，即1场闭门会议，1场开幕式暨主旨会议，6个主题分会场和其他相关对接、展示等活动，旨在深入分析商用车发展面临的新机遇、新挑战，探讨商用车产业未来发展的新趋势、新方向。其中，在3月27日下午举办的“主题分会场一：智能网联商用车‘车路云一体化’”上，湖北汽车工业学院博士王玉刚发表精彩演讲。以下内容为现场发言实录：

　　尊敬的各位领导、行业同仁：
　　非常荣幸在2025商用车产业发展会议上，与大家分享《智能网联环境HMI信息优化与驾驶模拟测试》的研究成果，与诸位共探智能网联商用车‘车路云一体化’的未来图景。当前，智能网联技术迅猛发展、商用车产业深度变革已为行业带来前所未有的机遇与挑战。如何通过HMI信息架构革新与驾驶模拟测试闭环，实现安全、效率、舒适的三维突破，已成为行业共同关注的战略命题。
　　今天我的汇报主要包括以下四个方面：人机交互需求分析、测试平台体系构建、研究案例介绍以及交互信息的未来展望
　　一、智能网联HMI的研究背景与需求
　　当前，乘用车市场中L2级智能驾驶功能的渗透率已超过50%，自动驾驶功能在高速公路、城市道路及低速封闭场景（如停车场）逐步实现量产应用。未来，L3及以上等级的智能网联汽车将有序进入市场，预计到2030年，L3级自动驾驶车辆的渗透率将达到21%。
　　随着智能网联技术的发展，车辆的网联化和智能化加速推进，引发了人车交互模式的深刻变革。在ICV（智能网联汽车）环境下，人机交互承担着信任构建、信息提示及接管辅助等关键功能。然而，目前HMI在应用中仍存在学习成本高、信息过载、交互安全性不足、驾驶干预需求复杂、系统更新维护困难及隐私安全等挑战。目前，HMI的研究内容主要涵盖用户接受度、信任度、行为适应性及情境感知等人因因素，重点关注控制权界面设计、驾驶员表现、过渡策略、次要任务对安全性的影响、系统评估等方面。借鉴自动驾驶、智能交通等领域的研究成果，可将ICV环境下HMI的核心研究问题归纳为：ICV接受度、ICV交互质量及ICV用户体验。
　　智能网联环境下的HMI交互方式多样，主要涉及仪表盘、中控屏、增强现实抬头显示（AR-HUD）及电子后视镜等。视觉仍是主要的交互方式，占比达95%，辅以音频、触觉等辅助形式。优化HMI的核心理念是“做减法”，即减少不必要的信息堆积，使信息展示更加清晰高效。
　　二、HMI设计的核心问题
　　在智能网联环境下，HMI的设计需解决以下四个核心问题：
　　用户体验：如何设计直观高效的界面，提高驾驶员和乘客的体验？如何实现个性化设计，满足不同用户偏好？如何整合多种交互模式形成统一的HMI系统？
　　性能识别：如何建立高效的反馈机制，以清晰传达车辆状态、导航信息等重要内容？如何以最直观的方式呈现复杂信息，帮助驾驶员快速决策？
　　安全性：如何平衡信息呈现与驾驶员注意力分配，避免分心？如何利用传感器技术实时监测驾驶员状态，以识别疲劳、分心等潜在风险？
　　人类意图识别：如何实现直观自然的语音控制和手势识别？如何基于驾驶员情感状态提供个性化反馈？
　　三、HMI测试平台的构建与研究案例
　　为系统研究HMI优化方法及其在智能网联环境中的应用，我们构建了一套高保真、模块化的智能网联测试平台。该平台集成了多种先进技术，确保在不同测试场景下能够闭环验证HMI设计对自动驾驶系统各项性能的提升。平台主要由以下四个子系统构成：
　　（1）驾驶模拟仿真系统
　　利用Carsim与自研驾驶模拟软件联仿，实现高度还原实际道路环境的仿真测试。通过精细化场景建模（包括路网几何、天气、交通流等参数），平台能够采集多维度的道路信息与周边车辆动态数据。引入实时物理建模技术与高精度传感器数据融合算法，确保仿真环境与实车测试数据的高度一致性。平台还支持数据标定与误差修正，确保各项测试指标（如TTC、加减速度、车距等）在闭环测试中的可靠输出。
　　（2）自动驾驶控制系统
　　实时采集并解析环境信息，实现L3级自动驾驶状态下的决策规划与执行，同时支持HMI交互数据的同步采集。采用多传感器融合算法，结合深度学习模型进行目标检测与路径规划，并通过车载网络与云端进行数据交互，实现跨平台数据融合与实时反馈。
　　（3）人机交互控制系统
　　通过采集驾驶员操作数据和生理信号（如眼动、心率等），动态切换自动驾驶与人工驾驶模式。系统集成了多模态信号采集设备，并利用自适应算法对驾驶员行为进行实时监控和分析，构建驾驶员状态模型，从而为接管策略和HMI界面调整提供数据支撑。针对不同驾驶场景，该系统还能进行自动标注与反馈，确保人机交互过程的连贯性与安全性。
　　（4）HMI信息显示系统
　　根据自动驾驶控制系统反馈的数据，实时调整驾驶辅助参数，预警周边交通状况，并直观展示车辆决策信息。结合AR-HUD和仪表盘显示技术，采用基于事件触发的智能信息调度机制，将关键信息以视觉、听觉和触觉多模态呈现，有效降低信息冗余，实现“做减法”设计理念。系统还支持动态信息过滤和个性化定制，以适应不同驾驶员的认知需求。
　　基于该测试平台，我们开展了以下多层次、多角度的研究工作：
　　（1）自动驾驶系统功能测试
　　针对L2级（车道保持、自适应巡航、自动紧急制动）和L3级（有条件自动驾驶）功能，设计了标准化测试场景和关键性能指标，通过仿真和实车闭环测试，实现对系统稳定性、鲁棒性和响应时间的全面验证。
　　对比不同场景下的控制响应与误差分布，为自动驾驶决策模型的进一步优化提供了数据支持。
　　（2）人机交互系统优化研究
　　重点测试HMI预警信息在视觉、听觉与触觉等多模态下的表达效果，采用主客观评价相结合的方法，对预警信息的传递效率、用户反应时间和注意力分布进行量化分析。
　　通过多次重复实验，验证不同信息呈现方式对驾驶员决策的影响，从而优化交互界面设计。
　　（3）驾驶人信任度研究
　　构建了基于驾驶行为变量与人机交互指标的信任度评估模型，通过实验数据分析不同交互策略对驾驶员信任度的影响。
　　模型验证表明，适当的交互设计不仅能提升驾驶安全性，还能增强驾驶员对自动驾驶系统的信任，从而降低紧急接管风险。
　　此外，我们还开展了以下典型研究案例：
　　（1）人机共驾交互优化
　　针对多模式接管情景，研究不同HMI交互方式对驾驶员接管时间、接管安全性及驾驶过程稳定性的影响，提供系统化改进建议。
　　（2）HMI对驾驶人汇入行为的影响
　　评估ICV环境下，HMI设计如何影响驾驶员对周边交通信息的采集和情境感知能力，验证信息优化在提升驾驶行为主动性方面的作用。
　　（3）突发事故情景下的HMI影响分析
　　模拟突发事故场景，分析不同网联环境下HMI信息的传递对驾驶员反应速度及事故规避策略的影响，为紧急情况下的信息优化提供理论依据。
　　（4）人机交互与驾驶信任度动态评估
　　结合实验数据，探讨如何动态调整交互策略以优化驾驶员信任度，通过实时反馈与个性化界面定制，实现驾驶员心理与操作状态的最佳匹配。
　　通过以上研究，测试平台不仅成为我们探索智能网联车辆HMI设计与验证的重要工具，也为车路云一体化下的自动驾驶安全和用户体验提升提供了有力的数据支持和理论依据。
　　四、HMI发展面临的挑战与未来展望
　　尽管HMI技术取得了诸多进展，但仍面临以下挑战：
　　性能识别的局限：在复杂驾驶条件下，HMI的指令识别准确性受限，可能影响安全性。
　　领域数据集的缺乏：HMI测试需要高质量的数据集，而当前数据采集方式存在成本高、侵入性强的问题。
　　驾驶意图的复杂性：多模态界面引入了更复杂的交互需求，如何精准识别用户真实意图仍待研究。
　　技术与人类感知的冲突：部分交互方式可能对驾驶员的认知造成干扰，需开展跨学科研究以优化交互体验。
　　未来，HMI研究需结合多模态信息融合、人工智能、大语言模型等技术，推动跨学科创新，以提升人机交互的智能化水平。
　　我的汇报到此结束，感谢各位领导和专家的聆听！