1.4 案例：长安UNI-T智能座舱及场景设计

想要做一个好的产品，第一步，就是要有明确且坚定的目标。2018年7月，地平线与长安UNI-T项目组就UNI-T的车型定位、用户画像、车型配置进行了充分讨论，明确了这是一款为95后打造的人生第一款车。而这款车主打的卖点就是智能化。因此，在项目最初阶段就设定了一个目标，要做一款超越当时体验的智能座舱，要让用户对这款车的“智能”体验与之前所有车的体验有明显的代际差。

（1）深挖用户需求 虽然明确了设计目标，但是需要解决哪些用户痛点，如何去解决原来不敢解决的痛点成为摆在项目成员面前的第一个挑战。于是，关于什么才是95后用户心中所期待的智能汽车的问题持续研讨了3个月（图1-17）。项目成员通过各种渠道和方法，系统性地收集了当时智能座舱中的痛点，在经历产品和研发30多场头脑风暴后，梳理总结出了57个场景需求。

（2）巧用第一性原理 梳理好第一批场景需求后，就进入了最困难的“实现”，也就是将前人所不敢想，所不敢解决的问题通过智能技术解决。很多人第一次看到57个场景需求的时候，都觉得这件事是“天方夜谭”，无法想象这些场景可以实现，并且在未来6个月实现量产。而项目组的处理办法，就是巧用第一性原理。将所有解决问题的阻碍统统“煮沸”，从中挖掘出最本质的东西，去解决，去实现：

1）驾驶员开车时的交互痛点是什么？

2）驾驶员的主要任务是驾驶，那如何减少驾驶员的交互步骤？

3）如果有一套技术方案可以理解驾驶员当前的状态和意图，主动进行交互，那这套系统是不是足够智能？答案是肯定的，但要如何做出这套系统？

4）如果驾驶员在开车时感到疲劳，那他们通常会放点动感的音乐，开个空调，调整一下空调吹向以帮助自己缓解疲劳。是否可以简化这个步骤？是否可以将缓解策略做得更好，主动帮助用户在更长的时间内摆脱疲劳？用户疲劳的真正表现是什么？如何通过技术去主动识别？

5）驾驶员在开车时，经常因为注意力不集中而错过路口，是否可以通过技术去识别驾驶员的状态并在合适的时候提醒？如何识别驾驶员注意力是否集中？什么是路口分心？

随着一个一个刨根问底的问题，一步一步的探索，最终实现了多个场景的成功量产。下面将以如何识别驾驶员注意力集中作为一个案例分享如何将一个不可能的解决的场景变成“量产”。

第一步，研究行业内前辈们对注意力不集中的一些成果，站在巨人的肩膀上去解决问题（图1-18）。

第二步，建立一个真实的注意力不集中环境，基于行业论文的信息总结收集用户在真实行车场景中的生理特征，探索用户注意力不集中的具体表现。基于此制定真实的数据采集计划和方案（图1-19）。

第三步，如图1-20a、b所示，选择一个真实路段，招募采集志愿者、协调和部署采集设备，采集数据。

第四步，如图1-20c所示，通过摄像头、传声器、文字等详细记录用户在驾驶过程中的表现。

第五步，结果分析与归纳总结（图1-21）。

第六步，通过策略校验来验证归纳总结的策略是否准确（图1-22）。具体来说，基于制定的策略让第三方标注注意力集中和不集中的场景视频，看是否可以正确标注。之后基于结果优化及迭代策略。

截至目前，已基本上实现了通过视觉算法识别驾驶员注意力不集中的情况，可如何对驾驶员进行提醒才不会错过路口呢？为什么平时有导航播报也还是会错过呢？

经过研究发现，用户错过导航播报是因为导航播报的音色和音量与平时的播报提醒没有区别，很容易在注意力不集中的时候忽略重要的播报。因此，导航错过路口的提醒，一定要以更显性的方式播报，例如，可以在仪表盘做闪烁图标提醒、播放特殊音色的提醒音频、方向盘振动等。

那什么时候进行提醒既能及时提醒用户驶出路口，也能保障用户安全的减速变道呢？接下来是产品上市前最后也是最重要的一步：实车测试，通过实际驾驶体验，收集反馈数据并更新迭代提醒时间和提醒策略。

上述例子详细展示了如何通过第一性原理从源头上来解决问题，更好地进行座舱产品设计，做到足够“智能”。同时，为了兼顾用户体验至上的原则，在产品开发过程中和产品上市后，也需要不断实车测试产品的实际效果，并基于测试结果分析、迭代产品策略。此时，一个可以快速、灵活配置更新的上层应用系统就显得极为重要了。为此，座舱团队专门开发了Antares端云一体的场景开发框架，帮助产品/用户体验师快速分析数据，更新场景逻辑，极大地缩短了场景开发周期和流程，具体信息将在本书的第8章进行详细讲解。

座舱领域的用户痛点还有很多未被满足。随着自动驾驶技术的发展，“人机共驾”和“第三生活空间”的需求渐渐凸显。用户对座舱的需求也不再仅限于“车”这个概念。相信，随着科学技术的进步与迭代，未来智能座舱会迎来更多的突破，解决现在不敢想象的痛点。