news 2026/5/17 3:44:22

不同光照模拟下的车载 AR-HUD 颜色可见性评估

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
不同光照模拟下的车载 AR-HUD 颜色可见性评估

车载增强现实抬头显示系统(AR-HUD)对提升驾驶安全至关重要,但其显示效果受环境光照影响显著。为评估不同光照下AR-HUD界面颜色的可见性,本研究采用紫创测控luminbox太阳光模拟器模拟真实道路光照环境,在实验室仿真驾驶场景中,系统评估 AR-HUD 中速度信息在不同颜色、不同轮廓设计下的可见性、视觉疲劳度、颜色偏好及视觉干扰程度

一、实验环境与设备

车辆模拟环境

实验使用一台搭载 AR-HUD 系统的智能汽车原型,其视场角为 12°×5° 。道路环境通过大型曲面投影屏模拟,以最大程度还原真实驾驶场景。光照条件采用太阳光模拟器进行精确控制,分别模拟日间(照度约 100,000 lx)夜间(照度 30 lx)两种典型驾驶光环境。

二、实验材料与变量

实验选取了七种颜色作为信息显示颜色:红(R)、橙黄(YR)、黄(Y)、绿(G)、蓝(B)、紫(P)、白(W)。除基本颜色外,YR 和 W 参考了交通信号灯常用色。每种颜色字符设置三种轮廓状态:无轮廓、白色轮廓、灰色轮廓,轮廓占比为字符面积的 20%。字符内容为车速“45 km/h”,尺寸为 242 mm(宽)× 142 mm(高)。

三、实验方法与流程

太阳光模拟驾驶环境

实验共招募25名具备驾驶经验的参与者,在模拟驾驶环境中进行,参与者无需实际操作车辆,仅对屏幕上依次呈现的19 种视觉刺激材料进行评价。每项刺激展示时间不超过 10 秒,参与者基于 5 级李克特量表对可见性、视觉疲劳、颜色偏好和视觉干扰四个维度进行评分。为消除光适应对实验结果的影响,实验先进行夜间光照条件下的测试,再进行日间光照条件下的测试。

四、实验结果分析

颜色可见度(白天)

1. 轮廓对可见性的影响

太阳光模拟器还原的日间照度模式下,除黄色外,其余颜色字符的白色轮廓可见性均显著高于灰色轮廓(如 R1 > R2,YR1 > YR2 等)。夜间模式下,除绿色外,白色轮廓同样表现更优。统计检验表明,白色轮廓能显著提升低亮度颜色(如 B、P)的可见性,主要归因于白色轮廓与字符颜色之间更高的亮度对比度

2. 颜色本身的可见性差异

在无轮廓条件下,日间可见性从高到低依次为:Y > G > R > YR > B ≈ P黄色与绿色因本身亮度较高,在强光下表现最佳。夜间模式下,红色(R)的可见性最高,甚至超过亮度更高的黄色和绿色。分析发现,夜间环境下,红色与背景(挡风玻璃)之间的亮度对比度较大,从而提升了其视觉显著性。

3. 亮度对比度的作用

无论是轮廓与字符之间,还是字符与背景之间,亮度对比度均是影响可见性的关键因素。日间白色轮廓与字符的对比度普遍较高,夜间红色与背景的对比度突出,均直接带来了可见性的提升。

本研究通过太阳光模拟器模拟不同光照条件,系统验证了颜色亮度、轮廓设计及亮度对比度ARHUD可见性的综合影响。实验结果表明,日间环境下高亮度的黄色与绿色可见性最佳,夜间则因红色与背景对比度较高而表现更优;蓝色与紫色可见性较差,应避免在关键信息中使用。轮廓方面,白色轮廓能显著提升多数颜色的可见性,建议在设计时优先采用。无轮廓时,字符与背景的亮度对比度则为主要影响因素,设计中应充分考虑背景光环境的变化

Luminbox全光谱准直型太阳光模拟器

紫创测控Luminbox全光谱准直太阳光模拟光源是专为车载HUD系统光性能测试而设计的专业光源设备,能精准模拟自然光环境,支持光谱/ 亮度 / 色温调控,帮助在实验室内进行太阳直射、光学干涉与动态光适应性等 HUD光学性能测试与验证。

全光谱覆盖:350nm-1100nm光谱,贴近自然光权重

高动态亮度:2 米处20,000-150,000Lux,满足HUD 亮度响应测试

强光抗扰验证:直射模拟复现图像模糊/ 重影问题场景

多场景适应:支持日间/ 夜间 / 隧道等光照动态切换测试

紫创测控Luminbox全光谱准直型太阳光模拟器以精密光学的工程化应用,可有效缩短从基础研究到工业验证的周期,为车载HUD 系统颜色可见性评估提供可靠的“人工太阳”,助力汽车领域的技术革新。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/5/15 15:30:38

Qwen2.5-7B文本摘要生成:长文档处理技巧

Qwen2.5-7B文本摘要生成:长文档处理技巧 1. 技术背景与挑战 随着大语言模型在自然语言处理任务中的广泛应用,长文档的自动摘要生成已成为信息提取、内容聚合和知识管理的核心需求。传统摘要模型受限于上下文长度(通常为512或1024 tokens&am…

作者头像 李华
网站建设 2026/5/15 19:56:20

Qwen2.5-7B语音助手:与TTS/ASR集成方案

Qwen2.5-7B语音助手:与TTS/ASR集成方案 1. 引言:构建下一代智能语音交互系统 随着大语言模型(LLM)在自然语言理解与生成能力上的飞速发展,语音助手正从“关键词匹配”迈向“语义理解自然对话”时代。Qwen2.5-7B作为阿…

作者头像 李华
网站建设 2026/5/14 1:18:43

Qwen2.5-7B工具链推荐:高效部署必备插件与脚本集合

Qwen2.5-7B工具链推荐:高效部署必备插件与脚本集合 1. 背景与技术定位 1.1 Qwen2.5-7B 模型简介 Qwen2.5 是阿里云推出的最新一代大语言模型系列,覆盖从 0.5B 到 720B 参数的多个版本。其中 Qwen2.5-7B 是一个中等规模、高性价比的开源模型&#xff0c…

作者头像 李华
网站建设 2026/5/15 13:00:24

先搞懂:web 开发到底在做啥?

先搞懂:web 开发到底在做啥?简单说,web 开发就是把一堆代码变成我们能看到、能点击的网页。比如你打开一个美食博客,看到漂亮的图片、能滑动的菜谱、可以评论的留言区,这些都是 web 开发者一点点“敲”出来的。这里面分…

作者头像 李华
网站建设 2026/5/14 17:03:09

OpenMV机器视觉项目开发流程:实战案例分享经验总结

用OpenMV做机器视觉?别再从零试错了!一位工程师的实战避坑指南你有没有过这样的经历:花了几百块买了OpenMV,兴致勃勃地接上摄像头、写好颜色识别代码,结果在实验室跑得好好的程序,一到现场就“抽风”——一…

作者头像 李华
网站建设 2026/5/9 6:33:48

Qwen2.5-7B部署教程:基于transformers架构的环境配置详解

Qwen2.5-7B部署教程:基于transformers架构的环境配置详解 1. 引言 1.1 模型背景与技术定位 Qwen2.5-7B 是阿里云最新发布的开源大语言模型,属于 Qwen 系列中参数规模为 76.1 亿(非嵌入参数 65.3 亿)的中等体量模型。该模型在 Qw…

作者头像 李华