Detektion der Reaktionsbereitschaft beim hochautomatisierten Fahren
Schmidt, Jürgen
Während des hochautomatisierten Fahrens ändert sich die Aufgabe des Fahrers. Dieser muss lediglich reaktionsbereit sein und die Fahraufgabe nach einer Aufforderung durch das System innerhalb einer Übergabezeit sicher übernehmen können. Zur Untersuchung der erforderlichen Reaktionsbereitschaft für diese Übernahme in langen, monotonen und hochautomatisierten Fahrten wurde das Verhalten der Fahrer in drei Fahrsimulatorstudien untersucht. Aus der ersten Studie wurden die Aufzeichnungen von 14 Probanden (Fahrtdauer 2:25 ± 0:34 h, manuelle Fahrt), der zweiten von 41 Probanden (Fahrtdauer 2:41 ± 0:23 h, hochautomatisierte Fahrt) und der dritten von 20 Probanden (Fahrtdauer 2:51 ± 0:17 h, hochautomatisierte Fahrt) ausgewertet. Mit unterschiedlichen Zeitintervallen von Reaktionsabfragen während der hochautomatisierten Fahrten wurde der Einfluss der Abfragen und deren Intervall zur Überwachung der Reaktionsbereitschaft getestet. Dies wurde speziell in Phasen sehr hoher Fahrermüdigkeit bis hin zur Fahruntüchtigkeit gemacht. Zusätzlich mussten die Probanden das Fahrzeug in mehreren Situationen während der hochautomatisierten Fahrten übernehmen. Speziell die letzte Übernahme in den Fahrten war gekoppelt an die Ausführungen der Reaktionsabfragen, um die Probanden im schlechtesten Zustand hinsichtlich ihrer Reaktionsbereitschaft und Müdigkeit in einer anspruchsvollen Situation zu testen. Die Auswertungen der Fahrparameter aus den Situationen zeigten, dass die Probanden trotz des hohen Müdigkeitslevels auch bei hohem Anspruch sicher und adaptiv reagierten. Der Anstieg der Müdigkeit während der hochautomatisierten Fahrten war vergleichbar mit dem Müdigkeitsanstieg bei den manuellen Fahrten und zeigte, dass die Automatisierung diesen nicht positiv beeinflusst. Das Lidschlagverhalten und die Kopfbewegungen der Fahrer bei manuellen und hochautomatisierten Fahrten waren signifikant unterschiedlich. Bei einem Vergleich von Lidschlagdetektionen mit Kamera- und elektrookulogrammbasierten Detektionsverfahren ergaben sich unterschiedliche Erkennungsraten aufgrund des geänderten Fahrerverhaltens in den zwei Fahrmodi. Ein eingesetzter Algorithmus basierend auf dem Lidschlag und Kopfbewegungsverhalten der Fahrer zeigte zudem, wie die Reaktionsfähigkeit während hochautomatisierter Fahrphasen überprüft werden könnte.
The task of the driver is changing with conditionally automated driving. He or she only has to stay alert and take over the control of driving safely in a set hand-over time if requested by the system. Three simulator studies were conducted to analyse the behavior of drivers in respect to the necessary reaction ability for a take-over in long, monotonous, conditionally automated drives. From study one there were evaluated 14 drives (duration 2:25 ± 0:34 h, manual driving), from study two 41 drives (duration 2:41 ± 0:23 h, conditionally automated driving), and from study three 20 drives (duration 2:51 ± 0:17 h, conditionally automated driving). In the conditionally automated drivings different time intervals between alertness requests were tested. The goal was to investigate their influence as test of the drivers’ reaction ability, especially in phases with a high drowsiness state. Additionally the drivers had to take back the control of driving from the automated system in several situations. Especially the last of these take-over requests was designed to be challenging. Therefore it was connected to missing responses of the alertness requests in order to test the drivers in their worst-case state regarding drowsiness. The analysis of the driving parameters in the situations showed that the drivers reacted safely and adaptively to all take-over requests. They even performed well facing high drowsiness and a challenging road situation. The rise of the drowsiness level during the conditionally automated phases was similar to the rise in the manual drivings and shows that the automation does not prevent drowsiness. The analysis of lid closures and head movements showed further significant differences between the drivers’ behavior in conditionally automated driving and manual driving. In a comparison between several camera and electrooculography algorithms to detect lid closures, different detection rates were found due to the driver behavior and driving mode. A presented algorithm using the behavior of lid closures and head movement showed further how the reaction ability can be assessed during conditionally automated driving.
