Rußwinkel, NeleLotz, Alexander2020-07-212020-07-212020https://depositonce.tu-berlin.de/handle/11303/11500http://dx.doi.org/10.14279/depositonce-10382The automotive industry has been following the objective of increasing assistance for improved usability and safety over the past decades. Currently, the focus of automotive development concentrates on implementation of automation, promising the possibility of vehicles holding temporary responsibility of the driving task, while the driver is free to focus on other tasks. However, especially in Level 3 automated driving, the human has to act as a fallback, if technical systems fail or reach limits. This transferal of responsibility in any direction can cause miscommunication, incomplete driver mental models and accidents if mismanaged. Therefore, a number of questions regarding the human-machine-interaction have to be addressed, in order to guarantee safe transitions between humans and vehicles. Firstly, the spectrum of human capabilities demands definition in the context of Level 3 driving. For empirical investigation, this requires monitoring systems for vehicles in order to identify factors influencing driver capability. Secondly, humans need assistance in the transition phases between automation and manual control. Based on the available information for an automated vehicle, a prediction of driver reactions is necessary to understand how a driver can be assisted, to reduce mismanagement of information. This is relevant for individuals as well as all varieties of driver types. Especially professional drivers, e.g. truck drivers, will experience long exposures to automation. Through extensive driving experience, possibly leading to other interaction than non-professional drivers, assistance needs to cater to their requirements. This dissertation focuses on the evaluation of professional driver capabilities in the context of Level 3 take-over. It proposes different computational models that offer the possibility of predicting driver behaviour, in order to improve usability and offer adaptive assistance during transition phases for automated driving. Thereby, assistance is improved and communication between the driver and vehicle is enhanced, to reduce accidents. In order to examine driver behaviour and capability for Level 3 automation, two highway scenario studies were directed, analysed and utilised for predictive computational driver models. The first study was conducted in a high-fidelity moving-base simulator, displaying critical take-over situations. Amongst others, analysis of the empirical data showed that premature visibility of take-over situations generated significantly quicker reaction times. The data gathered of 88 participants was later utilised to analyse different data-driven computational models to predict reaction times of drivers. Based on remote eye-tracking data, vehicular environmental information and non-driving related task interaction, four different machine learning algorithms were compared in a four-class classification problem. Information was obtained from 238 features, reaching a misclassification rate of 38% for support vector machines. The empirical data of the simulator study was later validated in a test track study with a prototypic Level 3 vehicle. As premature visibility was a determining factor in the capacity of drivers to react quickly, expectancy was assigned as an independent variable. The statistical analysis displayed no significant effect of expectancy of different take-over situations on the reaction time. Overall, the 3-interval of time to first reaction of the simulator study ranged from 0 to 2.82 seconds, while the test track study displayed slightly quicker reactions up to 2.34 seconds. Finally, based on the findings of the two studies, an adaptive assistance during automation was developed. This system is designed to monitor the surroundings of any automated vehicle through vehicular sensors. The system relates environmental metrics to situations in which individual drivers self-initiate take-over. Thereby, it acts as an example for a seamless assistance system that is capable of individualisation and learning to enrich the driving experience and safety of drivers.In den vergangenen Dekaden hat die Automobilindustrie stets das Ziel verfolgt, nutzerorientierte Fahrerassistenz weiterzuentwickeln, um eine verbesserte Usability und erhöhte Sicherheit zu ermöglichen. Derzeit verspricht dabei ein Technologiesprung zum automatisierten Fahren diese Aspekte weiter auszubauen. Dabei soll Fahrzeugen eine temporäre Verantwortung über die Fahraufgabe zugeteilt werden, während der Fahrer seine Aufmerksamkeit auf andere Tätigkeiten lenken kann. Speziell in Level 3, dem hochautomatisierten Fahren, muss der Fahrer allerdings als Rückfallebene fungieren, falls technische Systemgrenzen erreicht werden. Die Übergabe der Verantwortung kann dabei zu Missverständnissen, unvollständigen mentalen Modellen des Fahrers oder Unfällen führen. Aus diesem Grund, ist die Adressierung verschiedener Fragen zur Mensch-Maschine-Interaktionen essenziell, um eine Steigerung der Sicherheit in Level 3 Übernahmesituationen zu ermöglichen. Erstens, muss das Spektrum von Fahrerfähigkeiten im Rahmen des hochautomatisierten Fahrens erforscht und definiert werden. Zur empirischen Erforschung sind hierzu an das Fahrzeug angebundene Sensoren notwendig, um einflussreiche Faktoren zu erkennen und Informationen dem Fahrzeug zur Verfügung zu stellen. Zweitens, kann auf Basis dieser Erkenntnisse eine Fahrerassistenz entwickelt werden, die Fahrer in Übernahmesituationen unterstützen. Dabei können die sensorisch erfassten Informationen dazu dienen, eine prädiktive Aussage über Fahrerreaktionen zu generieren und somit Assistenz zur Verringerung von Missverständnissen zwischen Fahrer und Fahrzeug anzubieten. Dies ist sowohl individualisiert als auch generalisiert für verschiedene Fahrergruppen anwendbar. Unterschiedliche Fahrergruppen unterliegen dabei möglicherweise unterschiedlichen Einflüssen, z.B. LKW-Fahrer, die lange Automatisierungsphasen erleben könnten. Durch diese unterschiedlichen Ansprüche an eine Automatisierung zwischen Privatpersonen und professionellen Fahrern, kann sich auch der Anspruch an die Assistenz ändern. Diese Dissertation untersucht speziell die Fahrerfähigkeiten von professionellen LKW-Fahrern im Rahmen des hochautomatisierten Fahrens. Verschiedene rechnergestützte Modelle werden entwickelt, die die Möglichkeit einer Fahrervorhersage untersuchen, um die Usability adaptiv in Übernahmesituationen zu verbessern. Dabei wird stets das Ziel verfolgt, den Informationsaustausch zwischen Fahrer und Fahrzeug zu verbessern, um Übergangsphasen sicherer zu gestalten. Diese Inhalte werden im Rahmen des hochautomatisierten Fahrens auf Basis von zwei empirischen Studien zu Autobahnfahrten untersucht. Die erste Studie fand in einem Fahrsimulator statt. Die Daten von 88 Probanden wurden anschließend zum Vergleich von vier verschiedenen rechengestützten Algorithmen genutzt. Hierzu wurden die Daten aus einer Blickerkennung, der Umgebungsinformationen und Interaktion des Fahrers mit Nebentätigkeiten in vier Machine Learning Algorithmen eingespeist, um ein Klassifikationsproblem zur Vorhersage von Reaktionszeiten mit vier Klassen zu lösen. Mit 238 verschiedenen Features als Eingangsdaten in eine Support Vector Machine, wurde eine minimale Misklassifikationsrate von 38% erreicht. Die empirischen Daten aus dem Fahrsimulator wurden anschließend auf einer Teststrecke mit einem prototypischen hochautomatisierten LKW validiert. Als unabhängige Variable wurde der Faktor der Erwartung einer Übernahmesituation untersucht. Die statistische Auswertung ergab hierfür keinen signifikanten Effekt. Insgesamt ergab das 3-Intervall der Time to first reaction eine Reaktionszeit von 0 bis 2.82 Sekunden in der Simulatorstudie und 0 bis 2.34 Sekunden auf der Teststrecke. Auf Basis der empirischen Daten entstand zusätzlich eine neuartige Ausführung eines Assistenzsystems. Die Betrachtung verschiedener Umweltvariablen durch Fahrzeugsensorik ermöglicht es hierbei Fahrsituationen zu identifizieren, die den Fahrer zu einer unaufgeforderten Übernahme verleiten. Das System identifiziert Situationen in denen der Fahrer Unsicherheiten durch speziell diese unaufgeforderten Übernahmen an den Tag gelegt hat, um frühzeitig die Entstehung dieser Situationen zu erkennen und den Fahrer vor unkontrollierten Handlungen zu schützen. Hierdurch wird eine kontinuierliche Assistenz dargestellt, die individualisierbar und selbstlernend sich an verschiedene Fahrer- und Umgebungssituationen anpassen kann und so eine neue Ausprägung von Assistenz zum hochautomatisierten Fahren darstellt.en620 Ingenieurwissenschaften und zugeordnete Tätigkeitenconditional automated drivingtake-over behaviordriver modellingdata-driven modelstruckhochautomatisiertes FahrenÜbernahmeverhaltenFahrermodellierungDatengetriebe-ModelleLKWDoctoral Thesis