Technologie für automatisiertes Fahren nutzergerecht optimiert · 2019. 5. 24. · Robert Bosch GmbH Hans-Joachim Bieg 20.11.2018 TECHNOLOGIE FÜR AUTOMATISIERTES FAHREN NUTZERGERECHT

Technologie für automatisiertes Fahren nutzergerecht optimiert

Technologie für automatisiertes Fahren nutzergerecht optimiert

Fahrerzustandsschätzung für teil- undhochautomatisierte Fahrt

Karlsfeld, 20.11.2018

Robert Bosch GmbHHans-Joachim Bieg


20.11.2018 TECHNOLOGIE FÜR AUTOMATISIERTES FAHREN NUTZERGERECHT OPTIMIERT

Anforderungen an den Fahrer

Fahrerzustand

BASt

Driver only

Assistiert

Teil-

automatisiert

Voll-

automatisiert

Hoch-

automatisiert

SAE 2016



Manuelle Fahrt:

Erkennen von und Reagieren auf Signale auf operationaler Ebene (Spurführung, Abstand).

Teilautomatisierung:

Erkennen von und Reagieren auf Automatisierungsfehler (z.B. Spurverlassen).

Hochautomatisierung:

Erkennen von und Reagieren auf den Take-Over-Request (TOR).

Anforderungen an den Fahrer

Fahrerzustand



Konstrukte

Fahrerzustand

Vigilanz

Aufmerksamkeit

Schläfrigkeit

Müdigkeit

Aktiviertheit

(Activation)

Belastung

Beanspruchung

Situationsbewusstsein

(Situation Awareness)

Stress

Langeweile

Monotonie

Erregung

(Arousal)

Ablenkung

Heikoop, D. D.; de Winter, J. C.; van Arem, B. &

Stanton, N. A. Psychological constructs in driving

automation: a consensus model and critical

comment on construct proliferation Theoretical

Issues in Ergonomics Science, 3, Taylor &

Francis, 2016, 17, 284-303

Fahrerverfügbarkeit

(Driver Availability)



Engström et al. 2013:

Unaufmerksamkeit = Diskrepanz (mismatch) zwischen aufgebrachter Aufmerksamkeit und Anforderungen an die Aufmerksamkeit zur sicheren Fahrt.

Unaufmerksamkeit

Fahrerzustand



Automatisierte Fahrt

• euroFOT (Assistenzsysteme)

• Llaneras et al. 2013 (Interviews)

• Simulatorstudien (z.B. Gold et al 2015)

• WoZ Studien (z.B. in Ko-HAF)

• Etc.

Manuelle Fahrt

„Naturalistic Driving Studies“, z.B.

• Klauer et al. 2009 (NHTSA)

• Olson et al. 2009 (FMCSA)

• Hickman & Hanowski 2012

• Victor et al. 2015 (SHRP2)

• Simmons et al. 2016 (Meta)

• Etc.

Studiensichtung innerhalb TANGO

Risiken aus dem Fahrerzustand



Hochautomatisierung

• Notwendigkeit einer differenzierten Einschränkung der Nebenaufgabe abhängig von Zeitbudget.

• Starke Konzentration von Studien auf Übernahmesituation.

Manuelle Fahrt

• Risikoerhöhung insb. durch visuell-manuelle Nebenaufgaben (z.B. Mobiltelefon, Routenplanung)

• Potentielle Risikoverminderung durch aktivierende Nebenaufgaben (Telefonieren).

Teilautomatisierung

• Tendenz zur vermehrten Durchführung von Nebenaufgaben.

Studiensichtung innerhalb TANGO: Erkenntnisse




• Wie können Nebenaufgaben mit hohem Ablenkungspotential vermieden werden?

• Welche Nebenaufgaben könnten sich positiv auf den Fahrer auswirken (z.B. aktivierend)?

• Gibt es sicherheitsrelevante Einschränkungen des Fahrerzustands nach einer automatisierten Fahrt (bedingt durch Monotonie)?

Studiensichtung innerhalb TANGO: Erkenntnisse II




TANGO Fahrermodell

Fahrerzustandsschätzung

Filterung,

Normalisierung

Verhaltensdaten

Fahrerbeobach-

tung

Merkmals-

extraktionKlassifikation

Fahrerzustand

Assistent (AAA)

Infotainment

Interaktion, HMI

Fahrsituation,

Umfeldmodell

Fahrermodell



TANGO Fahrermodell: Aufmerksamkeitszustände




Victor 2005, Victor & Larsson 2004:

• Prozentualer Anteil der Blickpunkte innerhalb zentraler ROI (Region ofInterest) während Zeitintervall (1 min.)

• ROI Durchmesser 16° um Road Center Point

• Road Center Point: Modus der Blickverteilung.

PRC (Percentage Road Center)




• Basis Studiendaten MAN2017a.

• Automatisierungsstufen (teil/hoch)

• Nebenaufgaben (keine, visuell)

• Ziel: PRC-basierter Klassifikator zur Unterscheidung der Nebenaufgabe.

PRC Training/Parametrisierung und Evaluation


Visuelle Nebenaufgabe Keine Nebenaufgabe



• Parameteranpassung (z.B. PRC, Winkel) mittels logistischer Regression

PRC Training/Parametrisierung und Evaluation




• Grundlage für spezifischere Evaluation von Fahrermodellfunktion.

• Studie im Fahrsimulator der Univ. Stuttgart IKTD (UniS2018a).

• Teilautomatisierte Fahrt

• Versch. Nebenaufgaben

• Manuelles „Labeling“ der Fahrerblickrichtung.

Ground Truth: Blickrichtung




• Fahrermodell als Komponente zur bedarfsgerechten Assistenz zur

• Unterstützung der Fahreraufmerksamkeit (teilautomatisierte Fahrt)

• Absicherung der Übernahme und nachfolgende Fahrt (hochautomatisierte Fahrt).

Verfeinerung von Methoden zur Fahrerzustandsschätzung:

• Genauigkeit der Schätzung

• Robustheit

Zusammenfassung & Ausblick

Technologie für automatisiertes Fahren nutzergerecht optimiertTechnologie für automatisiertes Fahren nutzergerecht optimiert

Vielen Dank für Ihre Aufmerksamkeit

Documents

Technologie für automatisiertes Fahren nutzergerecht optimiert · 2019. 5. 24. · Robert Bosch GmbH Hans-Joachim Bieg 20.11.2018 TECHNOLOGIE FÜR AUTOMATISIERTES FAHREN NUTZERGERECHT