Work with AI and Work for AI: Autonomous Vehicle Safety Drivers' Lived Experiences
自动驾驶汽车(AV)的发展创造了一个新的工作,安全驾驶员,从经验丰富的驾驶员中招募,在许多驾驶任务中监督和操作AV。安全驾驶员通常在高风险的现实交通环境中使用非完美的AV进行道路测试任务。然而,这一群体的工人是在HCI社区探索不足。为了填补这一空白,我们对26名安全驾驶员进行了半结构化访谈。我们的研究结果展示了安全驾驶员如何应对有缺陷的算法,并在使用AV时塑造和校准他们的感知。我们发现,作为一线工作者,安全驾驶员被迫承担从AV行业上游积累的风险,并且在为AV发展工作时也面临着自我发展的限制。我们贡献了第一个经验证据的安全驾驶员的生活经验,第一个乘客在开发自动驾驶汽车,也基层工作人员为自动驾驶汽车,这可以照亮未来的人与人工智能的互动研究。
2023-03-09 cs.HC
Light Virtual Reality systems for the training of conditionally automated vehicle drivers
在有条件自动驾驶汽车中,驾驶员可以在前往目的地时从事辅助活动。然而,当系统达到其功能边界时,驾驶员需要在有限的时间内对接管请求做出适当的响应。在这种情况下,虚拟现实系统代表了一个有前途的培训和学习工具,以正确熟悉驾驶员与自动驾驶汽车,并允许他们与所涉及的新设备进行交互。在这项研究中,有效性的盔装显示器(HMD)为基础的培训计划,在自动驾驶汽车获得互动技能相比,用户手册和固定基地的模拟器。结果表明,培训系统的影响接管性能的评价,在一个测试驱动器中的高端驾驶模拟器。此外,自我报告的措施表明,HMD为基础的培训是首选相对于其他系统。
2018-03-13 cs.HC
Modeling Ice Friction for Vehicle Dynamics of a Bobsled with Application in Driver Evaluation and Driving Simulation
BMW AG(宝马公司);Graf Engineering(格拉夫工程公司);University of Salzburg(萨尔茨堡大学)
我们提供了一个冰摩擦模型的车辆动力学的两个人的雪橇,可用于驾驶员评价和驾驶员在环模拟器。纵向摩擦力的建模结合实验结果与有限元模拟产生的接触压力和摩擦力之间的相关性。为了模拟横向摩擦,我们使用特殊的传感器收集了44个雪橇运行的数据。非线性回归是用来拟合特定的鲍勃单轨车辆动力学模型的数据。将其应用于驾驶仿真中,为驾驶员评价提供了一种新的方法。对具有不同经验水平的鲍勃司机进行了调查。结果表明,不同的驾驶风格会导致顶级驾驶员的相似表现。
2021-11-22 cs.HC cs.RO
Modelling the Intrusive feelings of advanced driver assistance systems based on vehicle activity log data: a case study for the lane keeping assistance system
虽然汽车行业一直是最了解驾驶员影响的重要性的行业之一,但汽车领域的设计和研究重点长期以来一直强调外部和内部设计的内在方面。然而,随着先进驾驶辅助系统(ADAS)的采用,赋予车辆“半自主”,情感设计的范围应该扩大到包括车辆的行为方面。在这种“共享控制”系统中,车辆可以干预人类驾驶员的操作,一定程度的“侵入感”是不可避免的。例如,当车道保持辅助系统(LKAS)(ADAS最流行的示例之一)在危险情况下操作方向盘时,驾驶员可能会因为LKAS产生的突然扭矩而感到中断或惊讶。这种不愉快的经历会导致长期的负面情绪,如刺激,焦虑和对系统的不信任。因此,有越来越多的需求,调查驾驶员的情感反应对车辆的动态行为。在这项研究中,四种类型的侵入性的感觉所造成的LKAS被确定为一个量化的性能指标,在设计的情感满意的行为LKAS。一种度量以及统计数据分析方法,通过车辆传感器日志数据定量测量侵入感。
2019-04-30 cs.HC
Socially Adaptive Autonomous Vehicles: Effects of Contingent Driving Behavior on Drivers' Experiences
Cornell University(康奈尔大学);TU Eindhoven(埃因霍温理工大学);Israel Institute of Technology(以色列理工学院)
本文通过对比条件性与非条件性驾驶模型,发现自动驾驶车辆采用基于人类数据训练的条件性驾驶行为能显著降低驾驶员压力、促进果断交互,从而提升部署接受度。
2025-09-21 cs.HC
Exploration of increasing drivers trust in a semi-autonomous vehicle through real time visualizations of collaborative driving dynamic
Thinking Wave是可视化概念的持续发展,展示了半自动驾驶汽车(AV)系统的实时工作和信心。让驾驶员访问这些信息可以为他们的决策提供信息,并使他们能够相应地处理情况并在必要时接管。设计了两种不同的可视化,概念一,潮汐,通过一个简单的图形,在速度和频率波动的强化活动演示了AV系统的努力。概念二,串联,显示了AV系统的努力,以及处理动态和驾驶员和车辆系统之间的共同责任。与东京大学的移动研究团队合作,我们正在对Thinking Wave及其实施方案进行原型设计和改进,同时我们正在努力构建一个集成到驾驶模拟器中的可测试版本。思维波的开发旨在通过增加驾驶员对车辆处理能力的知识和理解来校准信任。通过实现自动驾驶系统能力的透明通信,我们希望能够增强对自动驾驶持怀疑态度的驾驶员的能力,并在紧急接管情况下保持过度信任的驾驶员的警惕,以创造更安全的自动驾驶体验。
2021-07-05 cs.HC
Multimodal Fusion Using Deep Learning Applied to Driver's Referencing of Outside-Vehicle Objects
BMW Group(宝马集团);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
人们对更智能的自然用户与汽车的交互越来越感兴趣。手势和语音已经被应用于驾驶员与汽车的互动。此外,多模式方法在汽车行业也显示出希望。在本文中,我们将深度学习用于多模态融合网络,以参考车辆外部的对象。我们同时使用来自凝视、头部姿势和手指指向的特征来精确地预测不同汽车姿势中的参考对象。我们展示了每种模态在用于自然形式的参考时的实际限制,特别是在车内。从我们的结果中可以看出,我们在很大程度上通过添加其他模式来克服模式特定的限制。这项工作突出了多模态传感的重要性,特别是在走向自然的用户交互。此外,我们基于用户的分析显示,根据车辆姿态识别用户行为的显着差异。
2021-07-26 cs.CV cs.HC cs.LG
Automated Failure-Mode Clustering and Labeling for Informed Car-To-Driver Handover in Autonomous Vehicles
University of Colorado Boulder(科罗拉多大学博尔德分校)
当车辆无法自行安全行驶时,车辆与驾驶员的切换是安全自动驾驶车辆操作的一个至关重要的组成部分。这种切换在汽车中的当前实现方式采取指示即将将控制转移回人类驾驶员的通用警报的形式。然而,某些级别的车辆自主性可能允许驾驶员在切换之前从事其他非驾驶相关的任务,导致快速恢复态势感知的巨大困难。除非采取缓解措施,否则重新定向延迟可能导致危及生命的故障。可解释的人工智能已被证明可以提高人机协作场景中的流畅性和团队合作。因此,我们假设,通过利用自主解释,这些汽车到驾驶员的转换可以更安全和可靠地进行。其基本原理是,通过为驾驶员提供额外的情境知识,他们将更快地专注于驾驶环境的相关部分。为此,我们提出了一种算法故障模式识别和解释方法,使知情的驾驶员从车辆。此外,我们提出了一套人类主体驾驶模拟器的研究,以确定适当的形式的解释,以及验证我们的框架。
2020-05-09 cs.HC cs.RO
Leveraging driver vehicle and environment interaction: Machine learning using driver monitoring cameras to detect drunk driving
本研究开发了基于车载驾驶员监控摄像头的机器学习酒驾检测系统,在30人参与的模拟器研究中验证了其检测酒驾的有效性,为预防酒精相关伤害。
2023-03-22 cs.HC
In-Vehicle Human-Machine Interface to Support Drivers in Conditionally Automated Platooning
Johannes Kepler University Linz(林茨约翰内斯·开普勒大学)
本文研究了一种车内人机接口是否能提高驾驶员在有条件自动化编队中的监督行为、安全性和编队稳定性,通过模拟实验发现,该接口能显著减少手动干预,但对紧急反应和碰撞率无明显影响。
2026-05-18 cs.HC
Multitasking while Driving: How Drivers Self-Regulate their Interaction with In-Vehicle Touchscreens in Automated Driving
基于31,378个真实驾驶序列,研究驾驶自动化水平对驾驶员与中控台触摸屏交互及视线行为的影响,发现L2级自动驾驶使平均注视时长增加36%、每序列交互次数增加17%,且其影响大于车速和道路曲率。
2023-05-25 cs.HC
Mitigating undesirable emergent behavior arising between driver and semi-automated vehicle
联合人类-机器人系统中出现的紧急行为不能基于对个体代理的理解来完全预测。通常,机器人行为由优化奖励函数的算法控制,该函数应该定量地捕获关节系统的目标。虽然奖励功能可以更新以更好地满足人类需求,但这并不能保证不会发生与复杂多变的人类需求不一致的情况。当与人类和本质上不可预测的人类居住的世界交互时,算法可能会学习不期望的行为,从而产生与人类用户或旁观者的进一步不对准。因此,人类的行为可能与预期不同,导致机器人以不同的方式学习,并出现不良行为。通过这篇简短的论文,我们指出,为了设计人机交互来减轻这种不受欢迎的紧急行为,我们需要利用人为因素知识和专业知识来补充人机交互算法的进步。更具体地说,我们提倡一种三管齐下的方法,我们用一个特别具有挑战性的安全关键型人机交互的例子来说明:驾驶员与半自动驾驶汽车交互。不期望的紧急行为应该通过以下组合来减轻:1)在车辆的算法和奖励功能中包括驾驶员行为机制,2)基于模型的方法,该方法考虑了交互引起的驾驶员行为适应,3)以驾驶员为中心的交互设计,该设计促进驾驶员与半自动车辆的参与,以及允许相互支持和适应的每个代理的动作的透明通信。我们提供了我们小组最近经验工作的例子,希望这对讨论紧急人机交互是富有成效的。
2020-09-04 cs.HC
A Framework for Analysing Driver Interactions with Semi-Autonomous Vehicles
Digital Security and Forensics (SaFe) Research Group(数字安全与取证研究组);Department of Computing, Faculty of Engineering and Computing(工程与计算学院计算机系);Coventry University(考文垂大学);Centre for Software Assurance(软件保证中心);Bond University(邦德大学)
提出一个结合人类行为经验模型与环境系统模型的框架,通过模型检验分析驾驶员与半自主车辆交互的安全性,并以驾驶员疲劳为例验证其适用性。
2013-01-01 cs.HC cs.RO cs.SY
Implicit Cooperation: Emotion Detection for Validation and Adaptation of Automated Vehicles' Driving Behavior
University of Applied Science Ruhr West(鲁尔西部应用科学大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
自动驾驶汽车中的人类情感检测有助于提高舒适性和安全性。汽车领域的研究主要集中在感知驾驶员的困倦和攻击性上。我们提出了一种新形式的隐式驾驶员-车辆合作,其中情感检测集成到自动驾驶汽车的决策过程。不断评估驾驶员对车辆行为的反应,使我们能够修改决策,并有助于提高未来自动驾驶车辆的安全性。
2020-03-29 cs.HC cs.RO
A Survey of Driver Distraction and Inattention in Popular Commercial Software-Defined Vehicles
本文调查了流行商用软件定义汽车中UI设计对驾驶员分心的影响,识别了增加认知负荷的UI特征并评估了缓解风险的设计策略,强调需平衡软件功能与认知工效学以提升驾驶安全。
2025-11-04 cs.HC cs.SE
Human-Machine Interaction in Automated Vehicles: Reducing Voluntary Driver Intervention
针对自动驾驶汽车中驾驶员主动干预引发交通扰动的问题,提出基于证据积累框架的深度强化学习跟驰控制方法,以减少不必要干预并提升交通稳定性。
2024-04-08 cs.HC cs.SY eess.SY
Augmented Reality-Based Advanced Driver-Assistance System for Connected Vehicles
随着先进通信技术的发展,互联车辆在交通系统中越来越受欢迎,它可以通过车辆到一切的通信进行相互之间以及道路实体之间的协同操纵。许多研究兴趣已经被吸引到联网车辆系统的其他构建模块,例如通信、规划和控制。然而,较少的研究集中在人机合作和接口,即如何可视化的引导信息给驾驶员作为一个先进的驾驶辅助系统(ADAS)。在这项研究中,我们提出了一个基于增强现实(AR)的ADAS,它可视化的指导信息计算多个连接的车辆合作。采用无信号交叉口场景作为该系统的用例,其中驾驶员可以在AR引导下驾驶联网车辆穿过交叉口,而无需在交叉口处完全停止。在Unity游戏引擎中构建了一个基于旧金山道路网络的仿真环境,并进行了人在回路(HITL)仿真,验证了该系统在行程时间和能耗方面的有效性。
2020-08-31 cs.HC cs.MM cs.SY
eHMI for All -- Investigating the Effect of External Communication of Automated Vehicles on Pedestrians, Manual Drivers, and Cyclists in Virtual Reality
Institute of Media Informatics, Ulm University(乌尔姆大学媒体信息研究所);UCL Interaction Centre(伦敦大学学院交互中心);Eindhoven University of Technology(埃因霍温理工大学)
本文探讨自动驾驶车辆对外部通信对行人、骑行者和手动驾驶者的影响,通过虚拟现实实验评估eHMI在不同分心水平下的效果,发现统一eHMI设计能提升安全感知和信任度。
2026-01-27 cs.HC
Understanding cyclists' perception of driverless vehicles through eye-tracking and interviews
Delft University of Technology(代尔夫特理工大学)
本研究通过Wizard-of-Oz实验结合眼动追踪和访谈,发现骑行人能自发或受指示后以93%准确率检测自动驾驶车辆中驾驶员的缺失,且检测行为影响其安全感知。
2024-12-06 cs.HC cs.RO
Driver-Specific Risk Recognition in Interactive Driving Scenarios using Graph Representation
本文提出了一种自动驾驶汽车的驾驶员特定的风险识别框架,可以提取车辆间的相互作用。这种提取是在驾驶员认知的方式进行城市驾驶场景,以提高识别准确率的危险场景。首先,对驾驶员的操作数据进行聚类分析,学习不同驾驶员对危险场景的主观评价,并为每个场景生成相应的风险标签。其次,采用图表示模型(GRM),将真实驾驶场景中的动态车辆、车辆间交互和静态交通标记的特征统一构造成图。特定于驾驶员的风险标签提供了基础事实,以捕获不同驾驶员的风险评估标准。此外,图模型表示驾驶场景的多个特征。因此,所提出的框架可以学习不同驾驶员的驾驶场景的风险评估模式,并建立特定于驾驶员的风险标识符。最后,所提出的框架的性能进行了评估,通过实验进行使用真实世界的城市驾驶数据集收集的多个驱动程序。结果表明,该框架可以准确地识别实际驾驶环境中的风险及其水平。
2021-11-11 cs.HC cs.RO
On the Forces of Driver Distraction: Explainable Predictions for the Visual Demand of In-Vehicle Touchscreen Interactions
University of Cologne(科隆大学);MBition GmbH(MBition有限公司)
随着现代信息娱乐系统的发展,驾驶员越来越倾向于在驾驶时从事次要任务。由于分心驾驶已经是致命事故的主要原因之一,车载触摸屏人机界面(HMI)必须尽可能少地分散注意力。为了确保这些系统使用安全,它们需要经过精心设计和昂贵的经验测试,需要功能齐全的原型。因此,早期阶段的方法通知设计师的影响,他们的设计可能对司机分心是非常有价值的。本文提出了一种机器学习方法,基于预期的使用场景,预测的视觉需求的车载触摸屏交互,并提供本地和全局的解释的因素影响驾驶员的视觉注意力分配。该方法基于从生产线车辆连续收集的大规模自然驾驶数据,并采用SHapley加法解释(SHAP)方法来提供利用明智的设计决策的解释。我们的方法比相关工作更准确,并确定了68%的准确率发生长时间扫视的相互作用,并预测了总的扫视时间,平均误差为2.4秒。我们的解释复制了最近各种研究的结果,并提供了关于UI元素,驾驶自动化和车辆速度对驾驶员分心的影响的快速和易于访问的见解。该系统不仅可以帮助设计师评估当前的设计,还可以帮助他们更好地预测和理解他们的设计决策可能对未来设计的影响。
2023-01-05 cs.AI cs.HC
How Do Drivers Self-Regulate their Secondary Task Engagements? The Effect of Driving Automation on Touchscreen Interactions and Glance Behavior
随着不断改进的驾驶员辅助系统和大型触摸屏成为主要的车载界面,驾驶员比以往任何时候都更倾向于从事分散注意力的非驾驶相关任务。然而,关于驾驶自动化如何影响驾驶员在与中控台触摸屏交互时的自我调节的研究很少。为了研究这一点,我们在由10,139个序列组成的真实驾驶数据集上采用了多级模型。我们的研究结果表明,驾驶员的互动和扫视行为的显着差异,以应对不同程度的驾驶自动化,车速和道路曲率。在部分自动驾驶过程中,驾驶员不仅更有可能参与辅助触摸屏任务,而且与手动驾驶相比,他们对触摸屏的平均扫视时间也增加了12%(1级)和20%(2级)。我们进一步表明,驾驶自动化对驾驶员的自我调节的影响大于车速和道路曲率。所获得的知识可以促进信息娱乐系统的安全评估和上下文感知的驾驶员监控系统的开发。
2022-07-12 cs.HC
Effects of Augmented-Reality-Based Assisting Interfaces on Drivers' Object-wise Situational Awareness in Highly Autonomous Vehicles
University of California, Los Angeles(加州大学洛杉矶分校);Honda Research Institute USA(美国本田研究所);Zoox(Zoox公司)
本文通过20人参与的驾驶模拟器实验,研究基于增强现实的高亮提示在不同交通密度、物体位置和类型下对部分自动驾驶车辆驾驶员逐物体态势感知的影响,为优化AR辅助界面设计提供依据。
2022-06-06 cs.AI cs.HC cs.RO
MIT Advanced Vehicle Technology Study: Large-Scale Naturalistic Driving Study of Driver Behavior and Interaction with Automation
Massachusetts Institute of Technology (MIT)(麻省理工学院(MIT));Touchstone Evaluations, Inc.(托奇斯通评估公司)
在未来,人类很可能仍然是驾驶任务的一个组成部分,在人工智能系统执行驾驶任务的0%以上到100%以下的任何地方监控它。麻省理工学院自动驾驶汽车技术(MIT-AVT)研究的管理目标是(1)进行大规模的真实驾驶数据汇集,包括高清视频,以推动基于深度学习的内部和外部感知系统的开发,(2)通过整合视频数据与车辆状态数据,驾驶员特征,心理模型和自我报告的技术经验,以及(3)确定如何以拯救生命的方式改进与自动化采用和使用相关的技术和其他因素。为了实现这些目标,我们对23辆特斯拉Model S和Model X汽车、2辆沃尔沃S90汽车、2辆路虎揽胜极光和2辆凯迪拉克CT6汽车进行了长期(每个驾驶员超过一年)和中期(每个驾驶员一个月)自然驾驶数据汇集。此外,我们正在不断开发新的方法来分析从仪表车队收集的大规模数据集。记录的数据流包括IMU、GPS、CAN消息以及驾驶员面部、驾驶室、前方道路和仪表组(在选定车辆上)的高清视频流。这项研究正在进行中,而且越来越多。到目前为止,我们有122名参与者,15,610天的参与,511,638英里和71亿视频帧。本文介绍了研究的设计,数据汇集硬件,数据的处理,以及目前用于从数据中提取可操作知识的计算机视觉算法。
2019-08-14 cs.CV cs.CY cs.HC
Navigating Algorithmic Opacity: Folk Theories and User Agency in Semi-Autonomous Vehicles
Rutgers University(罗格斯大学)
研究探讨了半自动驾驶车辆司机如何通过folk理论理解算法行为,揭示了司机在算法治理中的被动地位,并提出参与式算法治理框架以提升透明度和用户参与度。
2026-02-07 cs.HC
Classification of Safety Driver Attention During Autonomous Vehicle Operation
Australian Centre for Robotics(澳大利亚机器人中心);University of Sydney(悉尼大学);Universidad Nacional del Sur(南方国立大学);CONICET(阿根廷国家科学与技术研究委员会)
本文提出一种结合红外摄像头与车辆感知系统数据的双源方法,用于监测自动驾驶车辆操作员的注意力水平,以提升安全性和效率。
2023-10-17 cs.CV cs.HC cs.RO
Multimodal Driver Referencing: A Comparison of Pointing to Objects Inside and Outside the Vehicle
BMW Group(宝马集团);Saarland University(萨尔兰大学)
先进的车内传感技术,特别是基于视觉的方法,极大地改善了车内的用户交互,为自然用户交互的新应用铺平了道路。就像人类使用多种模式相互交流一样,我们遵循的方法的特点是同时使用多种模态来实现特定任务的自然人机交互:指向或扫视车辆内外的物体以获得指示参考。通过跟踪眼睛凝视、头部和手指的运动,我们设计了一个多模态融合架构,使用深度神经网络来精确识别驾驶员的参考意图。此外,我们使用语音命令作为触发器来分离每个引用事件。我们观察到两种指向用例(即内部和外部对象)中驱动程序行为的差异,特别是在分析三种模态眼睛,头部和手指的精确性时。我们的结论是,没有一种单一的方式,是唯一的最佳所有情况下,每一种方式揭示了一定的局限性。多模态的融合利用了每个模态的相关特性,从而克服了每个单独模态的情况依赖性限制。最后,我们提出了一种方法来识别驾驶员的参考对象是否位于车内或车外,根据预测的指向方向。
2022-02-15 cs.CV cs.HC
How are Drivers' Stress Levels and Emotions Associated with the Driving Context? A Naturalistic Study
了解和缓解驾驶员的负面情绪、压力水平和焦虑对于降低事故率和提高道路安全具有重要意义。虽然检测驾驶员的压力和负面情绪可以显着帮助实现这一目标,但了解驾驶员负面情绪和高压力水平的增加可能与什么有关,可能会更好地帮助规划干预措施。虽然研究为检测驾驶员的情绪和压力水平提供了重要的见解,但并没有多少研究关注压力水平和负面情绪变化背后的原因。在这项研究中,通过使用自然主义驾驶研究数据库,我们分析了驾驶场景的变化,包括道路物体以及自我车辆和领头车辆之间的动态关系,以及驾驶员心理生理指标的变化(即,心率(HR)和面部表情)。我们的研究结果表明,不同的道路对象可能与不同程度的增加驾驶员的HR以及不同比例的负面面部情绪检测通过计算机视觉。道路上的大型车辆,如卡车和公共汽车,与驾驶员的HR和负面情绪的增加量最高有关。此外,较短的距离和较高的标准偏差的距离领先的车辆与较高数量的突然增加的司机的人力资源,描绘了可能增加的压力水平。我们的发现表明,在高速驾驶时,更积极的情绪,更低的面部接触,以及HR的突然增加更低,这通常发生在高速公路环境中。这项研究共同表明,在高速公路上以更高的速度驾驶,避免某些道路物体,可能更适合让司机保持更平静,更积极的状态。
2022-06-11 cs.HC
Autonomous Vehicles Drive into Shared Spaces: eHMI Design Concept Focusing on Vulnerable Road Users
与传统的交通设计相比,共享空间促进了更舒适的城市环境,机动化速度更慢,交通更顺畅,拥堵更少。在可预见的未来,共享空间将由自动驾驶汽车(AV)和行人和骑自行车者等弱势道路使用者(VRU)组成。然而,无人驾驶汽车缺乏与VRU进行通信的方式,当它们必须达成协商协议时,这给交通的安全性和顺畅性带来了新的挑战。为了找到一个可行的解决方案,将自动驾驶汽车无缝集成到共享空间交通中,我们首先确定了共享空间设计没有考虑自动驾驶汽车作用的可能问题。然后,使用在线问卷询问参与者他们希望手动驾驶车辆的驾驶员如何与共享空间中的VRU进行通信。我们发现,当司机想给一些建议的VRU在谈判中,与会者认为,通过司机的身体行为的沟通是必要的。此外,当驾驶员向VRU传达关于她/他的意图和注意事项的信息时,参与者选择了与他们的交通模式(作为驾驶员,行人或骑自行车的人)相关的不同通信方法。这些结果表明,当原始驱动程序不存在时,新型eHMI可能对AV-VRU通信有用。因此,一个潜在的eHMI设计概念,提出了不同的VRU,以满足他们的各种期望。最后,我们进一步讨论了eHMI对改善共享空间和自动驾驶系统中的社会性的影响。
2021-09-23 cs.HC
Driver perceptions of advanced driver assistance systems and safety
高级驾驶员辅助系统(ADAS)通常用于汽车行业,以突出车辆安全性的创新改进。然而,目前尚不清楚某些自动化(例如,自适应巡航控制、车道保持、停车辅助)提高了我们的道路安全性。在本文中,我们调查了驾驶员对不同自动化系统/功能的ADAS的认识,使用,感知安全,知识,培训和态度。我们的在线调查结果(n=1018)显示,不同ADAS功能的使用频率和感知安全性存在显着差异。此外,我们发现至少70%的驾驶员在驾驶时“大部分或所有时间”都会激活ADAS功能,但我们发现至少40%的驾驶员报告说,ADAS在激活时经常会危及他们的安全。我们还发现,大多数受访者通过自己在道路上尝试来学习如何在车辆中使用ADAS,而不是通过任何正式的驾驶员教育和培训。这些结果可能反映了某些ADAS功能在默认情况下经常被激活,从而导致高使用率。这些结果还表明,缺乏驾驶员安全交互和操作ADAS的培训和教育,例如关闭系统/功能。这些发现有助于对当前ADAS的整体安全影响进行批判性讨论,特别是因为它们使更高级别的自动化功能能够在培训,监管和政策方面没有锁定响应的情况下悄悄进入个人车辆。
2021-09-23 cs.HC
Eye Contact Between Pedestrians and Drivers
当被问及时,大多数人认为,作为行人,他们在做出穿越决定时会与接近车辆的司机进行眼神交流。这项工作提供了证据,证明这种广泛持有的信念是错误的。我们这样做是为了表明,在大多数可能发生冲突的情况下,行人在通过挡风玻璃看到司机之前就开始过马路了。换句话说,我们能够绕过行人是否选择与司机进行眼神交流这个非常困难的问题,通过表明无论他们认为他们这样做与否,他们都不能。具体而言,我们表明,在代表性的照明条件下,超过90%的人无法确定驾驶员在15米处的注视,并且在30米处根本看不到驾驶员。这意味着,例如,给定25英里/小时的普通城市限速,超过99%的行人将在能够看到司机或司机的目光之前开始过马路。换句话说,从行人的角度来看,在涉及正在接近的车辆的大多数情况下,行人仅基于车辆的运动学做出横穿决定,而不需要通过明确地检测驾驶员的眼睛来确定进行了眼神接触。
2019-04-08 cs.HC
Using Automated Vehicle Data as a Fitness Tracker for Sustainability
本研究提出利用汽车CAN总线车载数据生成行程摘要,构建可持续性评估指标,帮助驾驶员理解驾驶习惯对可持续性的影响,并为未来控制器迭代奠定数据基础。
2024-04-05 cs.HC
Driver-Intention Prediction with Deep Learning: Real-Time Brain-to-Vehicle Communication
本研究利用深度学习通过EEG信号预测驾驶员意图,实现实时脑机通信,准确率达83.7%。
2026-01-08 cs.AI cs.ET cs.HC
From Spoken Thoughts to Automated Driving Commentary: Predicting and Explaining Intelligent Vehicles' Actions
University of Oxford(牛津大学);Umeå University(于默奥大学);University of Nottingham(诺丁汉大学);Oxford Robotics Institute(牛津机器人研究所)
在评论驾驶中,驾驶员用语言表达他们的观察,评估和意图。通过说出他们的想法,学习和专家驾驶员都能够更好地理解和意识到他们的周围环境。在智能车辆背景下,自动驾驶评论可以提供关于驾驶动作的可理解的解释,从而在具有挑战性和安全关键的场景中在驾驶操作期间帮助驾驶员或最终用户。在本文中,我们进行了一项实地研究,其中我们部署了一个研究车辆在城市环境中获取数据。在收集车辆周围环境的传感器数据时,我们使用有声思维协议从驾驶教练那里获得驾驶评论。我们分析了驾驶评论,发现了一种解释风格;司机首先宣布他的观察,宣布他的计划,然后做一般性的评论。他还发表了反事实的评论。我们成功地演示了如何使用透明的基于树的方法自动生成遵循这种风格的事实和反事实自然语言解释。为纵向行动生成解释(例如,停止和移动)被认为是更容易理解和合理的人类法官相比,横向行动,如车道变化。我们讨论了如何在未来建立我们的方法,以实现驾驶员辅助以及驾驶功能的部分和有条件自动化的更强大和有效的可解释性。
2022-06-04 cs.AI cs.CY cs.HC
Modelling and Detection of Driver's Fatigue using Ontology
ECE Paris School of Engineering(巴黎ECE工程师学院);LISV Laboratory(LISV实验室);Université de Versailles – Paris Saclay(凡尔赛大学-巴黎萨克雷大学)
道路交通事故已成为全世界八大死亡原因。很多这样的事故是由于司机的注意力不集中或缺乏重点,由于疲劳。多种因素导致驾驶员疲劳。本文考虑了反映驾驶员疲劳的所有可测量数据,即在驾驶时车辆可测量数据中表现出来的数据以及驾驶员的身体和生理数据。三个主要因素中的每一个都进一步细分为更小的细节。例如,车辆的数据由从方向盘角度、偏航角、车道上的位置以及车辆在移动时的速度和加速度获得的值组成。用于驾驶员疲劳检测的本体知识和规则将被集成到智能系统中,以便在检测到疲劳危险程度的第一个迹象时,向驾驶员发送警告通知。这项工作旨在促进道路安全驾驶。
2022-08-31 cs.AI cs.CY cs.HC
Risk assessment and observation of driver with pedestrian using instantaneous heart rate and HRV
Mississippi State University(密西西比州立大学);Nihon University(日本大学)
本研究在驾驶模拟器中引入行人动态,通过时域和频域心率分析对驾驶员进行风险评估,发现频域HR分析能有效评估驾驶员遇行人时的风险。
2024-02-10 cs.HC cs.RO
Modeling Drivers' Risk Perception via Attention to Improve Driving Assistance
Carnegie Mellon University(卡内基梅隆大学);Toyota Research Institute(丰田研究所)
针对 FCW 警报冗余问题,本文基于真实部署视频和驾驶员注视标注,利用反事实轨迹预测建模驾驶员风险感知,从而降低误报并改善预警时机。
2024-09-07 cs.HC cs.RO
Assessing Drivers' Situation Awareness in Semi-Autonomous Vehicles: ASP based Characterisations of Driving Dynamics for Modelling Scene Interpretation and Projection
German Aerospace Center (DLR)(德国航空航天中心);Institute for Systems Engineering for Future Mobility(未来出行系统工程研究所)
针对半自动驾驶中驾驶员需快速接管的情境,提出基于ASP的框架,结合场景与眼动数据建模情境意识的解释与预测,并通过ROS和HMI提供辅助,在模拟和真实驾驶中验证。
2023-08-30 cs.AI cs.HC cs.LO
Keep Calm and Relax -- HMI for Autonomous Vehicles
Osnabrück University(奥斯纳布吕克大学);Osnabrück University of Applied Sciences(奥斯纳布吕克应用科学大学)
针对自动驾驶汽车中后备驾驶员方案成本高且应急安全提升有限的问题,本研究通过文献综述探讨HMI与UI在提升乘客信任、调节情绪及应急安抚方面的潜力,构思低成本高效的人车交互方案以推动智能出行。
2024-08-16 cs.AI cs.CY cs.HC