Real-World Evaluation of the Impact of Automated Driving System Technology on Driver Gaze Behavior, Reaction Time and Trust
依赖于一定程度自主性的先进驾驶辅助系统(ADAS)的最新发展促使汽车行业和研究界研究它们可能对驾驶性能产生的影响。然而,到目前为止,大多数研究都是基于模拟环境。在这项研究中,我们调查了在现实驾驶场景中具有自动驾驶系统(ADS)功能的车辆中驾驶员的行为。我们分析了他们在两种不同的驾驶速度下对接管请求(TOR)的反应,同时从事非驾驶相关任务(NDRT)。从所进行的实验结果表明,驾驶员的反应时间的TOR,凝视行为和自我报告的信任自动化的NDRT的类型正在同时进行和驾驶员的反应时间和凝视行为的影响,另外取决于驾驶或车辆的速度在TOR的时间。
2021-06-14 cs.HC
Text a Bit Longer or Drive Now? Resuming Driving after Texting in Conditionally Automated Cars
本研究通过两项驾驶模拟器实验,考察认知需求、优先级和接管时间预算对驾驶员从自动驾驶收回控制权时任务交替策略的影响,发现接管策略选择受优先级和时间预算影响,且仅影响接管时机而非接管质量或NDRT参与度。
2024-08-09 cs.HC
Simulating vibration transmission and comfort in automated driving integrating models of seat, body, postural stabilization and motion perception
提出生物力学与感觉整合模型,实时模拟自动驾驶中座椅到头部振动传递,预测运动感知与运动病,以提升舒适性。
2025-03-26 cs.HC
Towards Context-Aware Modeling of Situation Awareness in Conditionally Automated Driving
该研究利用模拟驾驶中的生理、眼动和驾驶员特征等多模态数据,结合SHAP与LightGBM实时预测条件自动驾驶接管场景下的驾驶员情境意识。
2024-05-11 cs.HC
Using Eye-tracking Data to Predict Situation Awareness in Real Time during Takeover Transitions in Conditionally Automated Driving
态势感知(SA)对于在从自动驾驶到手动驾驶的过渡期间提高接管性能至关重要。尽管许多研究在驾驶任务期间或之后测量SA,但很少有研究试图在自动驾驶中实时的预测SA。在这项工作中,我们提出了预测SA在接管过渡期在有条件的自动驾驶使用眼动追踪和自我报告的数据。首先,树集成机器学习模型,命名为LightGBM(光梯度提升机),用于预测SA。其次,为了了解哪些因素影响SA以及如何影响SA,计算了LightGBM模型中各个预测变量的SHAP(SHapley Additive Explanations)值。这些SHAP值通过识别最重要的因素及其对SA的影响来解释预测模型,这通过特征选择进一步提高了LightGBM的模型性能。我们通过聚合三个性能指标(即,位置,距离和速度估计的车辆相对于自我车辆)的SA在重建模拟驾驶场景,33名参与者观看了32个视频,6个长度在1和20秒之间。仅使用眼动追踪数据,我们提出的模型优于其他选定的机器学习模型,具有0.121的均方根误差(RMSE),0.096的平均绝对误差(MAE),以及预测的SA和地面实况之间的0.719相关系数。该代码可在www.example.com上获得。我们提出的模型提供了重要的影响,如何监测和预测SA的实时自动驾驶使用眼动追踪数据。
2021-03-27 cs.HC
What Timing for an Automated Vehicle to Make Pedestrians Understand Its Driving Intentions for Improving Their Perception of Safety?
尽管自动驾驶系统已经被频繁使用,但在社会上仍然不受欢迎。为了提高自动驾驶汽车(AV)的普及,帮助行人准确理解驾驶意图,并提高他们与AV互动时的安全感被认为是有效的。因此,自动驾驶汽车应该在行人相互交流时向行人发送有关其驾驶意图的信息。然而,关于自动驾驶汽车如何向行人发送信息,需要回答以下问题:1)自动驾驶汽车在被行人注意到后,在什么时机让行人理解其驾驶意图?2)在被行人注意到后,自动驾驶汽车什么时候能让他们感到安全?13名参与者被邀请在实验中与手动驾驶的车辆和AV进行交互。参与者的视线信息和主观评价的理解驾驶意图,以及他们的安全感进行了收集。通过分析参与者对车辆的注视持续时间和主观评价,我们发现自动驾驶系统应该在0.5~6.5 [s]内使行人准确理解其驾驶意图,并在0.5~8.0 [s]内使行人在注视它时感到安全。
2020-06-12 cs.HC
Small Talk, Big Impact? LLM-based Conversational Agents to Mitigate Passive Fatigue in Conditional Automated Driving
Queensland University of Technology(昆士兰科技大学);Seeing Machines Ltd.(Seeing Machines有限公司)
本文研究了基于LLM的对话代理在条件自动化驾驶中缓解被动疲劳的效果,通过实验证明该代理能提升驾驶员警觉性,并揭示了用户对代理的偏好特征。
2026-03-17 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
Psychophysiological responses to takeover requests in conditionally automated driving
在SAE 3级自动驾驶中,从自动驾驶中接管控制会引起严重的安全问题,因为脱离车辆控制回路的驾驶员很难协商接管过渡。现有的研究接管过渡集中在驾驶员的行为反应接管请求(TORs)。作为补充,本探索性研究的目的是检查驾驶员的心理生理反应的TORS作为不同的非驾驶相关的任务(NDRT),交通密度和TOR的前置时间的结果。共招募了102名驾驶员,他们每个人都经历了8个接管事件在高保真固定基地驾驶模拟器。在两个阶段中记录并分析驾驶员的注视行为、心率(HR)活动、皮肤电反应(GSR)和面部表情。首先,在自动驾驶阶段,我们发现驾驶员的心率变异性较低,水平凝视分散度较窄,当他们相对于低水平的认知负荷具有高水平的认知负荷时,眼睛在路上的时间较短。第二,在接管过渡阶段,4s的前置时间导致抑制眨眼数和更大的最大和平均GSR相位激活相比,7s的前置时间,而高交通密度导致增加HR加速模式比轻交通密度。我们的研究结果表明,心理生理措施可以指示特定的内部状态的驱动程序,包括他们的工作量,情绪,注意力,并在一个连续的,非侵入性的和实时的方式情况意识。这些发现为在自动驾驶中使用心理生理测量的价值以及未来在驾驶员监控系统和自适应警报系统中的应用提供了额外的支持。
2020-10-06 cs.HC
Fatigue and mental underload further pronounced in L3 conditionally automated driving: Results from an EEG experiment on a test track
本研究通过测试跑道脑电图实验发现,L3级自动驾驶相比L2和手动驾驶导致驾驶员精神负荷降低、嗜睡增加,表明疲劳和负荷不足是L3驾驶的关键问题,需在AV界面设计中考虑。
2024-05-28 cs.HC
AV-TLX for measuring (mental) workload while driving AVs: Born from NASA-TLX but developed for the era of automated vehicles
本研究提出AV-TLX,一种专为L3级自动驾驶设计的工作负荷测量工具,通过文献综述和定性开发,经模拟器验证具有高信度(0.86)和效度,支持总体及分维度评估。
2025-03-26 cs.HC
Importance of Instruction for Pedestrian-Automated Driving Vehicle Interaction with an External Human Machine Interface: Effects on Pedestrians' Situation Awareness, Trust, Perceived Risks and Decision Making
与手动驾驶车辆(MV)相比,自动驾驶车辆在与行人互动时缺乏通过驾驶员与行人沟通的方式,因为驾驶员通常不参与驾驶任务。因此,外部人机界面(eHMI)可以被视为一种新颖的显式通信方法,用于在行人需要在交互中协商时向行人提供自动驾驶车辆(AV)的驾驶意图,例如,相遇的场景然而,eHMI可能无法保证行人将完全识别AV的意图。在本文中,我们提出,eHMI的基本原理的指导可以帮助行人正确理解驾驶意图并预测AV的行为,从而他们的主观感受(即,危险感、对AV的信任感和解脱感)和决策也得到改善。交叉路口场景中的交互实验结果表明,与遇到MV时相比,当他们遇到AV w/o eHMI时,参与者更难意识到情况;此外,参与者的主观感受和决策犹豫也显着恶化。当在AV中使用eHMI时,参与者对AV w/ eHMI的情景感知、主观感受和决策都得到了改善。在指导之后,参与者更容易理解驾驶意图并预测AV w/ eHMI的驾驶行为。此外,与决策相关的主观感受和犹豫得到改善,并达到与MV相同的标准。
2021-05-31 cs.HC
A Meaningful Human Control Perspective on User Perception of Partially Automated Driving Systems: A Case Study of Tesla Users
本研究以特斯拉FSD Beta用户访谈数据为基础,考察有意义的人类控制与用户安全感和信任之间的一致性,发现系统对用户驾驶理由的追踪与感知安全信任相关,但在危险情境中追踪失败始终导致低信任和不安全感,为设计安全可信的自动驾驶系统提供依据。
2025-07-18 cs.HC
Real-time Trust Prediction in Conditionally Automated Driving Using Physiological Measures
在驾驶员和自动驾驶汽车(AV)之间的交互过程中,信任校准是一个主要挑战。为了校准信任,实时的测量驾驶员的信任是重要的。一种可能的方法是通过使用机器学习模型和生理测量对其动态变化进行建模。本文提出了一种基于机器学习模型的技术,利用实时的生理测量来预测驾驶员对条件自动驾驶汽车的动态信任。我们在驾驶模拟器中进行了这项研究,参与者被要求在三种情况下从自动驾驶中接管控制权,包括控制条件,错误警报条件,错过条件以及不同场景中的八个接管请求(TORs)。在实验过程中记录了驾驶员的生理指标,包括皮肤电反应(GSR)、心率(HR)指数和眼动跟踪指标。使用五种机器学习模型,我们发现极限梯度提升(XGBoost)表现最好,能够实时的预测驾驶员的信任度,f1得分为89.1%。我们的研究结果提供了很好的启示,如何设计一个车载信任监测系统,以校准驾驶员的信任,以促进驾驶员和AV之间的实时的。
2022-12-01 cs.HC
Influences on Drivers' Understandings of Systems by Presenting Image Recognition Results
帮助驾驶员对二级自动驾驶系统有适当的理解,以保持驾驶安全至关重要。提出了一种人机界面(HMI),用于将自动驾驶系统的图像识别结果实时的呈现给驾驶员。预计驾驶员可以通过观察建议的HMI更好地了解系统的功能。驾驶模拟器实验与18名参与者进行了评估所提出的系统的有效性。实验结果表明,所提出的HMI可以有效地通知驾驶员的潜在风险,并帮助驾驶员更好地了解2级自动驾驶系统。
2021-06-25 cs.HC
Multidimensional Assessment of Takeover Performance in Conditionally Automated Driving
该研究通过驾驶模拟器实验从三维度评估有条件自动驾驶下的接管性能,用XGBoost模型验证了态势感知和剩余认知容量对接管性能的不同影响,为人车交互优化和自动驾驶系统设计提供参考。
2025-07-31 cs.HC
Familiarization tours for first-time users of highly automated cars: Comparing the effects of virtual environments with different levels of interaction fidelity
航空和驾驶方面的研究强调了培训的重要性,培训是降低自动化系统中人类监督角色相关成本的有效方法。然而,只有少数研究调查了行程前熟悉之旅对高度自动化驾驶的影响。在本研究中,驾驶模拟器实验比较了四个熟悉组,控制,视频,低保真虚拟现实(VR),高保真VR的自动化信任和驾驶性能在几个关键和非关键的过渡任务的有效性。结果显示,在第一次测量时,熟悉之旅对信任、接管和递回绩效有积极的影响。只有在高保真VR中进行练习时,接管质量才会提高。在三次暴露于过渡请求之后,所有组的信任和过渡表现都收敛到高保真VR组的信任和过渡表现,这表明:a)在培训期间经历自动化故障可能会降低与高度自动化驾驶中的首次故障相关的成本; b)具有高水平交互保真度的VR游览优于其他类型的熟悉游览,以及c)未受教育和教育程度较低的驾驶员通过体验来了解自动化。这项研究所产生的知识可以帮助经销商和汽车租赁中心开发高自动化车辆的成本效益熟悉之旅。
2020-02-19 cs.HC
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
Analysis of Truck Driver Behavior to Design Different Lane Change Styles in Automated Driving
Institute of Industrial Science, The University of Tokyo(东京大学工业科学研究所);Hino Motors, Ltd.(日野汽车公司)
车道变换是一项非常苛刻的驾驶任务,许多交通事故都是由错误的操纵引起的。自动变道系统有可能减少驾驶员的工作量并提高驾驶安全性。一个挑战是如何提高驾驶员对自动化系统的接受度。从人为因素的角度来看,具有不同风格的自动化系统将提高用户的接受度,因为驾驶员可以根据不同的驾驶情况调整风格。通过对卡车驾驶员行为的分析和建模,提出了一种自动驾驶中不同换道方式的设计方法。在卡车驾驶模拟器上进行了12名驾驶员的实验,以识别驾驶员模型参数,并将三种换道风格分为激进,中等和保守的。建议的自动变道系统进行了评估的另一个卡车驾驶模拟器实验与相同的12个参与者。此外,不同的驾驶风格对驾驶员的经验和接受的影响进行了评估。评价结果表明,驾驶员能够区分不同的换道方式,驾驶员对三种换道方式的安全性评价总体上都是可以接受的,驾驶员对三种换道方式的评价是可靠的。这项研究为设计具有不同驾驶风格的自动驾驶系统提供了见解,研究结果可以应用于商业自动驾驶卡车。
2020-12-30 cs.HC cs.RO cs.SY
Human-Vehicle Cooperation on Prediction-Level: Enhancing Automated Driving with Human Foresight
为了最大限度地提高安全性和驾驶舒适性,自动驾驶系统可以从实施考虑不同潜在场景发展的前瞻性行动选择中受益。虽然人工场景预测方法正在取得快速进展,但细心的人类驾驶员仍然能够识别系统没有充分考虑的相关背景特征,或者人类驾驶员可能对系统适当对待它们的能力缺乏信任。我们实现了一种方法,可以让人类驾驶员通过凝视快速直观地为自动驾驶系统补充场景预测。我们说明了这种方法的可行性,在现有的自动驾驶系统中运行的模拟器中的各种方案。此外,设计并集成了一个图形化的用户界面(GUI),以增强系统的可信性和可解释性。利用这种协作增强的场景预测有可能提高系统的预见驾驶能力,并使自动驾驶更加可信,舒适和个性化。
2021-06-14 cs.HC cs.RO
Examining the Effects of Emotional Valence and Arousal on Takeover Performance in Conditionally Automated Driving
University of Michigan(密歇根大学);University of Michigan-Dearborn(密歇根大学迪尔伯恩分校);State Farm Mutual Automobile Insurance Company(州立农场相互汽车保险公司)
在有条件自动驾驶中,驾驶员很难进行接管过渡,因为他们越来越与驾驶的操作层面脱钩。影响收购绩效的因素,如收购前置时间和非驾驶相关任务的参与,在过去已经研究过。然而,尽管情绪在人机交互和手动驾驶中发挥着重要作用,但人们对情绪如何影响驾驶员的接管性能知之甚少。因此,本研究探讨了情绪效价和唤醒对有条件自动驾驶中驾驶员接管及时性和质量的影响。我们对32名参与者进行了驾驶模拟实验。播放电影片段进行情绪诱导。研究人员要求具有不同情绪效价和唤醒水平的参与者从自动驾驶中接管控制权,并分析了他们的接管时间和质量。结果表明,积极的效价导致更好的接管质量的形式,一个较小的最大产生的加速度和一个较小的最大产生加加速度。然而,高唤醒并没有在接管时间上产生优势。本研究通过展示情绪效价和唤醒如何影响接管绩效,为文献做出了贡献。积极情绪的好处从手动驾驶延续到有条件自动驾驶,而唤醒的好处则没有。
2020-01-13 cs.AI cs.CY cs.HC
Predicting Multitasking in Manual and Automated Driving with Optimal Supervisory Control
University of Jyväskylä(于韦斯屈莱大学);Leipzig University(莱比锡大学)
针对驾驶中交互技术分散注意力的风险,提出基于最优监督控制理论的计算认知模型,可预测不同自动化程度下的驾驶员多任务行为,经两个实证数据集验证有效,为相关研究提供洞见。
2025-03-23 cs.AI cs.HC cs.LG
TUM Teleoperation: Open Source Software for Remote Driving and Assistance of Automated Vehicles
Institute of Automotive Technology Technical University of Munich(汽车技术研究所慕尼黑技术大学)
针对现有开源软件无法同时结合自动驾驶车辆远程驾驶与远程辅助及实车测试的空白,提出一种模块化开源远程操作软件栈,支持与Autoware等自动驾驶软件交互及多平台集成,并在仿真和真实环境中验证了其延迟与性能。
2025-06-16 cs.HC cs.RO cs.SE
Predicting Driver Takeover Time in Conditionally Automated Driving
The University of Michigan(密歇根大学);University of Pittsburgh(匹兹堡大学);University of Michigan(密歇根大学)
在条件自动驾驶中确保安全的接管过渡是非常重要的。量化安全接管过渡的关键因素之一是接管时间。以往的研究确定了许多因素对接管时间的影响,如接管前置时间,非驾驶任务,接管请求(TORs)的方式,和场景的紧迫性。然而,目前还缺乏同时考虑这些因素来预测收购时间的研究。为此,我们使用了极限梯度提升(XGBoost)来预测接管时间,使用的数据集来自荟萃分析研究[1]。此外,我们使用SHAP(SHapley Additive exPlanation)来分析和解释预测因子对收购时间的影响。我们确定了七个最关键的预测因子,这些因子导致了最佳的预测性能。研究了它们对接管时间的主效应和交互效应。实验结果表明,该方法具有良好的性能和可解释性。我们的研究结果对车载监控和警报系统的设计有影响,以促进驾驶员和自动驾驶汽车之间的互动。
2021-07-20 cs.HC cs.LG cs.RO
Linking Behaviour and Perception to Evaluate Meaningful Human Control over Partially Automated Driving
Centre for Meaningful Human Control(有意义的人控中心);Department of Cognitive Robotics(认知机器人学系);Department of Transport & Planning(交通与规划系);Department of Intelligent Systems(智能系统系);Delft University of Technology(代尔夫特理工大学)
研究通过模拟实验探讨部分自动化驾驶系统中驾驶员对有意义人机控制(MHC)的体验,发现感知自动化车辆理解驾驶员与转向扭矩冲突存在显著负相关,且反应时间与控制感知存在正相关,提示未来设计需注重驾驶员干预的顺畅性、自动化意图的透明传达及情境敏感的权限分配。
2026-10-08 cs.AI cs.CY 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
An Approach to Systematic Data Acquisition and Data-Driven Simulation for the Safety Testing of Automated Driving Functions
Stuttgart Media University(斯图加特媒体大学);Fraunhofer-Gesellschaft e.V.(弗劳恩霍夫协会);Fraunhofer EMI(弗劳恩霍夫应用信息技术研究所);Fraunhofer IVI(弗劳恩霍夫交通与基础设施系统研究所);Fraunhofer IOSB(弗劳恩霍夫光学、微系统和图像处理研究所);GOTECH GmbH(高泰克有限公司);Technische Universität München(慕尼黑工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);understandAI GmbH(安代人工智能有限公司);Porsche Engineering Group GmbH(保时捷工程集团有限公司)
针对自动驾驶安全测试中真实数据不足的问题,提出系统化采集公共道路交通数据、统一表示并自动参数化交通行为模型的方法,以支持数据驱动的虚拟验证。
2024-05-02 cs.AI cs.CV cs.HC