Autonomes Fahren: Zwischen Ablenkung und Aufmerksamkeit

Die Automobilbranche wandelt sich rasant. Die ersten teilautonom fahrenden Autos bringen neben vielen Vorteilen bezüglich Sicherheit, Stauverminderung und Umweltverträglichkeit auch Probleme mit sich. Das Forschungsprojekt Ad Vitam u.a. mit der BFH Wirtschaft und der Universität Fribourg untersucht, wo es beim Zusammenspiel von Mensch und Maschine hakt.

Die Probleme beim (teil)-autonomen Fahren können technischer aber auch menschlicher Natur sein, wobei sich Forschende im Bereich der kognitiven Ergonomie speziell für die menschlichen Aspekte der Automatisierung interessieren. Dabei hat sich die internationale Forschung in diesem Bereich bisher mehrheitlich auf die intelligente Verarbeitung von Daten von Sensoren konzentriert, welche vom Fahrzeug nach Aussen gerichtet sind und die Umgebungssituation erfassen und analysieren.

Unser interdisziplinäres Konsortium von Wissenschaftler*innen aus den Bereichen Informatik, kognitive Neurowissenschaften und kognitive Ergonomie hingegen interessieren uns auch für die Situation im Inneren des Fahrzeugs und richten unsere Sensoren auf die fahrende Person. Mit dem Forschungsprojekt Ad Vitam zielen wir darauf ab, neuartige, kooperative Mensch-Fahrzeug-Interaktionen zu entwerfen, um die Überwachungs- und Eingriffsaufgaben des Menschen zu unterstützen und ein angenehmes sowie sicheres Fahrerlebnis zu ermöglichen.

Stufen der Automation von Fahrzeugen

Durch die Automatisierung des Fahrens ändert sich die Rolle des Menschen von der aktiven Bedienung des Fahrzeugs hin zur hauptsächlichen Überwachung des Systems, mit nur gelegentlicher Rücknahme der Kontrolle in spezifischen Notfallsituationen. Diesbezüglich lässt sich der Automatisierungsgrad anhand der SAE Norm J3016 definieren (SAE International, 2018; siehe Abbildung 1), welche in sechs Stufen einteilen lässt zwischen Stufe 0: keine Automation, beispielsweise beim VW Käfer bis zu Stufe 5: Vollautomation wie bei Waymo (das Google-Auto). Im Rahmen des Projekts Ad Vitam befassen wir uns mit Fahrzeugen der Automationsstufe 3 (bedingte Automation).

Abbildung 1. Sechstufige Eineilung des Autonomen Fahrens gemäss SAE International (Quelle: https://www.nhtsa.gov/technology-innovation/automated-vehicles-safety).

Spezielle Herausforderung sind Notfallsituationen

Die Kontrollübergabe in Notfallsituationen stellt eine grosse Herausforderung für das Zusammenspiel zwischen Mensch und Technologie dar. Ist eine Person nicht aktiv am Fahrgeschehen beteiligt, ist ihre Kenntnis der Fahrumgebung eingeschränkt – wir sprechen in diesem Kontext von einem reduzierten Situationsbewusstsein. Dies hat zur Folge, dass die fahrende Person die Kontrolle verzögert oder nicht adäquat übernehmen kann. Zudem ermöglicht die bedingte Automation, dass der Mensch während der Fahrt anderen Tätigkeiten nachgehen kann wie z.B. telefonieren, lesen oder fernsehen. Diese Tätigkeiten können eine Auswirkung auf den emotionalen und kognitiven Zustand der fahrenden Person haben, welche sich wiederum auf ihre Fähigkeit auswirken, die Kontrolle über das Fahrzeug in einer Notfallsituation zu übernehmen. Hier setzt das Forschungsprojekt Ad Vitam an: Wir versuchen anhand von psychophysiologischen Daten auf die Fähigkeiten und Möglichkeiten der Fahrerinnen und Fahrer zur Kontrollübernahme zurückzuschliessen und basierend auf diesen Informationen die Interaktion zwischen Fahrzeug und Mensch anzupassen. Bevor wir uns jedoch dieser wichtigen Aufgabe widmen konnten, mussten wir zuerst ergründen, welche kritischen Situationen auftreten können, die eine Kontrollübernahme des Menschen erfordern.

Einschränkungen von teilautonomen Fahrzeugen

Im ersten Schritt wurde eine Analyse der von den Herstellern in den Benutzerhandbüchern von autonom fahrenden Fahrzeugen der Stufe 2 beschriebenen Einschränkungen durchgeführt. Basierend auf dieser Analyse wurde eine Taxonomie erstellt, die sechs Hauptkategorien von Gefahren für Fahrzeuge der Automationsstufe 2 enthält (siehe Abbildung 2, Capellara et al. ,2019a):

  1. die Fahrzeugumgebung (schlechtes Wetter, Helligkeit),
  2. externe menschliche Faktoren (andere Verkehrsteilnehmer),
  3. die Art der Strasse (Kreuzungen, raue Strasse, enge Wegverhältnisse oder hügelige Strasse),
  4. der Zustand der Fahrbahn (Fahrbahnmarkierungen, Arbeitszone),
  5. temporäre Hindernisse und
  6. die Veränderung des Fahrzeugs (verstopfter oder defekter Sensor, Anhänger).

Abbildung 2. Einschränkungen autonom fahrender Fahrzeuge der Stufe 2 gemäss einer Analyse von Benutzerhandbüchern. Die linke Abbildung zeigt die Übersicht der sechs Kategorien der Taxonomie von Einschränkungen.

Verbessertes Bewusstsein für  Situationen

Da die fahrende Person während des autonomen Fahrens eine Nebenaufgabe ausführen könnte, besteht die Gefahr, dass dies einen Einfluss auf ihr Situationsbewusstsein hat. Ein weiterer Schwerpunkt des Projekts ist daher die Entwicklung von Mensch-Computer-Interaktionskonzepten, die das Bewusstsein der fahrenden Person für ihre Fahrumgebung erhöhen. Hierzu wurde eine mobile Anwendung entwickelt, die kontextbezogene Informationen über die Fahrumgebung auf den Bildschirm liefert, der zur Ausführung der sekundären Aufgabe verwendet wird (z. B. ein Smartphone oder Tablet, siehe Abbildung 3). Diese Anwendung ermöglicht es der fahrenden Person, potenzielle Gefahren auf der Strasse besser zu erkennen und bereitet sie darauf vor, im Falle von Gefahrensituationen die Kontrolle wiederzuerlangen. Darüber hinaus wurde ein im Sitz integriertes System von Vibrationen entwickelt, das gerichtet auf mögliche Gefahren in der Umgebung hinweist und so die Aufmerksamkeit der fahrenden Person erhöht. Die Wirksamkeit dieser Tools konnte in ersten Studien nachgewiesen werden und wird im Moment in weiteren Anwenderversuchen getestet (Meteier et al., 2021, Capellara et al., 2019b).

Abbildung 3. Darstellung kontextbezogener Informationen über die Fahrumgebung, um bei der Ausführung von Sekundäraufgaben auf mögliche Gefahren aufmerksam zu machen.

Simulator-Studien

In unserem stationären Fahrsimulator im Human Factors Lab an der Universität Fribourg (siehe Abbildung 4) durchgeführten Studien haben wir bisher über 350 Personen in einer bedingt automatisierten Fahrumgebung getestet. Dabei haben wir jeweils spezifische Fahrsituationen (z.B. mentale Beanspruchung, Ablenkung, Müdigkeit, Monotonie, Art der Gefahr etc.) simuliert und das Verhalten der fahrenden Person sowie psychophysiologische Indikatoren erfasst, die sich aus der Messung von Herzrate (mittels Elektrokardiogramms), Hautleitfähigkeit und Atmung ableiten lassen. Basierend auf diesem umfangreichen Datensatz versuchen wir mittels Künstlicher Intelligenz spezifische, für die Kontrollübernahme relevante Zustände des Menschen vorherzusagen, was uns für die meisten Fahrsituationen gut gelungen ist (z.B. Meteier at al., in press, Meteier, 2021, de Salis et al., 2021; Meteier et al., in review).

Abbildung 4. Stationärer Fahrsimulator des Human Factors Lab an der Universität Fribourg.

In einer der Simulator-Studien mussten die Fahrzeugführenden in fünf verschiedenen Situationen die Kontrolle über das Fahrzeug wiedererlangen, wobei jede dieser Situationen einer der oben beschriebenen Gefahren aufgrund von Einschränkungen autonom fahrender Fahrzeuge beinhaltete (Meteier et al., 2021). Die Ergebnisse zeigten, dass Personen, die vor der Fahrt über die Einschränkungen dieses Fahrzeugtyps informiert wurden, in kritischen Situationen ein besseres Bewusstsein für die Umgebung hatten. Ausserdem zeigen die Ergebnisse, dass die Nützlichkeit des Erhalts von Kontextinformationen über die oben beschriebene mobile Anwendung davon abhängt, welche Art von Sekundäraufgabe die fahrende Person ausführt (z.B. visuell oder auditiv).

Nächste Schritte und Implikationen

In einem nächsten Schritt untersuchen wir nun, wie wir die Interaktion des Fahrzeugs mit der fahrenden Person (z.B. auditive oder haptische Gestaltung des Alarmsignals) in Echtzeit anhand der Kenntnisse ihrer psychophysiologischen Daten optimiert werden können.

Basierend auf den Erkenntnissen aus diesem Forschungsprojekt können industrierelevante Richtlinien erstellt werden, wie multisensorische Interaktion im Auto eingesetzt werden und wie sie auf verschiedenen Aufmerksamkeitsebenen betrieben werden kann. Zudem ermöglicht das aus diesem Projekt resultierende physiologische Modell für das Fahren mit geteilter Kontrolle, Richtlinien zur Erhöhung der Sicherheit von teil-autonomen Fahrzeugen zu definieren, die von Automobilherstellern (und generell von Fahrzeugherstellern) übernommen werden könnten. Die Ergebnisse dieses Projektes können zudem behilflich sein, im Zusammenhang mit der zukünftigen Gesetzgebung zu definieren, welche Arten von sekundären Aufgaben die fahrende Person während des autonomen Betriebs des Fahrzeugs ausführen darf und welche nicht.


Referenzen

  1. Capallera, M., Meteier, Q., de Salis, E., Angelini, L., Carrino, S., Khaled, O. A., & Mugellini, E. (2019a). Owner Manuals Review and Taxonomy of ADAS Limitations in Partially Automated Vehicles. Proceedings of the 11th International Conference on Automotive User Interfaces and Interactive Vehicular Applications, 156–164. https://doi.org/10.1145/3342197.3344530
  2. Capallera, M., Meteier, Q., de Salis, E., Angelini, L., Carrino, S., Khaled, O. A., & Mugellini, E. (2019b). Secondary task and situation awareness, a mobile application for semi-autonomous vehicle. Proceedings of the 31st Conference on l’Interaction Homme-Machine, 1–10. https://doi.org/10.1145/3366550.3372258
  3. de Salis, E., Meteier, Q., Capallera, M., Angelini, L., Sonderegger, A., Abou Khaled, O., Mugellini, E., Widmer, M., & Carrino, S. (2021). Predicting takeover quality in conditionally automated vehicles using machine learning and genetic algorithms. In: Proceedings of the 4th International Conference on Intelligent Human Systems Integration (IHSI 2021), February 22-24, 2021, Virtual Event, Palermo PA, Italy.
  4. Meteier, Q., Capallera, M., Ruffieux, S., Angelini, L., Abou Khaled, O., Mugellini, E., Widemer, M., & Sonderegger, A., (in press). Classification of Drivers’ Workload Using Physiological Signals in Conditional Automation. Frontiers in Psychology, section Performance Science.
  5. Meteier, Q., Capallera, M., Sonderegger, A., de Salis, E., Angelini, L., Carrino, S., Abou Khaled, O. & Mugellini, E. (2021). Physiological Response, Situation Awareness and Takeover Quality of Drivers in Critical Situations of Conditionally Automated Driving. In: Proceedings of the AutomotiveUI ’21, September 13-14, 2021, Virtual Event, DC, USA.
  6. Meteier, Q., Capallera, M., de Salis, E., Sonderegger, A., Angelini, L., Carrino, S., Abou Khaled, O. & Mugellini, E. (2020). The Effect of Instructions and Context-Related Information about Limitations of Conditionally Automated Vehicles on Situation Awareness. In: Proceedings of the AutomotiveUI ’20, September 21–22, 2020, Virtual Event, DC, USA.
  7. Meteier, Q., Capallera, M., de Salis, E., Widmer, M., Abou Khaled, O., Mugellini & E. Sonderegger, A. (in review). Carrying a Passenger and Relaxation Before Driving: Classification of Young Drivers’ Physiological Activation.
  8. SAE International’s standard (n.d.). J3016: Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems, online: http://www.sae.org/misc/pdfs/automated_driving.pdf, accessed November 2016

Acknowledgement

Das Forschungsprojekt Ad Vitam wird von der Haslerstiftung im Rahmen des Förderprogramms ‘Cyber-Human Systems’ finanziert.

AUTOR/AUTORIN: Andreas Sonderegger

Andreas Sonderegger ist Professor an der Berner Fachhochschule Wirtschaft und Lektor an der Universität Fribourg. Er forscht und lehrt in den Bereichen Kognitive Ergonomie, Human-Computer Interaction sowie Arbeits- und Organisationspsychologie. Er ist Gründer und Inhaber von Youser GmbH, einer auf UX-Evaluation und -Konzeption spezialisierten Agentur. Vor seinem Wechsel an die BFH hat Andreas an der Universität Fribourg promoviert, in verschiedenen Stellen im Bereich Human Ressources gearbeitet und war ‘Head of UX Research’ am EPFL+ECAL Lab.

AUTOR/AUTORIN: Quentin Meteier

Quentin Meteier ist Doktorand der Informatik an der Universität Freiburg und wissenschaftlicher Mitarbeiter am Forschungsinstitut HumanTech, das an der Haute Ecole d'Ingénierie et d'Architecture de Fribourg (HEIA-FR) angesiedelt ist. Davor hat er einen Master-Abschluss in Robotik und eingebetteten Systemen an der University of Salford (Manchester, England) sowie einen allgemeinen Ingenieurabschluss an der ESTIA (Bidart, Frankreich) erworben.

PDF erstellen

Ähnliche Beiträge

1 Antwort

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.