Improving driver performance and safety with automated driving decision assistance system integrating intention and varied takeover time budget
Road traffic accidents result in painful loss of life and property. Drivers account for 94 % of vehicle crashes due to inaccurate understanding of a situation and decision making. In order to improve driver performance, driving decision assistance systems (DDAS) which are advanced driver assistance systems that provide warnings and maneuver suggestions to drivers have been in development. The suggestions are varied with respect to traffic scenarios including environmental constraints and surrounding vehicle constellations. This thesis first integrates reviews of contributions related to assisted and conditionally automated driving decision assistance systems and different contexts for providing assistance including driver behavior. These include, driver attention monitoring, driver maneuver intention recognition, automatic traffic context analysis. On-road and simulator studies implementing online decision assistance are analyzed and their limitations are specified. The reviewed contributions indicate that driving decision assistance research has evolved in the last few years especially in relation to interfaces. However, not many studies have adapted decision assistance to driver behavior despite the significant availability of driver behavior studies. The research gaps explored in this thesis include provision of decision assistance based on driver intention to change lanes and budgeting the time required for drivers to successfully transition from fully automated driving back to driving manually as
discussed subsequently.
Takeover requests are given by an automated driving system to a fallback-ready human driver when the limits of a fully automated driving system has been reached. Previous studies concluded that several interdependencies exists in relation to the time required for drivers to successfully takeover when a takeover request has been issued. When drivers experience successful takeovers, they tend to become inattentive leading to variations in takeover time and performance. Moreover, an early takeover request to driver is important for the avoidance of accidents. To evaluate these interdependencies between variables involved, different scenarios and non-driving related tasks are studied. The results significantly indicate that different types of scenarios require different time budgets depending on previous takeover experience. Drivers spend less time to takeover and perform better if perceived situations are more complex provided the time budget is sufficient to avoid accident. In addition, in highway scenarios with surrounding traffic, takeover time reduces at the expense of performance compared to highway with one junction and country road with more junctions. Furthermore situation awareness in
highway scenarios involving one junction for consideration at various speeds is higher than highway scenarios with surrounding traffic and country road with more junctions. Therefore, time budget should be varied to ensure sufficient time for takeover while also stimulating drivers to be attentive to an eminent takeover request.
Furthermore, this thesis integrates online intention-based lane change driving maneuver and takeover decision assistance system. Specifically, lane change to left and right and lane keep intentions are utilized to warn drivers of possible collision in assisted driving mode. The results of the intention-based assistance indicates improved performance for lane change to left and right maneuvers. On the other hand, after previously establishing the pattern of variation in takeover time required in different scenarios, it is important to quantitatively estimate the time sufficient for drivers to successfully perform takeovers. Therefore, various time budgets were investigated for suitability in different takeover scenarios. A pattern of identical time demand for highway with high speed and surrounding vehicles compared to country road with medium speed and more junctions is found. Based
on the obtained results and previously known relations between takeover variables, a first formal expression for computing time budget is proposed. The proposed approach is generalizable, integrates individual stimulus response time, driving experience, and scenario specific requirements and allows increased safety for takeover maneuvers in the context of conditionally automated driving.
Verkehrsunfälle führen zu schmerzhaften Verlusten von Leben und Eigentum. Fahrer sind für 94 % der Fahrzeugkollisionen verantwortlich, weil sie eine Situation nicht richtig einschätzen und keine richtigen Entscheidungen treffen. Um die Leistung des Fahrers zu verbessern, wurden Fahrentscheidungs-assistenzsysteme (DDAS) entwickelt, die dem Fahrer Warnungen und Fahrmanövervorschläge geben. Die Vorschläge werden in Bezug auf die Verkehrsszenarien einschließlich der Umgebungsbedingungen und der umgebenden Fahrzeugkonstellationen variiert. In dieser Arbeit wird zunächst ein Überblick über Beiträge im Zusammenhang mit assistierten und bedingt automatisierten Fahrentscheidungsassistenzsystemen und verschiedenen Kontexten für die Bereitstellung von Unterstützung einschließlich des Fahrerverhaltens integriert. Dazu gehören die Überwachung der Aufmerksamkeit des Fahrers, die Erkennung von Fahrmanöverabsichten und die automatische Analyse des Verkehrskontextes. Studien auf der Straße und im Simulator, die Online-Entscheidungsassistenz implementieren, werden analysiert und ihre Grenzen angegeben. Die rezensierten Beiträge zeigen, dass sich die Fahrentscheidungsassistenzforschung in den letzten Jahren weiterentwickelt hat, insbesondere in Bezug auf die Schnittstellen. Jedoch haben nicht viele Studien die Entscheidungsassistenz an das Fahrerverhalten angepasst, obwohl es eine große Anzahl von Studien zum Fahrerverhalten gibt. Zu den in dieser Arbeit untersuchten Forschungslücken gehören die Bereitstellung von Entscheidungsassistenz, die auf der Spurwechselabsicht des Fahrers basiert sowie die Budgetierung der Zeit, die der Fahrer benötigt, um erfolgreich vom vollautomatisierten Fahren zurück zum manuellen Fahren zu wechseln, wie anschließend diskutiert wird.
Übernahmeaufforderungen werden von einem automatisierten Fahrsystem an einen rückfallbereiten menschlichen Fahrer gegeben, wenn die Grenzen eines vollautomatisierten Fahrsystems erreicht sind. Frühere Studien kamen zu dem Schluss, dass mehrere Abhängigkeiten in Bezug auf die Zeit bestehen, die der Fahrer für eine erfolgreiche Übernahme benötigt, wenn eine Übernahmeaufforderung erteilt wurde. Wenn Fahrer erfolgreiche Übernahmen erleben, neigen sie dazu, unaufmerksam zu werden, was zu Schwankungen in der Übernahmedauer und -leistung führt. Außerdem erfordert die Unfallvermeidung eine frühzeitige Übernahmeaufforderung an den Fahrer. Um diese Interdependenzen zwischen den beteiligten Variablen zu evaluieren, werden verschiedene Szenarien und nicht fahrbezogene Aufgaben untersucht. Die Ergebnisse weisen deutlich darauf hin, dass verschiedene Szenarienarten abhängig von der bisherigen Übernahmeerfahrung unterschiedliche Zeitbudgets erfordern. Fahrer benötigen weniger Zeit für die Übernahme und erbringen bessere Leistungen, wenn die wahrgenommenen Situationen komplexer sind, vorausgesetzt, das Zeitbudget ist ausreichend, um einen Unfall zu vermeiden. Darüber hinaus reduziert sich in Autobahnszenarien mit Umgebungsverkehr die Übernahmezeit auf Kosten der Leistung im Vergleich zu Autobahnen mit einer Kreuzung und Landstraßen mit mehreren Kreuzungen. Außerdem ist das Situationsbewusstsein in Autobahnszenarien mit einer Kreuzung zur Berücksichtigung verschiedener Geschwindigkeiten höher als in Autobahnszenarien mit Umgebungsverkehr und Landstraßenszenarien mit mehreren Kreuzungen. Daher sollte das Zeitbudget variiert werden, um ausreichend Zeit für die Übernahme zu gewährleisten und gleichzeitig die Aufmerksamkeit der Fahrer auf eine bevorstehende Übernahmeaufforderung zu lenken.
Darüber hinaus wird in dieser Arbeit die Implementierung eines online-absichtsbasierten Spurwechsel-Fahrmanöver- und Übernahme-Entscheidungsassistenzsystems integriert. Insbesondere werden die Absichten zum Spurwechsel nach links und rechts sowie zum Halten der Fahrspur genutzt, um den Fahrer vor einer möglichen Kollision im assistierten Fahrmodus zu warnen. Die Ergebnisse der absichtsbasierten Assistenz zeigen eine verbesserte Leistung für die Spurwechselmanöver nach links und rechts. Nachdem zuvor das Muster der Variation der benötigten Übernahmezeit in verschiedenen Szenarien ermittelt wurde, ist es andererseits wichtig, die Zeit, die der Fahrer für eine erfolgreiche Übernahme benötigt, quantitativ abzuschätzen. Daher wurden verschiedene Zeitbudgets auf ihre Eignung in unterschiedlichen Übernahmeszenarien untersucht. Es wurde ein Muster identischen Zeitbedarfs für Autobahnen mit hoher Geschwindigkeit und umgebenden Fahrzeugen im Vergleich zu Landstraßen mit mittlerer Geschwindigkeit und mehreren Kreuzungen gefunden. Basierend auf den erhaltenen Ergebnissen und den bereits bekannten Beziehungen zwischen den Übernahmevariablen wird ein erster formaler Ausdruck für die Berechnung des Zeitbudgets vorgeschlagen. Der vorgeschlagene Ansatz ist generalisierbar, integriert individuelle Stimulus-Reaktionszeit, Fahrerfahrung und szenariospezifische Anforderungen und ermöglicht eine erhöhte Sicherheit für Übernahmemanöver im Kontext des bedingt automatisierten Fahrens.