Tango

Erster Blogbeitrag

Dies ist dein erster Beitrag. Klicke auf den Link „Bearbeiten“, um diesen zu bearbeiten oder zu löschen, oder beginne einen neuen Beitrag. Wenn du möchtest, kannst du deinen Lesern in diesem Beitrag mitteilen, warum du diesen Blog begonnen hast und was du damit vorhast.

Beitrag veröffentlichen

Fahrerbeobachtung

Systemkomponente


Die CanControls GmbH entwickelt im Rahmen des Projektes die Fahrerbeobachtung mit Hilfe von Innenraumsensorik in Form von Nearinfrared (NIR) und Time-of-flight (ToF) Kameras und stellt damit Merkmale zur Einschätzung des Fahrerzustandes der Fahrermodellierung zur Verfügung. Die Merkmale der Mimik- und Körperanalyse werden fusioniert um auf Aktivitäten des
Fahrers schließen zu können.

Bild: Gesichtsmerkmale und Heatmap der Blickrichtung

Gesichtsmerkmale
Das Gesicht verrät viel über den inneren Zustand eines Menschen. Der Fahrer wird daher mit zwei NIR Kameras beobachtet um eine Vielzahl von Merkmalen bei einer hohen Verfügbarkeit erfassen zu können. Dabei handelt es sich um äußerliche Merkmale wie die Gesichtsform und -Position, Augen- und Mundöffnung sowie Blickrichtung, aber auch um die Zuordnung der Mimik zu Action Units nach dem Facial Action Coding System (FACS).

Körperposenschätzung
Die Analyse der Körperpose erfolgt auf Basis eines ToF Tiefensensors. Dieser liefert eine Tiefenkarte, welche als 3D-Punktwolke interpretiert werden kann und mit Hilfe von Convolutional Neural Networks ausgewertet wird.

Gestenerkennung
Basierend auf der detektierten Handposition sowie der im Tiefenbild zuverlässig segmentierbaren Handform können grundlegende Steuersignale in Form von Gesten als Eingabemodalität genutzt werden. Diese setzen sich zusammen aus dynamischen Wischgesten und statischen Handformgesten.

Zuordnung von Aktivitäten
Die Kenntnis darüber, wohin der Fahrer schaut, wohin er greift oder mit welchem Gegenstand er interagiert ermöglicht eine Einschätzung seiner gerade ausgeführten Tätigkeit und so eine Zuordnung zu relevanten Anwendungsfällen.

Bild: Körperposenschätzung

Fahrermodell

Systemkomponente


Das Wissen über den aktuellen Fahrerzustand kann der Absicherung und Verbesserung des Nutzererlebnisses von automatisierten Fahrfunktionen dienen. So ist es für den Fahrer notwendig, bei teilautomatisierter Fahrt die Straße und Automatisierungsfunktion zu überwachen. Einschränkungen können durch Ablenkung bei der Beschäftigung mit Nebenaufgaben entstehen. Bei höheren Automatisierungsgraden besteht die Gefahr, dass Fahrer durch monotone Fahrten und aufkommende Müdigkeit schlechter in der Lage sind, die Fahraufgabe nach der Fahrt zu übernehmen. Ziel der Fahrermodellierung ist es, anhand verfügbarer fahrerbezogener Messgrößen, z.B. aus der Fahrerbeobachtung mit Innenraumkameras, solche Einschränkungen des Fahrerzustands zu erkennen und so eine bedarfsgerechte Assistenz zu ermöglichen.

Bild: Verarbeitungskette und Integration der Fahrermodellkomponente

Die Entwicklung von Algorithmen zur Fahrerzustandsschätzung erfolgt auf Grundlage der im Rahmen von TANGO erhobenen Versuchsdaten. In der Verarbeitungskette angefangen von den Basissignalen der Fahrerbeobachtung bis hin zur Klassifikation des Fahrerzustands finden sich mehrere Verarbeitungsschritte, beispielsweise zur fahrerindividuellen Signalnormalisierung (obere Abbildung). Neben klassischen Verfahren zur Fahrerzustandsklassifikation wie der prozentualen Verteilung der Blicke auf die Straße (PRC, Percentage Road Center, untere Abbildung) kommen auch statistische Klassifikationsverfahren zum Einsatz, beispielsweise Verfahren auf Basis von tiefen neuronalen Netzen zur Blickbereichsschätzung.

Bild: Blickverteilung bei Fahrten mit und ohne visueller Nebenaufgabe (Kreis: 15° Road Center)

 

Umfeldmodell

Systemkomponente


Im Allgemeinen setzt sich eine Fahrsituation aus dem Zusammenspiel von Fahrer, Umwelt und Fahrzeug zusammen. Im Umfeldmodell wird unter anderem eine Bewertung der Fahrsituation nach ihrer Kritikalität auf Basis vorhandener Informationen vorgenommen. Das Zusammenspiel der einzelnen unterschiedlichen Kriterien aus Fahrdynamik, Umwelt, Verkehrsumfeld und Fahrzeugzustand ergibt dann die Gesamtkritikalität einer Fahrsituation (siehe Bild).

Die Kritikalität der aktuellen, aber auch der prädizierten Fahrsituation bestimmt die notwendige Fahreraufmerksamkeit. Zusätzlich können auch Aussagen über die Wahrscheinlichkeit einer Systemgrenze für automatisierte Fahrfunktionen gemacht werden und bereits früher die Fahrstrategie an die jeweilige Situation angepasst werden. Die Übergabe der Fahraufgabe an den Fahrer ( Take-Over Request [TOR] ) könnte vermieden werden oder aber eine konservativere Aufmerksamkeitswarnung an den Fahrer bei teilautomatisierter Fahrt (SAE L2) erfolgen.

Bild: Verarbeitungskette und Integration der Fahrermodellkomponente

In der ersten Integrationsstufe der Kritikalität in das Gesamtsystem werden im Umfeldmodell vorhersehbare Ereignisse wie verfügbare Spurinformationen, Verkehrsdichte und Einscherer auf die eigene Fahrspur sowie das Schadenspotenzial bei einem möglichen Unfall betrachtet. Über die Verkehrsdichte lässt sich zum Beispiel eine Aussage treffen, wie stark frequentiert die jeweiligen Fahrspuren sind. Hier liegt die Überlegung zugrunde, dass ein hoher Verkehrsfluss bei entsprechender Geschwindigkeit potentiell eher zu einer kritischen Fahrsituation führen kann. Umgekehrt kann aber auch geringer Verkehr die Monotonie des Fahrens vergrößern.

Eine gewichtete Kritikalitätsbewertung dieser jeweiligen Unterfaktoren wird anschließend vom Umfeldmodell ans Fahrermodell gesendet und dort mit weiteren Informationen aus der Fahrerbeobachtung verwendet, um Empfehlungen zur Fahrstrategie und der Interaktion zum Fahrer zu geben.

Aufmerksamkeits- & Aktivitätenassistent

Systemkomponente


Der Aufmerksamkeit- und Aktivitätenassistent (AAA) stellt das zentrale Element des TANGO -Gesamtsystems dar. Er koordiniert die Signale der einzelnen Komponenten (Fahrermodell, Umfeldmodell, HMI, Fahrereingaben) und leitet daraus Handlungsempfehlungen und Systemreaktionen ab. Abhängig von den Eingangssignalen triggert der AAA Entscheidungen, sendet Botschaften an die anderen Komponenten und interagiert mit dem Fahrer. Der AAA adressiert die folgenden Use-Cases, die während der Fahrt auftreten können, und deren spezifisches Zeitverhalten:

Ablenkungserkennung

  • Wie lange darf der Fahrer den Blick vom Fahrgeschehen abwenden bevor eine Warnung ausgesprochen wird?
  • Wie reagiert das System auf andauernde Unaufmerksamkeit?
  • Ab wann steht die Assistent Plus (SAE L2) System nicht mehr zur Verfügung?

Prävention von Monotonie

  • Wie oft und wann werden Empfehlungen zur Ausübung von Nebentätigkeiten ausgesprochen?
  • Wie wird reagiert, wenn der Fahrer nicht oder ablehnend reagiert?

Pausenempfehlungen und Routenanpassung bei Änderung der Verkehrslage

  • Wann und wie often werden Pausen aufgrund geänderter Verkehrslage und sinkender Aufmerksamkeit des Fahrers vorgeschlagen?

Müdigkeitserkennung und -prävention

  • Wie oft warnt der AAA vor steigendem Müdigkeitslevel?
  • Welche Nebentätigkeiten werden angeboten um die Müdigkeit zu reduzieren?
  • Pausenempfehlung: Pause als einzig nachgewiesene Methode zur Müdigkeitsreduzierung.
Eingangs- und Ausgangssignale des Aufmerksamkeits- und Aktivitätenassistenten

Für jeden dieser Use-Cases wurde eine entsprechende Eskalationstrategie entwickelt. Am Beispiel der Ablenkungserkennung stellt sich dies folgendermaßen dar:
Use-Case: Ein Fahrer wird bei teilautomatisierter Fahrt (SAE L2) wiederholt als abgelenkt erkannt.
Eskalationskaskade:

  1. Ablenkungswarnung
  2. Empfehlung zum Wechsel in ein höheres Automatisierungslevel (z. B. SAE L3)
  3. Ablehnung durch den Fahrer
  4. Triggern eines Take-Over Requests
Beispiel der Eskalationskaskade einer Ablenkungswarnung durch den Aufmerksamkeits- und Aktivitätenassistent

Aus Fahrersicht besteht die Hauptfunktionalität des AAA in der Kommunikation mit der Komponente HMI, da hierrüber Hinweise, Warnungen und Empfehlungen ausgegeben werden, sowie die vom AAA getroffenen Entscheidungen mitgeteilt werden. Aus Systemsicht stellt der AAA jedoch den zentralen Knotenpunkt für alle Komponenten dar. Der AAA verarbeitet alle Eingangssignale durch eine State-Machine in der auch die Prioritäten der unterschiedlichen Use-Cases abgebildet sind. Entsprechend der hinterlegten Logik löst der AAA situationsangepasst Aktionen der angeschlossenen Komponenten aus (Ablenkungswarnung, Pausenempfehlung, Information über die Verfügbarkeit eines anderen Automatisierungslevels, Einleitung eines Safe Stop). Dadurch, dass der AAA auch die Fahrereingaben überwacht, reagiert er immer angepasst auf das aktuelle Fahrerverhalten und wählt den angemessensten Kommunikationskanal zur Interaktion mit dem Fahrer.

Nutzerzentriertes Human-Machine-Interface

Systemkomponente


Das Gesamtziel des Vorhabens TANGO ist die Verbesserung des Nutzererlebnisses und der Akzeptanz von automatisierten Fahrfunktionen im Lkw. Dazu wurde ein neuartiges nutzerzentriertes HMI- und Cockpitkonzept entwickelt, welches sowohl die eigentliche Automatisierung, den Aufmerksamkeits- und Aktivitätsassistenten (AAA) sowie alle fahrzeugspezifischen Funktionen miteinander kombiniert.

Erlebbar ist das holistische HMI über eine Kombination aus visuellen, akustischen und haptischen Elementen, die dem Fahrer transparent und in Echtzeit den aktuellen Systemstatus und fahrzeugspezifische Informationen vermitteln. Die Bedien- und Anzeigeoberflächen des Lkws bestehen aus Cluster (Kombiinsturment), Headunit und einem zusätzlichem Tablet, das sich erst beim automatisierten Fahren nach SAE L3 vollständig aktiviert und dann zusätzliche Funktionen und Nebentätigkeiten anbietet. In dieser Phase dürfen Fahrer Nebentätigkeiten durchführen und dabei kann das Tablet auch aus der Halterung genommen werden.

Ein essentieller Bestandteil des HMIs ist der AAA, welcher als eine Art virtueller Beifahrer als Avatar mit dem Fahrer interagiert. Während der iterativen Entwicklung wurden unterschiedliche Ausprägungen des Avatars implementiert und untersucht. Es kamen sowohl abstrakte Icons als auch menschlich wirkende Avatare zum Einsatz.

Am Ende wurde ein abstrakter animierter Avatar ausgewählt. Außerdem wurden unterschiedliche sprachliche Charakterzüge für sicherheitskritische Aussagen (eher forsch) und Empfehlungen für Nebentätigkeiten (eher freundlich) umgesetzt.

Kombiinstrument, Headunit und Tablet des automatisierten Lkws

Die Fahrer haben zudem die Möglichkeit, Häufigkeit und Komplexität der Interaktion mit dem System zu konfigurieren, wobei sich dabei die Art bzw. Modalität der Ausgabe den Wünschen des Nutzers anpassen lässt. Sicherheitsrelevante Informationen werden jedoch stets an den Fahrer durchgestellt.

Hinsichtlich der automatisierten Fahrfunktion ist ein multimodales HMI Konzept für die transparente Übermittlung von Systemstatus und Zustandsübergängen essentiell. Der Fahrer kann bei Vorliegen geeigneter Bedingungen (Zone, in der automatisiertes Fahren möglich ist) selbständig die Fahraufgabe über spezielle Bedienelemente an die Automatisierung übergeben oder wieder aufnehmen. Außerdem gibt es systemgenerierte Events, die ein sofortiges Eingreifen des Fahrers erfordern und die durch das HMI eindeutig signalisiert und ermöglicht werden müssen (z.B. am Ende einer automatisierten Fahrtstrecke).

Mit Nutzertests konnte gezeigt werden, dass die gleichzeitige Verfügbarkeit einander funktional sehr ähnlicher automatisierter Fahrfunktionen (SAE L2 und SAE L3) zur Verwechslung beim Fahrer (sogenannte „Mode Confusion“) führen können. Daher ist der Systemstatus (System L2/L3 aktiviert vs. deaktiviert) für den Fahrer neben der Übernahmeaufforderung die wichtigste Information. Neben den Anzeigen in den Displays wurde daher zusätzlich ein Lichtband installiert, das je nach Status (SAE L2/3 und manuelle Fahrt) in verschiedenen Farben leuchtet.

Die Anzeige der Verfügbarkeitsdauer der automatisierten Fahrfunktionen ermöglicht ein vorausschauerndes Fahrerverhalten und es werden außerdem Informationen übermittelt, was das Fahrzeug aktuell sieht, plant und funktionsseitig ausführen kann.

Ein weiteres Nutzerbedürfnis stellt das Design der Innenkabine dar, welches auf potentiell neue Nebenaufgaben und Anforderungen des zukünftigen Fahrerarbeitsplatzes eingeht. Dazu wurden ein erweitertes Displaykonzept, ein beweglicher Fahrersitz, ein neuartiges Tischkonzept sowie die Interaktion über Sprache und Gestik in das Interieur integriert.

Bild: Visualisierung des Interfaces eines abstrakten und eines menschlich animierten Avatars

Fahrerbeanspruchung bei unterschiedlichen Nebenaufgaben & Automatisierungsleveln

Fahrsimulatorstudie MAN2017a

Mit steigendem Automatisierungslevel verlagert sich das Aufgabenfeld des Fahrers von der Ausführung der Fahraufgabe hin zu einer Rolle des Überwachers oder sogar zum passiven Insassen. Dies geht mit einer Reduktion der mentalen Beanspruchung des Fahrers einher (de Winter, Happee, Martnes & Stanton, 2014). Auf der anderen Seite ist mit einer Erhöhung der Beanspruchung zu rechnen, sobald der Fahrer die dadurch freigewordenen Ressourcen dafür nutzt, um sich Nebenaufgaben zuzuwenden. Gerade in der teil- (SAE L2) und hochautomatisierten Fahrt (SAE L3) muss jedoch gewährleistet werden, dass der Fahrer jederzeit in der Lage ist, die Fahraufgabe sofort bzw. kurzfristig vom System zu übernehmen. Er darf demnach weder über- noch unterbeansprucht sein. Daher ist es von besonderer Wichtigkeit zu erfassen, wie die Beanspruchung des Fahrers durch die automatisierte Fahrt im Allgemeinen als auch durch Nebenaufgaben während der automatisierten Fahrt beeinflusst wird.

Dieser Fragestellung widmete sich die vorliegende Studie mit 32 Berufskraftfahrern. Die Fahrer absolvierten hierzu eine teil- (SAE L2) und eine hochautomatisierte Fahrt (SAE L3) in einem statischen Fahrsimulator der MAN Truck & Bus AG. In verschiedenen Abschnitten beider Fahrten führten die Probanden entweder keine Nebenaufgabe aus oder bearbeiteten eine von zwei unterschiedlichen Formen eines Quiz. Bei der ersten Form handelte es sich um eine auditive Nebenaufgabe (vergleichbar mit einem Telefonanruf), bei der zweiten um eine visuell-motorische Nebenaufgabe (vergleichbar mit der Erledigung von Office-Arbeiten auf Notebook oder Tablet). Währenddessen erfolgte stetig die Messung der mentalen Beanspruchung sowohl objektiv mittels psychophysiologischer Paramater (EKG, HRV, EDA) und Reaktionszeiten (PDT) als auch subjektiv mittels Fragebogen (Driving Activity Load Index – DALI).

Die Ergebnisse der vorliegenden Studie weisen darauf hin, dass die Bearbeitung einer Nebenaufgabe während der automatisierten Fahrt – zumindest subjektiv – eine
erhöhte Beanspruchung mit sich bringt im Vergleich zur Situation ohne Nebenaufgabe. Auditive und visuell-motorische Aufgaben wirken sich dabei jedoch unterschiedlich auf empfundenen Stress und Reaktionsfähigkeit aus.

Link zum Poster

Bild: Versuchsaufbau (visuell-motorische Nebenaufgabe, PDT)

Der Effekt von Aktivierende Effekte auf den müden Fahrer (SAE L3)

Fahrsimulatorstudie MAN2018a

In der hochautomatisierten Fahrt (SAE L3) muss der Fahrer nicht mehr selbst fahren und ist zudem nicht einmal mehr in der Pflicht, die Überwachung des Systems dauerhaft zu übernehmen. Dies geht oftmals mit einer mangelnden Stimulation des Fahrers einher, was wiederum die Chance erhöht, dass der Fahrer ermüdet und nicht mehr übernahmebereit ist. Gerade in der hochautomatisierten Fahrt (SAE L3) ist dies jedoch problematisch, da der Fahrer in bestimmten Situationen schnell wieder in der Lage sein muss das Fahrzeug zu steuern. Studienergebnisse zeigen, dass die Ausführung von Nebenaufgaben einer Ermüdung in der automatisierten Fahrt entgegenwirken kann (z. B. Verwey & Zaidel, 1999). Bisher wurde dies aber hauptsächlich als präventive Maßnahme untersucht und nicht festgestellt, ob die Ausführung von Nebenaufgaben einen bereits ermüdeten Fahrer wieder aktivieren und somit fahrtüchtig machen kann.

Daher untersuchte die vorliegende Studie diese Fragestellung am statischen Fahrsimulator der MAN Truck & Bus AG an einer Stichprobe von 29 hauptberuflichen Lkw-Fahrern. Die Probanden absolvierten drei Fahrten mit einem hochautomatisierten System (SAE L3). In den ersten 30 Minuten jeder Fahrt – der sogenannten Ermüdungsfahrt – führten die Probanden keine Nebenaufgabe aus. Darauffolgend beschäftigten sich die Fahrer für 7 Minuten entweder mit einem Chat, einem Bewegungsspiel oder mit keiner Nebenaufgabe. Im Anschluss an eine 5-minütige Messphase wurde dann durch das hochautomatisierte System (SAE L3) eine Übernahmeaufforderung (TOR) ausgegeben und die Probanden mussten von der Autobahn abfahren, um eine anspruchsvolle manuelle Fahrt (inkl. enger Kurven, Windböen) auszuführen. Während der gesamten Ermüdungsfahrt sowie in der Messphase wurde die Müdigkeit mittels Selbsteinschätzung (Karolinska Sleepiness Scale – KSS) und objektiver Bewertung (Oberserver Rating of Drowsiness – ORD) erfasst. Zudem erfolgte die Messung von Reaktionszeiten während des TOR und von Fahrdaten während der manuellen Fahrt.

Die Ergebnisse der Studie zeigen, dass die gewählten Nebenaufgaben eine aktivierende
Wirkung auf die Fahrer haben. Diese zeigt sich allerdings nur in der Müdigkeitseinschätzung (subjektiv/objektiv), aber nicht in den Fahrdaten der manuellen Fahrt.

Link zum Poster

Bild: Versuchsaufbau: a) Chat – b) Bewegungsspiel

Fahrerbeanspruchung bei unterschieldichen Nebenaufgaben (SAE L2)

Fahrsimulatorstudie UniS2018a

Der Fahrer muss in der teilautomatisierten Fahrt (SAE L2) das System überwachen und in der Lage sein, die Fahrzeugführung unmittelbar zu übernehmen. Aus diesem Grund ist es wichtig, den Fahrer in einem optimalen Beanspruchungszustand zwischen Unter- und Überforderung zu halten, damit er die erforderliche Überwachungsleistung bringen kann (De Waard, 1996). Eine Herausforderung ist die Frage, wie das TANGO-System (der AAA) während der Fahrt bestimmen kann, ob der Fahrer, trotz Nebenaufgabe, in der Lage ist, bei einem Systemfehler zu reagieren.

Im Rahmen einer Fahrsimulatorstudie durchliefen 34 Probanden acht Versuchsbedingungen: Zwei Baselinefahrten (manuelle und teilautomatisierte Fahrt (SAE L2) ohne Nebenaufgabe) und sechs Konditionen in einer einer teilautomatisierten Fahrt (SAE L2) mit Nebenaufgaben. Dabei handelte es sich um verschiedene Ausprägungen einer auditiven Aufgabe in Form des n-back- Tasks (1- und 2-back) sowie des Surrogate Reference Tasks (ISO14198:2012, 2012). Des Weiteren wurde eine Nebentätigkeit in Form von aktivierenden Bewegungs- und Dehnübungseinheiten sowie eine Bedingung, in der ein Video gesehen wurde, integriert. Die subjektive Beanspruchung wurde über Fragebögen, die objektive Beanspruchung mithilfe einer Schildererkennungsaufgabe erhoben. Des Weiteren wurden Blick- und Videodaten der Probanden aufgenommen. Die Ergebnisse der Studie zeigen, dass nicht der Beanspruchungsgrad einer Nebenaufgabe entscheidend ist, sondern die Wahrnehmungsmodalität. Visuelle Nebenaufgaben eignen sich nach dieser Studie nicht für eine Nebentätigkeit, wohingegen eine kognitiv beanspruchende, auditive Nebenaufgabe kein Problem darstellt.

Link zum Poster

Bild: Optimales Aktivitätsniveau (grün) & Prüfstand an der Uni Stuttgart

Untersuchung der Fahrerübernahme aus einer Schlafphase (SAE L4)

Fahrsimulatorstudie VW2018a

Das Thema Schlafen und Müdigkeit bei Fahrern spielt bei der näheren Betrachtung des automatisierten Fahrens eine große Rolle und stellt sogar ein Nutzerbedürfnis von Lkw- Fahrern dar. Innerhalb von einer teil- (SAE L2) oder hochautomatisierten Fahrt (SAE L3) ist dies jedoch strikt untersagt. Um die wirklichen Auswirkungen eines eingeschlafenen Fahrers auf die Übernahmequalität sowie die Fahrleistung zu identifizieren, wurde eine Fahrsimulatorstudie mit 25 Probanden am Würzburger Institut für Verkehrswissenschaften GmbH (WIVW) durchgeführt. Dazu wurden eine 35-minütige Wachfahrt sowie eine circa 120-minütige Müdigkeitsfahrt nach Schlafdeprivation mit einem hochautomatisierten System (entspricht somit eher SAE L4) erlebt, bei dem die Instruktion den Fahrern nahegelegt, die Fahrt zum Schlafen zu nutzen. Die Wach- und Schlafphasen wurden dabei über ein EEG mit Online-Bewertung durch einen Experten erfasst. Abhängig vom Schlafverhalten sowie der erreichten Schlafstadien wurde eine Übernahmesituation getriggert, auf die der Fahrer innerhalb von 60 Sekunden reagieren sollte.

Die Ergebnisse der vorliegenden Studie weisen darauf hin, dass ein eingeschlafener Fahrer eine schlechtere Übernahmequalität (objektive und subjektive Messkriterien, wie z. B. Absicherungsblicke, Spurhaltung, Geschwindigkeit und Fahrfehler) zeigt als ein wacher Fahrer. In Summe unterschieden sich die mittleren Reaktionszeiten zwischen den beiden Fahrerzuständen jedoch kaum voneinander. Das TANGO-HMI wurde in der Studie zudem als genau richtig in Bezug auf den Zeitpunkt und die Intensität bewertet.

Link zum Poster

Bild: Versuchsaufbau: Zeitablauf der Müdigkeitsfahr

Mode Confusion und Situation Awareness bei häufigen Transitionen

Fahrsimulatorstudie UniS2018b

Das für die jeweiligen Automatisierungslevel konzipierte Interface ermöglicht zum einen die Beschäftigung mit Nebenaufgaben wie zum Beispiel die Tablet-Nutzung, muss aber zum anderen dem Fahrer zu jedem Zeitpunkt eindeutig darstellen, in welchem Systemzustand sich das Fahrzeug befindet. Eine eindeutige Darbietung stellt nicht nur den momentanen Systemstatus dar, sondern informiert auch über zukünftige Status und spricht darüber hinaus auch Empfehlungen bzgl. geeigneter Automationsgrade aus.

Die zentrale Forschungsfrage dieser Simulatorstudie war daher, das Modusbewusstsein des Fahrers sowie das Fahrerlebnis zu überprüfen und mögliche Modusverwirrungen zu identifizieren. Somit stellte diese Studie nicht nur einen wichtigen Baustein für die Handhabung der in TANGO relevanten Automatisierungslevel dar, sondern diente auch der Evaluation des HMI-Prototyps für das TANGO Cockpitkonzept. Dazu fuhren die Fahrer Strecken in häufig wechselnden Automatisierungsleveln (SAE L0, SAE L2 und SAE L3) und durchlebten systematisierte Transitionen sowie eine Übernahme, in der die Transition durch ein Stauende ausgelöst wurde, das im SAE L2 vom Fahrer selbst erkannt werden musste. Das Interface für die Automatisierungslevel zeigte dem Fahrer multimodal (visuell: Kombiinstrument, LED-Leiste in Scheibenwurzel, akustisch: Sprachansagen und Töne, taktil: vibrotaktile Sitzmatrix) das jeweilige Automatisierungslevel an.

Um das Fahrerverhalten zwischen und während der Transition erfassen zu können, wurden neben der Fahrerbeobachtung (Blickdaten und Körperposen) auch eine Schildererkennungsaufgabe (SDT) eingesetzt sowie eine fahrfremde Tätigkeit in Form eines Quiz angeboten. Die subjektive Einschätzung der Fahrer wurde mittels Befragung während und nach der Fahrt erhoben.
Fazit der Studie war, dass das TANGO HMI dem Fahrer erfolgreich vermittelt, in welchem Automatisierungslevel er sich befindet. Allerdings war das Wissen über die Verpflichtungen und Freiheiten des jeweiligen Levels nicht immer präsent. Somit zog die Studie eine Überarbeitung des HMI Konzepts nach sich.

Link zum Poster

Bild: Versuchsaufbau: a) Nebenaufgabe in SAE L2 – b) Nebenaufgabe in SAE L3