Detailergebnis zu DOK-Nr. 81462
Vorhersage von Fahrerfehlern bei automatisierten Fahrzeugübernahmen (Orig. engl.: Predicting Driver Errors during Automated Vehicle Takeovers)
| Autoren |
H. Alambeigi A.D. McDonald M. Manser E. Shipp J. Lenneman E.M. Pulver S. Christensen |
|---|---|
| Sachgebiete |
0.11 Daten (EDV, IT, Internetanwendungen und Verkehrsdaten) 6.7.3 Automatisiertes und Autonomes Fahren |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2677, H. 9, 2023, S. 410-420, 6 B, 4 T, 21 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Der Übergang der Kontrolle vom teilautomatisierten Fahrzeug zu den Fahrenden ist ein wichtiger Teil des betrieblichen Entwurfsbereichs und wirft einzigartige und wichtige Entwurfsfragen auf. Ein Ansatz zur Verbesserung der Gestaltung des Übergangs von Kontrollmechanismen ist die Vorhersage des Fahrverhaltens während einer Übernahme durch die Analyse seines Zustands vor der Übernahme. Obwohl es eine Fülle von Literatur zur Modellierung der Vorhersage des Fahrverhaltens gibt, ist nur wenig über die Vorhersage der Übernahmeausprägung (zum Beispiel Fahrfehler) und die zugrunde liegende Datenstruktur (zum Beispiel Fenstergrößen oder die Einbeziehung bestimmter Merkmale) bekannt. Das Ziel dieser Studie war daher die Vorhersage von Fahrerfehlern während eines Übernahmeereignisses mit überwachten Algorithmen des maschinellen Lernens für verschiedene Fenstergrößen. Drei Algorithmen des maschinellen Lernens (Entscheidungsbaum, "Random Forest“ und "Support Vector Machine“ mit einem Radialbasis-Kernel) wurden auf granulare Fahrleistungsdaten, physiologische Daten und Blickdaten aus einem Fahrsimulatorexperiment zur Untersuchung des automatisierten Fahrens angewendet. Die Ergebnisse zeigten, dass ein "Random Forest“ Algorithmus mit einer Fläche unter der "Receiver-Operating-Characteristic“ Kurve (ROC-Kurve) von 0,72, der auf einem 3-Sekunden-Fenster vor der Übernahmezeit trainiert wurde, die beste Leistung in Bezug auf die genaue Klassifizierung von Fahrfehlern hatte. Darüber hinaus wurden die zehn wichtigsten Prädiktoren ermittelt, die die beste Fehlerprognoseleistung erbrachten. Die Ergebnisse dieser Studie könnten bei der Entwicklung von Algorithmen für den Fahrerstatus nützlich sein, die in hochautomatisierte Systeme integriert werden könnten und möglicherweise den Übernahmeprozess verbessern.