Ein neuer Blick auf Reisekrankheit in autonomen Fahrzeugen

Automatisierte Fahrzeuge und Fahrsimulatoren werden immer häufiger, können aber bei vielen Nutzern zu Motion Sickness führen. Wenn Leute von Fahrern zu Passagieren werden, beschäftigen sie sich oft mit Dingen wie Lesen oder Geräten, was Übelkeit verstärken kann. Ähnlich ist es bei Fahrsimulatoren, wo die visuellen Effekte das Gehirn dazu bringen können, Bewegung zu empfinden, was Unbehagen verursacht, selbst wenn es kaum oder gar keine tatsächliche Bewegung gibt. Diese Probleme entstehen durch einen Konflikt zwischen dem, was der Körper fühlt, und dem, was die Augen wahrnehmen, was zu Übelkeit führt.

#Individuelle Anfälligkeit für Motion Sickness

Nicht jeder erlebt Motion Sickness auf die gleiche Weise. Manche Menschen sind empfindlicher als andere. Diese Unterschiede, wie Menschen auf Bewegung reagieren, müssen bei der Untersuchung von Motion Sickness berücksichtigt werden. Ein neuer Ansatz kombiniert ein Modell, das Antworten von Gruppen mittelt, mit einem anderen Modell, das sich auf individuelle Reaktionen konzentriert, um diese Unterschiede besser zu verstehen.

#Die Bedeutung der Sicht für Motion Sickness

Visuelle Inputs spielen eine grosse Rolle in Fahrsimulatoren. Wie eine Person Bewegung sieht, kann stark beeinflussen, wie sie sich fühlt. Zum Beispiel könnten mehr visuelle Hinweise jemanden kränker fühlen lassen, wenn die visuellen Eindrücke nicht mit der physischen Bewegung übereinstimmen, die sie erleben. Daher ist es wichtig, die Auswirkungen der Sicht zu erfassen, um Motion Sickness in echten und simulierten Fahrumgebungen genau zu bewerten.

#Das Modellrahmenwerk

Ein neues Modellrahmenwerk integriert zwei Teile: einen, der sensorische Konflikte erzeugt, und einen anderen, der diese Konflikte über die Zeit hinweg anhäuft. Dieses kombinierte Modell zielt darauf ab, Individuelle Unterschiede zu erfassen, wie Menschen Motion Sickness erleben. Statt sich nur auf Gruppendurchschnittswerte zu verlassen, personalisiert dieses Rahmenwerk Vorhersagen, indem es spezifische Daten für jede Person verwendet.

#Konfliktgenerierungsmodell

Das Konfliktgenerierungsmodell konzentriert sich darauf, wie das Gehirn verschiedene sensorische Inputs verarbeitet, wie Informationen von den Augen und den Gleichgewichtssensoren im Innenohr. Dieses Modell muss genau vorhersagen, wie sensorische Konflikte während des Fahrens entstehen. Es beinhaltet visuelle Daten, um zu verstehen, wie verschiedene Betrachtungsbedingungen das Erlebnis von Motion Sickness einer Person beeinflussen könnten.

#Konfliktsammelmodell

Das Konfliktsammelmodell nimmt die durch das erste Modell erzeugten Konflikte und verfolgt, wie sie sich über die Zeit aufbauen. Dieser Teil des Rahmenwerks hilft dabei, das Niveau der Motion Sickness zu schätzen, das eine Person erlebt, während diese Konflikte sich ansammeln. Es verwendet Parameter, um zu definieren, wie schnell diese Effekte wahrgenommen werden und wie lange sie anhalten. Damit kann das Modell sowohl unmittelbare Reaktionen als auch langfristige Effekte berücksichtigen, wie die Erholung, wenn die Bewegung stoppt.

#Daten und Experimente

Um dieses Modellrahmenwerk zu testen, wurden zwei bestehende Datensätze analysiert. Der erste Datensatz beinhaltete Teilnehmer, die ein spezifisches Fahrmanöver unter verschiedenen visuellen Bedingungen erlebten. Der zweite Datensatz verglich die Reaktionen beim Fahren mit einem echten Auto mit denen in einem Simulator. Beide Datensätze halfen, individuelle Unterschiede in der Anfälligkeit für Motion Sickness hervorzuheben.

#Slalomfahrt-Datensatz

Im Slalomfahrt-Experiment fuhren die Teilnehmer ein Auto mit entweder Sicht nach aussen oder gar keiner Sicht. Die Ergebnisse zeigten, dass diejenigen mit Sicht nach aussen stärkere Motion Sickness berichteten als diejenigen ohne Sicht. Dieser Datensatz veranschaulicht den Effekt der visuellen Bedingungen auf Motion Sickness und bietet eine Grundlage für das Testen des neuen Modellrahmenwerks.

#Auto- und Simulator-Datensatz

Der zweite Datensatz betrachtete Teilnehmer, die sowohl in einem echten Auto als auch in einem Simulator fuhren. Die Ergebnisse zeigten, dass die Teilnehmer in jeder Umgebung unterschiedliche Unannehmlichkeitsniveaus fühlten, was die Notwendigkeit进一步 hervorhebt, individuelle Unterschiede in der Motion Sickness zu berücksichtigen. Dieser Datensatz war entscheidend, um die Fähigkeit des Modells zu demonstrieren, über verschiedene Situationen zu verallgemeinern.

#Modellgenauigkeit und Personalisierung

Das Ziel dieses neuen Modells ist es, genaue Vorhersagen von Motion Sickness-Niveaus für Individuen zu liefern. Durch die Fokussierung auf personalisierte Parameter zielt das Modell darauf ab, die Genauigkeit im Vergleich zu herkömmlichen gruppenbasierten Methoden zu verbessern, die individuelle Unterschiede nicht berücksichtigen.

#Parameterreduktion

Um das Modell benutzerfreundlicher zu machen, versuchten die Forscher, die Anzahl der erforderlichen Parameter für genaue Vorhersagen zu reduzieren. Durch die Nutzung bestehender Forschung und Medianwerte aus früheren Studien fanden sie heraus, dass nur zwei Parameter benötigt werden, um individuelle Unterschiede in der Motion Sickness effektiv zu erfassen. Diese Reduktion vereinfacht nicht nur das Modell, sondern verringert auch die Rechenzeit, die zur Schätzung der Parameter erforderlich ist.

#Ergebnisse

Die Ergebnisse aus beiden Datensätzen bestätigten, dass das neue Modellrahmenwerk traditionelle Methoden übertraf. Bei einem Vergleich der individuellen Modelle mit gruppenbasierten Modellen zeigte der personalisierte Ansatz eine signifikante Verringerung des Vorhersagefehlers. Das neue Modell konnte die individuellen Reaktionen genauer mit weniger Parametern anpassen, was seine Anwendbarkeit in Echtzeitanwendungen verbessert.

#Der Einfluss der Sicht auf Motion Sickness

Die Sicht hat einen enormen Einfluss auf die Niveaus von Motion Sickness. Das Rahmenwerk ermöglicht Simulationen, die verschiedene Sichtbedingungen berücksichtigen, wie etwa keine Sicht oder Sicht auf die Aussenwelt. Diese Anpassungsfähigkeit ist entscheidend, um zu verstehen, wie unterschiedliche visuelle Erfahrungen Motion Sickness in sowohl realen als auch simulierten Umgebungen beeinflussen.

#Praktische Anwendungen

Die gewonnenen Erkenntnisse aus diesem Modellrahmenwerk haben mehrere praktische Anwendungen. Es kann zur Entwicklung neuer Motion-Cueing-Algorithmen für Fahrsimulatoren verwendet werden, die helfen können, Motion Sickness bei Teilnehmern zu minimieren oder zu verhindern. Ausserdem kann dieses Rahmenwerk das Design von automatisierten Fahrzeugen verbessern, indem es ihnen ermöglicht, Fahrstile in Echtzeit basierend auf der Anfälligkeit eines Individuums für Motion Sickness anzupassen.

#Einschränkungen und zukünftige Arbeiten

Obwohl das neue Modellrahmenwerk vielversprechend ist, gibt es einige Einschränkungen. Zum Beispiel hat es Schwierigkeiten, die Niveaus von Motion Sickness genau für Personen vorherzusagen, die schnelle Veränderungen in ihrer Reaktion auf Bewegung basierend auf visuellen Bedingungen erleben. Um diese Einschränkung zu beheben, könnte es notwendig sein, das Modell anzupassen, um zusätzliche Parameter einzuschliessen, die die individuelle sensorische Wahrnehmung besser darstellen.

Darüber hinaus wird die Leistung des Modells durch die Art der verwendeten Bewegungsdaten beeinflusst. Die Verwendung von Kopfbewegungsdaten ist ideal, da sie das Erlebnis von Individuen genauer widerspiegelt. Wenn jedoch keine Kopfbewegungsdaten verfügbar sind, müssen möglicherweise andere Methoden verwendet werden, um diese Informationen zu schätzen.

#Fazit

Dieser neue Ansatz zur Modellierung von Motion Sickness stellt bedeutende Fortschritte im Verständnis individueller Unterschiede in der Anfälligkeit dar. Durch die Kombination visueller Inputs und persönlicher Parameter bietet das Modellrahmenwerk eine genauere Vorhersage der Niveaus von Motion Sickness während des Fahrens. Letztlich ebnet diese Arbeit den Weg für verbesserte Erfahrungen sowohl in automatisierten Fahrzeugen als auch in Fahrsimulatoren und trägt dazu bei, komfortablere Umgebungen für die Nutzer zu schaffen. Weitere Forschung und Verfeinerung dieses Modells werden dessen Effektivität steigern und seine Anwendungen in realen Szenarien erweitern.