Prevedere la consapevolezza del guidatore nei veicoli automatizzati

Capire come i guidatori rimangono consapevoli del loro ambiente è importante, soprattutto quando si parla di veicoli automatizzati (AV). Nella automazione di livello 3, l'auto può guidare da sola nella maggior parte dei casi, ma il guidatore deve essere pronto a riprendere il controllo se qualcosa va storto. Questo è noto come richiesta di takeover (TOR). Se i guidatori non hanno una chiara comprensione del loro ambiente, potrebbero non rispondere abbastanza rapidamente quando devono prendere il controllo.

Questo studio mirava a creare un modello che prevede quanto un guidatore è consapevole in tempo reale utilizzando diversi tipi di dati. Questo include informazioni dal corpo del guidatore, come la frequenza cardiaca e la risposta della pelle, insieme a come i loro occhi si muovono mentre guidano. Analizzando i dati di 67 partecipanti che hanno guidato in un simulatore, siamo stati in grado di identificare fattori che influenzano la consapevolezza situazionale (SA) durante la guida automatizzata.

#Importanza della Consapevolezza Situazionale

La consapevolezza situazionale (SA) si riferisce alla capacità di una persona di percepire cosa sta accadendo intorno a lei, capire il significato di quegli eventi e anticipare cosa potrebbe accadere dopo. Nella guida, mantenere una buona SA è cruciale. Aiuta i guidatori a riconoscere i pericoli e a rispondere in modo appropriato, soprattutto quando devono riprendere il controllo del veicolo.

Nei veicoli condizionatamente automatizzati, diversi fattori possono influenzare la SA. Ad esempio, se un guidatore è distratto da qualcosa che non è collegato alla guida, la sua SA può soffrire. Questo può portare a situazioni pericolose in cui un guidatore non riesce a rispondere correttamente a una TOR.

#Percezione del rischio e i Suoi Effetti

Un altro aspetto importante della SA è la percezione del rischio. La percezione del rischio è come un guidatore valuta i potenziali pericoli mentre guida. I guidatori che vedono un rischio maggiore tendono ad essere più vigili e concentrati. Questo significa che hanno una migliore comprensione del loro ambiente e possono agire più efficacemente quando necessario.

Tuttavia, la percezione del rischio di un guidatore può cambiare in base a vari fattori:

• Affidabilità dell'automazione: Se i guidatori pensano che il sistema automatizzato sia affidabile, potrebbero abbassare la guardia. Ma gli incontri con i fallimenti possono portarli a essere più cauti e consapevoli.

• Trasparenza del sistema: Quando i guidatori capiscono come funziona il sistema, possono valutare meglio i rischi. La mancanza di trasparenza può portare a sfiducia e a una SA inferiore.

• Pericoli ambientali: La presenza di pericoli, come cattive condizioni meteorologiche o ostacoli, può aumentare la consapevolezza di un guidatore.

• Differenze individuali: Fattori come età ed esperienza di guida influenzano anche come i guidatori percepiscono il rischio e la loro SA risultante.

#Misurare la Consapevolezza Situazionale

Per capire quanto siano consapevoli i guidatori, i ricercatori si sono tradizionalmente affidati a misure auto-riferite o valutazioni degli osservatori. Tecniche come la Situational Awareness Global Assessment Technique (SAGAT) si concentrano sul congelamento di uno scenario e sulla formulazione di domande al riguardo. Altri metodi, come la Situational Awareness Rating Technique (SART), coinvolgono osservatori addestrati che valutano il comportamento di un guidatore.

Sebbene queste tecniche forniscano informazioni, hanno delle limitazioni. Possono trascurare la natura dinamica della SA, dipendere dalla memoria e introdurre pregiudizi. Pertanto, catturare dati in tempo reale è cruciale.

Sono ora in fase di esplorazione nuovi metodi che raccolgono dati oggettivi. Questi includono:

• Frequenza cardiaca (HR): Cambiamenti nella frequenza cardiaca possono indicare quanto un guidatore sia coinvolto o stressato.

• Risposta galvanica della pelle (GSR): Misura la conduttanza della pelle e può rivelare l'attivazione emotiva.

• Eye tracking: Monitorando dove e per quanto tempo un guidatore guarda, possiamo capire i suoi livelli di concentrazione e attenzione.

Queste misure oggettive forniscono un quadro più chiaro rispetto ai rapporti soggettivi e offrono dati continui attraverso diversi scenari di guida.

#Il Ruolo del Machine Learning

Le recenti avanzate nel machine learning offrono modi promettenti per prevedere la SA in tempo reale. Analizzando varie fonti di dati, i modelli di machine learning possono stimare il livello di consapevolezza di un guidatore, aiutando a identificare potenziali lapse.

Tuttavia, la maggior parte degli studi si è concentrata su singoli tipi di dati. Un approccio più ampio che combina più fonti di dati, come segnali fisiologici e monitoraggio degli occhi, potrebbe dare previsioni e intuizioni migliori.

#Design della Ricerca

Per colmare le lacune esistenti, questo studio ha raccolto un dataset completo. Abbiamo incorporato dati fisiologici, metriche di eye tracking e caratteristiche dei guidatori per creare un modello predittivo di SA durante la guida automatizzata.

#Partecipanti

Un totale di 67 partecipanti ha preso parte allo studio, con un'età media di 27,6 anni. Tutti avevano patenti di guida valide ed esperienza di guida. I partecipanti hanno ricevuto un compenso per il tempo trascorso nello studio.

#Impostazione dell'Esperimento

Abbiamo utilizzato un simulatore di guida per creare scenari di guida reali. I partecipanti hanno guidato in modalità automatizzata e hanno svolto compiti non legati alla guida, come giocare a un gioco su un tablet, mentre il simulatore tracciava le loro risposte agli eventi TOR.

Durante l'esperimento, dati fisiologici come GSR e HR sono stati registrati, e i movimenti oculari sono stati monitorati per capire quanto spesso e dove hanno guardato i partecipanti.

#Condizioni dello Studio

Il design dello studio includeva variazioni nella percezione del rischio e nell'insorgenza di errori di automazione. I partecipanti hanno vissuto due condizioni: scenari ad alto rischio con informazioni negative sul sistema automatizzato e scenari a basso rischio che fornivano feedback positivi.

#Raccolta Dati

Durante le simulazioni, i partecipanti hanno riportato la loro SA ogni 30 secondi. Hanno fornito informazioni sul loro livello di consapevolezza, che ha servito come base per l'addestramento e la convalida del modello.

#Sviluppo del Modello Predittivo

L'obiettivo principale era creare un modello in grado di prevedere la SA di un guidatore utilizzando i dati raccolti. È stata scelta la Light Gradient Boosting Machine (LightGBM) per la sua efficacia nel gestire grandi dataset.

#Importanza delle Caratteristiche

Analizzando i dati, abbiamo identificato quali caratteristiche erano più importanti per prevedere la SA. Le caratteristiche chiave includevano:

• Fattori demografici: Età, esperienza di guida e familiarità con i sistemi di automazione.

• Misure fisiologiche: GSR, frequenza cardiaca e variabilità della frequenza cardiaca.

• Metriche di eye tracking: Quantità di fissazioni, durate e dispersione (quanto ampiamente gli occhi si muovono in diverse aree).

Utilizzando caratteristiche selezionate in base alla loro importanza, abbiamo migliorato l'accuratezza delle previsioni.

#Performance del Modello

Le prestazioni del modello sono state valutate utilizzando diverse misure. Concentrandoci sulle caratteristiche più influenti, siamo riusciti a prevedere la SA del guidatore con un errore quadratico medio (RMSE) di 0,90.

#Comprendere i Risultati

Lo studio ha fornito intuizioni preziose sulla relazione tra percezione del rischio, errori di automazione e SA:

1. Età e SA: I guidatori più giovani hanno mostrato un'influenza minima dell'età sui loro livelli di SA, mentre i guidatori di mezza età avevano previsioni di SA più basse.

2. Conoscenza degli AV: I guidatori con una maggiore conoscenza della tecnologia AV tendevano ad avere previsioni di SA più basse.

3. Segnali Fisiologici: Un GSR più alto era collegato a una migliore SA, suggerendo che risposte emotive elevate possono migliorare la consapevolezza.

4. Osservazioni di Eye Tracking: Maggiore fissazione su compiti non legati alla guida era correlata a una minore SA, indicando che le distrazioni influiscono negativamente sulla consapevolezza.

5. Errori di Automazione: I partecipanti mostravano livelli di SA più elevati quando si verificavano errori, poiché si concentravano di più sul compito di guida.

#Esplorare gli Effetti del Rischio e degli Errori di Automazione

Manipolando la percezione del rischio e l'affidabilità dell'automazione, abbiamo osservato che i guidatori adeguavano la loro consapevolezza in base alle informazioni ricevute. Contenuti ad alto rischio portavano a una migliore SA.

Inoltre, quando si verificavano errori con l'AV, i guidatori diventavano più vigili, il che portava a una maggiore consapevolezza. I dati di eye tracking confermavano che i partecipanti guardavano di più la strada quando si verificavano errori, indicando un cambiamento di focus dai compiti non legati alla guida all'ambiente di guida.

#Conclusione

Lo sviluppo di un modello predittivo per la SA utilizzando il machine learning offre possibilità interessanti per migliorare la sicurezza e le prestazioni dei guidatori nei veicoli automatizzati. Integrando diverse fonti di dati, possiamo creare una comprensione più completa dei fattori che influenzano la SA.

Questo approccio consente interventi tempestivi e sistemi di supporto che soddisfano le esigenze individuali dei guidatori. La ricerca futura dovrebbe continuare a esplorare queste relazioni e affinare i modelli per migliorare l'efficacia dei sistemi di supporto ai guidatori in ambienti automatizzati.

#Direzioni Future

Affrontare le limitazioni di questo studio è essenziale per la ricerca futura. Condurre studi in ambienti più realistici e utilizzare una gamma più ampia di scenari di guida migliorerà la comprensione. Esplorare diversi metodi di valutazione per la SA aiuterà a creare valutazioni più affidabili.

Inoltre, sono necessarie tecniche avanzate di fusione dei dati per migliorare l'affidabilità del modello. La valutazione continua in ambienti reali garantirà che il modello possa adattarsi a varie situazioni, favorendo infine interazioni più sicure tra i guidatori e i sistemi automatizzati.