In dieser Arbeit werden zur Fahrerbelastung beitragende Faktoren auf Basis einer umfangreichen Literaturrecherche identifiziert. Nach der Strukturierung der Fahrerbelastungsfaktoren konnten sechs Hauptfaktoren benannt werden: Straßentyp, Straßencharakteristik, Fahrzeugumfeld, Wetter und resultierender Straßenzustand, Fahrmanöver und Nebenaufgaben. Der Stand der Technik in der Erkennung und Prädiktion dieser Fahrerbelastungsfaktoren wird anhand einer weiteren Literaturrecherche aufgezeigt. Aus diesen beiden Vorarbeiten werden Verbesserungspotenziale vorhandener Ansätze abgeleitet, was zur Fokussierung dieser Arbeit auf die Erkennung und Prädiktion von Fahrmanövern sowie die Schätzung der Verkehrsdichte im Fahrzeugumfeld führt. In zwei Fahrversuchen im Realverkehr werden die zu dieser Studie erforderlichen Daten gewonnen. Dabei stellt die Verwendung von zwei unterschiedlichen Versuchsfahrzeugen in diesen Fahrversuchen die generelle Relevanz und Verwendungsmöglichkeit der entwickelten Systemkonzepte in unterschiedlichen Fahrzeugen sicher. Experten klassifizieren die aufgezeichneten Daten dann bezüglich der auftretenden Fahrmanöver und der Verkehrsdichte und ordnen diese den entsprechenden Kategorien zu. Eine eigens im Rahmen dieser Arbeit entwickelte Matlab-Toolbox zur Datenverwaltung und -auswertung erlaubt die effiziente Verarbeitung der erhaltenen Versuchsdaten. Diese konsequent strukturierte Vorgehensweise, auch für die beabsichtigte Realisierung im Kfz, eröffnet im Vergleich zu den Ansätzen in der Literatur neue Perspektiven. Auf der Basis theoretischer Betrachtungen zu den Fahrmanövern und ausführlicher Datenanalysen werden individuelle Erkennungssysteme auf der Basis von Manöver-spezifischen (Index-)Funktionen für die einzelnen Fahrmanöver entwickelt. Diesen wird ein Schiedsrichter-Algorithmus (Arbiter) nachgeordnet, der die Ergebnisse der einzelnen Manöver-Klassifikatoren zu einer globalen Fahrmanöver-Entscheidung fusioniert. Während der gesamten Entwicklung wird auf eine spätere Applikation der Algorithmen auf einem Steuergerät (ECU) im Automobil geachtet. Die erzielte Klassifikationsleistung wird unter Verwendung der aufgezeichneten Datensätze evaluiert und erreicht Erkennungsraten über 90 %. Die Prädiktion der Fahrmanöver wird zum Einen durch die Bewertung der Vorhersagefähigkeit der entwickelten Algorithmen als auch durch die Verwendung von n-gram-Modellen aus der Domäne der Spracherkennung bearbeitet. Als eine Anwendung der Fahrmanöver-Erkennung wird die Schätzung der Verkehrsdichte im Fahrzeugumfeld auf Basis von Fahrmanöver-Häufigkeiten vorgestellt. Auch dieser Ansatz ist im Vergleich zur Literatur ebenfalls neuartig. Die erreichten Ergebnisse werden schließlich mit den in der Literatur berichteten Werten verglichen, wobei sich eine führende Position des in dieser Arbeit entwickelten Systems bei der Erkennung von Fahrmanövern zeigt. Neben diesem Vergleich werden die Ergebnisse weiterhin umfangreich und kritisch diskutiert und verbliebenes Verbesserungspotenzial identifiziert. Darüber hinaus werden mögliche (neue) Anwendungen der Fahrmanöver-Erkennung und der Verkehrsdichte-Schätzung präsentiert.
In this work, factors contributing to driver's stress are identified on the basis of a literature study. After structuring the factors, six major factors are identified: road type, road characteristic, vehicle environment, weather and resulting road conditions, driving maneuvers, and secondary tasks. The state-of-the-art of stress factor recognition and prediction is presented based on a second literature study. Analysing the state-of-the-art, some weakness in driving maneuver recognition and prediction research as well as in traffic density estimation in the vicinity of the vehicle is disclosed; these topics are pursued with the goal to establish concepts suited for application in a bong-term perspective. Two driving experiments are conducted to record the required data sets and to ensure the cross-vehicle compatibility of the developed algorithms, which is new compared to the actual literature. Furthermore, the recorded data are annotated by experts with regard to driving maneuver categories as well as traffic density. A data management and evaluation framework is developed using Matlab; this toolbox allows to process the obtained amount of data efficiently. Recognition systems based on maneuver indicating functions are developed for each defined non-critical driving maneuver; with conceptual considerations on these driving maneuvers and their extensive analysis with the recorded data sets as background for the design. After the assessment of these maneuver specific classifiers, an arbiter is constructed which merges the single classifiers' outputs to an overall maneuver recognition output. During the whole development process, a subsequent application of the algorithms on a generic control unit as well as offline and online applicability are regarded. Further, maneuver prediction capabilities are addressed by i) assessing the predictive power of the developed classifiers and ii) transferring n-gram models of the speech recognition domain to maneuver prediction. As one application of driving maneuver recognition, a traffic density estimator is suggested using histograms of past maneuvers reflecting the driver's behaviour, which represents also a novel approach. The achieved results are interpreted by reference to the actual literature showing this work top ranking in driving maneuver recognition. Finally, a critical discussion of the achieved results is given showing also perspectives for improvement of the developed algorithms. At the end, possible (novel) applications of driving maneuver recognition and traffic density estimation are delineated.
Adaptive information flow control: recognition and prediction of factors contributing to driver's stress
Adaptive Informationsflusskontrolle: Erkennung und Prädiktion von Faktoren, die die Fahrerbelastung beeinflussen
2010
354 Seiten, Bilder, Tabellen, Quellen
Theses
English
Contributing Factors to Driver's Over-trust in a Driving Support System for Workload Reduction
British Library Online Contents | 2009
|Recognition and prediction of driver’s whole body posture model
SAGE Publications | 2022
|Driver's adaptive glance behavior to in-vehicle information systems
Online Contents | 2015
|