DriveGOMS Fahrermodellierung und formale Beschreibung von Fahrerverhalten

Transkript

1 DriveGOMS Fahrermodellierung und formale Beschreibung von Fahrerverhalten AAET 2018 David Käthner DLR

2 DLR.de Folie 2 Megatrend Automation wired.com (2015) Waymo 2018: Testprogramm für Robo-Taxis

3 DLR.de Folie 3 Megatrend Automation 2018 wired.com (2015) VDA - Verband der Automobilindustrie e.v. (2015)

4 DLR.de Folie 4 Human Factors Methoden für ADAS Aktuelle Fragestellungen: Optimierung Kontrollübergabe zwischen Automation und Mensch Minimierung negativer Effekte durch Automation User Experience: Attraktivität und Akzeptanz Validierung von Automation, z.b. in Abhängigkeit von Fahrerzustand Bisherige Metriken Geschwindigkeit Abstand zum Führungsfahrzeug Lenkradwinkel Spurhaltegüte Kraft auf Bremspedal Problem! Grane, C. (2017): Assessment selection in human-automation interaction studies.

5 DLR.de Folie 5 Human Factors Methoden für ADAS Möglichkeiten, Wissen zu generieren Experten Erhebung empirischer Daten (formale) Modellierung + Simulation

6 DLR.de Folie 6 Human Factors Methoden für ADAS Möglichkeiten, Wissen zu generieren Expertenwissen/-urteil schnell flexibel leicht verfügbar Raten oder Wissen?

7 DLR.de Folie 7 Human Factors Methoden für ADAS Möglichkeiten, Wissen zu generieren empirische Studien Daten von echten Fahrern Fragen klären sich "wenn man es sieht" ADAS muss weit entwickelt sein häufig nur kleine Effekte nur wenige Design-Varianten untersuchbar

8 DLR.de Folie 8 Human Factors Methoden für ADAS Möglichkeiten, Wissen zu generieren Modellierung + Simulation formales Vorgehen beliebig oft wiederholbar äußerst aufwendig in der Praxis (anscheinend) wenig verwendet

9 DLR.de Folie 9 Human Factors Methoden für ADAS Best Of: flexibel basierend auf empirischen Daten formale Modelle quantitative Vorhersagen Vorschlag: Aufgabenanalyse auch wichtig: individuelle Fahrerkognition adäquate Auflösungsebene relativ geringer Lernaufwand

10 DLR.de Folie 10 Goals, Operators, Methods, Selection Rules (GOMS) Card, Moran & Newell (1983) Zielorientierung: Goals "Funktionen": Operators Routinen: Methods Optionsauswahl: Selection Rules Verhalten = Funktion(Aufgabe, Situation, Kognition)

11 DLR.de Folie 11 > Fahrermodellierung > David Käthner Doktorandensymposium 2017 DriveGOMS: GOMS für die Fahraufgabe - Ziele kognitive Operatoren lautes Denken "und jetzt gebe ich mal ein bisschen Gas" "und jetzt würde ich gleich schon zum Überholen ansetzen" Beobachtbarkeit perzeptuelle Operatoren motorische Operatoren Blicke Fahrdaten Bewegungen +

12 DLR.de Folie 12 Aufgabe: Linksabbiegen an Kreuzung 1. Aufgabe: Linksabbiegen an Kreuzung 2. Situation: stark befahrene Kreuzung mit LSA 3. Ziel: Kollisionsfreie Bewältigung der Kreuzung

13 DLR.de Folie 13 Aufgabe: Linksabbiegen an Kreuzung kollisionsrelevanter Bereich goals keep speed decelerate to stop keep lane move slowly stop accelerat e turn Längsführung Querführung s

14 DLR.de Folie 14 Aufgabe: Linksabbiegen an Kreuzung perceptual look at traffic Informationsbeschaffung cognitive check traffic evaluate traffic Informationsverarbeitung goals keep speed decelerate to stop keep lane move slowly stop accelerat e turn Längsführung Querführung s

15 DLR.de Folie 15 Aufgabe: Linksabbiegen an Kreuzung perceptual look at traffic look at stopping line Informationsbeschaffung cognitive check traffic evaluate traffic decide stop before traffic determine rate of deleraction Informationsverarbeitung goals keep speed decelerate to stop keep lane move slowly stop accelerat e turn Längsführung Querführung s

16 DLR.de Folie 16 Aufgabe: Linksabbiegen an Kreuzung perceptual look at traffic look at stopping line observe traffic observe oncoming traffic Informationsbeschaffung cognitive check traffic evaluate traffic decide stop before traffic determine rate of deleraction decide to enter intersect ion Informationsverarbeitung goals keep speed decelerate to stop keep lane move slowly stop accelerat e turn Längsführung Querführung s

17 DLR.de Folie 17 Aufgabe: Linksabbiegen an Kreuzung perceptual look at traffic look at stopping line observe traffic observe oncoming traffic Informationsbeschaffung cognitive check traffic evaluate traffic decide stop before traffic determine rate of deleraction decide to enter intersect ion decide wait Informationsverarbeitung goals keep speed decelerate to stop keep lane move slowly stop accelerat e turn Längsführung Querführung s

18 DLR.de Folie 18 Aufgabe: Linksabbiegen an Kreuzung perceptual look at traffic look at stopping line observe traffic observe oncoming traffic Informationsbeschaffung cognitive check traffic evaluate traffic decide stop before traffic determine rate of deleraction decide to enter intersect ion decide wait decide go Informationsverarbeitung goals keep speed decelerate to stop keep lane move slowly stop accelerat e turn Längsführung Querführung s

19 DLR.de Folie 19 Zwischenfazit Beschreibung des (angenommenen) Fahrerverhaltens mit vereinbarten Begriffen Grundlage: Notwendigkeiten der Aufgabe + empirische Daten kommunizerbares Modell des Fahrerverhaltens nachprüfbar an empirischen Daten (Geschwindigkeit, Blickverhalten)

20 DLR.de Folie 20 Aufgabe: Takeover-of-Control Modulares Mockup im VR-Lab TOC vor Baustelle

21 DLR.de Folie 21 Aufgabe: Takeover-of-Control Ambient Light-basiertes Interaktionskonzept Dziennus, M., Schieben, A. & Kelsch, J. (2017): Ambient Light-based HMI for automated driving.

22 DLR.de Folie 22 Aufgabe: Takeover-of-Control events Baustellenschild automatisiert 80 km/h-schild TOC manuell motor push steer press brake perceptual detect observe register speed detect look at button register speed cognitive identif y anticipate evalua te decide evalua te decide goal monitor automation takeover stay-in-lane check check decelerate t Datenquellen: Video + Lautes Denken + Blickdaten

23 DLR.de Folie 23 Woran wir arbeiten Validierung von Operatoren + Modellen Zeiten der Operatoren besser verstehen z.b. Blickzuwendungen mit Modellen vorhersagen Anwendung auf unterschiedlichste Use Cases So viel Automation + Integration wie möglich Workflows für Datenfusion physiologische Daten (Pupillenweite, EKG, EDA) virtuelle Blickstrahlen in die Welt Bewegungsmodelle Tool-Support

24 DLR.de Folie 24 Zusammenfassung Modellierung von (assistiertem) Fahrerverhalten auf Grundlage der Fahraufgabe Bausteine (Operatoren) werden zu Handlungen kombiniert Modellierung basierend auf Daten + Expertenwissen für vorhande Daten + ausgedachte Situationen im Umfang skalierbar Anforderungen basiert auf empirischen Daten formale Modelle quantitative Vorhersagen individuelle Fahrerkognition Auflösungsebene Lernaufwand DriveGOMS ja ja ja ja skalierbar überschaubar

25 Vielen Dank für Ihre Aufmerksamkeit!

26 DLR.de Folie 26 Advanced Driver Assistance Systems (ADAS) am Markt nach Intel Labs (2015) - Advanced Driver Assistant System. Threats, Requirements, Security Solutions.

27 DLR.de Folie 27 Human Factors Methoden für ADAS Beobachtung Beschreibung Bewertung Vorhersage Veränderung hohe Querbeschleunigung niedriger Komfort