Key points are not available for this paper at this time.
Plötzliche Verkehrsgefahren lösen Kollisionsvermeidungsverhalten bei Fahrern aus, das die Fahrzeugdynamik erheblich beeinflussen kann und potenziell im Widerspruch zu bestehenden Fahrerassistenzsystemen (ADAS), wie der autonomen Notbremsung und der Lenkung, steht. Dieses Verhalten kann unerwartete Fahrzeugbewegungen zur Folge haben, was die Situation weiter kompliziert und das Risiko von Unfällen erhöht. Das Verständnis und die Anpassung der Ableitung der Wahrnehmungs-Reaktionszeit (PRT) der Fahrer ist entscheidend für die Optimierung der ADAS-Aktivierung in intelligenten Fahrzeugen. Dieser Ansatz ermöglicht eine Anpassung an individuelle Fahrer, verbessert die Sicherheit und stellt sicher, dass Interventionen personalisiert und minimal störend für normale Fahrmuster sind. Um dieses Ziel zu erreichen, führt diese Studie hochpräzise Simulationsversuche durch, um einen umfassenden multidimensionalen Datensatz über die Reaktionen von Fahrern in sicherheitskritischen Szenarien zu sammeln, wobei der Schwerpunkt auf PRT und deren Einflussfaktoren liegt. Mit den Daten zum Kollisionsvermeidungsverhalten wird ein Fahrer-Evidenzakkumulationsmodell erstellt, um die PRT-Verteilung zu erklären und Echtzeit-personalisierte Ableitungen zu erleichtern. Wir analysieren auch die Beziehung zwischen Modellparametern und physikalischer Relevanz in der realen Welt und zeigen, dass die Entscheidungen der Fahrer auf der visuellen Evidenzakkumulation basieren, die durch dynamische Interaktionen in unterschiedlichen Szenarien beeinflusst wird. Unser vorgeschlagenes Modell trägt, indem es ein detailliertes Verständnis der Wahrnehmungs- und Entscheidungsprozesse der Fahrer bietet, zur Entwicklung personalisierter Empfehlungen zur Aktivierung von Fahrerassistenzsystemen bei. Dieser Ansatz zielt darauf ab, personalisierte und adaptive Systeme innerhalb intelligenter Fahrzeuge zu schaffen und somit Konflikte zwischen Mensch und Maschine zu reduzieren sowie die allgemeine Sicherheit intelligenter Transportsysteme zu verbessern.
Qin et al. (Mi,) haben diese Frage untersucht.