Abstract:
Während der Nutzung von assistierten Fahrfunktionen greifen Fahrer häufig in das aktive System ein, um das Systemverhalten an ihre persönlichen Präferenzen anzupassen. Diese freiwilligen Fahrereingriffe wurden in der einschlägigen Forschung bislang jedoch nur selten untersucht, obwohl eine Korrelation zwischen der Eingriffshäufigkeit und der Fahrerunzufriedenheit allgemein angenommen wird. Diese Dissertation befasst sich daher mit der Analyse des Eingriffsverhaltens von Fahrern unter realen Bedingungen. In einer ersten Probandenstudie annotierten die Teilnehmenden unter realen Fahrbedingungen die Gründe für jeden Fahrereingriff während der Nutzung einer serienmäßig verfügbaren prädiktiven longitudinalen Fahrfunktion. ... mehrDie Ergebnisse der Studie zeigen, dass über die Hälfte aller Eingriffe freiwillige Anpassungen des Fahrverhaltens aufgrund von abweichenden persönlichen Präferenzen darstellen. Dies deutet auf ein erhebliches Optimierungspotenzial hin. Basierend auf diesen Erkenntnissen wird eine Methodik zur Ableitung notwendiger Anpassungen kartenbasierter Fahrfunktionen entwickelt und auf den erhobenen Datensatz angewendet. Die Analyse des Datensatzes verdeutlicht, dass generalisierte Anpassungen der Fahrstrategie aufgrund inkonsistenten individuellen Fahrverhaltens nur eingeschränkt anwendbar sind. Stattdessen werden personalisierte Anpassungen des Geschwindigkeitsprofils der Fahrfunktion nur für spezifische Streckenabschnitte vorgeschlagen, in denen die Fahrer konsistent eingreifen. Um die Anwendung der entwickelten Algorithmen auch ohne manuelle Annotation zu ermöglichen, wird zudem eine automatische Klassifikations-Pipeline entwickelt, die auf dem Datensatz annotierter Fahrereingriffe trainiert wird. Auf diese Erkenntnisse aufbauend wird eine prototypische selbstlernende longitudinale Fahrfunktion entwickelt, welche sich iterativ an die individuellen Fahrerpräferenzen anpasst, indem sie aus deren Eingriffsverhalten lernt. Die Anwendbarkeit des Prototyps wird in einer weiteren Probandenstudie in einem Fahrsimulator evaluiert. Die Ergebnisse der Studie zeigen sowohl eine signifikante Steigerung der Fahrerzufriedenheit als auch eine signifikante Reduktion der Eingriffshäufigkeit und bestätigen damit die generelle Anwendbarkeit des Prototyps. Diese Dissertation zeigt somit, dass Fahrereingriffe eine valide Feedbackquelle für die Personalisierung kartenbasierter Fahrfunktionen darstellen.
Abstract (englisch):
When using assisted driving functions, drivers frequently take over the vehicle control to adjust the system’s behavior according to their personal preferences. However, voluntary driver interventions are rarely analyzed in related work, although a correlation between intervention frequency and driver dissatisfaction is generally assumed. Thus, this thesis focuses on the analysis of driver intervention behavior during naturalistic driving. In a first test group study, participants manually annotated the reasons behind each intervention while using an in-production Predictive Longitudinal Driving Function (PLDF). ... mehrThe study results show that the majority of interventions are voluntary adjustments based on deviating personal preferences, indicating a high optimization potential. Building on these findings, a framework for the derivation of necessary adjustments to map-based driving functions is proposed and applied to the recorded dataset. The analysis reveals that generalized policy adjustments are rarely applicable due to inconsistent individual driving behavior. Instead, personalized adjustments to the PLDF’s speed profile are proposed solely in specific locations, where the drivers consistently intervene. Additionally, to enable the application of the developed algorithms without manual annotation, an automatic classification pipeline is developed using the annotated intervention dataset. Based on these foundations, a prototypical self-learning PLDF is designed that iteratively adjusts its speed profile based on relevant driver interventions in a traded control setting. The applicability of this prototype is evaluated in a driving simulator-based test group study. The study finds both a significant increase in driver satisfaction and a significant reduction in intervention frequency, confirming the applicability of the prototype. Thus, this thesis demonstrates that driver interventions are a valid source for feedback for the personalization of map-based assisted driving functions.
