Forscher der Universität Cambridge haben in Zusammenarbeit mit Jaguar Land Rover (JLR) einen anpassungsfähigen Algorithmus entwickelt, der das Potenzial hat, die Verkehrssicherheit deutlich zu verbessern. Er prognostiziert, wann Fahrer während der Fahrt sicher mit Fahrzeugsystemen interagieren oder Nachrichten empfangen können. Dieser innovative Ansatz kombiniert Fahrversuche mit maschinellen Lernverfahren, um die Fahrerbelastung kontinuierlich zu messen und so in Echtzeit auf veränderte Bedingungen und das Fahrverhalten zu reagieren.
Adaptiver Algorithmus für mehr Verkehrssicherheit
Der von den Forschern entwickelte Algorithmus ist hochgradig anpassungsfähig und kann auf Schwankungen in der Fahrerbelastung, den Straßenverhältnissen, den Straßentypen und den Fahrereigenschaften reagieren. Er nutzt eine Kombination aus maschinellem Lernen und Bayes'schen Filterverfahren, um die Fahrerbelastung kontinuierlich zu bewerten. Beispielsweise kann das Fahren in unbekanntem Gebiet oder bei starkem Verkehr auf eine höhere Belastung hindeuten, während der tägliche Arbeitsweg eine geringere Belastung bedeuten kann.
Das Hauptziel dieser Technologie ist die Erhöhung der Verkehrssicherheit durch die individuelle Anpassung der Interaktion zwischen Fahrer und Fahrzeug. So werden Fahrer beispielsweise in Phasen geringer Arbeitsbelastung über nicht dringende Nachrichten und Benachrichtigungen informiert, damit sie sich in anspruchsvolleren Fahrsituationen voll auf den Straßenverkehr konzentrieren können.
Die zunehmende Verfügbarkeit von Daten in Fahrzeugen birgt ein erhebliches Risiko für die Verkehrssicherheit, da sie zutracfür die Fahrer führen kann. Um dieser Herausforderung zu begegnen, ist ein System zur kontinuierlichen Erfassung der Fahrerbelastung unerlässlich. Durch die Analyse des Aufmerksamkeitsgrades des Fahrers und der Straßenverhältnisse kann das System priorisieren, wann Informationen oder Warnungen an den Fahrer übermittelt werden sollen, und zwar in Phasen geringerer Arbeitsbelastung.
Messung der Fahrerbelastung
Während es bereits Algorithmen gibt, die den Fahrerbedarf mithilfe von tracund biometrischen Daten messen, verfolgten die Forscher aus Cambridge das Ziel, einen Ansatz zu entwickeln, der auf leicht verfügbaren Daten von jedem Fahrzeug basiert, insbesondere auf Fahrleistungssignalen wie Lenk-, Beschleunigungs- und Bremsdaten. Dieser Ansatz ermöglicht die Erfassung und Fusion verschiedener, nicht synchronisierter Datenströme, einschließlich – falls vorhanden – Daten von biometrischen Sensoren.
Zur Messung der Fahrerbelastung führten die Forscher Fahrversuche mit einer modifizierten Version des Peripherieerkennungstests durch. Die Teilnehmer wurden gebeten, einen am Finger befestigten Knopf zu drücken, sobald sie eine geringe Belastung wahrnahmen. Dies wurde durch ein regelmäßig blinkendes rotes LED-Licht auf einem Smartphone mit Navigations-App angezeigt. Videoanalysen und die Daten der Knopfdrücke ermöglichten diedentvon Situationen mit hoher Belastung, wie beispielsweise das Fahren an stark befahrenen Kreuzungen oder das Beobachten ungewöhnlichen Fahrverhaltens.
Adaptives maschinelles Lernframework
Die während der Experimente gesammelten Daten dienten der Entwicklung und Validierung eines Frameworks für überwachtes maschinelles Lernen. Dieses Framework erstellt Fahrerprofile anhand der durchschnittlichen Arbeitsbelastung und nutzt Bayes'sche Filterverfahren zur Echtzeitschätzung der momentanen Arbeitsbelastung. Es kombiniert makro- und mikroökonomische Messgrößen der Arbeitsbelastung und ermöglicht so die Anpassung an unterschiedliche Straßentypen, Bedingungen oder Fahrer, die dasselbe Fahrzeug nutzen.
Die Forschungskooperation mit Jaguar Land Rover (JLR) umfasste Versuchsplanung und Datenerhebung. Dr. Lee Skrypchuk, Senior Technical Specialist für Mensch-Maschine-Schnittstellen bei JLR, betonte die Bedeutung dieser Forschung für das Verständnis der Auswirkungen von Design aus Nutzersicht. Sie wird dazu beitragen, die Sicherheit und das Fahrerlebnis zu verbessern, indem die Benachrichtigungen und Interaktionen in JLR-Fahrzeugen optimiert werden.
Kontinuierliche Verbesserung der Sicherheit
Durch den Einsatz dieses adaptiven Algorithmus können Fahrzeuge Benachrichtigungen und Interaktionen zum richtigen Zeitpunkt an die Fahrer übermitteln und so dastracin Situationen mit hoher Arbeitsbelastung verringern. Diese Technologie stellt einen wichtigen Schritt zur Verbesserung der Verkehrssicherheit dar, da sie sicherstellt, dass die Fahrer sich insbesondere in anspruchsvollen Fahrsituationen auf die Straße konzentrieren können.
Die Forschungsarbeiten an der Universität Cambridge wurden von einem Forscherteam des Labors für Signalverarbeitung und Kommunikation (SigProC) der Fakultät für Ingenieurwissenschaften unter der Leitung von Professor Simon Godsill durchgeführt. Unter der Leitung von Dr. Bashar Ahmad gehörten dem Team auch Nermin Caber und Dr. Jiaming Liang an, die alle zum Erfolg des Projekts beitrugen.
Im Zeitalter zunehmender Vernetzung von Fahrzeugen sind die Überwachung und Anpassung an die Fahrerbelastung unerlässlich für die Verkehrssicherheit. Der von der Universität Cambridge in Zusammenarbeit mit Jaguar Land Rover entwickelte innovative Algorithmus bietet hierfür eine vielversprechende Lösung. Durch die Priorisierung der Sicherheit und die Optimierung der Interaktion zwischen Fahrer und Fahrzeug hat diese Technologie das Potenzial, das gesamte Fahrerlebnis deutlich zu verbessern und gleichzeitigtracim Straßenverkehr zu reduzieren.
