Traffic Psychology I

Im Rahmen der vorgestellten Studie wurde untersucht, ob eine ökologische Mensch-Maschine-Schnittstelle bzw. ein sogenanntes Ecological Interface, so wie in der Theorie beschrieben, weniger kognitiv belastend ist als eine konventionelle Mensch-Maschine-Schnittstelle. Die visuelle Darstellung von Grenzen akzeptablen Verhaltens und die damit einhergehende Unterstützung von automatisiertem Verhalten (skill-based behaviour) sollte der Theorie nach die kognitive Belastung der FahrerInnen reduzieren. Um dies zu untersuchen wurde ein herkömmliches Tachometer mit einem Distanztachometer, also einem Ecological Interface, in einem statischen Fahrsimulator verglichen und evaluiert. Hierzu wurden vier Szenarien dargestellt, um einen kontrollierten Vergleich unter verschiedenen Bedingungen zu ermöglichen. Beide Mensch-Maschine-Schnittstellen wurden im Head-up-Display angezeigt und die Fahraufgabe wurde konstant gehalten. Das Experiment wurde als Messwiederholung mit 49 TeilnehmerInnen durchgeführt. Zur Messung der kognitiven Belastung wurde eine taktile Version der Detection Response Task genutzt. In Einklang mit den Hypothesen konnte gezeigt werden, dass das Ecological Interface tatsächlich eine geringere kognitive Belastung erzeugt und zudem eine bessere Fahrleistung ermöglicht.

In naher Zukunft werden menschliche Fahrer hochautomatisierte Fahrzeugen (SAE Level 3) zunehmend häufiger auf der Autobahn begegnen. Unklar ist bislang jedoch, ob menschliche Fahrer diese Fahrzeuge im Mischverkehr erkennen und wie menschliche Fahrer auf diese Fahrzeuge reagieren. Dazu wurde eine Fahrsimulatorstudie durchgeführt, bei der menschliche Fahrer in vier ausgewählten Fahrszenarien entweder einem hochautomatisierten Fahrzeug oder einem anderen menschlichen Fahrer begegneten. Zusätzlich wurde die Wirkung der Kennzeichnung des hochautomatisierten Fahrmodus mittels Statusanzeige nach außen untersucht (keine Kennzeichnung, richtige Kennzeichnung, falsche Kennzeichnung). An der Studie nahmen N = 51 Fahrer im Alter von 20 bis 71 Jahren (22 weiblich) teil. Die Auswahl der Fahrszenarien erfolgte basierend auf Experteninterviews. Die Fahrer bewerteten jede Begegnung mit einem Zielfahrzeug hinsichtlich subjektiver Sicherheit. Bei den erhobenen Fahrdaten wurden insbesondere (minimale) Abstände zu den Zielfahrzeugen ausgewertet. Die Ergebnisse zeigen, dass es aus der Außenperspektive menschlicher Fahrer im Mischverkehr möglich ist, hochautomatisierte Fahrzeuge anhand ihres Fahrverhaltens von anderen menschlichen Fahrern zu unterscheiden. Eine Kennzeichnung beeinflusste diese Unterscheidung nur, wenn diese nicht mit dem aktuellen Fahrmodus des Fahrzeugs übereinstimmte, d.h. diese nichtzutreffend war. Insgesamt bewerteten Probanden die Begegnungen mit hochautomatisierten Fahrzeugen nicht wesentlich risikoreicher und unangenehmer als Begegnungen mit anderen menschlichen Fahrern. Dennoch zeigt die Fahrdatenanalyse, dass situationsspezifisch ein Gefährdungspotenzial des automatisierten Fahrverhaltens vorhanden ist, das durch das streng regelkonforme Verhalten ausgelöst wird.

To support drivers’ comfort and acceptance, automated vehicles (AVs) need to communicate with other traffic participants. For safe and comfortable interaction, AVs should operate consistently by using known manually driving behavior. Thus, parameters regarding informal communication and potential influencing factors need to be investigated for the implementation in AVs’ (e.g., gap acceptance parameters). The present video simulation study investigated the effects of participants’ age, vehicle type and vehicles’ speed on participants’ gap acceptance in a shared space setting. The pre-recorded real-world video material was presented to N = 42 participants (two age groups: < 30 years vs. > 45 years). The recordings displayed a left turn parking maneuver from the drivers’ perspective including an overlap of the ego-vehicles’ and the oncoming vehicles’ trajectory. The material contained three vehicle types (scooter, passenger car, truck) approaching with different speeds (10 - 35 km/h). A mixed ANOVA showed main effects for participants’ age, vehicle types and vehicles’ speed. Time gaps increased by vehicles’ size, with smallest gaps for the scooter and largest for the truck. Moreover, lower (i.e., riskier) time gaps were selected for higher speeds. Older participants preferred more conservative gaps compared to younger participants. The results are in line with previous studies on size-arrival effects and pedestrian-to-vehicle interaction. To meet human expectations and enhance comfort and acceptance, AVs should particularly consider speed related time gaps. Age related time gaps could serve as basis for different automated driving style profiles, e.g. defensive vs. dynamic driving style.