A Review of Driver State Monitoring Systems in the Context of Automated Driving

Hecht, Tobias; Feldhütter, Anna; Radlmayr, Jonas; Nakano, Yasuhiko; Miki, Yoshikuni; Henle, Corbinian; Bengler, Klaus

doi:10.1007/978-3-319-96074-6_43

Cited by 26 publications

(17 citation statements)

References 38 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Diese Signale werden oft für eine objektive Messung des psychologischen Zustands eines Menschen herangezogen, wie es [20] für verschiedene Anwendungen zeigt. Hierbei wird das Frequenzspektrum der Spannungswerte in fünf überlappende Frequenzbänder [10] aufgeteilt: Delta (ı) [1-4 Hz], Theta (Â) [4][5][6][7][8], Alpha (˛) [7,[5][6][7][8][9][10][11][12][13], Beta (ˇ) [13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30] und Gamma ( ) [30][31][32][33][34][35][36][37][38][39][40][41][42][43][44]. Die einzelnen Frequenzen lassen sich, wie von [34] gezeigt, mit verschiedenen Charakteristika in Zusammenhang bringen.…”

Section: Gehirnunclassified

“…Für die Messung der Gehirnwellen wurde ein Elektroenzephalogramm (EEG) benutzt. In [8] wird beschrieben, dass diese Messung die besten Ergebnisse für eine Fahrerzustandseinschätzung gibt. Dabei wird darauf hingewiesen, dass der Sensor kontaktbehaftet ist und zusätzlich oftmals ein Kontaktgel verwendet wird, sodass die Versuchsperson abgelenkt werden könnte.…”

Section: Elektroenzephalogrammunclassified

“…8 das Vorgehen an einem Beispiel aus den Trainingsdaten gesehen werden, bei dem die Gehirn-Abb. 8 Gehirnwellen einer Versuchsperson mit eingezeichneter Beschriftung (Ground Truth) wellen ab etwa Minute 24 eine größere Veränderung aufweisen, da die ˇund -Wellen im Vergleich zu den anderen Gehirnwellen ansteigen. Dabei wird darauf geachtet, dass die Mittelwerte sich deutlich von einander unterscheiden (Mittelwertänderung größer, als Varianz im Signal).…”

Section: Datenvorbereitungunclassified

“…So gibt [23] einen Überblick, welche Entwicklungen und Ergebnisse zur Müdigkeit beim manuellen Fahren existieren und welche Sensoren zur Bestimmung des Zustands zum Einsatz kommen. In [8] wird eine Definition von verschiedenen Fahrerzuständen (Wachheit, Aufmerksamkeit, Müdigkeit, Ablenkung, Vigilanz) gegeben und wie diese erfasst werden können. Hierbei ist die Aussage, dass die Vigilanz, die in der vorliegenden Arbeit erfasst werden soll, besonders für die partielle Automatisierung (SAE Level 2) von Interesse ist.…”

Section: Introductionunclassified

See 3 more Smart Citations

Untersuchung und Klassifikation der Fahreraufmerksamkeit bei längerer partiell automatisierter Fahrt

Hugenroth

Warnecke

Bertram

2021

Forsch Ingenieurwes

View full text Add to dashboard Cite

ZusammenfassungUm die Unfallzahlen weiter zu senken, schreibt die Europäische Union ab 2030 eine höhere Fahrerüberwachung für neue Fahrzeuge vor. Bislang liegt der Fokus in einem manuell gefahrenen Fahrzeug auf einer Müdigkeitserkennung als Komfortsystem. Jedoch ändern sich die Anforderungen an den Fahrer und dessen Aufgaben bei steigender Automatisierung der Fahraufgabe, sodass auch die Fahrerbeobachtung/-überwachung weiter entwickelt werden sollte. Die vorliegende Arbeit beschäftigt sich mit der Auslegung von Aufmerksamkeitsaufgaben in Simulator-Fahrversuchen und einem ersten Versuch die aufgenommenen Daten von wenigen Probanden automatisch auszuwerten, um die Machbarkeit zu zeigen. Durch die partielle Automatisierung (nach SAE Level 2) der Fahraufgabe bleiben dem Fahrer bei der hier vorgestellten längeren Aufmerksamkeitsaufgabe nur noch schwache und seltene Reize, sodass von einer Vigilanzaufgabe gesprochen werden kann. Zur Messung des Fahrerzustands wird in dieser Machbarkeitsstudie eine Kombination aus verschieden Körperfunktionen durch unterschiedliche Sensoren erfasst, mit einem künstlichen neuronalen Netzwerk fusioniert und verarbeitet. Es werden verschiedene Kombinationen von Sensoren getestet, um herauszufinden, welche Signale für eine Klassifikation des Fahrerzustands ausreichend oder notwendig sind. Dabei wird darauf geachtet, ob diese Signale in Zukunft durch neue Sensortechnologien auch kontaktlos erfasst werden könnten, um eine Entwicklung dieser zu motivieren. Am Ende wird eine Klassifizierung vorgenommen, die zwischen den hier so genannten Zuständen Vigilant (aufmerksam) und Hypovigilant (nicht mehr aufmerksam) unterscheiden kann, sodass eine anschließende Regelung ein solches Signal verwenden kann, um den Fahrer in einen besseren Zustand zu bringen. Zudem kann der Fahrer gewarnt werden, wenn die Aufmerksamkeit nicht zu den Aufgaben passt, die er in der Automatisierungsstufe zu erledigen hat beziehungsweise für die er verantwortlich ist. Dazu könnten Aufgaben zwischen dem Fahrzeug und dem Fahrer dynamisch verteilt werden, also beispielsweise die Führung in Längs- oder Querrichtung wieder als Fahraufgabe dem Fahrer übergeben werden, um ihn aufmerksam zu halten. Durch eine kontaktlose Erfassung der Aufmerksamkeit gibt es zudem einen Komfortgewinn, da zum Beispiel die Hände nicht mehr das Lenkrad festhalten müssen, um dem Fahrzeug seine Aufmerksamkeit zu bestätigen, wie es heute in einigen Fahrzeugen üblich ist.

show abstract

Section: Gehirnunclassified

Section: Elektroenzephalogrammunclassified

Section: Datenvorbereitungunclassified

Section: Introductionunclassified

See 2 more Smart Citations

Untersuchung und Klassifikation der Fahreraufmerksamkeit bei längerer partiell automatisierter Fahrt

Hugenroth

Warnecke

Bertram

2021

Forsch Ingenieurwes

View full text Add to dashboard Cite

show abstract

“…Such new in-vehicle setups and their range of possibilities will challenge current eye-tracking based DSM systems. To date, eye tracking is the most suitable technique for driver monitoring, as it is ubiquitous, unobtrusive, and provides a multitude of information about the driver state [33]. However, HAD will also require combining multimodal sensors to ensure effective and comprehensive monitoring.…”

Section: Introductionmentioning

confidence: 99%

Physiological Measures of Risk Perception in Highly Automated Driving

Perelló-March

Burns

Birrell

et al. 2022

IEEE Trans. Intell. Transport. Syst.

View full text Add to dashboard Cite

Highly automated driving will likely result in drivers being out-of-the-loop during specific scenarios and engaging in a wide range of non-driving related tasks. Manifesting in lower levels of risk perception to emerging events, and thus affect drivers' availability to take-over manual control in safety-critical scenarios. In this empirical research, we measured drivers' (N = 20) risk perception with cardiac and skin conductance indicators through a series of high-fidelity, simulated highly automated driving scenarios. By manipulating the presence of surrounding traffic and changing driving conditions as long-term risk modulators, and including a driving hazard event as a short-term risk modulator, we hypothesised that an increase in risk perception would induce greater physiological arousal. Our results demonstrate that heart rate variability features are superior at capturing arousal variations from these long-term, low to moderate risk scenarios. In contrast, skin conductance responses are more sensitive to rapidly evolving situations associated with moderate to high risk. Based on this research, future driver state monitoring systems should adopt multiple physiological measures to capture changes in the long and short term, modulation of risk perception. This will enable enhanced perception of driver readiness and improved availability to safely deal with take-over events when requested by an automated vehicle.

show abstract