Search

This paper gives an overview of the results of the German national project AutoAkzept. The objective of the project was to develop solutions for the design of automated vehicles that promote the development of trust and thus acceptance for connected, cooperative, and automated mobility by reducing or even preventing subjective uncertainties and associated negative experiences. To this end, AutoAkzept developed technological building blocks for the assessment of activities and states of users of automated vehicles, the creation and application of individual user profiles for the optimization of system adaptation to users as well as strategies for adapting the behavior of automated vehicles in terms of information transfer, interior set-up, routing, and driving style selection. In developing these solutions, the project focused on the essential needs of users of automated systems. These needs should be considered in the conception and design of automated vehicles as well as in their operational use.

Automated driving promises that users can devote their travel time to activities like relaxing or mobile office (MO) work. We present an interior light concept for supporting MO work and evaluate it in a driving simulator study with participants. A vehicle mock-up was equipped as MO including light elements for focus and ambient illumination. Based on these, an adaptive (i.e. adapting to user activities) and an adaptable (i.e. could be changed by user according to preference) light set-up were created and compared to a baseline version. Regarding user experience, the adaptive variant was rated best on hedonic aspects, while the adaptable variant scored highest on pragmatic facets. In addition, the adaptable set-up was ranked best on preference before adaptive and baseline. This suggest that adaption of the interior light to non-driving related activities improves user experience. Future studies should evaluate combinations of the adaptive and the adaptive variants tested here.

The quickly rising development of autonomous vehicle technology and increase of (semi-) autonomous vehicles on the road leads to an increased demand for more sophisticated human–machine-cooperation approaches to improve trust and acceptance of these new systems. In this work, we investigate the feeling of discomfort of human passengers while driving autonomously and the automatic detection of this discomfort with several model approaches, using the combination of different data sources. Based on a driving simulator study, we analyzed the discomfort reports of 50 participants for autonomous inner city driving. We found that perceived discomfort depends on the driving scenario (with discomfort generally peaking in complex situations) and on the passenger (resulting in interindividual differences in reported discomfort extend and duration). Further, we describe three different model approaches on how to predict the passenger discomfort using data from the vehicle’s sensors as well as physiological and behavioral data from the passenger. The model’s precision varies greatly across the approaches, the best approach having a precision of up to 80%. All of our presented model approaches use combinations of linear models and are thus fast, transparent, and safe. Lastly, we analyzed these models using the SHAP method, which enables explaining the models’ discomfort predictions. These explanations are used to infer the importance of our collected features and to create a scenario-based discomfort analysis. Our work demonstrates a novel approach on passenger state modelling with simple, safe, and transparent models and with explainable model predictions, which can be used to adapt the vehicles’ actions to the needs of the passenger.

Motion sickness (MS) is a syndrome associated with symptoms like nausea, dizziness, and other forms of physical discomfort. Automated vehicles (AVs) are potent at inducing MS because users are not adapted to this novel form of transportation, are provided with less information about the own vehicle’s trajectory, and are likely to engage in non-driving related tasks. Because individuals with an especially high MS susceptibility could be limited in their use of AVs, the demand for MS mitigation strategies is high. Passenger anticipation has been shown to have a modulating effect on symptoms, thus mitigating MS. To find an effective mitigation strategy, the prototype of a human–machine interface (HMI) that presents anticipatory ambient light cues for the AV’s next turn to the passenger was evaluated. In a realistic driving study with participants (N = 16) in an AV on a test track, an MS mitigation effect was evaluated based on the MS increase during the trial. An MS mitigation effect was found within a highly susceptible subsample through the presentation of anticipatory ambient light cues. The HMI prototype was proven to be effective regarding highly susceptible users. Future iterations could alleviate MS in field settings and improve the acceptance of AVs.

Wenn Menschen Vorhersagen treffen, Diagnosen stellen oder Erklärungen finden, greifen sie auf mentale Repräsentationen kausaler Zusammenhänge zurück. Dafür müssen diese Repräsentationen die Qualität und Quantität der subjektiven kausalen Erfahrung erhalten und für den inferentiellen Gebrauch verfügbar machen. Für die psychologische Theorie- und Modellbildung zum Erwerb und zur Anwendung kausalen Wissens folgt daraus die Frage: Wie repräsentieren Menschen kausales Wissen? Die Beantwortung dieser Frage erfordert, dass psychologische Theorien und Modelle beschreiben, wie Evidenz für kausale Zusammenhänge akkumuliert und ausgewertet wird. Im Fokus der Forschung zum kausalen Lernen stehen Kovariationsinformationen, d.h. Häufigkeits-informationen über das gemeinsame oder alleinige Auftreten vermuteter Ursachen und interessierender Effekte. In diesen Informationen verbirgt sich Evidenz für zwei distinkte Aspekte jeder kausalen Beziehung, der Hinlänglichkeit und der Notwendigkeit von Ursachen für ihre Effekte. Erfolgt im Rahmen des Erwerbs kausalen Wissens bzw. kausaler Überzeugungen auf Basis von Kovariationsinformationen die Zuschreibung von Verursachung, werden beide Aspekte durch Integration der jeweils voneinander unabhängigen Evidenz verknüpft. Voraussetzung ist ein hohes Maß an konfirmatorischer, d.h. bestätigender Evidenz, für jeden der beiden einzelnen Aspekte. Kontradiktorische, d.h. widersprechende Evidenz führt dagegen zur Diskreditierung des jeweils betroffenen Aspektes selbst, sowie zur Diskreditierung einer bereits erfolgten Kausalzuschreibung. In der vorliegenden Dissertation wurden etablierte normative, rationale und mechanistische Modelle der Forschung zum kausalen Lernen auf Basis der Forschungsliteratur analysiert und überprüft. Es wurde untersucht, welche expliziten und impliziten Annahmen sie zur Repräsentation kausalen Wissens im Allgemeinen und zur Repräsentation und Verarbeitung der Evidenz für die beiden distinkten kausalen Aspekte, der Hinlänglichkeit und der Notwendigkeit, im Speziellen haben. In den Mittelpunkt der analytischen Betrachtungen sowie der nachfolgenden empirischen Untersuchungen stellte die Arbeit hierbei den schrittweisen, auf eigener Beobachtung beruhenden Erwerb kausaler Überzeugungen ohne spezifisches Vorwissen. Die analytischen Betrachtungen zeigten, dass alle der untersuchten etablierten Ansätze hinsichtlich der Spezifikation mentaler Repräsentationen kausalen Wissens deutliche Schwächen besitzen und die jeweiligen Modelle psychologisch unrealistische Annahmen zur Repräsentation und Verarbeitung der konfirmatorischen und kontradiktorischen Evidenz zu beiden Kausalaspekten aufstellen. Für die empirische Überprüfung der Modelle und Bereitstellung von Befunden zur Verknüpfung der beiden Kausalaspekte Hinlänglichkeit und Notwendigkeit im Rahmen mentaler Repräsentationen kausalen Wissens, wurde in der ersten von vier empirischen Untersuchungen die Wirkung kontradiktorischer Evidenz für einen Kausalaspekt auf die subjektive Sicherheit für Vorhersagen zum jeweils komplementären Kausalaspekt untersucht. Es zeigte sich, dass kontradiktorische Evidenz für einen Kausalaspekt die subjektive Sicherheit zum anderen, davon unabhängigen Kausalaspekt, reduziert, was durch keines der ausgewählten Modelle zum kausalen Lernen vorhergesagt wurde. Diese empirischen Befunde konnten mit einem gedächtnisbasierten Ansatz erklärt und modelliert werden. Kontradiktorische Evidenz führt danach zu erlebter Diskrepanz zwischen vorhergesagten und beobachteten Ereignissen und löst eine Veränderung des mentalen Kontexts aus - einen kausalen Kontextwechsel. Dadurch kommt es zu einer Verringerung kontextbedingter Aktivierung von zuvor erworbenen Gedächtnisinhalten und damit verbunden zur Verringerung subjektiver Sicherheiten hinsichtlich des in diesen Gedächtniselementen repräsentierten Wissens. In zwei folgenden empirischen Untersuchungen zum Einfluss kontradiktorischer Evidenz auf die Geschwindigkeit von Reaktionen und die Beanspruchung mentaler Ressourcen wurden Annahmen und Vorhersagen des gedächtnisbasierten Modells überprüft und weitere Evidenz für den postulierten Mechanismus kausaler Kontextwechsel gefunden. In der abschließenden vierten Untersuchung wurden kausale Kontextwechsel anderen Formen von Kontextwechseln gegenübergestellt. Die Befunde zum Vergleich mit anderen, sowohl nicht-handlungsrelevanten als auch handlungsrelevanten Kontextwechseln, lieferten Evidenz dafür, dass kausale Kontextwechsel als eigenständige Form von Kontextwechseln bewertet werden können. Insgesamt zeigen die theoretischen und empirischen Beiträge der Dissertation, dass kausale Kontextwechsel einen zentralen Mechanismus des Erwerbs und der Anwendung kausalen Wissens darstellen. Kausales Lernen – wenn nicht durch Vorwissen beeinflusst – vollzieht sich demnach als Wechselspiel der Akkumulation konfirmatorischer und kontradiktorischer Evidenz für Verursachungszusammenhänge aufsteigender Komplexität, moduliert durch Veränderung des mentalen kausalen Kontextes. When people make predictions, make diagnoses or find explanations, they rely on mental representations of causal relationships. To do so, these representations must preserve the quality and quantity of the subjective causal experience and make it available for inferential use. Therefore, psychological theory and model building of the acquisition and application of causal knowledge must answer this question: How do people represent causal knowledge? In order to find an answer to this question, psychological theories and models must describe how evidence for causal relationships is accumulated and evaluated. Research on this topic focuses on covariation information, i.e. frequency information about the joint or sole occurrence of potential causes and effects of interest. Covariation information provides evidence for two distinct aspects of each causal relationship, the sufficiency and the necessity of causes for their effects. Whenever causality is attributed in causal learning from covariation information, both aspects are bound together by integrating the respective evidence, which are independent of each other. The prerequisite for the attribution of causation is a high level of confirmatory evidence for each of the two distinct aspects. Contradictory evidence, on the other hand, leads to the discrediting of the respective aspect itself, as well as to the discrediting of a causal attribution already made. In this dissertation established normative, rational and mechanistic models of causal learning were analysed and reviewed based on the state-of-the-art literature. It was examined what explicit and implicit assumptions these models make about the representation of causal knowledge in general and regarding the representation and processing of evidence for the two distinct causal aspects, the sufficiency and the necessity. The analytical considerations as well as the subsequent empirical studies focused on the gradual acquisition of causal beliefs based on personal observation without specific prior knowledge. The results of the analytical considerations showed that all of the established approaches investigated have clear weaknesses with regard to the specification of mental representations of causal knowledge and that the respective models make psychologically unrealistic assumptions about the representation and processing of the confirmatory and contradictory evidence on both causal aspects. For the empirical test of the models and the provision of findings regarding the binding of the two causal aspects sufficiency and necessity within mental representations of causal knowledge, the first of four empirical studies examined the effect of contradictory evidence for one of the two causal aspects on the subjective certainty for predictions on the respective complementary causal aspect. It was shown that contradictory evidence for one causal aspect reduces the subjective certainty for the other, independent causal aspect, a finding that was not predicted by any of the models considered. But the empirical results could be explained and modeled using a memory-based approach. Contradictory evidence thus leads to experienced discrepancies between predicted and observed events and triggers a change in the mental context - a causal context change. This change of the mental context leads to a reduction of contextual activation of previously acquired memory content and, in turn, to a reduction of subjective certainty regarding the knowledge represented in the respective memory elements. In two subsequent empirical studies on the influence of contradictory evidence on the speed of reactions and the load of mental resources, assumptions and predictions of the memory-based model were tested and further evidence for the postulated mechanism of causal context changes was found. In the final fourth study, causal context changes were compared to other types of contextual changes. The results for the comparison with both non-action-relevant and action-relevant contextual changes provided evidence that causal contextual changes can be regarded as a specific, distinct type of context change. Overall, the theoretical and empirical contributions of the dissertation show that causal context changes are a central mechanism of the acquisition and application of causal knowledge. Causal learning - if not influenced by prior knowledge - thus takes place as an interplay of the accumulation of confirmatory and contradictory evidence for causal relations of ascending complexity, modulated by changes in the mental causal context.

Trotz der rasanten Fortschritte bei der Fahrzeugautomation, lässt der heutige Stand der Technik im Massenmarkt noch kein autonomes Fahren zu. Obwohl Teil- und Hochautomation zunehmend Aufgaben übernehmen, die vorher durch den Mensch ausgeführt wurden, wird er deshlab auf absehbare Zeit relevant für die Fahrzeugführung bleiben, zum Beispiel als Systemüberwacher oder als letzinstanzlicher Entscheider im Falle von Systemversagen. Die Bewertung von Verhalten, besonders in der Interaktion mit Technik, wird durch die komplexeren Systeme anspruchsvoller, und erfordert die Einführung neuer Methoden der Nutzermodellierung. Bisher hat sich die Verkehrspsychologie auf die Evaluation manuellen Fahrens konzentriert. Die hierfür entwickelten Metriken, zum Beispiel für Ablenkung oder Müdigkeit, sind für automatisiertes Fahren jedoch nur bedingt relevant. Ziel muss es sein, die Fahrer-Fahrzeug-Interaktion so zu modellieren, dass belastbare Aussagen über das Verhalten des Gesamtsystems getroffen werden können. Zu diesem Zweck wurde der Modellierungsansatz DriveGOMS entwickelt, mit dem sich beliebige reale oder hypothetische Szenarien der Mensch-Fahrzeug-Interaktion modellieren lassen. DriveGOMS kann als formale Sprache angesehen werden, die einen niedrigschwelligen Zugang zur Fahrermodellierung erlaubt und beruht auf dem dem Goals, Operators, Methods and Selection Rules-Framework (Card, Moran & Newell, 1983). Mit DriveGOMS wird ein Baukasten von Verhaltenseinheiten zur formalen Beschreibung von Fahrerverhalten bereitgestellt. Diese Verhaltenseinheiten wurden in empirischen Studien (Realfahrt- und Fahrsimulatorstudie) aus den Blick- und Verhaltensdaten realer Fahrer (N=12) extrahiert. Sie ermöglichen die Modellierung reiner Überwachungstätigkeiten, ebenso wie die Modellierung vollständiger Kontrollübergaben. Ergebnisse der Modellierung mit DriveGOMS können Sequenzdiagramme zur Abbildung des Fahrerverhaltens, Label für vorhandene Daten, oder Vorhersagen für mögliche oder notwendige Abfolgen von Fahreraktionen sein. Damit schafft das Framework DriveGOMS eine bisher nicht dagewesene Möglichkeit, Fahrerverhalten für ausgewählte Situationen in Bezug auf individuelle Fragestellungen zu modellieren. Um einen plastischen Eindruck der Möglichkeiten von DriveGOMS zu gewähren, wird im Vortrag eine Modellentwicklung an einem relevanten Szenario beispielhaft dargestellt.