Das Adaptive-Information-Expectancy-Modell zur Aufmerksamkeitssimulation eines kognitiven Fahrermodells
Bertram Wortelen
Bei Unfällen auf deutschen Straßen kommt es jährlich zu mehreren hunderttausend Verletzten und mehreren tausend Todesopfern. Mit immer neuen Automationssystemen, die den Fahrer unterstützen und Teile der Fahraufgabe automatisieren, versucht die Automobilbranche diesen Opferzahlen entgegen zu wirken. In der Luftfahrtdomäne hat sich gezeigt, dass die Einführung von Automationssystemen trotz des grundsätzlich positiven Effekts auch negative Nebeneffekte mit sich bringt. Oft wird der automatisierten Aufgabe zu wenig Aufmerksamkeit geschenkt, um in Gefahrensituationen schnell reagieren zu können (Out-of-the-loop-Effekt).Um bei der Entwicklung neuer Automationssysteme frühzeitig unerwünschte Nebeneffekte zu identifizieren, werden Modelle zur Vorhersage der Aufmerksamkeitsverteilung benötigt. Heutige Modelle ermöglichen jedoch nur Vorhersagen auf einem sehr niedrigen Detaillevel. Das populäre und einfach anwendbare SEEV-Modell liefert lediglich Vorhersagen zur prozentualen Aufteilung der Aufmerksamkeit auf verschiedene Informationsquellen. Dabei wird jedoch die komplexe Interaktion zwischen der Aufmerksamkeitsverteilung des Fahrers und den Aufgaben, die der Fahrer durchführt (z.B. die Fahrzeugführung, Beobachtung des Verkehrs und die Interaktion mit Fahrzeugsystemen), nicht berücksichtigt.In dieser Arbeit wird mit dem Adaptive-Information-Expectancy (AIE)-Modell ein neues Modell der Aufmerksamkeitsverteilung präsentiert, das in kognitive Architekturen integriert werden kann, die zur Simulation von Aufgabenmodellen dienen. Es ist eine Erweiterung des SEEV-Modells und ermöglicht eine detailliertere Simulation der Aufmerksamkeitsverteilung in enger Interaktion mit der Simulation des Aufgabenmodells, als dies mit dem aktuellen Stand der Forschung realisierbar ist. Anders als beim SEEV-Modell lassen sich bei der Simulation des AIE-Modells neben der prozentualen Blickverteilung weitere Kenngrößen der visuellen Aufmerksamkeitsverteilung ermitteln, wie Blickfrequenzen und Blicktransitionswahrscheinlichkeiten. Durch die enge Integration mit der Simulation des Aufgabenmodells lassen sich zudem die daraus resultierenden Auswirkungen auf das Verhalten bei der Aufgabenbearbeitung simulieren. Es werden im AIE-Modell zwei Faktoren berücksichtigt, die einen großen Einfluss auf die Aufmerksamkeit von Autofahrern haben: die Erwartung von Ereignissen und der Wert von Informationen. Der Hauptfokus liegt auf der Ereigniserwartung. Hierzu wird ein neues Verfahren vorgestellt, das die Ereigniserwartung automatisch aus der Simulation eines Aufgabenmodells ermittelt, so dass eine manuelle Bestimmung der Ereigniserwartung entfällt. In einem ersten Schritt wird demonstriert, wie sich das AIE-Modell in die kognitive Architektur CASCaS integrieren lässt. Mithilfe dieser Architektur werden zwei Evaluationsszenarien untersucht. Im ersten Szenario wird eine Laboraufgabe verwendet, die fokussiert den Einfluss der Ereigniserwartung betrachtet. Vergleiche der Simulationsergebnisse des AIE-Modells mit Daten aus der Literatur zum Verhalten von Versuchspersonen zeigen eine sehr gute Übereinstimmung. Für das zweite Szenario wird eine Fahrsimulatorstudie durchgeführt, um das AIE-Modell in einer realistischen Fahrsimulation zu analysieren. Das Simulationsszenario wird sowohl von menschlichen Versuchsfahrern durchfahren als auch von einem Fahrermodell unter Verwendung des AIE-Modells. In diesem Szenario wird sowohl der Einfluss der Ereigniserwartung als auch der Einfluss des Informationswertes auf die Aufmerksamkeitsverteilung untersucht. Bei der Fahrsimulation zeigen sich die Vorzüge des AIE-Modells besonders gut. Das Blickverhalten der Versuchsfahrer wird sehr gut durch das AIE-Modell wiedergegeben. Zudem lassen sich auch die daraus resultierenden Effekte auf die Fahrzeugführung dank der engen Integration mit dem Aufgabenmodell simulieren.
11 / 2014
phdthesis
