Erkennung der kognitiven Belastung eines Fahrers anhand von Vitalparametern aus realen Fahrzeugsensoren

摘要

Im Hinblick auf die zunehmende Automatisierung von Fahrzeugen gewinnt die Einschatzung des Fahrerzustands an Bedeutung. Die ersten eingefuhrten Systeme fur die Automatisierung (SAE Stufen 1 und 2) beruhen darauf, dass der Fahrer die Fahrumgebung weiterhin mit voller Aufmerksamkeit uberwacht und lediglich Teile der Fahraufgabe (Lenken und/oder Beschleunigen und Bremsen) von Fahrerassistenzsystemen ubernommen werden. Insbesondere bei Automatisierung der Stufe 2, bei der der Fahrer die Fahrumgebung beobachten muss, ohne das Fahrzeug selbst zu steuern, muss ein Uberwachungssystem sicherstellen, dass er dieser Aufgabe die erforderliche Aufmerksamkeit schenkt. Bei hoheren Graden der Automatisierung ubernimmt das Fahrzeug die Uberwachung der Fahrumgebung. Bei Automatisierung der Stufe 3 muss der Fahrer weiterhin jederzeit bereit sein, die Fahraufgabe zu ubernehmen. Das Automatisierungssystem muss demnach in der Lage sein, den Zustand des Fahrers im Hinblick seine Ubernahmefahigkeit einschatzen zu konnen. Des Weiteren ergibt sich hier die Moglichkeit, dem Fahrer die Fahraufgabe zum Teil oder vollstandig abzunehmen, sollte dieser visuell und/oder mental uberlastet sein, und somit die Sicherheit zu erhohen. Diese beiden Anwendungsfalle konnen nur durch die Verwendung einer Echtzeitvorhersage der kognitiven Belastung des Fahrers unter Verwendung eines oder mehrerer Sensoren im Fahrzeug realisiert werden. In dieser Studie wurde der Zusammenhang von physiologischen Merkmalen, die sich mittels realer Fahrzeugsensorik bestimmen lassen, mit der kognitiven Belastung eines Fahrers untersucht. Dazu wurde eine Fahrsimulatorstudie durchgefuhrt, bei der zehn Probanden unter gleichen Rahmenbedingungen jeweils zehn Fahrt an aufeinanderfolgenden Tagen absolviert haben. Wahrend jeder Fahrt wurde kognitive Belastung in Form von N-Back-Aufgaben induziert und mittels eines NASA-TLX-Fragebogens verifiziert. Die Ergebnisse zeigen eindeutige Zusammhange der untersuchten Merkmale mit der kognitiven Belastung. Auf dieser Grundlage konnte ein einfaches Klassifizierungssystem trainiert werden, dass niedrige und hohe kognitive Belastung mit einer Genauigkeit von bis zu 93,4% unterscheiden kann.