A General Set-Based Framework for Cognitive State Estimation: Theory and Application to Conditionally Automated Driving

Stellen Sie sich vor, Sie versuchen ein Auto zu steuern, das selbstständig lenken kann, aber nur, wenn Sie aufmerksam sind. Das ist die Welt des automatisierten Fahrens der „Stufe 3“: Das Auto übernimmt die Hauptarbeit, aber der menschliche Fahrer ist das Sicherheitsnetz, bereit, das Lenkrad zu ergreifen, wenn die Dinge seltsam werden. Das große Problem? Menschen sind tückisch. Manchmal vertrauen wir dem Auto zu sehr und schalten ab; manchmal geraten wir in Panik und greifen zu früh ein. Um diese Autos sicher zu machen, muss der Computer wissen, was im Kopf des Fahrers vorgeht – speziell, wie viel er dem Auto vertraut, wie riskant er die Situation einschätzt und wie gestresst er sich fühlt. Dieses Forschungsfeld wird als Mensch-Automatisierung-Interaktion bezeichnet. Lange Zeit haben Wissenschaftler versucht, diese mentalen Zustände mithilfe von Mathematik zu erraten, die davon ausgeht, dass das menschliche Verhalten einer vorhersehbaren „Glockenkurve“ der Zufälligkeit folgt, wie beim Würfelspielen. Aber Menschen sind keine Würfel; wir sind chaotisch, und wir verfügen nicht immer über genügend Daten, um die Würfel oft genug zu werfen, um das Muster zu kennen.

Dieses Paper stellt eine clevere neue Methode vor, um zu erraten, was ein Fahrer denkt, ohne die „Regeln des Würfelspiels“ kennen zu müssen. Anstatt Wahrscheinlichkeiten zu raten, verwenden die Forscher einen „mengenbasierten“ Ansatz. Stellen Sie sich das wie ein Spiel von „Heiß oder Kalt“ mit einer schrumpfenden Box vor. Anstatt zu sagen: „Der Fahrer ist zu 70 % gestresst“, sagt das System: „Das Stresslevel des Fahrers liegt definitiv irgendwo innerhalb dieser spezifischen Box.“ Während der Fahrer mit dem Auto interagiert, wird die Box kleiner und präziser. Die Forscher testeten dies in einem Fahrsimulator mit 20 Freiwilligen, indem sie sie baten, zu fahren, während das Auto die Kontrolle übernahm. Sie fanden heraus, dass diese „schrumpfende Box“-Methode besser vorhersagen konnte, wann ein Fahrer das Lenkrad übernimmt, als die traditionellen „Würfelspiel“-Methoden, insbesondere wenn man weiter in die Zukunft blickt.

Die Geschichte des Papers: Ein Detektiv mit einer schrumpfenden Box

Das Problem: Die „Würfel“ rollen nicht richtig
Die meisten bisherigen Versuche, einen Fahrer zu lesen, verlassen sich auf Wahrscheinlichkeiten. Sie gehen davon aus, dass es, wenn ein Fahrer gestresst ist, so ist, als würde man einen Würfel werfen, bei dem „Stress“ zu 30 % vorkommt. Um dies zu ermöglichen, benötigt man eine enorme Menge an Daten, um genau zu bestimmen, wie der Würfel gewichtet ist. Aber im echten Leben hat man nicht Millionen von Fahrversuchen für jede einzelne Person. Zudem folgen menschliche Gedanken nicht immer glatten, sauberen Kurven. Manchmal ist ein Fahrer vollkommen ruhig, bis eine Baustelle erscheint, und plötzlich ist er in höchster Alarmbereitschaft. Die alten Methoden haben Schwierigkeiten mit diesen plötzlichen Sprüngen und dem Mangel an Daten.

Die neue Idee: Das Unbekannte eingrenzen
Die Autoren, Sibibalan Jeevanandam und Neera Jain, schlagen eine andere Strategie vor. Anstatt zu fragen: „Wie hoch ist die Chance, dass der Fahrer gestresst ist?“, fragen sie: „Welchen Bereich an Möglichkeiten passt zu dem, was wir sehen?“

Stellen Sie sich vor, Sie versuchen, eine verlorene Katze in einem dunklen Haus zu finden.

• Der alte Weg (Wahrscheinlichkeitsbasiert): Sie raten, dass die Katze zu 80 % in der Küche, zu 15 % im Schlafzimmer und zu 5 % in der Garage ist. Sie benötigen viele vergangene Daten darüber, wo Katzen normalerweise Verstecke suchen, um diese Vermutungen anzustellen.
• Der neue Weg (Mengenbasiert): Sie raten keine Wahrscheinlichkeiten. Stattdessen zeichnen Sie eine Box um die Küche. Sie sagen: „Wir wissen mit Sicherheit, dass die Katze irgendwo innerhalb dieser Box ist.“ Wenn Sie ein Miauen hören oder eine Pfote sehen, verkleinern Sie die Box. Wenn die Katze definitiv in der Küche ist, schrumpft die Box auf nur die Küche. Wenn Sie ein Miauen im Flur hören, erweitert sich die Box so, dass sie den Flur mit einschließt. Sie müssen nie die „Wahrscheinlichkeit“ wissen, wo die Katze ist; Sie müssen nur wissen, dass die Box groß genug ist, um die Katze einzufangen, aber klein genug, um nützlich zu sein.

In diesem Paper ist die „Katze“ der mentale Zustand des Fahrers (Vertrauen, wahrgenommene Gefahr, Arbeitsbelastung). Die „Box“ ist eine mathematische Menge, die alle möglichen Werte für diese Zustände enthält. Die Forscher behandeln die unbekannten Faktoren (wie plötzliche Ablenkungen oder ungeprüfte Gedanken) als „unbekannt, aber begrenzt“. Sie wissen nicht genau, wie sehr der Geist des Fahrers abschweift, aber sie wissen, dass er nicht vom Planeten verschwindet. Also zeichnen sie eine Box, die groß genug ist, um dieses Abschweifen abzudecken, und verkleinern sie dann, während sie mehr Hinweise erhalten.

Wie der Detektiv arbeitet
Das System agiert wie ein Detektiv, der ein Rätsel auf zwei Arten löst:

1. Der „Selbstbericht“-Hinweis: Alle paar Augenblicke wird der Fahrer gefragt: „Wie sehr vertrauen Sie dem Auto?“ oder „Wie riskant fühlt sich das an?“ Der Fahrer antwortet auf einer Skala (wie 0 bis 100). Dies ist etwas ungenau, da der Fahrer seine Antwort vielleicht rundet oder leicht voreingenommen sein könnte. Das System nimmt diese Antwort und zeichnet eine „zulässige Menge“ (eine Box) um sie herum.
2. Der „Verlässlichkeits“-Hinweis: Der wichtigste Hinweis ist das, was der Fahrer tut. Hat er das Auto fahren lassen (Verlässlichkeit = 1) oder hat er das Steuer übernommen (Verlässlichkeit = 0)? Dies ist ein binärer Hinweis: ja oder nein. Das System nutzt eine spezielle Karte (einen Entscheidungsbaum), um herauszufinden, welche mentalen Zustände zu welcher Aktion führen. Zum Beispiel könnte die Karte sagen: „Wenn das Vertrauen hoch UND das Risiko niedrig ist, wird der Fahrer sich auf das Auto verlassen.“

Durch die Kombination dieser Hinweise aktualisiert das System seine Box. Wenn der Fahrer sagt: „Ich vertraue dem Auto sehr“ (Selbstbericht), aber dann sofort das Steuer übernimmt (Verlässlichkeit), weiß das System, dass etwas mit seiner aktuellen Box nicht stimmt. Es verkleinert die Box, um einen neuen Ort zu finden, an dem beide Hinweise Sinn ergeben. Wenn die Box jemals leer wird (was bedeutet, dass kein möglicher mentaler Zustand zu den Hinweisen passt), erkennt das System, dass seine Karte falsch ist, und zeichnet die gesamte Karte unter Verwendung der neuen Daten neu.

Das Experiment: Der Simulator-Test
Um dies zu testen, brachten die Forscher 20 Personen in einen Fahrsimulator. Das Auto war auf Automatisierung der Stufe 3 eingestellt, was bedeutete, dass es zwar selbstständig fahren konnte, der Fahrer aber bereit sein musste, zu übernehmen. Die Route enthielt „Baustellen“ (hohe Komplexität) und normale Straßen (niedrige Komplexität).

• Die Fahrer mussten entscheiden, ob sie das Auto fahren lassen oder selbst fahren wollten.
• Alle paar Minuten hielten sie an einer roten Ampel an und beantworteten Fragen zu ihrem Vertrauen, ihrer Gefahr und ihrer Arbeitsbelastung.
• Die Forscher nutzten die erste Hälfte der Fahrt, um das System zu „trainieren“ (die initialen Karten und Boxen zu erstellen) und die zweite Hälfte, um zu testen, ob das System den Zustand des Fahrers in Echtzeit vorhersagen kann.

Was sie herausfanden
Die Ergebnisse waren vielversprechend. Die „schrumpfende Box“-Methode funktionierte für die meisten Menschen gut:

• Konsistenz: Für etwa 80 % der Teilnehmer enthielt die Box des Systems den tatsächlichen mentalen Zustand des Fahrers mindestens zu 75 % der Zeit. Für vier Teilnehmer war sie zu 100 % konsistent.
• Geschwindigkeit: Das System war schnell und berechnete neue Boxen in etwa 0,03 bis 0,07 Sekunden, was viel schneller ist als die 1-Sekunden-Intervalle zwischen den Datenpunkten. Das bedeutet, dass es in Echtzeit in einem echten Auto laufen könnte.
• Vorhersagekraft: Der größte Gewinn war die Vorhersage der Zukunft. Die Forscher fragten: „Können wir erraten, ob der Fahrer das Steuer in 15, 30, 45 oder 60 Sekunden übernehmen wird?“
  • Die neue mengenbasierte Methode war der beste Prädiktor.
  • Je länger die Vorhersagezeit war (z. B. 60 Sekunden im Voraus), desto besser wurde die neue Methode im Vergleich zu den alten Methoden.
  • Die traditionelle „Partikelfilter“-Methode (die wahrscheinlichkeitsbasierte Methode) wurde im Laufe der Zeit schlechter. Die Autoren vermuten, dass die Annahmen der alten Methode über „Rauschen“ (Zufälligkeit) die Fehler über die Zeit aufhäuften, während die „Boxen“ der mengenbasierten Methode durch die Nutzung der Historie der Handlungen des Fahrers eng und präzise blieben.

Warum es wichtig ist
Dieses Paper legt nahe, dass wir nicht die exakte „Wahrscheinlichkeit“ der Gedanken eines Menschen kennen müssen, um sichere automatisierte Autos zu bauen. Wir müssen nur die Grenzen dieser Gedanken kennen. Durch die Verwendung eines mengenbasierten Rahmens kann das System sich an einzelne Fahrer anpassen, mit unordentlichen Daten umgehen und das zukünftige Verhalten genauer vorhersagen als aktuelle Methoden. Es ist ein Schritt hin zu Autos, die nicht nur selbst fahren, sondern tatsächlich den Menschen neben ihnen verstehen und ihr Verhalten anpassen, um die Sicherheit zu gewährleisten. Die Autoren merken an, dass dies in einem Simulator gut funktioniert, der nächste Schritt jedoch darin besteht zu sehen, ob es auch das Chaos des realen Straßenverkehrs bewältigen und genutzt werden kann, um den Automatisierungsgrad des Autos automatisch anzupassen, um den Fahrer involviert zu halten.