Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

Das Autofahren ist eine ständige Verhandlung zwischen dem, was wir sehen, und dem, was wir vorhersagen. Unsere Augen scannen die Straße, prüfen die Fahrbahnmarkierungen und den Tacho, aber sie können nicht ewig auf jedem Detail fixiert bleiben. Das menschliche Gehirn ist keine Kamera, die ein kontinuierliches Video aufzeichnet; es ist ein Prozessor, der ein mentales Bild der Welt erstellt und dieses Bild nur dann aktualisiert, wenn es notwendig ist. Wenn wir für einen Bruchteil einer Sekunde wegsehen, wird unser Gehirn nicht einfach leer. Stattdessen verlässt es sich auf eine interne Schätzung, eine beste Vermutung darüber, wo sich das Auto befindet und wie schnell es fährt, basierend auf dem letzten Mal, als wir nachgesehen haben, und den Handlungen, die wir gerade ausgeführt haben. Dieses mentale Bild ist nützlich, aber es ist auch fragil. Wenn Zeit vergeht, ohne dass neue visuelle Informationen eintreffen, wird die Vermutung unsicherer und das Fehlerrisiko steigt. Die Frage, die Forscher schon lange beschäftigt, ist nicht nur, wie lange Fahrer wegsehen können, sondern wie sie entscheiden, worauf sie schauen, wenn sie nur begrenzte Zeit haben und mehrere Dinge überwachen müssen.

Jahrzehntelang haben Wissenschaftler untersucht, wie Fahrer ihre Aufmerksamkeit steuern, wobei sie sich oft auf eine einzelne Aufgabe konzentrierten, wie etwa das Halten in einer Spur. Das tatsächliche Autofahren ist jedoch selten so einfach. Ein Fahrer muss gleichzeitig das Auto lenken, um in der Spur zu bleiben, und die Geschwindigkeit steuern, um sie an den Verkehr oder Straßenschilder anzupassen. Diese beiden Aufgaben sind miteinander verknüpft; wenn die Straße stark kurvt, muss der Fahrer langsamer werden, und wenn das Auto zu schnell fährt, wird es schwieriger, sicher zu lenken. Bis jetzt haben Computermodelle, die versuchten zu simulieren, wie Fahrer über ihre Aufmerksamkeit nachdenken, diese Aufgaben meist getrennt behandelt. Sie konnten erklären, wie ein Fahrer entscheidet, auf die Straße zu schauen, um in der Spur zu bleiben, oder wie er auf den Tacho schaut, um die Geschwindigkeit beizubehalten, aber sie konnten nicht erklären, wie ein Fahrer zwischen beiden wählt, wenn beide gleichzeitig unsicher sind. Diese Wissenslücke hinterlässt ein unvollständiges Bild davon, wie Menschen tatsächlich die komplexen, blitzschnellen Entscheidungen treffen, die zum sicheren Fahren erforderlich sind.

Ein Team von Forschern der Universität Jyväskylä und der Kochi University of Technology hat ein neues Computermodell entwickelt, um diese Lücke zu schließen. Sie erschufen einen digitalen Fahrer, der lernt, in einer simulierten Umgebung ein Auto zu fahren, aber mit einem Kniff: Die Sicht des Fahrers wird häufig blockiert, so als ob er eine Brille tragen würde, die dunkel wird. Der digitale Fahrer muss entscheiden, wann er die Brille hebt, um auf die Straße zu schauen, wann er auf den Tachometer schaut und wann er sie geschlossen hält und sich auf seine interne Vermutung verlässt. Das Ziel des Modells war es nicht, mit spezifischen Regeln programmiert zu werden, wann es schauen muss, sondern durch Versuch und Irrtum zu lernen, genau wie ein Mensch, indem es versucht, in der Spur zu bleiben und die Geschwindigkeit in einem sicheren Bereich zu halten, während es gleichzeitig den Aufwand des Schauens minimiert. Die Forscher wollten sehen, ob ein Computer, wenn man ihm nur die grundlegenden Ziele des Autofahrens und die Einschränkung gibt, nicht alles gleichzeitig sehen zu können, natürlich eine Strategie für das Schauen entwickeln würde, die dem Verhalten echter Menschen ähnelt.

Um dies zu testen, sammelten die Forscher zunächst Daten von dreißig menschlichen Teilnehmern in einem Fahrsimulator. Diese Personen fuhren auf einer kurvigen, hügeligen Straße, während sie spezielle Brillen trugen, die ihre Sicht blockieren konnten. Den Teilnehmern wurde gesagt, sie sollten das Auto in der Mitte der Spur halten und eine Geschwindigkeit zwischen 100 und 110 Kilometern pro Stunde beibehalten. Es war ihnen erlaubt, einen Hebel zu ziehen, um ihre Sicht für eine halbe Sekunde kurzzeitig wiederherzustellen, wann immer sie das Gefühl hatten, die Straße oder die Geschwindigkeit prüfen zu müssen. Die Forscher zeichneten genau auf, wie lange die Fahrer die Augen geschlossen hielten, wie oft sie schauten und wie viel Zeit sie mit dem Blick auf die Straße im Vergleich zum Tachometer verbrachten. Diese menschlichen Daten dienten als Benchmark, als realer Standard, gegen den das Computermodell gemessen werden sollte.

Das Computermodell wurde mit einer Hierarchie der Entscheidungsfindung entworfen, die widerspiegelt, wie ein menschliches Gehirn diese Aufgaben organisieren könnte. Es bestand aus drei verschiedenen Teilen, die zusammenarbeiteten. Der erste Teil war für das Lenken verantwortlich, der zweite für die Geschwindigkeitskontrolle und der dritte war ein Supervisor, der entschied, welcher der beiden unteren Teile neue Informationen benötigte. Wenn der Supervisor entschied zu schauen, wählte er entweder die Straße oder den Tachometer, aber nicht beides gleichzeitig, was die Tatsache simulierte, dass der Blick eines Fahrers auf eine Sache fokussiert ist. Das Modell lernte durch Verstärkung, eine Methode, bei der es Belohnungen erhielt, wenn es in der Spur blieb und die Geschwindigkeit korrekt hielt, sowie Strafen für Kollisionen oder zu schnelles Fahren. Entscheidend war, dass das Modell auch eine kleine Strafe für jedes Mal erhielt, wenn es sich entschied zu schauen, was den mentalen Aufwand darstellte, die Aufmerksamkeit zu verlagern. Dies zwang das Modell dazu, effizient zu sein und nur dann zu schauen, wenn die Unsicherheit seiner internen Vermutung zu hoch wurde, um ignoriert zu werden.

Als die Forscher das Modell durch dieselben Simulationsbedingungen laufen ließen, die auch den menschlichen Fahrern vorgesetzt wurden, waren die Ergebnisse frappierend ähnlich. Der Computerfahrer entwickelte ein Schauverhalten, das eng mit den menschlichen Daten übereinstimmte. Im Durchschnitt schaute das Modell etwa 24 Prozent der Zeit auf die Straße und etwa 10 Prozent auf den Tachometer, während es den Rest der Zeit mit geschlossenen Augen verbrachte oder andershin blickte. Diese Verteilung lag sehr nah am menschlichen Durchschnitt, bei dem die Fahrer etwa 29 Prozent der Zeit auf die Straße und 12 Prozent auf den Tachometer schauten. Das Modell entsprach auch den Menschen darin, wie lange es die Augen geschlossen hielt, wobei es im Durchschnitt weniger als eine Sekunde pro Blick durchschnittlich unter einer Sekunde hielt, und wie häufig es kontrollierte, indem es etwa siebenmal alle zehn Sekunden schaute. Sogar die Geschwindigkeit, mit der das Modell fuhr, und die Anzahl der Male, in denen es leicht aus dem Zielgeschwindigkeitsbereich abwich, waren konsistent mit den menschlichen Teilnehmern.

Die bedeutendste Erkenntnis war, dass das Modell diese Ähnlichkeit erreichte, ohne dass ihm genau gesagt wurde, wie es sich verhalten soll. Es hatte keine vorprogrammierte Regel wie „schau alle fünf Sekunden auf die Straße“. Stattdessen lernte es, dass es, um sicher zu bleiben, das Risiko, vom Kurs abzukommen oder zu schnell zu werden, gegen die Kosten des Schauens abwägen musste. Wenn die Straße gerade war und die Geschwindigkeit stabil blieb, lernte das Modell, die Augen für längere Zeiträume geschlossen zu halten und seiner internen Vorhersage zu vertrauen. Wenn die Straße kurvig wurde oder die Geschwindigkeit zu driften begann, lernte das Modell, öfter zu schauen, um seine Vermutung zu korrigieren. Dies deutet darauf dezu, dass die Art und Weise, wie Menschen ihre Aufmerksamkeit zuteilen, keine zufällige Gewohnheit ist, sondern eine adaptive Strategie, die aus der Notwendigkeit entsteht, Unsicherheit effizient zu bewältigen. Das Modell zeigte, dass Autofahrer im Wesentlichen ein Budget der Aufmerksamkeit verwalten und es nur dann ausgeben, wenn die Kosten des Nichtwissens zu hoch werden.

Dennoch offenbarte die Studie auch eine Einschränkung im Verständnis der menschlichen Unvollkommenheit. Während die menschlichen Fahrer gelegentlich aus ihrer Spur drifteten, was beim echten Autofahren ein häufiges Vorkomment ist, machte das Computermodell diesen Fehler nie. Das Modell war zu perfekt beim Lenken, wahrscheinlich weil es darauf trainiert wurde, Fehler so streng zu vermeiden, dass es niemals die kleinen Risiken einging, die Menschen natürlich eingehen. Dies deutet darauf hin, dass das Modell zwar die Logik dessen erfasst, wann ein Fahrer wohin schaut, aber die Stabilität der menschlichen Kontrolle überschätzt. Echte Fahrer verwalten nicht nur die Unsicherheit, sondern kämpfen auch mit physischen Grenzen und gelegentlichen Konzentrationsaussetzern, die das aktuelle Modell nicht vollständig repliziert.

Die Implikationen dieser Arbeit reichen weit über das Verständnis unseres Fahrverhaltens hinaus. Indem sie zeigt, dass Aufmerksamkeit eine dynamische Ressource ist, die verwaltet wird, um interne Vorhersagen genau zu halten, bietet das Modell einen neuen Weg, um über Fahrerassistenzsysteme nachzudenken. Aktuelle Warnsysteme verlassen sich oft auf einfache Regeln, wie etwa das Auslösen eines Alarms, wenn ein Fahrer länger als zwei Sekunden wegsieht. Aber diese Forschung legt nahe, dass die Gefahr des Wegsehens völlig von der Situation abhängt. Zwei Sekunden wegzusehen auf einer geraden, leeren Autobahn könnte völlig sicher sein, weil die interne Vermutung des Fahrers noch genau ist. Derselbe zweisekündige Blick auf einem scharfen, gewundenen Hügel könnte gefährlich sein, weil die Vermutung bereits unzuverlässig wird. Ein System, das auf diesem Modell basiert, könnte die interne Unsicherheit des Fahrers abschätzen und ihn erst dann warnen, wenn sein Mangel an Sicht tatsächlich die Sicherheit bedroht, anstatt nur Sekunden zu zählen.

Letztendlich liefert diese Studie eine formale Erklärung für ein Verhalten, das wir alle tun, ohne darüber nachzudenken: die Kunst zu wissen, wann man schaut und wann man seinem Bauchgefühl vertraut. Sie demonstriert, dass die menschliche Fähigkeit, trotz des Wegsehens sicher zu fahren, kein Versagen der Aufmerksamkeit ist, sondern eine hochentwickelte Form der Anpassung. Indem sie Aufmerksamkeit als ein Werkzeug behandelt, um ein mentales Modell der Welt zu aktualisieren, haben die Forscher gezeigt, dass das Gehirn ständig die Kosten der Information gegen das Risiko eines Fehlers abwägt. Das Computermodell hat trotz seiner Einfachheit diesen komplexen Balanceakt erfolgreich nachgebildet und damit bewiesen, dass die Muster der menschlichen Aufmerksamkeit nicht willkürlich sind, sondern das Ergebnis eines rationalen, wenn auch begrenzten Bemühens sind, in einer unsicheren Welt sicher zu bleiben.