⚡ electrical engineering

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

Dit artikel introduceert een verzameling-gebaseerd raamwerk dat menselijke cognitieve toestanden (vertrouwen, waargenomen risico en werklast) in conditioneel geautomatiseerd rijden schat door onzekerheden te behandelen als onbekend maar begrensd, waarbij via een simulator-experiment wordt aangetoond dat het probabilistische baselines overtreft bij het voorspellen van menselijke afhankelijkheid zonder dat daarvoor grote datasets of distributie-aannames vereist zijn.

Oorspronkelijke auteurs: Sibibalan Jeevanandam, Neera Jain

Gepubliceerd 2026-08-04

📖 8 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sibibalan Jeevanandam, Neera Jain

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een auto probeert te besturen die zichzelf kan besturen, maar alleen als je oplet. Dit is de wereld van "Level 3" geautomatiseerd rijden: de auto doet het zware werk, maar de menselijke bestuurder is het vangnet, klaar om het stuur over te nemen als er vreemde dingen gebeuren. Het grote probleem? Mensen zijn lastig. Soms vertrouwen we de auto te veel en haken we af; andere keren raken we in paniek en grijpen we te vroeg in. Om deze auto's veilig te maken, moet de computer weten wat er in het hoofd van de bestuurder omgaat — specifiek, hoeveel ze de auto vertrouwen, hoe risicovol ze een situatie vinden en hoe gestrest ze zich voelen. Dit studieveld wordt Human-Automation Interaction genoemd. Lange tijd hebben wetenschappers geprobeerd deze mentale toestanden te raden met wiskunde die ervan uitgaat dat menselijk gedrag een voorspelbare "klokcurve" van willekeur volgt, zoals het gooien met dobbelstenen. Maar mensen zijn geen dobbelstenen; we zijn chaotisch, en we hebben niet altijd genoeg data om de dobbelstenen vaak genoeg te gooien om het patroon te kennen.

Dit paper introduceert een slimme nieuwe manier om te raden wat een bestuurder denkt zonder dat je de "regels van de dobbelstenen" hoeft te kennen. In plaats van kansen te raden, gebruiken de onderzoekers een "set-gebaseerde" aanpak. Denk aan een spelletje "Warm of Koud" waarbij een doos steeds kleiner wordt. In plaats van te zeggen: "De bestuurder heeft 70% kans om gestrest te zijn," zegt het systeem: "Het stressniveau van de bestuurder bevindt zich zeker ergens binnen deze specifieke doos." Terwijl de bestuurder met de auto interacteert, wordt de doos kleiner en nauwkeuriger. De onderzoekers testten dit in een rijsimulator met 20 vrijwilligers, waarbij hen werd gevraagd te rijden terwijl de auto het overnam. Ze ontdekten dat deze "krimpende doos"-methode beter was in het voorspellen wanneer een bestuurder het stuur zou overnemen dan de traditionele "dobbelsteen"-methoden, vooral bij het kijken naar de toekomst.

Het Verhaal van het Paper: Een Detective met een Krimpende Doos

Het Probleem: De Dobbelstenen Rollen Niet Juist
De meeste eerdere pogingen om de gedachten van een bestuurder te lezen, vertrouwen op waarschijnlijkheid. Ze gaan ervan uit dat als een bestuurder gestrest is, dit is als het gooien van een dobbelsteen waarbij "stress" 30% van de tijd voorkomt. Om dit te laten werken, heb je een enorme hoeveelheid data nodig om precies te bepalen hoe de dobbelsteen gewicht heeft. Maar in het echte leven heb je niet miljoenen rij-trials voor elke persoon. Bovendien volgen menselijke gedachten niet altijd nette, vloeiende curves. Soms kan een bestuurder perfect kalm zijn totdat er een wegwerkzone verschijnt, en dan plotseling op scherp staan. De oude methoden hebben moeite met deze plotselinge sprongen en het gebrek aan data.

Het Nieuwe Idee: Het Onbekende Afbakenen
De auteurs, Sibibalan Jeevanandam en Neera Jain, stellen een andere strategie voor. In plaats van te vragen: "Wat is de kans dat de bestuurder gestrest is?", vragen zij: "Wat is de range van mogelijkheden die past bij wat we zien?"

Stel je voor dat je een verloren kat probeert te vinden in een donker huis.

De Oude Manier (Probabilistisch): Je gokt dat de kat voor 80% in de keuken is, 15% in de slaapkamer en 5% in de garage. Je hebt veel gegevens uit het verleden nodig over waar katten meestal schuilen om deze gokken te doen.
De Nieuwe Manier (Set-gebaseerd): Je gokt geen kansen. In plaats daarvan teken je een doos rond de keuken. Je zegt: "We weten zeker dat de kat ergens binnen deze doos is." Naarmate je een miauw hoort of een pootafdruk ziet, maak je de doos kleiner. Als de kat definitief in de keuken is, krimpt de doos tot alleen de keuken. Als je een miauw in de gang hoort, breidt de doos zich uit om de gang te bevatten. Je hoeft nooit de "waarschijnlijkheid" te weten dat de kat daar is; je hoeft alleen te weten dat de doos groot genoeg is om de kat te vangen, maar klein genoeg om nuttig te zijn.

In dit paper is de "kat" de mentale toestand van de bestuurder (Vertrouwen, Waargenomen Risico en Werkbelasting). De "doos" is een wiskundige verzameling (set) die alle mogelijke waarden voor deze toestanden bevat. De onderzoekers behandelen de onbekende factoren (zoals plotselinge afleidingen of niet-gemeten gedachten) als "onbekend maar begrensd". Ze weten niet precies hoeveel de geest van de bestuurder afdwaalt, maar ze weten dat het niet van de planeet af zal dwalen. Dus tekenen ze een doos die groot genoeg is om dat dwalen te dekken, en verkleinen die vervolgens naarmate ze meer aanwijzingen krijgen.

Hoe de Detective Werkt
Het systeem werkt als een detective die een mysterie oplost op twee manieren:

De "Zelfrapportage" Aanwijzing: Af en toe wordt de bestuurder gevraagd: "Hoeveel vertrouw je de auto?" of "Hoe risicovol voelt dit?" De bestuurder antwoordt op een schaal (zoals 0 tot 100). Dit is een beetje vaag omdat de bestuurder zijn antwoord kan afronden of licht bevooroordeeld kan zijn. Het systeem neemt dit antwoord en tekent een "haalbare set" (een doos) rond dit punt.
De "Betrouwbaarheid" Aanwijzing: De belangrijkste aanwijzing is wat de bestuurder doet. Liet ze de auto rijden (betrouwbaarheid = 1), of namen ze het stuur over (betrouwbaarheid = 0)? Dit is een binaire aanwijzing: ja of nee. Het systeem gebruikt een speciale kaart (een beslisboom) om te bepalen welke mentale toestanden leiden tot welke actie. Bijvoorbeeld, de kaart kan zeggen: "Als Vertrouwen hoog is EN Risico laag, zal de bestuurder vertrouwen op de auto."

Door deze aanwijzingen te combineren, werkt het systeem de doos bij. Als de bestuurder zegt "Ik vertrouw de auto erg veel" (Zelfrapportage) maar direct daarna het stuur overneemt (Betrouwbaarheid), weet het systeem dat er iets mis is met de huidige doos. Het krimpt de doos om een nieuwe plek te vinden waar beide aanwijzingen kloppen. Als de doos ooit leeg wordt (wat betekent dat geen enkele mogelijke mentale toestand aan de aanwijzingen voldoet), realiseert het systeem zich dat zijn kaart fout is en tekent het de hele kaart opnieuw met de nieuwe data.

Het Experiment: De Simulator Test
Om dit te testen, plaatsten de onderzoekers 20 mensen in een rijsimulator. De auto was ingesteld op Level 3 automatisering, wat betekende dat de auto zelf kon rijden, maar de bestuurder klaar moest zijn om over te nemen. De route bevatte "wegwerkzones" (hoge complexiteit) en normale wegen (lage complexiteit).

De bestuurders moesten beslissen of ze de auto lieten rijden of zelf zouden rijden.
Elke paar minuten stopten ze bij een rood licht en beantwoordden ze vragen over hun vertrouwen, risico en werkbelasting.
De onderzoekers gebruikten de eerste helft van de rit om het systeem te "trainen" (de initiële kaarten en dozen te tekenen) en de tweede helft om te testen of het systeem de mentale toestand van de bestuurder in realtime kon voorspellen.

Wat Ze Vonden
De resultaten waren veelbelovend. De "krimpende doos"-methode werkte goed voor de meeste mensen:

Consistentie: Voor ongeveer 80% van de deelnemers bevatte de doos van het systeem succesvol de werkelijke mentale toestand van de bestuurder in ten minste 75% van de gevallen. Voor vier deelnemers was het 100% consistent.
Snelheid: Het systeem was snel en berekende nieuwe dozen in ongeveer 0,03 tot 0,07 seconden, wat veel sneller is dan de intervallen van 1 seconde tussen de datapunten. Dit betekent dat het in realtime op een echte auto kan draaien.
Voorspellende Kracht: De grootste winst was het voorspellen van de toekomst. De onderzoekers vroegen: "Kunnen we raden of de bestuurder het stuur zal overnemen over 15, 30, 45 of 60 seconden?"
- De nieuwe set-gebaseerde methode was de beste voorspeller.
- Naarmate de voorspellingstijd langer werd (bijv. 60 seconden vooruit), werd de nieuwe methode beter ten opzichte van de oude methoden.
- De traditionele "particle filter" (de probabilistische methode) werd slechter naarmate de tijd verstreek. De auteurs suggereren dat de aannames over "ruis" (willekeur) van de oude methode de fouten in de loop van de tijd opstapelden, terwijl de "dozen" van de set-gebaseerde methode compact en accuraat bleven door de geschiedenis van de acties van de bestuurder te gebruiken om de mogelijkheden te beperken.

Waarom Het Er Toe Doet
Dit paper suggereert dat we niet de exacte "waarschijnlijkheid" van de gedachten van een mens hoeven te kennen om veilige geautomatiseerde auto's te bouwen. We hoeven alleen de grenzen van die gedachten te kennen. Door een set-gebaseerd kader te gebruiken, kan het systeem zich aanpassen aan individuele bestuurders, met chaotische data omgaan en toekomstig gedrag nauwkeuriger voorspellen dan huidige methoden. Het is een stap naar auto's die niet alleen zelf rijden, maar ook echt begrijpen wat de mens naast hen ervaart, en hun gedrag aanpassen om iedereen veilig te houden. De auteurs merken op dat hoewel dit goed werkt in een simulator, de volgende stap is om te zien of het de chaos van het echte verkeer aankan en gebruikt kan worden om het automatisatieniveau van de auto automatisch aan te passen om de bestuurder betrokken te houden.

Technische Samenvatting: Een algemeen set-gebaseerd framework voor de schatting van cognitieve toestanden

Probleemstelling
Het artikel behandelt de uitdaging van het schatten van menselijke cognitieve toestanden in contexten van mens-automatisering-interactie (HAI), specifiek binnen conditioneel geautomatiseerd (SAE Niveau 3) rijden. De huidige veiligheidskritische automatisering vereist dat bestuurders het systeem superviseren, maar bestuurders lijden vaak aan ofwel overmatige monitoring (hoge werklast) of overmatig vertrouwen (verwaarlozing van alertheid). Bestaande oplossingen voor adaptieve automatisering leunen op real-time schatting van de cognitieve toestand, maar dominante benaderingen in de literatuur zijn probabilistisch (bijv. Kalman-filters, Particle-filters, POMDP's). Deze methoden vereisen:

Grote, gestructureerde datasets om ruisverdelingen te identificeren (doorgaans Gaussisch).
Regelmatige, periodieke metingen, terwijl real-world rijgedrag een continue interactie inhoudt met ijle, asynchrone zelfrapportages.
Vaak uitsluitend gericht op "vertrouwen", waarbij andere kritieke factoren zoals waargenomen risico en werklast worden genegeerd.

De auteurs stellen dat de menselijke cognitie wordt beïnvloed door talrijke niet-gemeten factoren, waardoor een probabilistische karakterisering van onzekerheid minder geschikt is dan een begrensde, set-gebaseerde karakterisering.

Methodologie
De auteurs stellen een set-gebaseerd framework voor dat proces- en meetonzekerheden behandelt als "onbekend maar begrensd" in plaats van probabilistisch. Het framework werkt in twee fasen: Systeemidentificatie en Set-gebaseerde Toestandsschatting.

Modellering:
- Toestandsruimte: De cognitieve toestandvector $x$ omvat Vertrouwen ( $T$ ), Waargenomen Risico ( $R$ ) en Werklast ( $W$ ), die alle continu-waardig zijn in $[0, 1]$ .
- Procesmodel: Een begrensde affine differentievergelijking beschrijft de evolutie van de toestand: $x^+(k) = Ax(k) + Bu(k) + C + w(k)$ , waarbij $u$ de taakcomplexiteit vertegenwoordigt en $w$ onbekende maar begrensde procesruis is.
- Meetmodellen:
  - Zelfrapportages: Intermitterende, gekwantiseerde metingen (bijv. een schaal van 0–100) gemodelleerd als $y(k) = Q(x(k) + z(k))$ , waarbij $z$ begrensde meetruis is.
  - Betrouwbaarheid (Reliance): Binaire observaties ( $q \in \{0, 1\}$ ) die aangeven of de bestuurder de automatisering gebruikt, gemodelleerd via een stuksgewijs constante functie $h(x)$ .
Systeemidentificatie (Trainingsfase):
- Met behulp van een trainingssegment van data schatten de auteurs de systeemmatrices ( $A, B, C$ ) door voorspellingsfouten te minimaliseren ten opzichte van zelfrapportages.
- Ruisgrenzen: In plaats van een verdeling aan te nemen, worden de ruisgrenzen ( $\epsilon_w, \epsilon_v$ ) geschat door reachset conformance af te dwingen. Dit zorgt ervoor dat de set toestanden die bereikbaar is door het model onder begrensde ruis, alle geobserveerde zelfrapportages bevat.
- Betrouwbaarheidsregio's: Een binair beslissingsboom wordt gefit om te identificeren welke cognitieve toestanden de betrouwbaarheid beïnvloeden en om de toestandsruimte te partitioneren in regio's ( $S_i$ ) met bijbehorende waarschijnlijkheden.
- Subspace Identificatie: De splitsingen van de beslissingsboom identificeren een specifieke subspace van cognitieve toestanden die de betrouwbaarheid van een specif kind individu daadwerkelijk beïnvloeden, wat zorgt voor dimensionaliteitsreductie.
Set-gebaseerde Toestandsschatting (Testfase):
- De estimator onderhoudt een set-gebaseerde schatting $X(k|k)$ van de cognitieve toestanden.
- Predictie: De set wordt één stap vooruit gepropageerd met behulp van het geïdentificeerde model en begrensde ruis.
- Update via Betrouwbaarheid: Bij het observeren van binaire betrouwbaarheid ( $q$ ), wordt de voorspelde set geïntersecteerd met de haalbare set voor die betrouwbaarheidsobservatie ( $X^R_q$ ). Om robuustheid te verbeteren, kan de estimator een blok van eerdere betrouwbaarheidsobservaties verwerken.
- Update via Zelfrapportages: Wanneer een gekwantiseerde zelfrapportage arriveert, wordt de set geïntersecteerd met de haalbare set afgeleid van de rapportage.
- Online Adaptatie: Als de intersectie van sets leeg wordt (wat aangeeft dat het model de ware toestand niet bevat), triggert het systeem een herberekening van de parameters met gebruik van de data tot dat moment.

Belangrijkste Bijdragen

Eerste Set-gebaseerde Benadering: Dit is het eerste framework dat set-gebaseerde toestandsschatting toepast op menselijke cognitieve toestanden in een continue, niet-trial-gebaseerde HAI-interactie.
Robuustheid tegen Dataschaarsheid: Het framework elimineert de noodzaak voor grote datasets om ruisverdelingen te karakteriseren, door te vertrouwen op begrensde onzekerheid en reachset conformance.
Multi-toestand Schatting: Het schat gelijktijdig Vertrouwen, Waargenomen Risico en Werklast, terwijl eerder werk vaak alleen op vertrouwen was gericht.
Gepersonaliseerde Subspace Identificatie: De methode identificeert welke specifieke cognitieve toestanden de betrouwbaarheid van een individu drijven, wat gerichte schatting mogelijk maakt.
Online Adaptiviteit: De inclusie van een online model-updatemechanisme stelt het systeem in staat om te adapteren wanneer de initiële parameterschattingen nieuw gedrag niet kunnen vangen.

Experimentele Resultaten
Het framework werd geëvalueerd met data van 20 deelnemers in een medium-fidelity rijsimulator met SAE Niveau 3 automatisering.

Consistentie: Voor 11 van de 15 geanalyseerde deelnemers bereikte de set-gebaseerde estimator ten minste 75% consistentie (de geschatte set overlapte met de ware toestand geïmpliceerd door zelfrapportages). Vier deelnemers bereikten 100% consistentie.
Onzekerheid: De gemiddelde onzekerheid (volume van de geschatte set ten opzichte van de toestandsruimte) varieerde van 0,42% tot 38,37%, waarbij 10 deelnemers een onzekerheid onder de 15% bereikten.
Voorspellingsprestaties: De auteurs evalueerden $N_p$ $N_{p}$ -stappen-vooruit betrouwbaarheidsprognoses ( $N_p \in \{15, 30, 45, 60\}$ $N_{p} \in {15, 30, 45, 60}$ tijdstappen). De set-gebaseerde estimator presteerde consequent beter dan zowel een open-loop baseline als een particle filter (gebruikmakend van Gaussische aannames) in termen van de Area Under the Receiver Operating Characteristic Curve (AUC-ROC).
- Het prestatieverschil werd groter bij langere horizonten (bijv. bij $N_p=60$ bereikte de set-gebaseerde estimator een gemiddelde AUC van 0,82 versus 0,76 voor de particle filter).
- De auteurs schrijven de degradatie van de particle filter toe aan de cumulatieve fouten van ad-hoc Gaussische ruisaannames, terwijl de set-gebaseerde benadering de geschiedenis van betrouwbaarheidsobservaties benut via recursieve intersectie zonder verdelingsaannames.
Computatie: De gemiddelde tijd voor set-berekening lag tussen 0,033 en 0,067 seconden, ruim onder het 1-seconde sampling-interval, wat het potentieel voor real-time online implementatie bevestigt.

Significantie en Claims
Het artikel claimt dat dit framework automatisering systemen in staat stelt om "continu bewust te zijn van, en te reageren op, de toestand van de menselijke bestuurder" zonder de uitgebreide dataverzameling of verdelingsaannames die typisch zijn voor probabilistische methoden. Door onzekerheid als begrensd in plaats van probabilistisch te behandelen, is de benadering beter geschikt voor de ijle, asynchrone en gekwantiseerde aard van real-world mens-automatisering data. De auteurs positioneren dit werk als een noodzakelijke voorloper voor de ontwikkeling van echt adaptieve, mens-bewuste voertuigen die kunnen interveniëren op basis van gepersonaliseerde cognitieve toestanden (bijv. het aanpassen van de overname-leadtijd op basis van vertrouwen). Het artikel sluit bescheiden af met de opmerking dat toekomstig werk vereist is om dit in closed-loop controlebeleid te implementeren en om extra metingen te integreren voor volledige toestandsschatting.

Het Verhaal van het Paper: Een Detective met een Krimpende Doos

Technische Samenvatting: Een algemeen set-gebaseerd framework voor de schatting van cognitieve toestanden

Meer zoals dit