Driver Takeover Performance and Monitoring Behavior with Driving Automation at System-Limit versus System-Malfunction Failures
Notice bibliographique
Résumé
Today’s vehicles are becoming highly automated, however, if the automation fails, drivers must take over control of the vehicle. Automation may fail as a result of known system limits (system-limit failure) or of malfunctions that are unforeseen by system designers (system-malfunction failure). The aim of this research was to quantify the differences between how these two failure types influence driver takeover performance and monitoring behaviors. In a simulator with SAE Level 2 driving automation, 18 drivers experienced both a system-limit and system-malfunction failure while engaging in a secondary task. Results show that drivers put their hands on the wheel 0.62 s sooner and took over 0.51 s faster for the system-limit failure compared with the system-malfunction failure. Eye tracking data revealed that the percent of time looking at the secondary task display was 12.7% lower and the percent of time looking at the roadway was 11.2% higher before the system-limit failure compared with before the system-malfunction failure. Given that takeover performance and monitoring behavior differ significantly based on failure type, a distinction should be made in the literature between system-limit and system-malfunction failures, and comparisons between previous studies using these failures should not be done without considering this distinction. Furthermore, as SAE Level 2 vehicles are currently available to consumers, efforts should be focused on supporting drivers’ mental models of automated systems, so that drivers are able to successfully predict system-limit failures.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».