Anticipatory Driving in Automated Vehicles: The Effects of Driving Experience and Distraction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To understand the influence of driving experience and distraction on drivers' anticipation of upcoming traffic events in automated vehicles. BACKGROUND: In nonautomated vehicles, experienced drivers spend more time looking at cues that indicate upcoming traffic events compared with novices, and distracted drivers spend less time looking at these cues compared with nondistracted drivers. Further, pre-event actions (i.e., proactive control actions prior to traffic events) are more prevalent among experienced drivers and nondistracted drivers. However, there is a research gap on the combined effects of experience and distraction on driver anticipation in automated vehicles. METHODS: A simulator experiment was conducted with 16 experienced and 16 novice drivers in a vehicle equipped with adaptive cruise control and lane-keeping assist systems (resulting in SAE Level 2 driving automation). Half of the participants in each experience group were provided with a self-paced primarily visual-manual secondary task. RESULTS: Drivers with the task spent less time looking at cues and were less likely to perform anticipatory driving behaviors (i.e., pre-event actions or preparation for pre-event actions such as hovering fingers over the automation disengage button). Experienced drivers exhibited more anticipatory driving behaviors, but their attention toward the cues was similar to novices for both task conditions. CONCLUSION: In line with nonautomated vehicle research, in automated vehicles, secondary task engagement impedes anticipation while driving experience facilitates anticipation. APPLICATION: Though Level 2 automation can relieve drivers of manually controlling the vehicle and allow engagement in distractions, visual-manual distraction engagement can impede anticipatory driving and should be restricted.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle