Minimum Time to Situational Awareness During Transfer of Control Under Varying Levels of Task Load
Notice bibliographique
Résumé
Technology advancements in the past two decades have made the human-vehicle connection stronger than ever. Since 2009 there has been a boom in the development of autonomous vehicles (AVs) as an increasing number of manufacturers have begun to see immense potential in this area of artificial intelligence (AI). While the private sector is racing forward with the development of autonomous features, there is a need to understand how the human driver will interface with these features before Level 5 automation is finally achieved. This study sought to explore how distractions during automated driving impacted hazard anticipation upon re-taking control. Twenty-one participants drove in a simulated environment across eight different scenarios to compare how four different in-vehicle tasks that were performed during automated driving affected hazard anticipation after re-taking manual control of the vehicle. An alert of a potential hazard was provided to drivers 6 seconds in advance of the hazard materializing, and the participants were instructed to disengage automation and take back control of the vehicle. The visual and audible tasks elicited a much higher workload than the control group, as captured by the NASA-TLX questionnaire, and drivers who performed the visual task spent, on average, 30 more seconds glancing away from the road during automated driving. Despite all this, there was no statistically significant difference in the hazard anticipation between the groups who performed an in-vehicle task and the control groups, suggesting that a 6-second warning time is sufficient for drivers to regain spatial awareness after a period of automated driving.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».