Creating the Illusion of Sportiness: Evaluating Modified Throttle Mapping and Artificial Engine Sound for Electric Vehicles
Notice bibliographique
Résumé
Modern computerized vehicles offer the possibility of changing vehicle parameters with the aim of creating a novel driving experience, such as an increased feeling of sportiness. For example, electric vehicles can be designed to provide an artificial sound, and the throttle mapping can be adjusted to give drivers the illusion that they are driving a sports vehicle (i.e., without altering the vehicle’s performance envelope). However, a fundamental safety-related question is how drivers perceive and respond to vehicle parameter adjustments. As of today, human-subject research on throttle mapping is unavailable, whereas research on sound enhancement is mostly conducted in listening rooms, which provides no insight into how drivers respond to the auditory cues. This study investigated how perceived sportiness and driving behavior are affected by adjustments in vehicle sound and throttle mapping. Through a within-subject simulator-based experiment, we investigated (1) Modified Throttle Mapping (MTM), (2) Artificial Engine Sound (AES) via a virtually elevated rpm, and (3) MTM and AES combined, relative to (4) a Baseline condition and (5) a Sports car that offered increased engine power. Results showed that, compared to Baseline, AES and MTM-AES increased perceived sportiness and yielded a lower speed variability in curves. Furthermore, MTM and MTM-AES caused higher vehicle acceleration than Baseline during the first second of driving away from a standstill. Mean speed and comfort ratings were unaffected by MTM and AES. The highest sportiness ratings and fastest driving speeds were obtained for the Sports car. In conclusion, the sound enhancement not only increased the perception of sportiness but also improved drivers’ speed control performance, suggesting that sound is used by drivers as functional feedback. The fact that MTM did not affect the mean driving speed indicates that drivers adapted their “gain” to the new throttle mapping and were not susceptible to risk compensation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
| 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 ».