Effects of Level 3 Automated Vehicle Drivers’ Fatigue on Their Take-Over Behaviour: A Literature Review
Notice bibliographique
Résumé
With advancements in automated driving technology, Level 3 vehicle automation has been proliferating. In Level 3, drivers can turn their attention to things unrelated to driving and only takeover in cases of emergency. However, the transition to the main driving task can be affected by different physical and psychological changes in drivers such as fatigue and distraction. Although existing research in the field of manual driving has demonstrated the effects of fatigue on driver performance, there have been relatively few studies on fatigue in the field of automated driving. Fatigue decreases drivers’ alertness, which can prevent drivers from conducting necessary emergency takeover manoeuvres in a safe and timely manner. This systematic literature review was conducted to establish relationships between driving fatigue and takeover behaviour in the existing literature on Level 3 automated driving systems. Different from existing reviews of driving fatigue, this paper focuses on the commonly used and most effective evaluation indicators of driving fatigue and further discusses the methods to improve the takeover efficiency of fatigued drivers. This is the first detailed systematic review of general relationships between fatigue in automated driving and drivers’ takeover behaviours when the vehicle sends a takeover request. Researchers are invited to expand on the findings here to further clarify the findings on the associations between driver fatigue indicators in automated vehicle driving and drivers’ takeover response times.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».