MétaCan
Menu
Retour à la cohorte
Enregistrement W4404795724 · doi:10.1109/tiv.2024.3509315

Improving Takeover Requests in Automated Vehicles: The Role of Dynamic Alerts and Cognitive State

2024· article· en· W4404795724 sur OpenAlexaff
Wachirawit Umpaipant, Amandeep Singh, Catherine M. Burns, Siby Samuel

Notice bibliographique

RevueIEEE Transactions on Intelligent Vehicles · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueTransportation and Mobility Innovations
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésState (computer science)CognitionComputer scienceComputer securityBusinessInternet privacyPsychologyNeuroscience

Résumé

récupéré en direct d'OpenAlex

Effective driver re-engagement is essential for the safe operation of automated driving systems (ADS), especially during takeover requests. This study examines the effects of alert intensity and driver engagement in non-driving related tasks on takeover performance in automated vehicles. Forty-one participants navigated simulated driving scenarios with various hazards and alert conditions, allowing analysis of response times, physiological responses, and subjective perceptions. The findings showed that higher-intensity alerts significantly reduced reaction times, leading to quicker driver takeovers. Interestingly, engagement in certain secondary tasks sometimes improved driver responsiveness, suggesting that moderate cognitive engagement may enhance alertness. Response times varied across different driving scenarios, indicating the influence of situational context on driver behavior. Physiological measures, including eye-tracking and heart rate monitoring, showed increased cognitive and physiological arousal during takeover events, particularly in response to stronger alerts. Participants reported higher confidence and satisfaction with high-intensity alerts, without reporting increased annoyance, indicating a preference for more assertive alert mechanisms. These outcomes highlight the critical role of adaptive alert mechanisms in ADS design, promoting for context-aware signaling and real-time driver state monitoring to improve takeover performance and ensure vehicular safety. The study suggests that future ADS should integrate dynamic alert systems capable of adjusting intensity based on situational urgency and driver engagement, thereby enhancing overall system reliability and user acceptance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,241
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Intelligent VehiclesMême sujetTransportation and Mobility InnovationsTravaux en français237 207