Visual exploration strategies of experienced and non-experienced drivers during the takeover of an automated vehicle
Notice bibliographique
Résumé
Visual scanning of the driving environment is a key component in driving. In conditional automation, the vehicle is usually steered by automation, but drivers may be required to take control of the vehicle in certain circumstances. In these takeover situations (TO), visual exploration of the environment is critical for resuming manual control. This study aimed to compare visual explorations over time during TO preparation and actual TO between experienced and non-experienced drivers. Twenty-five participants completed three simulated drives, each comprising three TO maneuvers. Visual strategies were measured by the percentage of gaze time allocated to areas of interest (AOIs) and further characterised through visual exploration sequences (scanpaths) during TO preparation and actual TO. The results indicated that experienced drivers gazed more at the road area in which the vehicle would be located at the time of effective TO than non-experienced drivers. Similarly, immediately after resuming manual control, experienced drivers gazed more at areas where potential hazards may be present than non-experienced drivers. Three main scanpath classes were identified during TO preparation: anticipation of trajectory control, anticipation of speed control, and environment exploration. During subsequent manual driving, two scanpath classes emerged: speed control and trajectory control. These findings are discussed in terms of differences in visual strategies between non-experienced and experienced drivers, shaped by situational context. Functionally classifying visual exploration sequences provides insight into TO processes and offers a promising link to drivers’ situation awareness and performance.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».