Automated driving reduces perceived workload, but monitoring causes higher cognitive load than manual driving
Author links open overlay panelJorkStapelRienderHappee
Keywords
Automated drivingOn-roadWorkloadExperienceAttention
1. Introduction
Monitoring ability is essential in an increasing number of vehicles offering supervised, or SAE2 automation (SAE International, 2016), which require the driver to monitor the automation and intervene when needed. Driver mental workload is an important factor in the operational safety of supervised automation. When automation relieves the driver from the continuous control tasks, mental underload can occur (De Waard, 1996). Over time, this can lead to a state of drowsiness, inattention and slower reactions (Greenlee et al., 2018, Hirose et al., xxxx). This has raised concerns regarding the driverrsquo;s ability to monitor the automation and his/her performance to intervene in critical situations (Kyriakidis et al., 2017).
In order to address these effects, it is important to know how workload is affected by the use of automation, and how this effect varies with driving conditions. This study focuses on two main moderating variables of workload: the complexity of the driving environment and the driverrsquo;s experience with the automation. Understanding the effect of these moderators can help to predict in which conditions workload is too high or too low. Experience with driving automation can lead to task execution at a lower cognitive level, or reduce the perceived complexity of the traffic situation (Paxion et al., 2014, Young and Stanton, 2007). Automation experience can also lead to better monitoring and improved cognitive readiness for familiar driving situations, resulting in higher control transition performance (Krampell, 2016, Larsson et al., 2014, Paxion et al., 2014, Wright et al., 2016, Young and Stanton, 2007). Moreover, automation experience may reduce task demand, or reduce sensitivity to demand changes, and thus influence workload differently in high and low traffic complexity (Patten et al., 2006, Stanton et al., 2005).
This study investigates how workload changes with monitored automated driving in real-world conditions, and how this change is moderated by traffic complexity and by the driverrsquo;s prior experience with automated driving. We conducted an on-road experiment on Dutch public highways in a Tesla Model S. The change in workload was assessed subjectively (NASA R-TLX) as well as objectively (auditory detection-response task). Traffic complexity was moderated by driving in a monotonic, low workload and a complex, engaging highway. To moderate automation experience, participants were either automation-inexperienced drivers or automation-experienced Tesla owners. The conditions were driven both manually and with automation. This resulted in a 2 (automation: on vs. off) times; 2 (environment: monotonic vs. engaging) times; 2 (experience: experienced vs. inexperienced) mixed design as illustrated in Fig. 1.
Fig. 1. Illustration of the independent variables: automation experience, automation use, and complexity of the environment.
1.1. Theories of workload
In line with resource theory and the capacity model (Kahneman, 1973), we describe workload as the ratio between task demands and resources available to meet them. (A discussion of alternative definitions can be found in (Cain, 2007)). Task demand depends on the complexity of the driving task and the traffic situation, but also on how the goals are set (i.e. accepting a level of performance), and the strategy chosen to achieve it. To meet these demands, the driver has to allocate physical and mental resources, which are limited in availability. Driving consists of multiple sub-tasks. To model when and how much these tasks interfere, Wickens (1981) proposed the multiple resource theory in which resource pools are available for the different modalities of perception (e.g. visual, auditory, tactile), the codes of processing (spatial or verbal) and response selection and execution (hands, feet, speech). In addition, he proposed a cognitive resource shared across all tasks.
Resources are finite in capacity, but the upper limit is considered elastic (Kahneman, 1973, Young and Stanton, 2002), and closely related to the driverrsquo;s energetic state. Drivers may exert state related effort to improve their energetic state. Investing computational effort can compensate for increasing demand. Both forms of effort are consciously perceived, and are considered key aspects of perceived workload (De Waard, 1996).
The relation between task demand and workload is u-shaped (De Waard, 1996) and consists of regions of underload, optimal load and overload. In optimal load, performance is generally good and changes in demand have little or no effect on perceived effort or achieved performance. Overload occurs when demands exceed the available resource capacity and performance degrades despite the additional effort invested. Underload occurs when demands are exceptionally low or monotonous in nature. Underload can lead to vigilance decrement, or inattention. However, low task demand can lead to an increase in workload when drivers recognize the development of drowsiness and invest state-related effort to compensate (Warm, Parasuraman, amp; Matthews, 2008).
Experience can make some demanding tasks impose less or no effort, even when performed concurrently with effortful tasks. These include routine operations and learned skills, executed with a high degree of automaticity. Examples are lane keeping, speed or headway maintenance and event detection. When automatized routines can handle the situation, these driving tasks should be insensitive to changes in cognitive load. According to the cognitive control hypothesis, cognitive load from competing tasks can only emerge for non-automatized tasks or when overruling skill-based behavior (Engstrouml;m, Mar
剩余内容已隐藏，支付完成后下载完整资料
附录A 译文
自动驾驶减少了感知的工作量，但监控导致认知负荷高于手动驾驶
关键词
自动驾驶On-roadWorkloadExperienceAttention
1.简介
越来越多的车辆提供监督或SAE2自动化（SAE International，2016），监控能力至关重要，这需要驾驶员监控自动化并在需要时进行干预。驾驶员心理负荷是监督自动化操作安全的重要因素。当自动化使驾驶员免于连续控制任务时，可能会发生精神负荷过重（De Waard，1996）。随着时间的推移，这可能导致困倦，注意力不集中和反应较慢的状态（Greenlee等，2018，Hirose等，xxxx）。这引起了对驾驶员监控自动化的能力以及他/她在危急情况下进行干预的能力的担忧（Kyriakidis等，2017）。
为了解决这些影响，重要的是要了解自动化如何影响工作负载，以及这种影响如何随驾驶条件而变化。本研究主要关注两个主要的工作量调节变量：驾驶环境的复杂性和驾驶员的自动化体验。了解这些主持人的影响有助于预测工作负荷过高或过低的条件。驾驶自动化的经验可以导致任务执行在较低的认知水平，或降低交通状况的感知复杂性（Paxion等，2014，Young和Stanton，2007）。自动化经验还可以为熟悉的驾驶情况提供更好的监控和改进的认知准备，从而提高控制转换性能（Krampell，2016，Larsson等，2014，Paxion等，2014，Wright等，2016，Young和斯坦顿，2007年）。此外，自动化体验可以减少任务需求，或降低对需求变化的敏感度，从而在高和低流量复杂性方面不同地影响工作负载（Patten等，2006，Stanton等，2005）。
本研究调查了在实际条件下监控自动驾驶的工作负荷如何变化，以及如何通过交通复杂性和驾驶员之前的自动驾驶经验来调节这种变化。我们在特斯拉模型S中对荷兰公共高速公路进行了路上实验。主观评估工作负荷的变化（NASA R-TLX）以及客观地（听觉检测 - 响应任务）。通过驾驶单调，低工作负荷和复杂，引人入胜的高速公路来缓解交通复杂性。为了适应自动化体验，参与者要么是自动化缺乏经验的驾驶员，要么是自动化经验丰富的特斯拉车主这些条件是手动和自动化驱动的。这导致2（自动化：开启与关闭）times;2（环境：单调与接合）times;2（经验：经验与未经验）混合设计，如图1所示。
图1. Illus自变量的分类：自动化体验，自动化使用和环境的复杂性。
1.1.工作量理论
根据资源理论和容量模型（Kahneman，1973），我们将工作量描述为任务需求与可用于满足它们的资源之间的比率。（关于替代定义的讨论可以在（Cain，2007）中找到）。任务需求取决于驾驶任务的复杂性和交通状况，还取决于如何设定目标（即接受绩效水平），以及为实现目标而选择的策略。为了满足这些需求，驾驶员必须分配在可用性方面有限的物理和心理资源。驾驶包括多个子任务。为了模拟这些任务干扰的时间和程度，Wickens（1981）提出了多种资源理论，其中资源池可用于不同的感知模式（例如视觉，听觉，触觉），处理代码（空间或语言）和响应选择和执行（手，脚，语音）。此外，他提出了一个跨所有任务共享的认知资源。
资源的容量是有限的，但上限被认为是弹性的（Kahneman，1973，Young和Stanton，2002），并且与驾驶员的能量状态密切相关。司机可以发挥与国家相关的努力来改善他们的精力充沛状态。投入计算工作可以弥补不断增长的需求。两种形式的努力都被有意识地感知，并且被认为是感知工作量的关键方面（De Waard，1996）。
任务需求和工作量之间的关系是U形的（De Waard，1996），由欠载，最佳负载和过载区域组成。在最佳负载下，性能通常很好，并且需求的变化对感知努力或实现的性能几乎没有影响。当需求超过可用资源容量并且性能降低时，即使投入了额外的努力，也会发生过载。当需求异常低或单调性时，就会发生欠载。欠载会导致警惕减少或注意力不集中。然而，当驾驶员认识到困倦的发展并投入与状态相关的努力来补偿时，低任务需求可能导致工作量的增加（Warm，Parasuraman，＆Matthews，2008）。
即使与繁重的任务同时执行，经验也可以使一些要求较高的任务减少或不付出任何努力。这些包括日常操作和学习技能，以高度自动化执行。例如车道保持，速度或车头维护和事件检测。当自动化程序可以处理这种情况时，这些驱动任务应该对认知负荷的变化不敏感。根据认知控制假设，竞争任务的认知负荷只能出现在非自动化任务中或者在超越基于技能的行为时（Engstrouml;m，Markkula，Victor，＆Merat，2017）。因此，与自动化缺乏经验的驾驶员相比，我们希望自动化经验丰富的驾驶员在自动化过程中具有较低的工相反，认知控制假设预测，与手动驾驶相比，监督自动驾驶（主要自动化基于技能的任务）不应减少熟练驾驶员的工作量。
1.2.测量工作量
有大量的文献综述方法来衡量工作量，例如（Cain，2007，De Waard，1996，Miller，2001，Paxion et al。，2014，Stanton et al。，2005，chap.39; Stanton，Salmon， Rafferty，Walker，Baber，＆Jenkins，2013，第8章; Young，Brookhuis，Wickens，＆Hancock，2015）。每个度量对不同的资源池集合以及不同的性能区域都很敏感（De Waard，1996）。在这里，我们讨论本研究中使用的措施。工作量测量的收集可以分为主观评级（自我报告）或客观测量（任务绩效和生理测量）。
主观评级反映了操作员（驾驶员）所经历的工作量，因此对努力的变化敏感。这是衡量工作量的最简单方法，被认为比生理测量更可靠（Miller，2001）。美国宇航局任务负荷指数（TLX）（哈特，2016年）是航空和汽车研究中常用的主观指标，通过六个维度（精神，物理和时间需求;努力，挫折和表现）捕捉操作员的工作量并减少变化通过让参与者对每个项目的相关性进行评分，在参与者和任务上下文之间进行评分。一个变体Raw TLX（R-TLX）忽略了这个评分步骤，并且已经发现它仍然是一种有效的工作量测量方法（Hart，2016）。我们采用了R-TLX来缩短驾车后调查问卷的长度。
主观工作量评级具有较高的面部效度，但评级可能偏离实际工作量。Stanton，1995，Young和Stanton，1997在情境关注理论（CAT）中提出，感知和实际需求和/或资源之间的不平衡是表现不佳的机制之一，并且这种不平衡尤其可能出现在当对驾驶员表现的反馈不充分时自动驾驶（Norman，1981）。为了捕捉这种不匹配，有必要收集客观的工作量度量。
客观的工作负载测量通常来自任务性能，假设性能低下和过载导致性能下降。可以在主要任务或次要任务上测量性能。驾驶中的大多数主要任务需要车辆的手动操作（例如车道保持性能），并且不适合于自动驾驶。次要任务旨在衡量驾驶员的备用容量。它们往往具有高可靠性，可以设计为针对特定资源池。因此，在整个文献中可以找到各种次要任务。次要任务的一个缺点是它们干扰了主要任务。检测 - 响应任务（DRT）是用于测量驾驶员认知负荷的次要任务，并且已被广泛验证（NEN-ISO 81748,2016）。具体而言，它通过测量刺激和响应之间的延迟来测量驾驶员在主驾驶任务和DRT之间转移注意力的能力。当使用不干扰驾驶任务的模态（即触觉或听觉）时，它被认为是认知负荷的纯度量。与其他次要任务相比，DRT引起的额外认知需求通常被认为较低（Martens＆van Winsum，2000），但不容易且不易于自动化（Engstrouml;m等，2017）。我们选择了听觉DRT，因为自动化监控集中在认知资源池中，对驾驶任务的干扰很小，并且在视觉上不会分散注意力。我们更喜欢听觉触觉刺激，因为这可以最大限度地减少侵入性仪器。
对工作负荷变化敏感的生理措施包括心血管活动，皮肤电反应，大脑活动和瞳孔测量。Brookhuis认为生理措施是“最自然的工作量指数类型，因为根据定义，工作需要生理活动”（Stanton等，2005，第17-2页引用）。可以连续记录生理测量，与性能测量不同，它们不需要执行任何任务，这使得它们对于驾驶员状态监测很有意义。心脏监测是最常用的生理指标之一。心理努力与唤醒相关，这会增加心率，而心率变异性在高心理努力下会降低（Stanton等，2005，第20章，第39章）。心率变异性和心理努力之间的这种关系与交感神经（0.02-0.06Hz）和副交感神经（0.15-0.40Hz）神经系统之间的交感迷走平衡有关，该神经系统在0.10Hz范围内测量，或者作为高的比率。低频范围（虽然LF / HF比率是交感神经 - 迷走神经平衡的合适指标的想法受到了挑战;请参阅Billman（2013）进行全面综述）。然而，心脏活动（特别是可变性）不是工作负荷的选择性测量。它们主要响应身体的调节功能，对运动噪音，呼吸频率和言语的变化过敏（Jorna，1992，Young，2000）。我们记录了心脏活动，并探讨了LF / HF比率和间隔间隔的标准差，因为它们与精神负荷相关并且比其他变异性测量更少受到伪影的影响（Stapelberg，Neumann，Shum，McConnell，＆Hamilton-Craig，2017 ）。与工作负荷相关的眼睛测量包括眨眼率，水平凝视分散（用于高速公路驾驶）和瞳孔直径（Marquart，Cabrall，＆de Winter，2015）。后者对高水平的认知负荷特别敏感，但需要仔细控制光照条件（Kahneman，1973）。此外，通过评估目标区域的扫视频率和持续时间的变化，眼动追踪可以进一步深入了解监测质量（即任务绩效）（Kircher＆Ahlstrom，2017）。我们在研究中纳入了眼动追踪，以评估视觉负荷和监测质量。
1.3.自动驾驶中的经验工作量
工作量理论可以帮助解释和预测自动化和其他主持人如何影响驾驶员的工作量，但是对于量化效应，我们需要检查实证结果。为此，我们选择了解决驾驶自动化，交通复杂性和自动化经验影响的研究。
De Winter，Happee，Martens和Stanton（2014）的实证研究总结了32项研究的工作量调查结果，这些研究比较了NASA TLX和RSME（评级量表心理努力）的不同自动化水平。将TLX响应转换为百分比表以便更好地与RSME进行比较，最低项目映射到0％，最高项目映射到100％。研究主要在模拟器中进行，表明从手动驾驶到自动驾驶平均减少了21％的工作量。所考察的六种自动驾驶条件可以被认为是SAE2（Dambouml;ck等人，2013，McDowell等人，2008，Saxby等人，2013，Schermers and Malone，2014）。与手动驾驶相比，SAE2自动化工作量仅降低了13.5％。手动评级为23％至66％，SAE2自动驾驶评级为23％至40％。
交通复杂性对工作量的影响可能与驾驶自动化的使用一样大，手动驾驶中从低到高的交通复杂性增加了35％的工作量（Teh，Jamson，Carsten，＆Jamson，2013）。在监督自动驾驶期间，交通增加了对监控任务的需求（Jamson，Merat，Carsten，＆Lai，2013）。
虽然任务复杂性增加了需求，但自动化的经验可能会减少它直到最近，由于没有自动化经验的驱动程序，很难调查自动化经验的影响。关于自动化工作量的模拟器研究通常包括熟悉期，但15-30分钟的暴露时间对于经验的发展而言太短（Beggiato，Pereira，Petzoldt，＆Krems，2015）。一些研究通过使用自适应巡航控制（ACC）经验的驾驶员（Larsson等，2014，Naujoks等，2016）或开发了通过训练创造经验的特殊程序（Krampell，2016）来近似自动驾驶体验。经验的一些影响，例如感知的风险和信任，也可能难以在模拟器中研究，这对感知保真度构成限制（De Winter等，2012，Hallvig等，2013）。然而，最近的一些研究测量了在道路上自动驾驶期间的心理负荷。
Soliacute;s-Marcos，Ahlstrouml;m和Kircher（2018）测量了配备飞行员辅助系统（SAE2）的沃尔沃S90的视觉二级任务性能，包括自动化无经验驾驶员和平均经历4.5个月自动化的车主。与他们的期望相反，他们发现，与手动驾驶相比，自动化使用增加了对次要任务的不正确响应的百分比，尽管两种条件下的任务完成率相似，并且通过自动化对视觉任务的浏览时间更长。心理努力的TLX评级很高（手动驾驶为79％，自动化使用为67％），这表明在监督自动化中，二次视觉 - 运动任务可能非常苛刻。与所有条件下的自动化缺乏经验的驾驶员相比，自动化经验丰富的驾驶员对道路的瞥视更短。他们还对次要任务给出了更长的一瞥，与手动驾驶相比，这种行为在自动驾驶期间更加明显，而没有经验的驾驶员并没有改变自动化使用的扫视时间。
Banks和Stanton（2016）研究了自动化 - 缺乏经验的驾驶员在原型监督的自动驾驶汽车中短暂但引人入胜的行程中的工作量。与模拟器的结果相比，自动驾驶时的感知工作量（42％）高于手动驾驶（27％）。参与者缺乏对系统的先前培训，额外的任务（执行三次横向操作和回答访谈）以及报告的自动化行为问题都可能导致感知的工作量增加。
Heikoop，de Winter，van Arem和Stanton（2017）对超级跑车熟悉的专业驾驶员进行了道路测试，但在高速公路上的特斯拉Model S没有横向自动化的经验，30分钟后领先车辆试训训练。在旅行的一部分期间执行了简单的次要任务（计算桥梁）。在自动驾驶期间感知的工作负荷总体上被评定为非常低（平均为19％），这甚至低于模拟器文献的结果并且随着时间的推移而减少，这表明在行程期间发生了习惯化。因此，在Dundee压力状态调
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[453412]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
