Forskning om mänskligt beteende hjälper självkörande bilar att förutsäga övergångar för fotgängare

Forskning från University of Leeds kan hjälpa självkörande bilar att bli mer människovänliga. Genom att undersöka hur man kan bättre förstå mänskligt beteende i trafiken, kan neurovetenskapliga teorier om hur hjärnan fattar beslut möjliggöra automatiserad fordonsteknologi för att förutsäga när fotgängare kommer att korsa vägen.

Drift Diffusion Model

Beslutsmodellen som undersöktes av forskarteamet kallas drift diffusion, och den kan användas i scenarier där en bil ger väg till en fotgängare, med eller utan signaler. Genom denna förutsägelseförmåga kan den självkörande bilen kommunicera mer effektivt med fotgängare. Den skulle uppnå en bättre förståelse för deras rörelser i trafiken och yttre signaler som blinkande ljus, vilket skulle hjälpa till att maximera trafikflödet och minska osäkerheten.

Drift diffusion-modeller bygger på antagandet att människor fattar beslut efter att de har samlat in sensorisk bevisning upp till en tröskel, vid vilken punkt beslutet fattas.

Professor Gustav Markkula är från University of Leeds Institute for Transport Studies. Han är huvudförfattare till studien.

“När man fattar beslutet att korsa, verkar fotgängare lägga till många olika källor till bevisning, inte bara relaterade till fordonets avstånd och hastighet, utan också använda kommunikativa signaler från fordonet i form av bromsning och blinkande ljus”, sa professor Markkula.

“När ett fordon ger väg, känner fotgängare ofta osäkerhet om fordonet verkligen ger väg, och de tenderar att vänta tills fordonet nästan har stannat helt innan de börjar korsa”, fortsatte han. “Vår modell visar tydligt denna osäkerhet, vilket innebär att den kan användas för att hjälpa till att utforma hur automatiserade fordon beter sig kring fotgängare för att begränsa osäkerheten, vilket kan förbättra både trafiksäkerheten och trafikflödet.”

“Det är spännande att se att dessa teorier från kognitiv neurovetenskap kan appliceras i denna typ av realvärldssammanhang och hitta en praktisk tillämpning.”

Testing the Model

Forskarteamet satte upp en virtuell verklighet för att testa modellen. Försökspersoner placerades i olika scenarier för vägkorsning inom universitetets HIKER (Highly Immersive Kinematic Experimental Research) simulator för fotgängare. Deras rörelser spårades medan de gick fritt i en stereoskopisk 3D-virtuell scen som visade påkommande trafik. Försökspersonerna instruerades att korsa vägen när de kände sig tillräckligt säkra.

Forskarna testade flera olika scenarier, inklusive det närmande fordonet som upprätthöll en konstant hastighet och bromsade för att låta fotgängaren korsa. Fordonet blinkade ibland med sina strålkastare för att signalera en korsning.

Testerna visade att försökspersonerna tydligen adderade sensorisk data från fordonets avstånd, hastighet, acceleration och kommunikativa signaler innan de fattade beslut om när de skulle korsa. Detta indikerade för teamet att drift diffusion-modellen kunde förutsäga om och när fotgängare troligen skulle korsa vägen.

“Dessa fynd kan hjälpa till att ge en bättre förståelse för mänskligt beteende i trafiken, vilket behövs både för att förbättra trafiksäkerheten och för att utveckla automatiserade fordon som kan samexistera med mänskliga väganvändare”, sa professor Markulla.

“Säker och människovänlig interaktion med fotgängare är en stor utmaning för utvecklare av automatiserade fordon, och en bättre förståelse för hur fotgängare beter sig kommer att vara nyckeln till att möjliggöra detta.”

Enligt huvudförfattare Dr. Jami Pekkanen, “Kan förutsägelse av fotgängarbeslut och osäkerhet användas för att optimera när och hur fordonet ska bromsa och signalera för att kommunicera att det är säkert att korsa, vilket sparar tid och ansträngning för båda.”