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

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

Drift Diffusion Model

Det beslutsfattande modell som forskarteamet undersökte kallas drift diffusion, och det kan användas i scenarier där en bil ger väg till en fotgängare, med eller utan signaler. Genom denna förutsägelseförmåga kan den autonoma fordonet kommunicera mer effektivt med fotgängare. Det 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 ackumulerat 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 bevis, inte bara relaterade till fordonets avstånd och hastighet, utan också använda kommunikativa signaler från fordonet i form av inbromsning och blinkande ljus,” sa professor Markkula.
“När ett fordon ger väg, känner fotgängare ofta sig ganska osäkra på om bilen verkligen ger väg, och de kommer ofta att vänta tills bilen har nästan stannat helt innan de börjar korsa,” fortsatte han. “Vår modell visar tydligt denna osäkerhet, vilket innebär att den kan användas för att hjälpa designa hur automatiserade fordon beter sig kring fotgängare för att begränsa osäkerheten, vilket kan förbättra både trafiksäkerhet och trafikflöde.”
“Det är spännande att se att dessa teorier från kognitiv neurovetenskap kan föras in i denna typ av realvärldssammanhang och hitta en tillämpad användning.”

Testning av modellen

Forskarteamet satte upp för att testa modellen med virtuell verklighet. Försökspersoner placerades i olika vägkorsningsscenarier inom universitetets HIKER (Highly Immersive Kinematic Experimental Research) fotgängarsimulator. Deras rörelser spårades medan de gick fritt inom en stereoskopisk 3D-virtuell scen som presenterade påkommande trafik. Försökspersonerna instruerades att korsa vägen när de kände sig tillräckligt säkra.
Forskarna testade flera olika scenarier, inklusive det närmar sig fordonet som upprätthåller en konstant hastighet och bromsar för att låta fotgängaren korsa. Fordonet blinkade ibland med sina strålkastare för att signalera en korsning.
Testerna visade att försökspersonerna tydligen ackumulerade 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 Markkula.
“Säker och människovänlig interaktion med fotgängare är en stor utmaning för utvecklare av automatiserade fordon, och en bättre förståelse av hur fotgängare beter sig kommer att vara nyckeln till att möjliggöra detta.”
Enligt huvudförfattare Dr. Jami Pekkanen, “Förutsägelse av fotgängarbeslut och osäkerhet kan 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 både.”