Evaluation of Driver Performance in Semi-automated Driving by Physiologic, Driver Behaviour and Video-based Sensors

Schläfrigkeit von Fahrer*innen ist eine bedeutende Ursache für schwere Verkehrsunfälle, die zu Todesfällen und anderen Verlusten führen können. Darüber hinaus muss in der kommenden SAE-Stufe 3 (bedingt automatisiertes Fahren) der Zustand des Fahrers überwacht werden, da der Fahrer übernahmebereit sein muss, wenn der Fahrroboter die Fahrzeugführung nicht mehr selbst beherrscht. Zur Erkennung der Müdigkeit des Fahrers wurden in der Literatur im Allgemeinen drei Datenquellen verwendet: Fahrzeugdaten, gesichtsbasierte Merkmale und Biosignale. Wissenschaftliche Studien konzentrierten sich hauptsächlich auf die Entwicklung von Systemen die binäre Klassifikatoren verwendeten und die Vigilanz in zwei Klassen einteilten: wach und schläfrig. Die Hinzunahme eines mittleren Schläfrigkeitsgrades kann jedoch dazu beitragen, den Übergang zwischen Wachsamkeit und Schläfrigkeit besser einzuschätzen, um den Fahrer rechtzeitig über bevorstehende Fahruntüchtigkeit zu warnen. Zusätzlich konzentrierten sich bisherige Arbeiten auf die Erkennung von Müdigkeit beim manuellen Fahren, während beim automatisierten Fahren nach SAE Level 3 keine Eingaben des Fahrers vorkommen. Daher können Systeme zur Müdigkeitserkennung keine Fahrzeugdaten nutzen, um die Müdigkeit beim automatisierten Fahren einzuschätzen.