Datensatz der COMMOTIONS-Studie zu städtischen Fahrzeuginteraktionen im Fahrsimulator

Core Concepts

Dieser Datensatz bietet detaillierte Informationen zu Fahrzeuginteraktionen in städtischen Fahrsituationen, einschließlich kontrollierter Beinahe-Unfallszenarien, um Modelle des menschlichen Fahrverhaltens zu unterstützen.

Abstract

Der Datensatz wurde im Rahmen des COMMOTIONS-Projekts in einem hochmodernen Fahrsimulator erhoben und enthält Informationen zu zwei spezifischen Arten von Beinahe-Unfallsituationen, die in städtischen Fahrsituationen auftreten können, sowie Daten zur Lückenwahl der Fahrer in kontrollierten Fahrzeugströmen.
Der Datensatz umfasst 80 Fahrer und insgesamt 160 Beobachtungen ihres Verhaltens in Beinahe-Unfallsituationen, jeweils in zwei Stufen der Dringlichkeit, sowie 160 Beobachtungen zur Lückenwahl der Fahrer in kontrollierten Fahrzeugströmen.
Die Routenszenarien umfassen typische städtische Situationen wie das Überqueren einer Kreuzung ohne Vorfahrt, das Einfahren in eine Kreuzung bei Grün- und Rotlicht sowie das Linksabbiegen an einer Dreiwege-Kreuzung. Die Beinahe-Unfallszenarien simulieren zwei Arten von kritischen Interaktionen: ein unsicheres Herausfahren eines anderen Fahrzeugs (POV) vor dem Ego-Fahrzeug (SV) an einer T-Kreuzung sowie ein Nicht-Nachgeben des POV, obwohl es zunächst Blinksignale zum Nachgeben gesendet hatte, als der SV gegen den Verkehr abbog.
Die Daten enthalten detaillierte Informationen zu den Fahrzeugbewegungen, Beschleunigungen, Zeitlücken und anderen relevanten Parametern, die für die Modellierung menschlicher Fahrzeuginteraktionen von Interesse sind.

Stats

Die Zeitlücke zwischen zwei aufeinanderfolgenden Fahrzeugen auf der Vorfahrtsstraße betrug zwischen 25 und 113,9 Metern.
Der Zeitpunkt der Scheinwerferblitze des POV, um dem SV das Abbiegen zu signalisieren, lag bei 2,5 bzw. 2,0 Sekunden vor Erreichen des Konfliktbereichs.
Der Schwellenwert für den Zeitpunkt, an dem der POV sein Nachgeben beendete und plötzlich beschleunigte, lag bei 1,5 bzw. 5 Sekunden bis zum Erreichen des Konfliktbereichs durch den SV.

Quotes

Keine relevanten wörtlichen Zitate im Textmaterial.

Key Insights Distilled From

The COMMOTIONS Urban Interactions Driving Simulator Study Dataset

by Aravinda Ram... at arxiv.org 03-15-2024

https://arxiv.org/pdf/2305.11909.pdf

Deeper Inquiries

Wie lassen sich die Erkenntnisse aus diesem Datensatz auf reale Fahrsituationen übertragen, in denen Fahrzeuge mit unterschiedlichen Automatisierungsgraden interagieren?

Die Erkenntnisse aus diesem Datensatz können auf reale Fahrsituationen übertragen werden, indem sie dazu beitragen, das Verhalten von menschlichen Fahrern und autonomen Fahrzeugen besser zu verstehen. Durch die Analyse der Daten zu nahezu kritischen Situationen und dem Gap-Akzeptanzverhalten können Modelle entwickelt werden, die die Interaktion zwischen verschiedenen Verkehrsteilnehmern vorhersagen und verbessern. Dies ist besonders relevant, wenn Fahrzeuge mit unterschiedlichen Automatisierungsgraden aufeinandertreffen, da das Verständnis menschlicher Verhaltensweisen dazu beitragen kann, die Reaktionen von autonomen Fahrzeugen in solchen Situationen zu optimieren.

Welche Rolle spielen kulturelle Unterschiede bei der Interpretation von Fahrzeuginteraktionen wie dem Signalisieren von Nachgeben durch Scheinwerferblitze?

Kulturelle Unterschiede können eine signifikante Rolle bei der Interpretation von Fahrzeuginteraktionen spielen, insbesondere wenn es um soziale Signale wie das Signalisieren von Nachgeben durch Scheinwerferblitze geht. In einigen Kulturen können solche Signale als höfliche Geste oder als Zeichen der Rücksichtnahme interpretiert werden, während sie in anderen Kulturen möglicherweise anders verstanden werden. Daher ist es wichtig, bei der Entwicklung von automatisierten Fahrzeugsystemen kulturelle Unterschiede zu berücksichtigen, um Missverständnisse oder potenzielle Konflikte zu vermeiden.

Inwiefern können die Erkenntnisse aus diesem Datensatz dazu beitragen, die Interaktion zwischen menschlichen Fahrern und autonomen Fahrzeugen in Zukunft zu verbessern?

Die Erkenntnisse aus diesem Datensatz können dazu beitragen, die Interaktion zwischen menschlichen Fahrern und autonomen Fahrzeugen in Zukunft zu verbessern, indem sie die Grundlage für die Entwicklung von prädiktiven Modellen und Verhaltensstrategien bilden. Durch das Verständnis menschlicher Reaktionen in kritischen Verkehrssituationen können autonome Fahrzeuge besser darauf programmiert werden, angemessen zu reagieren und potenzielle Unfälle zu vermeiden. Darüber hinaus können die Daten zur Gap-Akzeptanz dazu beitragen, die Effizienz und Sicherheit von autonomen Fahrzeugen im Straßenverkehr zu verbessern, indem sie deren Fähigkeit zur Anpassung an das Verhalten anderer Verkehrsteilnehmer stärken.