Document [original]

Für Hanna und meine Eltern

iii

Vorwort

Die vorliegende Arbeit ist während meiner Tätigkeit als wissenschaftlicher Mitarbeiter der

HFC Human-Factors-Consult GmbH entstanden. In dieser Zeit hatte ich die Möglichkeit, in

einer Vielzahl interessanter Forschungsprojekte mit Bezug zur Thematik der Modellierung

menschlichen Verhaltens mitwirken zu dürfen. Diese und vor allem Professor Dr. Thomas

Jürgensohn haben in mir die Faszination für die Thematik der „menschähnlichen“ Fahrermodelle

geweckt. Da ohne ihn diese Arbeit nicht denkbar gewesen wäre, möchte ich mich ganz besonders

für die ausgiebigen Diskussionen, die konstruktiven Ratschläge und die manchmal unorthodoxen

Methoden zur „Messung“ menschlichen Verhaltens bedanken.

Für das freundliche Interesse und die Übernahme der Doktorvaterschaft bedanke ich mich bei

Prof. Dr. Matthias Rötting. Ebenfalls möchte ich mich bei Prof. Dr. Steffen Müller für die

Übernahme des Prüfungsvorsitzes bedanken. Ich danke ebenso der Geschäftsführung der HFC

für das mir entgegengebrachte Vertrauen und die gewährten Freiräume während der Entstehung

dieser Arbeit. Den Kollegen der HFC, insbesondere Dr. Astrid Oehme, die vor allem am Anfang

der Promotionszeit eine wichtige Ratgeberin war, sowie nicht zuletzt Robert Alms und Philipp

Kotsch danke ich für die vielen interessanten Gespräche, die zum Gelingen der Arbeit wesentlich

beigetragen haben.

Des Weiteren möchte ich mich bei meiner Familie, insbesondere meinen Eltern Brigitte und

Werner bedanken, die – vor allem letzterer – den Grundstein für meinen Berufsweg und somit

auch für diese Arbeit gelegt haben. Für die akribische Durchsicht, die unendliche Geduld und die

vielen wertvollen Anregungen während der Entstehung dieser Arbeit danke ich ganz besonders

Birgit Schuster.

Kurzfassung

Fahrermodelle haben in den letzten Jahrzehnten einen bemerkenswerten Fortschritt erlebt. Aus-

gehend von einfachen technischen Reglern für singuläre Aufgabenstellungen (Längs- bzw.

Querregelung) sind sowohl Anforderungen als auch Komplexität stetig gewachsen. Ansätze aus

der Psychologie beeinflussen die Fahrermodellentwicklung nachhaltig und führten zur Entwick-

lung von hybriden Modellen, die Methoden aus unterschiedlichen Arbeitsgebieten vereinen.

Die Anwendungsszenarien menschähnlicher Fahrermodelle sind ebenso breit gefächert und rei-

chen von Fahrdynamiksimulationen über den Test von Fahrerassistenzsystemen, der Simulation

von Fremdverkehr in Fahrsimulatoren bis hin zur Erzeugung von Trainingsdaten für autonome

Fahrzeuge. Nichtsdestoweniger ist eine konkrete Implementierung spezifisch menschähnlichen

Fahrerverhaltens bisher kaum zu finden.

Diese Arbeit widmet sich daher dieser Thematik. Anhand einer dreistufigen Taxonomie werden

zunächst unterschiedliche Modellierungsansätze bezüglich ihrer Menschähnlichkeitskategorie

verglichen sowie Vor- und Nachteile des entsprechenden Ansatzes herausgearbeitet. Weiterhin

werden allgemeine Erkenntnisse über die Modellierung physiologischer sowie psychologischer

Aspekte im Kontext der Fahrzeugführung analysiert und bewertet.

Basierend auf den gewonnenen Erkenntnissen wird ein Fahrermodell vorgestellt, das spezifisch

menschähnliches Verhalten für Längs- und Querführung abbildet. Die Grundlage hierfür bildet

das Konzept der Fahrzustände: Es wird angenommen, dass sich ein Fahrer abwechselnd entweder

im Fahrzustand Homöostase oder Manöver befindet. Auf diese Art und Weise lassen sich

bestimmte menschliche Verhaltensweisen bei der Fahrzeugführung – vor allem in Situationen

geringer Aufgabenschwierigkeit – besonders realitätsnah nachbilden.

Weiterhin wird die Entwicklung eines Rahmenmodells für die Modellierung menschähnlichen

Fahrerverhaltens beschrieben, mit dessen Hilfe anwendungsspezifische Fahrermodelle erstellt

werden können. Das Gerüst für die Modellierung orientiert sich an der menschlichen Informati-

onsverarbeitung. Es beinhaltet die Hauptelemente „Wahrnehmen von Informationen“, „Erkennen

von Situationen“, „Auswahl von Handlungen“ und „Durchführung von Handlungen“, welche

sequentiell durchlaufen werden. Weitere Modellkomponenten sind ein Arbeitsgedächtnis sowie

Module, die emotionale bzw. motivationale Zusammenhänge abbilden. Die modular konzipierte

Modellstruktur stellt sicher, dass eine effiziente Modellierung erfolgen kann. Grundbausteine

des entwickelten Modells sind Fähigkeiten. Diese führen bestimmte, möglichst elementar zu

definierende Handlungen durch, wobei die Art und Weise der Ausführung durch Parameter

beeinflusst werden kann. Mit Hilfe dieser Parameter kann eine Vielzahl von Fahrertypen mit

spezifischen Eigenschaften definiert werden. Das entstandene Rahmenmodell ermöglicht die

Integration unterschiedlicher psychologischer Konzepte in eine simulationsfähige Modellum-

gebung und kann damit zu einer realistischeren Modellierung menschlichen Fahrerverhaltens

beitragen.

Abstract

Driver models have undergone a remarkable progress over the last decades. Starting from simple

technical controllers for singular tasks (longitudinal or lateral control), requirements as well

as complexity have grown steadily. Approaches from psychology have had a lasting effect

on the development of driver models and have led to hybrid models which combine methods

from different fields of work. The application scenarios for human-like driver models are just

as broad and range from vehicle dynamics simulations to testing of driver assistance systems,

the simulation of external traffic in driving simulators up to the generation of training data

for autonomous vehicles. Nevertheless, an actual implementation of specific human-like driver

behavior is hardly found.

This work is therefore dedicated to human-like driver models. First of all, different modeling

approaches are compared with respect to their „human-likeness“ based on a three-level taxonomy

of driver models. Advantages and disadvantages of the corresponding approach are elaborated

and general findings about the modeling of physiological as well as psychological aspects in the

context of vehicle guidance are analyzed and evaluated.

Based on the knowledge gained, a driver model is presented that depicts specific human-like

behavior for longitudinal and lateral guidance. The basis for this is the concept of driving states:

It is assumed that a driver is alternately either in the driving state homeostasis or maneuver.

In this way, certain human behaviors in vehicle guidance – especially in situations of low task

difficulty – can be simulated in a particularly realistic manner.

Furthermore, the development of a framework for the modeling of human-like driving behavior

is described, which can be used to create application-specific driver models. The modeling

framework is based on human information processing. It includes the main elements „perception

of information“, „recognition of situations“, „selection of actions“ and „execution of actions“,

which are passed through sequentially. Further modules, such as working memory or emotional

and motivational components, influence the overall behavior. The modularly designed model

structure ensures an efficient modeling process. The building blocks of the framework are ability

modules. Each of those conduct elementary actions, which are to be defined as simple as possible,

whereby the manner of execution can be influenced by parameters. These parameters can be used

to define a variety of driver types with specific characteristics. The resulting model framework

enables the integration of different psychological concepts into a simulatable model environment

and can thus contribute to a more realistic representation of human driver behavior.

Inhaltsverzeichnis

Abbildungsverzeichnis xi

Tabellenverzeichnis xv

1 Einführung 1

1.1 Fahrermodell und Menschähnlichkeit – eine erste Eingrenzung der Thematik . 2

1.2 Anwendungsszenarien für menschähnliche Fahrermodelle . . . . . . . . . . . 3

2 Stand der Technik – Fahraufgabe und Fahrermodelle 9

2.1 Grundsätzliches und Versuche der Kategorisierung der Fahraufgabe . . . . . . 9

2.1.1 Fahraufgabe................................ 11

2.1.2 Ebenenmodelle.............................. 12

2.2 Fahrermodelle: Unde Venis? – Quo Vadis? . . . . . . . . . . . . . . . . . . . . 20

2.2.1 Regelungstechnische Ansätze . . . . . . . . . . . . . . . . . . . . . . 25

2.2.1.1 Zwei-Ebenen-Modell des menschlichen Regelverhaltens . . . 29

2.2.1.2 Erweitertes Reglermodell des Fahrers nach Bösch . . . . . . 31

2.2.1.3 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . 33

2.2.2 Ansätze aus der Verkehrssimulation . . . . . . . . . . . . . . . . . . . 34

2.2.2.1 ACME............................. 37

2.2.2.2 PELOPS............................ 38

2.2.2.3 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . 39

2.2.3 Probabilistische Ansätze . . . . . . . . . . . . . . . . . . . . . . . . . 39

2.2.3.1 BAD-Modelle......................... 41

2.2.3.2 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . 42

2.2.4 Psychologische Ansätze . . . . . . . . . . . . . . . . . . . . . . . . . 43

2.2.4.1 ACT-R............................. 44

2.2.4.2 SOAR ............................. 46

2.2.4.3 QN-MHP ........................... 48

2.2.4.4 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . 50

2.2.5 HybrideAnsätze ............................. 51

2.2.5.1 COSMODRIVE........................ 53

2.2.5.2 SSDRIVE ........................... 56

2.2.5.3 Hybrides Fahrermodell von Kiencke & Nielsen . . . . . . . 58

vii

Inhaltsverzeichnis

2.2.5.4 Fahrermodell von Mai . . . . . . . . . . . . . . . . . . . . . 59

2.2.5.5 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . 60

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens 63

3.1 Wahrnehmung................................... 64

3.1.1 Visuelle Wahrnehmung . . . . . . . . . . . . . . . . . . . . . . . . . . 65

3.1.1.1 Physiologie der visuellen Wahrnehmung . . . . . . . . . . . 65

3.1.1.2 Gesichtsfeld/Blickfeld/Nutzbares Sehfeld . . . . . . . . . . . 68

3.1.1.3 Optischer Fluss . . . . . . . . . . . . . . . . . . . . . . . . 70

3.1.1.4 Tiefenwahrnehmung . . . . . . . . . . . . . . . . . . . . . . 72

3.1.2 Auditive Wahrnehmung . . . . . . . . . . . . . . . . . . . . . . . . . 74

3.1.3 Somatosensorische Wahrnehmung . . . . . . . . . . . . . . . . . . . . 75

3.1.4 Vestibuläre Wahrnehmung . . . . . . . . . . . . . . . . . . . . . . . . 78

3.1.5 Wahrnehmung relevanter Informationen . . . . . . . . . . . . . . . . . 78

3.1.5.1 Fahrdynamische Informationen . . . . . . . . . . . . . . . . 79

3.1.5.2 Situative Informationen . . . . . . . . . . . . . . . . . . . . 82

3.2 Informationsverarbeitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

3.2.1 Gedächtnis ................................ 88

3.2.1.1 Arbeitsgedächtnis . . . . . . . . . . . . . . . . . . . . . . . 89

3.2.2 KognitiveProzesse............................ 91

3.2.2.1 Mentale Modellbildung und Antizipation . . . . . . . . . . . 92

3.2.2.2 Problemlösen und Handlungsplanung . . . . . . . . . . . . . 93

3.2.3 Entscheidungsfindung und Risiko . . . . . . . . . . . . . . . . . . . . 95

3.2.3.1 Entscheidungsmodelle für die Fahrermodellierung . . . . . . 98

3.3 Handlungsausführung............................... 101

3.3.1 Der Handlungsbegriff, Handlungsregulation und Volition . . . . . . . . 102

3.3.2 Sensumotorik............................... 105

3.3.3 Physiologische Aspekte . . . . . . . . . . . . . . . . . . . . . . . . . 106

3.3.4 Handlungsausführung beim Autofahren . . . . . . . . . . . . . . . . . 109

3.4 Einflussfaktoren.................................. 112

3.4.1 Aufmerksamkeit ............................. 113

3.4.1.1 Aufmerksamkeit als Ressource . . . . . . . . . . . . . . . . 114

3.4.1.2 Visuelle Aufmerksamkeit und Fahrzeugführung . . . . . . . 116

3.4.1.3 Modellierung visueller Wahrnehmung . . . . . . . . . . . . 119

3.4.2 Belastung und Beanspruchung . . . . . . . . . . . . . . . . . . . . . . 121

3.4.2.1 Müdigkeit ........................... 123

3.4.3 Situationsbewusstsein . . . . . . . . . . . . . . . . . . . . . . . . . . 124

3.4.4 Motivation ................................ 126

3.4.4.1 Motivation und Fahrzeugführung . . . . . . . . . . . . . . . 127

3.4.4.2 Modellierung von Motivation . . . . . . . . . . . . . . . . . 129

viii

Inhaltsverzeichnis

3.4.5 Emotion.................................. 132

3.4.5.1 Emotion und Fahrzeugführung . . . . . . . . . . . . . . . . 135

3.4.5.2 Modellierung von Emotion . . . . . . . . . . . . . . . . . . 136

3.5 Individualität menschlichen Fahrverhaltens . . . . . . . . . . . . . . . . . . . 138

3.5.1 Situationen und Manöver . . . . . . . . . . . . . . . . . . . . . . . . . 138

3.5.1.1 Variable Situationsmerkmale . . . . . . . . . . . . . . . . . 139

3.5.1.2 Modi der Längsführung . . . . . . . . . . . . . . . . . . . . 140

3.5.1.3 Manöver............................ 143

3.5.2 Fehler................................... 145

3.5.3 Lernen .................................. 150

3.6 Unterschiede im Fahrverhalten und ihre Ursachen . . . . . . . . . . . . . . . . 150

3.6.1 Persönlichkeit............................... 152

3.6.2 Demografie................................ 153

3.6.3 Fahrerfahrung............................... 154

3.6.4 Fahrstile.................................. 154

4 Menschähnlichkeit und ihre Modellierung 157

4.1 Modell menschähnlicher Fahrhandlungen . . . . . . . . . . . . . . . . . . . . 160

4.1.1 Fahrhandlung............................... 161

4.1.2 Homöostase................................ 165

4.1.3 Manöver ................................. 170

4.1.4 Fehler................................... 174

4.1.4.1 Fehler während der Homöostase . . . . . . . . . . . . . . . 174

4.1.4.2 Fehler während einer M-Situation . . . . . . . . . . . . . . . 176

4.1.5 Modellierung von Einflussfaktoren . . . . . . . . . . . . . . . . . . . . 179

4.2 Validierung von Fahrermodellen . . . . . . . . . . . . . . . . . . . . . . . . . 182

4.2.1 Validierung und Menschähnlichkeit . . . . . . . . . . . . . . . . . . . 186

4.2.2 Validierung und Kalibrierung des Fahrermodells . . . . . . . . . . . . 187

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle 189

5.1 Aufbau und Struktur des Rahmenmodells . . . . . . . . . . . . . . . . . . . . 190

5.2 Wahrnehmung................................... 194

5.3 Situationserkennung ............................... 196

5.4 Entscheidung ................................... 198

5.5 Ausführung .................................... 200

5.6 Motivations- und Emotionskomponenten . . . . . . . . . . . . . . . . . . . . . 201

5.7 Arbeitsgedächtnis................................. 204

5.8 Fahrertypen.................................... 207

5.9 Validierung des Rahmenmodells . . . . . . . . . . . . . . . . . . . . . . . . . 207

5.10 Zusammenfassung & Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . 209

Literaturverzeichnis 211

Abbildungsverzeichnis

1.1 Kategorisierung von Fahrermodellen anhand eines Entscheidungsbaums . . . . 4

1.2 Stufen der Menschähnlichkeit eines Fahrermodells . . . . . . . . . . . . . . . 5

2.1 Vereinfachter Regelkreis Fahrer-Fahrzeug-Umwelt . . . . . . . . . . . . . . . 9

2.2 Vereinfachter Regelkreis Fahrer-Fahrzeug-Umwelt mit FAS . . . . . . . . . . . 10

2.3 Schema der Fahraufgabe nach Geiser [Gei85] . . . . . . . . . . . . . . . . . . 12

2.4 Drei-Ebenen-Modell der Fahraufgabe nach Donges [Don82] . . . . . . . . . . 13

2.5 Modelle der Fahraufgabe mit drei bzw. vier Ebenen . . . . . . . . . . . . . . . 14

2.6 Drei-Ebenen-Modell des zielgerichteten Verhaltens aus Rasmussen [Ras83] . . 16

2.7 Fahrverhaltenskollektive und Kraftschlussgrenze nach Braess & Donges [BD06] 17

2.8 Driver-In-Control Modell von Hollnagel [HNL03] . . . . . . . . . . . . . . . . 19

2.9 Hierarchische Level des Fahrerverhaltens nach Peräaho et al. [PKH03] . . . . . 20

2.10 Fünf-Ebenen-Modell der Fahraufgabe nach Klimke et al. [KKE15] . . . . . . . 21

2.11 Dimensionen von Fahrerverhaltensmodellen nach de Winter [DWH12] . . . . . 24

2.12 Vorschlag einer Kategorisierung von Fahrermodellen . . . . . . . . . . . . . . 24

2.13 Überführung eines Reglers in ein einfaches Fahrermodell . . . . . . . . . . . . 26

2.14 Fahrermodell nach MacAdam [Mac01] bzw. [Mac03] . . . . . . . . . . . . . . 27

2.15 Kybernetisches Fahrermodell nach Saleh et al. [SCM+11] ........... 29

2.16 Zwei-Ebenen-Modell der Fahrzeugführung nach Donges [Don77] . . . . . . . 31

2.17 Vier-Ebenen-Fahrermodell nach Bösch [Bös91] . . . . . . . . . . . . . . . . . 32

2.18 Zusammenhänge von Verkehrsfluss mit Geschwindigkeit bzw. Verkehrsdichte . 35

2.19 Kognitives Fahrermodell ACME nach Krajzewicz & Wagner [KW02], [KW04] 37

2.20 Struktur des Fahrermodells PELOPS nach Düser [Düs10] . . . . . . . . . . . . 38

2.21 Schema für „Fahren auf Landstraße“ in einem BAD-MoB-Modell [EM10b] . . 42

2.22 Struktur von ACT-R nach Anderson [ABB+04] ................. 45

2.23 Fernpunkt und Nahpunkt bei gerader Strecke bzw. Kurve nach Salvucci [Sal06] 46

2.24 Menschliche Motorik im Fahrermodell DRIVER aus Aasman [Aas95] . . . . . 47

2.25 Struktur und Informationsfluss des QN-MHP aus Tsimhoni & Liu [TL03] . . . 48

2.26 Struktur des QN-Fahrermodells aus Bi et al. [BWWL15] . . . . . . . . . . . . 49

2.27 Informationsfluss in COSMODRIVE nach Bellet et al. [BBMG06] . . . . . . . 53

2.28 Struktur des Human Driver Models aus Delorme & Song [DS01] . . . . . . . . 55

2.29 Taktisches Modul des Human Driver Model aus Delorme & Song [DS01] . . . 56

Abbildungsverzeichnis

2.30 Fahrermodell SSDRIVE nach Amantini, Cacciabue & Carsten [AC09] & [CC10] 57

2.31 Hybrides Fahrermodell aus Kiencke & Nielsen [KN05] . . . . . . . . . . . . . 58

2.32 Primärebene des Fahrermodells von Mai [Mai17] . . . . . . . . . . . . . . . . 59

3.1 Zyklischer Wahrnehmungsprozess nach Goldstein [Gol07] . . . . . . . . . . . 65

3.2 Verarbeitungskapazitäten der Sinne aus Kupfmüller [Kup59]) . . . . . . . . . . 66

3.3 Aufbau des menschlichen Sehapparats aus Gegenfurtner [Geg15] . . . . . . . . 66

3.4 Foveales, parafoveales und peripheres Sehen aus Schweigert [Sch02] . . . . . . 68

3.5 Darstellung des binokularen Gesichtsfelds für weißes Licht aus Negele [Neg07] 69

3.6 Nutzbares Sehfeld abängig von gefahrener Geschwindigkeit aus Babkov [Bab75] 70

3.7 Optischer Fluss aus Cockpitsicht aus Gibson [Gib50] . . . . . . . . . . . . . . 71

3.8 Mögliche systematische Gliederung der visuellen Wahrnehmung . . . . . . . . 74

3.9 Hörfläche des menschlichen Gehörs aus Gegenfurtner [Geg15] . . . . . . . . . 75

3.10 Spreizwinkel von Fahrbahnbegrenzungen . . . . . . . . . . . . . . . . . . . . 81

3.11 TTC und TLC aus Bubb [BBGV15] . . . . . . . . . . . . . . . . . . . . . . . 85

3.12 Schema der menschlichen Informationsverarbeitung nach Wickens [WH00] . . 87

3.13 Integratives Motivation-Emotion-Modell aus Trimmel [Tri15] . . . . . . . . . 88

3.14 Dreistufiges Gedächtnismodell nach Atkinson & Shiffrin [AS68] . . . . . . . . 89

3.15

Schema des Arbeitsgedächtnisses nach Baddeley & Hitch [

BH74

] bzw. Baddeley

[Bad00] ...................................... 90

3.16 Prototypischer Ablauf des Problemlösens nach Blech [Ble10] . . . . . . . . . . 95

3.17 Entscheidungsmodell nach Wickens & Hollands [WH00] . . . . . . . . . . . . 96

3.18 Modell von Fahrerentscheidungen nach Boer & Hoedemaker [BH98] . . . . . . 99

3.19

Umhüllende Zonen („envelope zones“) im COSMODRIVE-Modell aus Bornard

etal.[BSB16]................................... 100

3.20 Entscheidungsprozesse beim Überholen nach Irmscher [Irm01a] . . . . . . . . 101

3.21 Strukturelle Einordnung von Tätigkeiten, Handlungen und Operationen . . . . 102

3.22 Handlungsmodell aus Jürgensohn [Jür97] nach Miller et al. [MGP60] . . . . . 103

3.23 Hierarchisch-sequentielles Handlungsmodell nach Volpert [Vol83] . . . . . . . 103

3.24 Rubikonmodell der Handlungsphasen nach Heckhausen [Hec89] . . . . . . . . 104

3.25 Minimale Reaktionszeit bei optischer Informationsaufnahme aus Wolf [Wol09] 108

3.26 Motorik des Lenkens aus Pick & Cole [PC06] . . . . . . . . . . . . . . . . . . 109

3.27

Modell des neuromuskulären Systems während des Lenkens aus Pick & Cole

[PC03]....................................... 110

3.28 Blockschaltbild des Lenkvorgangs aus Wolf [Wol09] . . . . . . . . . . . . . . 111

3.29 Bremsregelkreis nach Grzesik [Grz09] . . . . . . . . . . . . . . . . . . . . . . 112

3.30 Multiples Ressourcenmodell nach Wickens [Wic08] und POC-Kurven . . . . . 115

3.31 Einflussfaktoren auf das Blickverhalten aus Schweigert [Sch02] . . . . . . . . 118

3.32 Visuelle Aufgaben nach Miura [Miu86] aus Jürgensohn & Timpe [SRJ01] . . . 120

xii

Abbildungsverzeichnis

3.33

Darstellung eines Blickvorgangs mit Hilfe des EMMA-Modells nach Salvucci

[Sal01]....................................... 121

3.34 Kategorien von Beanspruchung . . . . . . . . . . . . . . . . . . . . . . . . . . 122

3.35

Zusammenhang zwischen mentaler Belastung und Leistung nach De Waard

[DW96]...................................... 123

3.36 Schema des Situationsbewusstseins nach Endsley [End95] . . . . . . . . . . . 126

3.37

Fahrermodell bei einem Überholvorgang auf einer Autobahn nach Irmscher

[Irm01b]...................................... 131

3.38 Kategorien affektiver Zustände . . . . . . . . . . . . . . . . . . . . . . . . . . 132

3.39 Die sechs Basisemotionen aus Ekman [Ekm92] . . . . . . . . . . . . . . . . . 133

3.40 Dimensionales Emotionsmodell aus Russel [Rus80] . . . . . . . . . . . . . . 133

3.41 Struktur des „Monitor“-Modells nach Vaa [Vaa03] . . . . . . . . . . . . . . . . 136

3.42 OCC-Modell nach Ortony, Clore & Collin [OCC90] aus Kraus [Kra12] . . . . 138

3.43 Folgemodell aus Wiedemann [Wie74] . . . . . . . . . . . . . . . . . . . . . . 143

3.44 Fahrerfähigkeiten nach Siedersberger [Sie03] . . . . . . . . . . . . . . . . . . 145

3.45 Fehlerkategorien von Zimmer [Zim01] nach Rasmussen [Ras82] . . . . . . . . 147

3.46 Unfallursachen nach einer Untersuchung durch Gründl [Grü05] . . . . . . . . . 147

3.47 Unfälle nach Fehlerkategorien im Jahr 2017 [Bun18] . . . . . . . . . . . . . . 149

4.1 Modellgrenzen des Fahrermodellansatzes . . . . . . . . . . . . . . . . . . . . 161

4.2 Darstellung einer Fahrhandlung am Beispiel der Geschwindigkeitsregelung . . 161

4.3 Homöostase und Manöver . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162

4.4

Verortung der im Modellierungskonzept beschriebenen Bereiche bzgl. des Wi-

ckens’schen Informationsverarbeitungsmodells . . . . . . . . . . . . . . . . . 164

4.5 Schema Längshomöostase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

4.6 Implizite Sollwerte während der Längshomöostase (Folgefahrt) . . . . . . . . . 168

4.7 Implizite Sollwerte während der Längshomöostase (Freie Fahrt) . . . . . . . . 169

4.8 AblaufQuerhomöostase ............................. 170

4.9 Implizite Sollwerte während der Querhomöostase . . . . . . . . . . . . . . . . 171

4.10 Explizite Sollwerte während eines Quermanövers . . . . . . . . . . . . . . . . 173

4.11SchemaTeilmanöver ............................... 175

4.12 Modellierung von Fehlern . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177

4.13 Statische und Dynamische Einflussfaktoren auf das Fahrverhalten . . . . . . . 179

4.14 Schema Motiv-Handlungs-Kette . . . . . . . . . . . . . . . . . . . . . . . . . 181

4.15

Situationsraum mit Kalibriersituation Kinnerhalb eines Gültigkeitsbereichs und

Experimentalsituation Eaus Buchholz [Buc19] . . . . . . . . . . . . . . . . . 185

5.1 Struktur des Rahmenmodells . . . . . . . . . . . . . . . . . . . . . . . . . . . 191

5.2 Struktur einer Fähigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192

5.3 Parametereinfluss anhand der Beispielfähigkeit „Schätzen des Bremswegs“ . . 195

xiii

Abbildungsverzeichnis

5.4 Exemplarische Struktur der Fähigkeiten des Hauptmoduls „Wahrnehmung“ . . 196

5.5

Vereinfachte Statechart-Darstellung der Wahrnehmungsfähigkeit „Geschwindig-

keitswahrnehmung“................................ 197

5.6

Vereinfachte Statechart-Darstellung der Situationsfähigkeit „Erkennung zu hoher

Eigengeschwindigkeit“.............................. 198

5.7 Schema Entscheidungsmodul . . . . . . . . . . . . . . . . . . . . . . . . . . . 200

5.8

Vereinfachte Statechart-Darstellung der Manöverfähigkeit „Geschwindigkeitsre-

duzierung“..................................... 201

5.9

Vereinfachte Statechart-Darstellung der Ausführungsfähigkeit „Regelung der

Fahrzeuggeschwindigkeit“ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202

5.10 Beeinflussung des Fahrermodellverhaltens durch Motivationen/Emotionen . . . 203

5.11 3x3-Matrix des zu beachtenden Fremdverkehrs . . . . . . . . . . . . . . . . . 204

5.12 Beispiel für den Raum der Performanzparametern . . . . . . . . . . . . . . . . 208

xiv

Tabellenverzeichnis

1.1 Typen von Menschähnlichkeit . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2.1 Interaktionen Fahrer-Fahrzeug-Umwelt . . . . . . . . . . . . . . . . . . . . . 10

2.2 Interaktionen FAS zu Fahrer, Fahrzeug und Umwelt . . . . . . . . . . . . . . . 11

2.3

Ranneys [

Ran94

] Klassifizierung der Fahraufgabe nach Michon [

Mic85

] und

Rasmussen[Ras83]................................ 18

2.4 Typen von Fahrerverhaltensmodellen nach Michon [Mic85] . . . . . . . . . . . 21

3.1 Formen der menschlichen Tiefenwahrnehmung . . . . . . . . . . . . . . . . . 73

3.2

Vestibuläre Wahrnehmungsschwellen aus Abendroth & Bruder [

AB15

] nach

Tomaske[Tom83]................................. 78

3.3 Herkunft fahrdynamischer Informationen angelehnt an Zöller [Zöl15] . . . . . 79

3.4 Motive und ihre Auswirkungen nach Irmscher [Irm01b] . . . . . . . . . . . . . 130

3.5 Wichtige, das Fahren beeinflussende Umweltfaktoren . . . . . . . . . . . . . . 140

3.6 PsychosozialeFaktoren.............................. 141

3.7 Fahrmanöver nach Nagel & Enkelmann [NE91] und Tölle [Töl96] . . . . . . . 144

3.8 Fehlerarten nach Reason [Rea90] . . . . . . . . . . . . . . . . . . . . . . . . . 148

4.1 Typen von Menschähnlichkeit . . . . . . . . . . . . . . . . . . . . . . . . . . 158

4.2 Vorschlag einer Situationspriorisierung . . . . . . . . . . . . . . . . . . . . . . 174

4.3 Kategorisierung von Manövern bzgl. Fahrzeugdynamik sowie deren Ursachen . 176

4.4 Informationsfehler während der Homöostase und ihre Auswirkung . . . . . . . 178

4.5 Diagnosefehler in der Situationserkennung und ihre Auswirkung . . . . . . . . 178

5.1 Informationen im Arbeitsgedächtnis des Fahrermodells und ihre Gültigkeiten . 206

1 Einführung

„Das Auto ist eine vorübergehende Erscheinung. Ich glaube an das Pferd.“

Kaiser Wilhelm II.

Seit über einem halben Jahrhundert werden Fahrermodelle entwickelt, um die unterschiedlichsten

Problemstellungen im Kontext Fahrer-Fahrzeug-Umwelt analysieren und bewältigen zu können.

In dieser Zeit haben sich Fahrermodelle von einfachen technischen Reglern für spezifische

Aufgaben in einem stark eingeschränkten Kontext zu vielseitig einsetzbaren Werkzeugen für

verschiedene Anwendungsszenarien entwickelt. Die Grundaufgabe eines jeden Fahrermodells

besteht somit aus der Modellierung des Verhaltens eines Fahrers. Eine möglichst menschähnliche

Modellierung, also eine maximale Ähnlichkeit nicht nur des erzeugten Modellverhaltens zu

menschlichem Verhalten, sondern auch dessen Zustandekommen, steht jedoch bis dato nicht

im Fokus der Modellierung. Durchaus werden – vor allem in ingenieurtechnischen Methoden

– punktuell Parameter wie Stellgrößenbeschränkungen oder Totzeiten implementiert, um den

Steuergrößen des Modells ein menschliches Antlitz zu verleihen. Diese Modifikationen werden

der Komplexität eines wirklich menschähnlichen Fahrermodells jedoch nicht gerecht. Auf der

anderen – psychologisch motivierten – Seite existieren zwar kognitive Modellierungsansätze,

deren Prämisse – die Nachbildung menschlicher Kognition – theoretisch Abhilfe schaffen könnte,

jedoch erscheint der Aufwand, den die Modellierung eines nicht nur einzelne Situationen umfas-

senden Fahrermodells mit solcherlei Methoden hätte, wirtschaftlich betrachtet als viel zu hoch.

Diese Arbeit widmet sich ebendieser Thematik – der Menschähnlichkeit von Fahrermodellen,

sowie deren Modellierung.

In Abschnitt 1.1 wird der Begriff Menschähnlichkeit eingeführt und es werden die sich daraus

ergebenden Forderungen an die Modellierung formuliert. Folgend werden in Abschnitt 1.2 Sze-

narien für die Anwendung menschähnlicher Fahrermodelle ausgeführt. Kapitel 2 beschäftigt sich

mit dem Stand der Technik: Es werden unterschiedliche Herangehensweisen an die Modellierung

der Fahraufgabe betrachtet und eine Vielzahl aktueller, aber auch bedeutsamer historischer Fah-

rermodelle begutachtet. In Kapitel 3 wird die menschliche Informationsverarbeitung im Kontext

der Fahrzeugführung ausführlich betrachtet. In Kapitel 4 wird auf das Thema der Modellierung

menschähnlichen Verhaltens näher eingegangen und ein Modell menschähnlicher Fahrhand-

lungen vorgestellt. In Kapitel 5 wird ein Rahmenmodell für die Erzeugung parametrierbarer

menschähnlicher Fahrermodelle vorgestellt.

1 Einführung

1.1 Fahrermodell und Menschähnlichkeit – eine erste

Eingrenzung der Thematik

Durch die Einführung des Mikroprozessors und die damit einhergehende stetig steigende Rechen-

leistung entstanden neue Möglichkeiten zur Simulation von komplexen Systemen. Im Bereich der

Fahrzeugtechnik entwickelte sich die Simulation dieser Systeme zu einem mächtigen Werkzeug

für den technischen Fortschritt dieses Forschungsfelds. Die einer solchen Simulation zugehörigen

Teilsysteme können aus verschiedenen Entitäten bestehen:

•

Physisch vorhandene technische Systeme (in eine Simulation eingebundene technische

Systeme/HiL)

• Virtuelle technische Systeme (Modelle technischer Systeme)

• Reale Personen (in die Simulation eingebundene menschliche Akteure)

• Virtuelle Personen (Modelle menschlicher Akteure)

Diese Arbeit beschäftigt sich mit letzteren, mit der Einschränkung, dass deren Aufgabe das Fahren

eines Fahrzeugs beinhaltet, den Fahrermodellen. Die Aufgabe eines Fahrermodells ist es, alle

für das Führen eines realen oder virtuellen Fahrzeugs notwendigen Handlungen durchzuführen.

Es muss also motorische Aktionen erzeugen können, um diese Handlungen zu vollstrecken,

beispielsweise das Drehen des Lenkrads

. Diese partikulären Aktionen basieren auf kausalen

Ursachen, welche aus der jeweiligen Situation des Fahrer-Fahrzeug-Ensembles in seiner Umwelt

hervorgehen. Jedes Fahrermodell lässt sich nun bezüglich seiner Eigenschaft Menschähnlichkeit

bewerten – eine Begriffsbestimmung sowie eine inhaltliche Auseinandersetzung findet im Kapitel

4 statt. Für den Moment soll angelehnt an den Turing-Test

als vereinfachte Arbeitsdefinition

gelten: Ein Fahrermodell ist maximal menschähnlich, wenn ein menschlicher Beobachter keinen

Hinweis auf nichtmenschliche Elemente im Fahrverhalten zu erkennen vermag. Mit Hilfe dieser

Begriffsklärung können Fahrermodelle nun weiter kategorisiert werden, in dem der Kontext, in

dem Menschähnlichkeit betrachtet wird, genauer spezifiziert wird (vgl. auch Abbildung 1.2).

Typ

0 Fahrer-Fahrzeug-Ensemble verhält sich nicht menschähnlich

Typ

I Fahrer-Fahrzeug-Ensemble verhält sich menschähnlich

Typ

II motorische Aktionen des Fahrers sind menschähnlich

Typ

III kausale Ursachen der motorischen Aktionen des Fahrers sind menschähnlich

Tabelle 1.1: Typen von Menschähnlichkeit

In Typ 0 werden jene autonom gesteuerten Fahrzeuge zusammengefasst, bei denen kein Zweifel

daran besteht, dass sich diese nicht menschähnlich fortbewegen. Eine korrekte Einteilung eines

Bei sehr einfachen Fahrzeugmodellen ohne Stellglieder für den Fahrer muss das Fahrermodell in das Fahrzeugmo-

dell integriert werden, das Fahrzeug fährt dann „selbst“.

Ein menschlicher Beobachter soll in diesem von Alan Turing 1950 formulierten Test entscheiden, ob eine Ausgabe

von einem Menschen oder Computer stammt

1.2 Anwendungsszenarien für menschähnliche Fahrermodelle

Fahrer-Fahrzeug-Ensembles in Typ 0 ausschließlich auf Basis des Verhaltens ist schwierig, da

ein menschlicher Fahrer in der Lage ist, nichtmenschliches Verhalten zu simulieren. Oftmals

ist zusätzliches Wissen notwendig, z.B. dass es sich um ein autonom gesteuertes Fahrzeug

handelt, um die aus dem Fahrverhalten gewonnenen Annahmen zu validieren. Typ-I-Modelle

sind Fahrer-Fahrzeug-Ensembles, welche menschähnliches Verhalten zeigen, bei denen es jedoch

unerheblich bzw. von außen nicht erkennbar ist, wie dieses Verhalten erzeugt worden ist. Zum

Beispiel können unrealistische Eingabewerte verwendet werden, also für menschliche Fahrer

nicht erreichbare Lenkfrequenzen, negative Totzeiten oder Ähnliches. Fahrermodelle des Typs

II erzeugen menschähnliche motorische Aktionen, um ein Fahrzeug zu steuern. Dies impliziert

die Miteinbeziehung der physiologischen Einschränkungen des menschlichen Körpers für die

Erzeugung der entsprechenden Signale. Die generierten Handlungsmuster sind jedoch nicht

menschähnlich erzeugt worden, diese können beispielsweise durch Variation aufgezeichneter

Realfahrdaten entstanden sein. Typ-III-Fahrermodelle erzeugen die menschähnlichen Hand-

lungsmuster zusätzlich auf eine menschähnliche Art und Weise: solch ein Fahrermodell besitzt

eine dem Menschen ähnlich aufgebaute Kognition, welche die Grundlage für das Verhalten

des Fahrermodells darstellt. Eine Kombination von menschähnlich aufgebauter Kognition mit

nicht-menschähnlicher Handlungsausführung ist ebenfalls als ein Typ-III-Fahrermodell zu be-

werten, da die Modellierung menschlicher Informationsverarbeitung hierzu vonnöten ist. Für

die Einschätzung des Beobachters gilt hier die Annahme, dass die Entscheidungen über die

Kategorisierung sukzessive getroffen werden, d.h. dass Informationen, die darüber entscheiden

können, ob ein Fahrermodell beispielsweise zu Typ II zuzuordnen ist, nicht für die Entscheidung

über die Zugehörigkeit zu Typ I verwendet werden. In diesem Beispiel sieht der Bewerter nicht,

wie gelenkt wird, sondern beurteilt ausschließlich das Fahrverhalten, um ein Typ-I-Modell zu

identifizieren. Eine Entscheidungsbaum für die beschriebene Klassifizierung ist in Abbildung 1.1

dargestellt.

1.2 Anwendungsszenarien für menschähnliche Fahrermodelle

Das Anwendungsgebiet für menschähnliche Fahrermodelle deckt ein weites Spektrum unter-

schiedlicher Forschungsgebiete der Wissenschaft, aber auch der kommerziellen Entwicklung

im Bereich der Fahrzeugtechnik ab. Abhängig vom Anwendungsgebiet liegt das Hauptaugen-

merk der Modellierung auf unterschiedlichen Schwerpunkten: Für die Anwendung in bspw.

Verkehrssimulationen wird weniger auf die maximale Menschähnlichkeit der Fahrerausgaben

geachtet, vielmehr wird hier besonderer Wert auf ein augenscheinlich plausibles Verhalten des

Fahrer-Fahrzeug-Ensembles gelegt (Typ I). Möglichst menschähnliche Fahrerausgaben stellen

hingegen bei Fahrdynamiksimulationen ein durchaus wichtiges Kriterium dar. Eine besonders

menschähnliche Generierung dieser Stellgrößen wird jedoch nicht oder nur sehr eingeschränkt

benötigt (Typ II). Fahrermodelle beider beschriebenen Ausprägungen existieren seit langem und

befinden sich im kommerziellen Einsatz. Nachfolgend werden diese und weitere Anwendungsfel-

1 Einführung

Typ I

erkannt?

Typ 0

mehr

Infos?

Typ I Typ II

erkannt?

mehr

Infos?

Typ II Typ III

erkannt? Typ III

nein

nein ja

Abbildung 1.1:

Entscheidungsbaum für die Kategorisierung von Fahrermodellen: Falls das Mo-

dell nicht als Typ N erkannt wird, so gilt es als Modell vom Typ N-1. Falls der

Test positiv ausfällt, so wird überprüft, ob weitere Informationen vorhanden sind,

um ein Modell des Typs N+1 zu erkennen. Ist dies nicht der Fall, so gilt das

Modell als Typ N-Modell, falls doch, wird mit dem Test auf Typ N+1 fortgesetzt

usw.

der vorgestellt, in welchen der Einsatz menschähnlicher Fahrermodelle – auch Typ-III-Modelle –

denkbar erscheint.

Fahrerassistenzsysteme

In modernen Kfz ist eine Vielzahl unterschiedlicher Fahrerassistenz-

systeme implementiert, welche kontinuierlich neu- bzw. weiterentwickelt werden. Für komplette

Tests aller möglichen Interaktionen dieser Systeme müssen – schon bei geringen Änderungen –

umfangreiche und teure Testfahrten unternommen werden, deren Anzahl und Kosten mit jedem

zusätzlichen Gerät weiter steigen. Diese Kosten können bedeutend reduziert werden, falls es

möglich wäre, die benötigten Tests zumindest teilweise zu automatisieren. Mit höherer Mensch-

ähnlichkeit der hierbei eingesetzten Fahrermodelle steigt auch die Anzahl der automatisierbaren

Tests an: Closed-Loop-Manöver, welche Handlungen eines menschlichen Fahrers bedürfen,

können zunehmend durch Fahrermodelle absolviert werden. Des Weiteren benötigen Fahreras-

sistenzsysteme Fahrermodelle, die Bestandteil des FAS-Algorithmus sind: Das Verhalten des

1.2 Anwendungsszenarien für menschähnliche Fahrermodelle

Typ 0

Typ I

Typ II

Typ III

Abbildung 1.2:

Stufen der Menschähnlichkeit eines Fahrermodells: Typ III

⊂

Typ II

⊂

Typ I,

sowie Typ I /∈Typ 0

Fahrers soll antizipiert werden, so dass die Wirksamkeit des FAS maximiert und somit beispiels-

weise die Ablenkung minimiert werden kann. Bei entsprechend hoher Menschähnlichkeit – und

somit höherer ökologischer Validität – des Fahrermodells können sogar Aussagen über mögliche

Problemfelder bei der Interaktion von Fahrer und FAS getroffen werden. Möglicherweise können

auf diese Art identifizierte Probleme mittels Designanpassungen des FAS schon behoben werden,

bevor ein Prototyp an realen Probanden getestet werden kann. Weiterhin ist ein adaptives Design

von FAS denkbar, welches mittels Fahrermodellen verschiedener Fahrertypen parametriert wer-

den kann. Je nach System und dessen Zielsetzung können Fahrermodelle mit unterschiedlichen

Menschähnlichkeitsstufen zum Einsatz kommen. So ist ein hoch menschähnliches Fahrermo-

dell für einen Notbremsassistenten weniger bedeutsam, als beispielsweise für ein System zur

Müdigkeitserkennung.

Autonomes Fahren

Im Kontext des Autonomen Fahrens und seiner verschiedenen Stufen

existieren mehrere Themenfelder, in denen menschähnliche Fahrermodelle zu einer erfolgreichen

Weiterentwicklung beitragen können. So muss bis hin zu vollständig fahrerlosem Fahren der

menschliche Fahrer zu bestimmten Zeitpunkten in der Lage sein, die Kontrolle über das Fahrzeug

vom autonomen System zu übernehmen. Interaktionskonzepte für solche Szenarien können unter

Zuhilfenahme menschähnlicher Fahrermodelle entwickelt werden, um diese Art von Übergabesi-

tuationen zu untersuchen und besser an den menschlichen Fahrer anzupassen. Solcherlei Modelle

können ebenfalls dazu dienen, Vorhersagen über den Fahrer treffen zu können, so dass eine

Einschätzung des Situationsbewusstseins und daraus folgend eine sicherere Kontrollübergabe

gewährleistet werden kann. Hierfür werden Typ-III-Modelle benötigt, da diese Vorhersagen nicht

ohne eine Nachbildung bestimmter kognitiver Aspekte getroffen werden können.

Ein weiterer Aspekt im Kontext des autonomen Fahrens ist die individuelle Anpassung des

Fahralgorithmus des autonomen Fahrzeugs. Im Zeitalter der Individualisierung scheint es kaum

denkbar, dass ein Algorithmus, der ein autonomes Fahrzeug steuert, dies für alle Fahrzeugbesitzer

bzw. -fahrer gleich befriedigend bewerkstelligt. Die Anpassung dieses Fahralgorithmus an die

1 Einführung

persönlichen Präferenzen des Insassen zum Zwecke der Erhöhung der hedonischen Qualität, aber

auch der Akzeptanz, kann mit Hilfe hoch menschähnlicher Fahrermodelle (Typ III) geschehen.

Das Themengebiet des Mischverkehrs von autonomen Fahrzeugen und Fahrzeugen unterschied-

licher Automatisierungsstufe wird die Automobilindustrie sowie verwandte Forschungsbereiche

ebenfalls für eine bisher noch nicht absehbare Zeit beschäftigen. In dieser Zeit werden sich

autonome Fahrzeuge immer mit von menschlichen Fahrern gesteuerten Fahrzeugen einen Ver-

kehrsraum teilen und somit auf menschliche Verkehrsteilnehmer und deren Handlungen reagieren

müssen. Diese Reaktionen müssen reproduzierbar sein, ob aus verkehrsrechtlichen Notwendig-

keiten oder aus ingenieurtechnischem Interesse. Für die notwendigen Tests muss somit möglichst

„menschlich“ agierender Fremdverkehr in die jeweilige Simulation eingebunden werden. Zwar ist

es technisch möglich, auf menschliche Teilnehmer zurückzugreifen, jedoch birgt diese Variante

die inhärente Problematik in sich, dass die beim Testen unbedingt notwendige Reproduzierbarkeit

mit menschlichen Akteuren a priori unmöglich ist. Bestimmte, psychologisch gut untersuchte

menschliche Verhaltensweisen könnten mithilfe menschähnlicher Fahrermodelle implementiert

und die Reaktionen autonom gesteuerter Fahrzeuge auf diese untersucht werden.

Zusätzlich kann auch der rechtliche Aspekt der Evaluierung von autonomen Systemen ein An-

wendungsgebiet für menschähnliche Fahrermodelle darstellen. Heutzutage vorhandene Freigabe-

und Testmethoden sind nicht für autonomes Fahren erdacht worden, mithin sind neuartige Verfah-

ren – beispielsweise unter Zuhilfenahme von menschähnlichen Fahrermodellen – zur Beurteilung

eines Fahralgorithmus notwendigerweise zu entwickeln. Diese Problematik – die Messung der

Leistungsfähigkeit autonomer Fahrzeuge – kann nach Winner [

Win15

] sogar als „kritischer Pfad

zum autonomen Fahrzeug“ angesehen werden.

Psychologische Untersuchungen

Die Untersuchung menschlichen Fahrverhaltens wird

trotz der immer weiter voranschreitenden Automatisierung der Fahraufgabe in den nächsten Jahr-

zehnten eine wichtige Aufgabe der Ingenieur- und Verkehrspsychologie bleiben, beispielsweise

wird die Erforschung des Fahrverhaltens älterer Verkehrsteilnehmer aus demographischen Grün-

den eine größere Rolle spielen. Ein sich möglichst realistisch verhaltener – durch menschähnliche

Fahrermodelle simulierter – Fremdverkehr kann die ökologische Validität der Untersuchungen

erhöhen, da die Untersuchungsbedingungen realistischer wirken.

Verschleiß und Verbrauch

Ein weiteres Einsatzgebiet von menschähnlichen Fahrermodellen

ist die Optimierung von Verschleiß- und Verbrauchsberechnungen. Um eine zuverlässige Voraus-

sage beispielsweise über die Lebensdauer einzelner Fahrzeugkomponenten bei unterschiedlichen

Fahrweisen treffen zu können, sind möglichst menschähnliche Fahrermodelle notwendig. Eben-

falls kann auf diese Art und Weise unsachgemäße Benutzung des Fahrzeugs untersucht werden:

Es ist beispielsweise bekannt, dass sich der Reifenverschleiß bei zu vorsichtiger Fahrweise

1.2 Anwendungsszenarien für menschähnliche Fahrermodelle

erhöhen kann, was sich durch ein entsprechend parametriertes menschähnliches Fahrermodell

abbilden lässt.

Zusammenfassung

Diese Beispiele zeigen, dass ein Bedarf an menschähnlichen Fahrermo-

dellen vorhanden ist und die Anwendungsgebiete von ingenieurtechnischen Feldern wie For-

schung und Entwicklung in der Automobilindustrie bis hin zu psychologischen Forschungsfragen

reichen. Zu den vergleichsweise älteren Anwendungsfeldern wie FAS, Verbrauchsberechnungen

oder Fahrsimulatoren kommen verschiedenste Aspekte im Kontext des autonomen Fahrens hinzu,

so dass die Sinnhaftigkeit einer vertieften Beschäftigung mit menschähnlicher Fahrermodellie-

rung, sowohl aus psychologischer, als auch aus technischer und letztendlich auch wirtschaftlicher

Sicht gegeben ist.

2 Stand der Technik – Fahraufgabe und

Fahrermodelle

„Der Mensch ist das Modell der Welt.“

Leonardo da Vinci

Für die Annäherung an die Thematik der menschähnlichen Fahrermodelle ist es notwendig, für

dieses Spezialgebiet grundlegende Vorarbeiten vorzustellen. Hierbei wird die Aufmerksamkeit

zunächst auf die Definition der Fahraufgabe gelegt, darauf aufbauend werden unterschiedliche

Ansätze der Implementierung von Fahrermodellen vorgestellt und bezüglich ihrer Menschähn-

lichkeit eingeordnet.

2.1 Grundsätzliches und Versuche der Kategorisierung der

Fahraufgabe

In den vergangenen Jahrzehnten hat sich eine Vielzahl von Forschern mit dem Problem auseinan-

dergesetzt, Fahrverhalten nachzubilden bzw. schlussendlich Fahrermodelle zu entwickeln, welche

diese Aufgabe erfüllen können. Hierfür existieren mannigfaltige Ansätze mit unterschiedlichen

Zielsetzungen aus verschiedensten Forschungsgebieten. Es gibt jedoch Grundannahmen und

Gemeinsamkeiten, die zur Modellierung eines Fahrers notwendig sind: Die Simulation von

Fahrverhalten geschieht innerhalb eines abgeschlossenen Systems und beinhaltet die Simulati-

onskomponenten Fahrer,Fahrzeug und Umwelt (vgl. Abbildung 2.1).

Fahrer Fahrzeug

Umwelt

Abbildung 2.1: Vereinfachter Regelkreis Fahrer-Fahrzeug-Umwelt

Der Fahrer übernimmt in diesem System die Aufgabe, das Fahrzeug unter Zuhilfenahme der

ihm zur Verfügung stehenden Informationen aus Umwelt und Fahrzeug zu bedienen. Die bidirek-

tionalen Interaktionen der Systemkomponenten sind in Tabelle 2.1 zusammengefasst.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Ursprung

der

Information

Aufnehmer

der

Information

Wirkzusammenhang zwischen

Informationsursprung und

Informationsaufnehmer

Umwelt Fahrer Informationen über Straße, Verkehr, Umweltbedingungen

Umwelt Fahrzeug physikalische Größen (Reibung, Wind, Steigung)

Fahrzeug Fahrer

Informationen (Geschwindigkeit, Drehzahl, Gang) und phy-

sikalische Größen (Beschleunigung, Geräusche)

Fahrzeug Umwelt

Lichtsignale, physikalisches Vorhandensein (Inanspruch-

nahme öffentlichen Raumes)

Fahrer Fahrzeug

Bedienung des Fahrzeugs (Stellgrößen für Längs- und Quer-

regelung, Signale)

Fahrer Umwelt

indirekte Wirkung über Fahrzeug sowie direkte Kommu-

nikation mit anderen Verkehrsteilnehmern (Blickkontakt,

Handzeichen, verbale Kommunikation)

Tabelle 2.1: Interaktionen Fahrer-Fahrzeug-Umwelt

Im Laufe der Geschichte der Tätigkeit Fahren haben sich die Funktionen der beschriebenen drei

Komponenten im Allgemeinen kaum geändert. Das zu lenkende Fahrzeug, sei es ein Pferd

, eine

Kutsche oder ein Automobil, wird über bestimmte Bedienelemente – früher Zügel, Schenkeldruck

und Sporen, momentan noch Lenkrad, Pedalerie usw. – so manipuliert, dass es einer gewünschten

Trajektorie in der Umwelt folgt. Mit der Entwicklung und Implementierung von Fahrerassistenz-

systemen (FAS) ist nun eine vierte Komponente hinzugekommen, die zwar technisch gesehen

dem Fahrzeug zuzurechnen ist, welche jedoch auch Aufgaben des Fahrers übernimmt. Dies ist

graphisch in Abbildung 2.2 skizziert, in Tabelle 2.2 sind die hinzugekommenen Interaktionen

kurz beschrieben. Im Hinblick auf die Entwicklung von Fahrermodellen kann somit gefolgert

werden, das die Fähigkeit zur Interaktion mit Fahrerassistenzsystemen für gegenwärtig und

zukünftig einsetzbare Fahrermodelle obligatorisch ist.

Fahrer Fahrzeug

Umwelt

FAS

Abbildung 2.2: Vereinfachter Regelkreis Fahrer-Fahrzeug-Umwelt mit FAS

1Ich bitte alle Pferdeliebhaber die Kategorisierung des Pferdes als „Fahrzeug“ zu entschuldigen.

2.1 Grundsätzliches und Versuche der Kategorisierung der Fahraufgabe

Ursprung

der

Information

Aufnehmer

der

Information

Wirkzusammenhang zwischen

Informationsursprung und

Informationsaufnehmer

FAS Fahrer

FAS als Schnittstelle zwischen Umwelt+Fahrzeug und Fahrer

FAS Fahrzeug Manipulation des Fahrzeugs über spezielle Schnittstellen

FAS Umwelt (noch) keine direkte Kommunikation vorhanden

Fahrer FAS An- und Abschalten sowie Konfiguration des Systems

Fahrzeug FAS Informationen über den Fahrzeugzustand

(physikalische Größen)

Umwelt FAS

dynamische (andere Verkehrsteilnehmer) und statische Um-

weltinformationen (Straßenschilder, Fahrbahnmarkierungen)

Tabelle 2.2: Interaktionen FAS zu Fahrer, Fahrzeug und Umwelt

2.1.1 Fahraufgabe

Das Führen eines Fahrzeugs setzt sich aus mehreren Teilaufgaben zusammen, welche hierarchisch

gegliedert werden können. Geiser [

Gei85

] beschreibt hierfür drei unterschiedliche Kategorien

bezüglich ihrer Wichtigkeit zur Erfüllung der Fahraufgabe (vgl. Abbildung 2.3):

Die primäre Fahraufgabe entspricht dem eigentlichen Fahrprozess, der in Navigation,

Führung und Stabilisierung aufgeteilt werden kann. Darauf wird im folgenden Abschnitt

2.1.2 vertieft eingegangen.

Die sekundäre Fahraufgabe enthält verkehrs- oder umweltbedingt anfallende Aufgaben, die

jedoch nicht direkt sicherheitsrelevant sind. In diese Kategorie fallen einerseits Aktionen

des Fahrers, deren Ziel darin besteht, die primäre Aufgabe (für sich oder die andern Ver-

kehrsteilnehmer) zu vereinfachen (z.B. die Betätigung des Scheibenwischers, Betätigen der

Lichthupe um z.B. Vorfahrt zu gewähren), als auch jene, die z. B. durch Verkehrsregeln

vorgegeben werden (z.B. Blinken, Aktivieren der Nebelschlussleuchte).

Die tertiäre Fahraufgabe besteht aus einem Sammelsurium an Aufgaben, die weder direkt

noch indirekt mit der Fahrtätigkeit in Verbindung stehen. Diese Aufgaben befriedigen

Bedürfnisse nach Komfort (z.B. Klimaanlage bzw. Heizung), Information/Unterhaltung

(z.B. Nachrichten im Radio, Telefonieren).

Nach Gasser et al. [

GAA+12

] gewinnen Tertiäraufgaben im Zuge der fortschreitenden Automati-

sierung der Fahraufgabe zunehmend an Bedeutung, da der Fahrer immer weniger Ressourcen

auf die eigentliche Hauptaufgabe der Fahrzeugführung aufwenden muss. So werden heute schon

große Teile der primären Fahraufgabe, beispielsweise die Navigationsaufgabe, oftmals nicht mehr

vom menschlichen Fahrer durchgeführt. Weitere Aufgaben, die heute schon durch Fahrerassis-

tenzsysteme unterstützt bzw. übernommen werden sind z. B. Notbremsassistenz (Längsführung)

oder ESP (Querführung). Somit ergeben sich neue Anforderungen an das Design von Fahrermo-

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.3: Schema der Fahraufgabe nach Geiser [Gei85]

dellen – die alleinige Modellierung der primären Fahraufgabe wird für zukünftige Anwendungen,

besonders im Bereich des hochautomatisierten Fahrens, nicht ausreichen.

2.1.2 Ebenenmodelle

Während der Bedienung eines Fahrzeugs wird der Fahrer mit unterschiedlichen Aufgaben

konfrontiert, welche er zu lösen imstande sein muss, um das Fahrzeug sicher durch den Straßen-

verkehr zu manövrieren. Diese Aufgaben können verschiedenen Hierarchieebenen zugeordnet

werden. Basis für die heute so oft zitierten drei Ebenen der Fahrzeugführung sind u.a. die

Arbeiten von Bernotat ([Ber70], vgl. Abbildung 2.5), dort wird die Aufgabe eines „Operateurs“

(hier: der Pilot eines Flugzeugs) beschrieben, welche aus mehreren „Führungsschleifen“ besteht:

Navigation, Lenkung sowie Lage- und Geschwindigkeitsregelung. In all diesen Regelkreisen

wird die jeweils nächste Führungsgröße für die darunter liegende Ebene festgelegt, wobei der

Mensch (gleichzeitig) in all diesen Ebenen die Funktionen „Messgeber“, „Regler“ sowie „Stell-

glied“ einnehmen kann. Donges [

Don78

] adaptierte die Strukturierung an die Problematik der

Kraftfahrzeugführung, welche so oder so ähnlich formuliert werden kann:

1.)

In der Navigationsebene entscheidet sich der Fahrer für eine bestimmte Route hinsichtlich

verschiedenster Aspekte. Abhängig von persönlichen Präferenzen können für unterschied-

liche Fahrer auch verschiedene Routen die jeweilig optimalen sein. Beispielsweise kann

für Fahrer A die Minimierung der Fahrtdauer eine besondere Relevanz besitzen, Fahrer B

möchte jedoch eine Strecke befahren, welche zu geringstmöglichem Kraftstoffverbrauch

2.1 Grundsätzliches und Versuche der Kategorisierung der Fahraufgabe

Abbildung 2.4: Drei-Ebenen-Modell der Fahraufgabe nach Donges [Don82]

führt. Die Routenwahl geschieht im Allgemeinen vor Fahrtantritt oder bei Fahrtunterbre-

chungen und wird in den meisten Fahrermodellen nicht berücksichtigt.

2.)

In der Bahnführungsebene bestimmt der Fahrer, basierend auf der vorher gewählten Route

und den situativen Gegebenheiten seiner aktuellen Position, seine Sollwerte für Quer- und

Längsregelung. Für die Querregelung bedeutet dies zum einen die gewählte Sollspur –

falls mehrere zur Auswahl stehen – sowie die Position innerhalb der gewählten Fahrspur.

Der Sollwert der Längsregelung besteht aus der gegenwärtigen Wunschgeschwindigkeit.

Im Gegensatz zur Navigationsebene können bzw. müssen Änderungen der Sollwerte

jederzeit vorgenommen werden, da sich das Fahrzeug im Normalfall auf einer Straße

mit Fremdverkehr befindet und daher auf das Fahrverhalten anderer Verkehrsteilnehmer

reagiert werden muss.

3.)

In der Stabilisierungsebene agiert der Fahrer vor allem als Regler: Seine Aufgabe besteht

darin, den in der Bahnführungsebene generierten Sollwerten für Längs- und Querrege-

lung des Fahrzeugs zu folgen. Konkret bedeutet dies die Bedienung der als Regelglieder

funktionierenden Stellgrößen des Fahrzeugs (Querregelung: Lenkrad, Längsregelung: Gas-

/Bremspedal, Kupplung, Schaltung). Die in der Stabilisierungsebene durchgeführten, für

die Stabilität des Fahrzeugs notwendigen Handlungen, finden kontinuierlich statt.

Bei der Interpretation dieses Modells ist jedoch zu beachten, dass die Ebenen Bahnführung

und Stabilisierung eine rein regelungstechnische Beschreibung der Fahraufgabe darstellen: Dies

2 Stand der Technik – Fahraufgabe und Fahrermodelle

(a)

vereinfachtes Schema der Flugführung

aus Bernotat [Ber70]

(b)

3 Ebenen der Fahrzeugführung aus Michon

[Mic85] (nach Janssen)

(c)

hierarchische Level des Fahrerverhaltens nach

Michon [

Mic85

], modifiziert nach Panou

[PBP07]

Abbildung 2.5: Modelle der Fahraufgabe mit drei bzw. vier Ebenen

bedeutet, dass kontinuierlich Sollvorgaben in der Bahnführungsebene sowie Modellausgaben für

Längs- und Querführung aus der Stabilisierungsebene erzeugt werden

. Die Sollvorgaben aus der

Bahnführungsebene sind dementsprechend eindimensionale Signale und können weder komplexe

Manöver noch sonstwie geartete Vorausplanungen beschreiben. Die Navigationsaufgabe hinge-

gen spielt während des Fahrens keine bzw. eine vom „eigentlichen Fahren“ abgekoppelte Rolle

und ist im regelungstechnischen Zwei-Ebenen-Modell dementsprechend nicht vorhanden.

Einen etwas anderen Blickwinkel auf die Fahraufgabe nimmt Michon [

Mic85

] mit seinem Drei-

Ebenen-Modell ein: Er beschreibt die Ebenen strategic/planning level,tactical/manoeuvring

level und operational/control level etwas abstrakter – ohne genaue Informationen, was die ein-

zelnen Modellebenen exakt hervorbringen. Er definiert jedoch Zeitfenster, in welchen sich die

einzelnen Ebenen bewegen: In der Regelungs- bzw. Stabilisierungsebene wird im Millisekun-

denbereich gehandelt, wobei automatic action patterns (automatisierte Handlungssequenzen)

ausgeführt werden. In der Manöverebene werden controlled action patterns (geregelte Hand-

lungssequenzen), die sich im Sekundenbereich abspielen, ausgeführt. Für die Planungs- bzw.

Navigationsebene wird eine „lange“ Zeitkonstante angenommen. Dies zeigt ebenfalls, dass für

die konkrete Simulation eine „strategische“ Ebene nicht unbedingt vorhanden sein muss.

Im „Zwei-Ebenen-Modell der Fahrzeugführung“ von Donges (vgl. Abschnitt 2.2.1.1) wird zusätzlich eine antizipa-

torische Steuerung beschrieben, welche bereits in der Bahnführungsebene einen Lenkwinkel erzeugt.

2.1 Grundsätzliches und Versuche der Kategorisierung der Fahraufgabe

Vergleicht man das Donges’sche eher die Ingenieursperspektive einnehmende Drei-Ebenen-

Modell mit der eher „psychologischen“ Herangehensweise von Michon, so kann das Donges’sche

Modell als ein konkreter Anwendungsfall für ein spezifisches Fahrszenario, das Michon’sche

Modell jedoch als universeller, da eine Vielzahl von Anwendungsszenarien abgedeckt werden

können, betrachtet werden. Die „strategische“ Ebene bei Michon ist etwas umfassender angelegt

und beinhaltet ebenfalls Entscheidungen wie „Wahl des Verkehrsmittels“ oder eine „Evaluation

der Kosten und Risiken der Fahrt“ – im Donges’schen Modell wird eine Fahrt mit einem

Automobil angenommen und die Route vor der Fahrt festgelegt, welche sich jedoch auch während

der Fahrt ändern kann. Die „Manöver-“ oder „taktische“ Ebene entspricht jedoch keinesfalls

der Donges’schen „Bahnführungsebene“. Ein „Manöver“ beschreibt bei Michon eine komplexe

Handlung mit einem definierten Ziel (vgl. auch Abschnitt 4.1), dessen Erzeugung kognitive

Vorgänge miteinbezieht. Im Donges’schen Modell leiten sich die Sollvorgaben hingegen direkt

aus den Routeneigenschaften her – eine diskrete, komplexe Planung ist nicht vorgesehen. Die

unterste Ebene wird bei Michon nicht weiter beschrieben, es ist jedoch anzunehmen, dass diese

ähnlich der Donges’schen „Stabilisierungsebene“ zu interpretieren ist. Interessant ist, dass bei

Michon sowohl die „taktische“ als auch die „Regelungsebene“ Modellausgaben erzeugen – ob

dies jedoch gleichzeitig oder wechselseitig geschieht, lässt der Autor offen.

Eine allgemeinere Möglichkeit, zielgerichtetes Verhalten eines Menschen – also auch das Führen

eines Fahrzeugs – in einem Modell abzubilden, wurde 1983 von Rasmussen vorgestellt [

Ras83

Er unterscheidet dabei zwischen drei Verhaltensebenen der Handlungsregulation bzw. kognitiver

Prozesse:

1.)

Wissensbasiertes Verhaltens (knowledge-based behaviour) tritt in komplexen Anforde-

rungssituationen auf, die den Menschen dazu zwingen, untrainierte Handlungsweisen zu

verwenden, um Lösungen für Probleme zu generieren. Die Ergebnisse dieses Prozesses

sind Regeln, die in die zweite Ebene übertragen werden.

2.)

Die Ebene des regelbasierten Verhaltens (rule-based behaviour) beinhaltet Situationen,

welche dem Menschen bekannt sind und an deren Lösungsschemata eine Erinnerung

besteht. Er kann hier aus einem Repertoire verschiedener Verhaltensmuster das subjektiv

optimale auswählen. In dieser Ebene werden Regeln ausgewählt, die ein bestimmtes,

automatisiertes Verhalten auslösen.

3.)

In der Ebene des fertigkeitsbasierten Verhaltens (skill-based behaviour) erfolgen Verhal-

tensweisen, welche vom Menschen nicht bewusst kontrolliert werden können. Dies können

sowohl Reiz-Reaktions-Mechanismen als auch kontinuierliche Handlungssequenzen sein.

Erstere sind zumeist angelegt, letztere oft erlernt; beide werden unbewusst abgerufen.

Donges [

Don15

] stellt das Rasmussen’sche Modell seinem Drei-Ebenen-Modell gegenüber und

findet gewisse Zusammenhänge: Er ordnet Entscheidungen der Navigationsebene überwiegend

dem wissensbasierten Verhalten zu, da diesen üblicherweise bewusste Planungen zu Grunde

liegen – dies gilt allerdings nur für unbekannte Umgebungen. Inwiefern sich Bahnführungs- und

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.6: Drei-Ebenen-Modell des zielgerichteten Verhaltens aus Rasmussen [Ras83]

Stabilisierungsaufgaben auf der Ebene des wissens-, regel- oder fertigkeitsbasiertem Verhalten

befinden, hängt nach Donges vor allem von der Erfahrung des Fahrers ab. Mit zunehmender

Routine werden mehr und mehr unbewusst ablaufende Fertigkeiten entwickelt, so dass sich

das Fahrverhalten auf die fertigkeitsbasierte Verhaltensebene verlagert. Beispielsweise werden

sich routinierte Fahrer auf ihrem täglichen Weg zur Arbeit im Allgemeinen ausschließlich auf

ebendieser Ebene bewegen. Tritt jedoch eine kritische Situation auf, so wird die fertigkeitsbasierte

Ebene verlassen und das vorhandene Problem muss entweder mit Hilfe bekannter Regeln

oder – noch anspruchsvoller – mit wissensbasiertem Verhalten (und damit einhergehend der

Erzeugung neuer Regeln) gelöst werden. Vor allem letzteres kann zu gefährlichen Situationen

führen, da oftmals nicht genügend Zeit für komplexere Denkvorgänge und das Durchspielen von

Handlungsalternativen zur Verfügung steht.

Diesen Gedanken führen Braess & Donges [

BD06

] weiter aus: Untersuchungen von mehreren

Fahrern ergaben unterschiedliche g-g-Diagramme

für verschiedene Fahrertypen. Nun kann man

den Umhüllenden bestimmter Perzentile eines solchen g-g-Diagramms eine bestimmte Verhal-

tenskategorie zuordnen: Beschleunigungen über dem

-Prozent-Perzentil wurde wissensbasier-

tes Verhalten zugeordnet, dem

-Prozent-Perzentil regelbasiertes Verhalten und dem „inneren“

Rest fertigkeitsbasiertes Verhalten. Die Autoren betonen, dass die Zahlen willkürlich gewählt

sind, der Gedanke dahinter ist jedoch folgender: Je höher die gemessenen Beschleunigungen,

desto seltener wird ein Manöver mit entsprechenden physikalischen Rahmenbedingungen vom

Fahrer gefahren, somit ist a) wenig Erfahrung vorhanden und b) sind entsprechend dynamische

3Ein g-g-Diagramm stellt Längs- und Querbeschleunigungen einer Fahrt grafisch in einem Diagramm dar.

2.1 Grundsätzliches und Versuche der Kategorisierung der Fahraufgabe

Manöver per se riskanter und somit seltener und höchstwahrscheinlich nicht fertigkeitsbasiert

abzufahren.

Abbildung 2.7:

Fahrverhaltenskollektive und Kraftschlussgrenze nach Braess & Donges [

BD06

]

Die Adaptierung des Modells von Rasmussen an die Fahraufgabe kann jedoch auch kritisch

betrachtet werden. Zum einen besteht die Fahrhandlung selbst zu einem Großteil aus sensumoto-

rischen Aktionen – Rasmussen selbst nennt das Beispiel „Fahrradfahren“ für fertigkeitsbasiertes

Verhalten. Regelbasiertes Verhalten, also das Abarbeiten bestimmter Handlungen wie in einem

„Kochbuch“, kommt beim Autofahren nur in sehr wenigen Situationen (z.B. bei der Generierung

von Vorfahrtreihenfolgen bei komplexen Kreuzungen) oder beim Fehlen jeglicher Fahrerfahrung

(Reihenfolge der Pedale beim Anfahren, Spiegel-Spiegel-Schulterblick beim Abbiegen usw.) vor.

Zum anderen ist es fraglich, ob – gerade bei hochdynamischen Problemstellungen wie bei Braess

& Donges [

BD06

] beschrieben – die sehr kurze Zeitspanne, in der das aktuelle Problem gelöst

werden kann, ausreicht, um regel- oder wissensbasierte Handlungen durchführen zu können.

Ranney [

Ran94

] klassifizierte bestimmte Fahrhandlungen mit Hilfe einer Matrix aus auf der einen

Seite Michons hierarchischer Modellstruktur [

Mic85

] sowie auf der anderen Seite Rasmussens

Modell [

Ras83

] (vgl. Tabelle 2.3). Er betont dabei, dass sich die Vielzahl der Fahrhandlungen

auf der in der Grafik markierten Diagonale befänden. Es scheint auch hier schwer, Beispiele für

wissens- oder regelbasierte (Regelungs-)Handlungen zu finden, die nicht nach einer kurzen Lern-

phase zu fertigkeitsbasiertem Handeln übergehen. Die Manöverzuordnung erscheint ebenfalls

teilweise arbiträr (das Kontrollieren eines schleudernden Fahrzeugs („controlling skid“) mag

für wenige, blutige Anfänger im ersten Augenblick eine wissensbasierte Handlung darstellen,

realistisch betrachtet ist dieses Szenario für eben beschriebenen Fahrertyp bereits beendet, bevor

2 Stand der Technik – Fahraufgabe und Fahrermodelle

eine aus Wissen abgeleitete Handlung eingeleitet wird). Ebenso fragwürdig ist die regel- oder

fertigkeitsbasierte Routenwahl.

Strategisch Taktisch/Manöver Ausführung/Regelung

Wissensbasiert

Navigation in unbe-

kannter Umgebung

Ausregeln von Schleu-

dern

Fahranfänger in erster

Fahrstunde

Regelbasiert

Auswahl zwischen be-

kannten Routen

Überholen anderer

Fahrzeuge

Fahren eines unbekann-

ten Fahrzeugs

Fertigkeitsbasiert

Tägliche Pendlerroute

Verhalten an bekannter

Kreuzung

Fahrzeugsteuerung in

Kurven

Tabelle 2.3:

Ranneys [

Ran94

] Klassifizierung der Fahraufgabe nach Michon [

Mic85

] und Ras-

mussen [Ras83]

Hollnagel betont ebenso, dass die Fahraufgabe nicht als eine lose Kombination von Aufgaben

beschrieben werden kann [

HNL03

]. Vielmehr wird ein Grundsatz bzw. eine Regel um diese

Aufgaben anzuordnen, also eine Hierarchie von Aufgaben oder Handlungen, benötigt. Er be-

schreibt zwei Kriterien, die ein solches Modell erfüllen muss: Erstens muss die Kontrolle der

verschiedenen Ebenen gleichzeitig möglich sein. Dies ist darauf zurückzuführen, dass Menschen

(und auch Maschinen) normalerweise dazu in der Lage sind, mehrere Ziele gleichzeitig zu

verfolgen. Zweitens müssen Fahrer und Fahrzeug gemeinsam beschrieben werden, was Hollnagel

damit begründet, dass in modernen Fahrzeugen eine Vielzahl von automatisierten Funktionen

vorhanden sind, welche die Kontrolle vom Fahrer übernehmen können.

Hollnagel definiert in seinem Modell folgende vier Ebenen:

1.)

Tracking: Diese Ebene beschreibt die grundlegenden Fahreraktivitäten, um das Fahrzeug

auf der Straße zu halten.

2.)

Regulating: In dieser Ebene werden die Ziele für die Tracking-Ebene erzeugt, also Soll-

geschwindigkeit, gewünschte Position und Relativgeschwindigkeit gegenüber anderen

Verkehrsteilnehmern.

3.)

Monitoring: Hier wird sich mit der Beziehung des Fahrer-Fahrzeug-Verbunds mit seiner

Umgebung auseinandergesetzt und entsprechende Pläne generiert, falls nötig.

4.) Targeting: Es werden globale Ziele und Parameter für die Fahrt festgelegt.

Die erste und letzte Ebene ähneln den entsprechenden Ebenen aus dem Drei-Ebenen-Modell.

Interessant erscheint die Aufteilung der Bahnführungsebene in eine Beobachtungs- sowie eine

Regulationsebene.

Brezillon & Tijus [

BT07

] beschreiben einen hierarchischen Ansatz des Fahrens basierend auf der

von Peräaho et al. [

PKH03

] vorgestellten GDE-Matrix

(vgl. Abbildung 2.9). Das im Rahmen des

EU-Projekts GADGET

entwickelte Modell unterteilt die Fahraufgabe ebenso in drei Ebenen:

4Goals for Driver Education

5Guarding Automobile Drivers through Guidance Education and Technology

2.1 Grundsätzliches und Versuche der Kategorisierung der Fahraufgabe

Abbildung 2.8: Driver-In-Control Modell von Hollnagel [HNL03]

eine strategische, eine taktische sowie eine operationale. Über diese drei Ebenen wurde im

GDE-Modell eine vierte gestellt: „goals for life and skills for living“, in welcher keine direkt

mit dem Fahren zusammenhängenden Eigenschaften vorkommen, jedoch die Persönlichkeit des

Fahrers mit seinem Fahrverhalten verknüpft wird. Als Beispiele für die Anwendung konkreter

Situationen auf das Modell werden folgende genannt: In der höchsten Ebene kann eine sich oft

riskant verhaltende Person als nicht optimal für die Verkehrssicherheit betrachtet werden. Auf

der strategischen Ebene wird eine betrunkene Person zu einem Sicherheitsrisiko. Zu schnelles

Fahren wird als Beispiel für eine schlechte Entscheidung auf der taktischen Ebene genannt,

fehlende technische Fähigkeiten zum Führen eines Fahrzeugs sind auf der operationalen Ebene

anzusiedeln.

Innerhalb des EU-Projekts DESERVE

wurde sich ebenfalls der Thematik gewidmet. Die Au-

toren unterschieden zwischen qualitativen und quantitativen Fahrermodellen, wobei erstere

psychologisch fundiert sind und die kognitiven Prozesse während des Fahrens abzubilden versu-

chen, ohne jedoch konkretes Fahrverhalten zu simulieren. Letztere hingegen tun genau dies auf

mathematischer Basis, in dem das Fahren als Reaktion auf äußere Reize interpretiert wird. Basie-

rend auf den Modellüberlegungen von Donges [

Don78

] und Rasmussen [

RL82

] entwickelten

Klimke et al. [

KKE15

] eine Modellstruktur, welche einen einheitlichen Ansatz zur Kombination

qualitativer und quantitativer Modellierungsansätze bietet (vgl. Abbildung 2.10). Es wird eine

6Development Platform for Safe and Efficient Drive

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.9: Hierarchische Level des Fahrerverhaltens nach Peräaho et al. [PKH03]

aus fünf Ebenen bestehende Struktur vorgeschlagen: Routenplanung, Manöverentscheidung, be-

wusste Bestimmung der Wunschgröße, unterbewusste Überführung in eine Führungsgröße sowie

Umsetzung durch Fahrzeugeingaben. Es wird die Ebene der „unterbewussten Fahrzeugführung“

eingeführt, welche die bewusste Bestimmung einer Wunschgröße (z.B. einer Sollgeschwindig-

keit) mit der Ausführungsebene verbindet. Als Beispiel wird für die Geschwindigkeitsregelung

eine unbewusste Beschleunigungsregelung angenommen (der Fahrer bestimmt durch den Druck

auf das Gaspedal unbewusst eine Beschleunigung).

Fazit

Es gibt – je nach Zielsetzung bzw. Anwendungsbereich – unterschiedliche Ansätze bzw.

Herangehensweisen zur Beschreibung der Fahraufgabe. So konzentrieren sich beispielsweise

Bernotat, Donges und Michon eher auf die (regelungs-)technischen Thematiken der Fahrzeugfüh-

rung und unterscheiden hier drei voneinander getrennte Bereiche. Geiser ergänzt die (primäre)

Fahraufgabe um Nebentätigkeiten. Rasmussen beschreibt allgemeiner unterschiedliche Typen

von Verhalten, welche sich auch im Fahrkontext wiederfinden. Im Bezugsrahmen dieser Arbeit

hat jede der Beschreibungen – je nach Modellierungskontext – ihre Legitimation.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Ziel der Fahrermodellierung ist ein intelligentes, wissens- und regelbasiertes Modell, welches

eine Vielzahl von komplexen, möglichst realistischen Situationen bewältigen kann – oder anders

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Umwelt

Fahrer

Verhalten und Handlung

Planung

Entscheidung

bewusste Führung

unterbewusste Führung

Bedienung

Route

Manöver

bewusste Vorgaben

unterbewusste Vorgaben

Eingabe

Fahrzeug

Verkehrsinfos

Situation

indirektes Feedback

aus Fahrzeug

direktes Feedback

aus Fahrzeug

Ziel

Parameter

...

Wahrnehmung

Zustand/Gedächtnis

Wissen Navigation

Regel Führung

Fertigkeit Stabilisierung

Abbildung 2.10: Fünf-Ebenen-Modell der Fahraufgabe nach Klimke et al. [KKE15]

ausgedrückt: ein psychologisch plausibles Expertensystem. Michon definiert es folgenderma-

ßen:

„A comprehensive model of driver behavior should not only take the various levels

into account, but should also provide an information flow control structure that

enables control to switch from one level to the other at the appropriate points in

time.“ Michon [Mic85]

Er unterteilt Fahrermodelle in zwei Kategorien mit jeweils zwei Ausprägungen: funktionale und

taxonomische Modelle sowie behavioristische und psychologische Modelle (vgl. Tabelle 2.4).

taxonomische Modelle funktionale Modelle

Eingabe-Ausgabe-Modelle

(behavioristisch)

Aufgabenanalyse-

modelle

mechanistische Modelle,

adaptive Regelungsmodelle

interne Zustandsmodelle

(psychologisch)

Trait-Modelle motivationale Modelle,

kognitive (Prozess-)Modelle

Tabelle 2.4: Typen von Fahrerverhaltensmodellen nach Michon [Mic85]

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Taxonomische Modelle sind demnach ein reines „Fakteninventar“, innerhalb dessen nicht dynami-

sche, bestenfalls korrelative Relationen zwischen verschiedenen Sets dieses Inventars vorhanden

sind. Ein Aufgabenanalysemodell der Fahraufgabe besteht aus Anforderungen an die Fahr-

aufgabe, Performanzzielen und Fähigkeitsanforderungen, siehe Kapitel 2.1. Als Beispiel für

eine umfassende Aufgabenanalyse der Fahraufgabe gelten die Arbeiten von McKnight aus den

1970

er Jahren ([

MA70a

], [

MA70b

], [

MH71a

] und [

MH71b

]), die Fahraufgabe wird dort in

Hauptaufgaben und

1700

Elementaraufgaben heruntergebrochen. Einen umfänglichen Überblick

über Aufgabenanalyse im Fahrzeugführungskontext liefern Fastenmeier & Gstalter [

FG92

Trait-Modelle

hingegen beschreiben Zusammenhänge von Persönlichkeitsmerkmalen der Fahrer

basierend auf statistischen Methoden.

Im Gegensatz zu taxonomischen Modellen sind funktionale Modelle dynamisch und somit

tatsächlich für die (Echtzeit-)Simulation eines Fahrers zu verwenden. Mechanistische Modelle

versuchen hingegen, bestimmte physikalische Gesetzmäßigkeiten auf eine meist größere Menge

an Fahrzeugen anzuwenden, Verkehrsflussmodelle seien als Beispiel genannt. Adaptive Reg-

lermodelle sind beispielsweise Servo-Regelungsmodelle, welche die Fahraufgabe analog zu

einer kontinuierlichen Tracking-Aufgabe behandeln. Motivationale Modelle hingegen treffen

Annahmen über interne Zustände des Fahrers, um darauf basierend, mit Hilfe bestimmter Regeln

Fahrerverhalten zu erzeugen. Hierzu gehören beispielsweise Kompensationsmodelle nach Taylor

[Tay64] oder auch die Risiko-Homöostase-Theorie von Wilde [Wil82].

Zusammenfassungen über die regelungstechnischen Fahrermodelle bis zum Anfang der 80er

Jahre finden sich u.a. in den Arbeiten von Reid et al. [

RSB81

], [

Rei83

] und Michon [

Mic85

]. Wil-

lumeit & Jürgensohn [

WJ97

] begutachten – und kritisieren – die wichtigsten bis zum Jahre

1997

veröffentlichten Fahrermodelle. Basierend auf der Klassifikation von Michon wird allgemein

zwischen Dynamikmodellen (unterteilt in Längs- und Querdynamikmodelle) und Verkehrs-

flussmodellen unterschieden, wobei bei letzteren zwischen makroskopisch und mikroskopisch

aufgebauten unterschieden wird (vgl. Abschnitt 2.2.2). Ranney [

Ran94

] fasst die Fahrermodell-

entwicklung im englischsprachigen Raum bis zum Anfang der 90er Jahre zusammen und sieht

in der Modellierung visueller Suchmuster sowie kognitiver Modellierung wichtige zukünftige

Entwicklungen.

Ein kompletter Überblick über unterschiedlichste Ansätze, einen Fahrer zu modellieren, findet

sich in der Dissertation Jürgensohns [

Jür97

]. Die Entwicklungsgeschichte der menschlichen

Reglermodelle wird bis zu ihren Anfängen, welche vor allem im militärischen Bereich in den

40er Jahren des vergangenen Jahrhunderts liegen, zurückverfolgt. Wichtige Konzepte, z. B. das

quasilineare Modell von Tustin [

Tus47

], das Crossover-Modell von McRuer et al. [

MG65

] sowie

optimaltheoretische Ansätze bis hin zu weiteren, die den Pfad des linearen kontinuierlichen

Systems verlassen (Schaltmodelle, Bang-Bang-Modelle

), werden beschrieben und bezüglich

7Trait: engl. für Merkmal/Eigenschaft

Eine Stellgröße eines Bang-Bang-Reglers bzw. Zweipunktreglers kann nur zwischen zwei Zuständen, zumeist

an/aus wechseln.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

ihrer Einsetzbarkeit kritisiert. Eines der Hauptprobleme der regelungstechnischen Ansätze ergibt

sich laut Jürgensohn dadurch, dass „die Fahraufgabe zwar unbestritten ohne Regeltätigkeit

nicht zu bewältigen ist, dass das Regeln in vielen Fahrsituationen aber nur einen Bruchteil der

Fahrerhandlungen umfasst“. Als Lösung werden werden hybride Modellansätze vorgestellt, auf

welche im Kapitel 2.2.5 vertieft eingegangen wird.

Eine weitere Zusammenfassung, die viele Fahrermodelle bis zum Jahre

2006

beinhaltet, haben

Plöchl & Edelmann veröffentlicht [

Plö07

]. Die Autoren kommen ebenfalls zu dem Schluss, dass

das Verständnis bezüglich des menschlichen Fahrens nicht annähernd dem des theoretischen

Wissens über das Fahrzeug entspricht und leiten daher die Notwendigkeit ab, das menschliche

Fahrverhalten weiter zu untersuchen, um bessere – und allgemeinere – Fahrermodelle entwickeln

zu können. Eine weitere, aktuellere Zusammenfassung unterschiedlicher Fahrermodelle findet

sich in Oppenheim et al. [OSC+10].

Henze [

Hen04

] unterteilt Fahrermodelle in quantitative und qualitative Modelle. Qualitative

Modelle basieren auf verkehrspsychologischen Ansätzen und können daher nur theoretisch, aber

nicht mathematisch beschrieben werden. Im Gegensatz dazu stehen quantitative Fahrermodelle,

welche mathematisch beschrieben werden können und somit für die Industrie interessanter

erscheinen, da diese für Simulationen genutzt werden können.

Carsten [

Car07

] unterscheidet zwei Modellierungsansätze. Ersteren bezeichnet er als deskriptiv,

d.h. die Fahraufgabe wird bezüglich dem, „was der Fahrer zu tun hat“, beschrieben. Obwohl dies

der bisher gebräuchlichste Ansatz wäre, kritisiert er vor allem die beschränkte Vorhersagequalität,

da die verschiedenen Verhalten von Fahrern (Motivationen, Fähigkeiten, Beschränkungen) nicht

genügend beachtet würden. Er unterteilt deskriptive Modelle noch einmal in Aufgabenanalysemo-

delle, adaptive Reglermodelle (analog zu Michon, vgl. Tabelle 2.4), sowie Produktionenmodelle,

welche er zwar als nützlich, um etwas zu beschreiben, jedoch, nutzlos, um zu verstehen, wie

etwas funktioniert, bezeichnet. Den zweiten Ansatz benennt er als motivational, hier wird der

Fahrer eher als aktiv handelnder Protagonist in einer bestimmten Situation betrachtet. Er ist

„aktiver Entscheider“ und „Informationssucher“, er beschäftigt sich mit Risiko und Aufgaben-

schwierigkeiten. Motivationale Modelle versuchen konkret zu beschreiben, warum der Fahrer

in einer bestimmten Situation die von ihm gewählte Handlung einer alternativen Handlung

vorgezogen hat.

Cacciabue & Carsten [

CC10

] trennen prinzipiell zwischen bottom-up- und top-down- Ansätzen.

Einem mittels bottom-up-Methodik erzeugten Fahrermodell wird nach und nach die Bewältigung

einzelner grundlegender Fahraufgaben antrainiert, welche durch Beobachtung von menschlichen

Fahrern definiert werden könnten (vgl. beispielsweise Salvuccis Modell [

SL02

]). Im Gegensatz

dazu wird bei einem top-down-Ansatz zuerst die Fahraufgabe theoretisch beschrieben, um dann

einzelne Komponenten des so entwickelten Fahrermodells zu spezifizieren.

Eine weitere Möglichkeit zur Kategorisierung verschiedener Modellierungsansätze bietet De

Winter [

DWH12

]. Er unterscheidet zwischen „spezifischen“ und „unspezifischen“ Modellen (vgl.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.11: Dimensionen von Fahrerverhaltensmodellen nach de Winter [DWH12]

Abbildung 2.11), wobei motivationale Modelle eher als unspezifisch kategorisiert werden, da

diese oft an einer Vagheit leiden, welche eine Falsifizierung des Modells unmöglich macht. Laut

De Winter tendieren adaptive Reglermodelle im Gegensatz dazu zu einer Überspezifizierung,

einer überbordenden Detailgenauigkeit, weshalb eine psychologisch plausible Vorhersage des

Fahrerverhaltens nur schwer zu realisieren ist. De Winter sieht Trait-Modelle als intelligenten

Kompromiss aus globalen, eher unspezifischen motivationalen Modellen und den im Detail

sehr genauen, aber rein deterministisch funktionierenden adaptiven Reglermodellen. Er pro-

pagiert multivariate statistische Modelle als möglichen Treffpunkt der psychologischen und

ingenieurtechnischen Herangehensweise.

AbuAli [

AAz16

] beschäftigt sich mit aktuellen Entwicklungen, fokussiert dabei auf Fahrermodel-

le mit dem Zweck der Vorhersage des Fahrverhaltens für Fahrerassistenzsysteme. Er identifiziert

vier Modellierungsziele: Spurwechsel, Kreuzungsverhalten, Parametrierung von Fahrertypen

sowie fahrertypabhängige Navigation.

Im Rahmen dieser Arbeit werden nichtfunktionale Modellierungsansätze nicht als Fahrermodelle

im eigentlichen Sinn betrachtet, sondern als Hilfsmittel, um die tieferen Gründe für das Verhalten

des Fahrers untersuchen, modellieren und in ein funktionales Modell übertragen zu können. Ein

Hauptaugenmerk dieser Arbeit liegt somit in dem Versuch, relevante Erkenntnisse aus taxonomi-

schen bzw. beschreibenden Modellierungsansätzen in einen funktionalen Modellierungsansatz

einfließen zu lassen. Eine an diesen Kontext angepasste Kategorisierung von Fahrermodellen ist

in Abbildung 2.12 dargestellt.

Fahrermodelle

ingenieurtechnisch

probabilistisch

regelungstechnisch

mikroskopisch

hybrid psychologisch

kognitiv

Abbildung 2.12: Vorschlag einer Kategorisierung von Fahrermodellen

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

2.2.1 Regelungstechnische Ansätze

Eine für einen ingenieurtechnischen Ansatz naheliegende Interpretation der Fahraufgabe ist die

des Haltens des Fahrzeugs auf einem vorgegebenen Kurs mit einer vorgegebenen Geschwindig-

keit. Somit kann die Interaktion zwischen Fahrer und Fahrzeug als eine Überwachungs- und

Regelungsaufgabe angesehen werden. Eine mathematische Modellierung der Fahraufgabe ist

möglich, in dem die Elemente des Systems Fahrer-Fahrzeug-Umwelt (vgl. Abbildung 2.1) in

einen Regelkreis überführt werden. Der Fahrer übernimmt die Aufgabe des Reglers und ist dafür

verantwortlich, die Differenz zwischen Führungsgröße und gemessener und zurückgeführter

Regelgröße zu bestimmen und diese zu minimieren. Als Stellgrößen dienen dem Fahrer hierfür –

je nachdem, ob Längs- oder Querführung abgebildet werden soll – Gas- und Bremspedal bzw.

Lenkrad. Die Regelstrecke wird in diesem System durch das Fahrzeug dargestellt, die Störgrößen

haben ihren Ursprung in der Umwelt und wirken auf das Fahrzeug. Der Platz des Sensors,

welcher den aktuellen Istwert der Regelgröße zu bestimmen hat, wird im Fahrermodell durch die

menschliche Kognition eingenommen, aufgrund ihrer Komplexität wird diese jedoch in vielen

Fällen nicht implementiert – der Fahrer „kennt“ den Wert der entsprechenden Regelgröße, was

im Sinne einer Maximierung der Menschähnlichkeit einen wesentlichen Kritikpunkt darstellt.

Für eine möglichst realistische Simulation von Fahrverhalten ist das Vorhandensein realitäts-

getreuer Fahrzeug- und Umweltmodelle notwendig, weiterhin muss der Informationsaustausch

zwischen den drei Komponenten modelliert werden. Die mathematische Darstellung von (einfa-

chen) Umweltumgebungen, beispielsweise einer Straße in einer ebenen Umgebung ist unschwer

umzusetzen und für grundlegende Untersuchungen meist ausreichend. Ein der realen Fahrdyna-

mik in vielen Situationen entsprechendes Fahrzeugmodell existiert jedoch erst seit der Entwick-

lung des Einspurmodells im Jahre

1940

von Riekert & Schunck [

RS40

]. Unter Zuhilfenahme

dieses Fahrzeugmodells entstanden Anfang der zweiten Hälfte des

20.

Jahrhunderts die ersten

– meist regelungstechnisch inspirierten – Fahrermodelle (Kondo [

Kon53

], Enke [

Enk66

], Weir

& McRuer [

WM70

] und viele andere). Eine umfassende Beschreibung regelungstechnischer

Fahrermodelle liefert Jürgensohn [Jür07].

Ein Modell, dass in vielen – auch aktuellen – Publikationen als Grundlage für ein regelungstechni-

sches Fahrermodell erwähnt wird, ist das Zwei-Ebenen-Modell von Donges aus dem Jahre

1977

[

Don77

]. Daher wird dieses, zusammen mit der auf diesem Modell aufbauenden Erweiterung

von Bösch aus dem Jahre

1991

[

Bös91

], in den Abschnitten 2.2.1.1 bzw. 2.2.1.2 beispielhaft für

die eingangs beschriebene – ingenieurtechnische – Herangehensweise an die Fahrermodellierung

näher erläutert.

Erwähnenswert für regelungstechnische Ansätze nach

2000

sind sicherlich die Arbeiten von

MacAdam [

Mac01

], [

Mac03

]. Dieser unterscheidet zunächst ebenso zwischen klassischen und

optimaltheoretischen Reglermodellen sowie KI-Ansätzen (KNN, Fuzzy, genetische Algorithmen)

und erweiterte ein lineares Fahrermodell u.a. um eine interne Repräsentation des Fahrzeugs

sowie eine neuromuskuläre Filterung des Lenkverhaltens (vgl. Abbildung 2.14). Modelleinga-

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Regler Stellglied Regelstrecke

Störgröße

Sensor

u(t)

Stellgröße

allgemein

us(t)

Stellgröße

y(t)e(t)

Regel-

abweichung

w(t)

Führungsgröße d(t)

yS(t)

Rückführung

Fahrer Lenkrad Fahrzeug

Kognition

Störgröße

u(t)

Stellgröße

allgemein

δ(t)

Lenkwinkel

y(t)

Kurs

y(t)

Quer-

abweichung

w(t)

Sollkurs d(t)

yK(t)

erkannter Kurs

Abbildung 2.13: Überführung eines Reglers in ein einfaches Fahrermodell

ben sind die Mittellinie der Straße sowie deren äußere Begrenzungen. Die für die Regelung

verwendeten Informationen über das eigene Fahrzeug werden verzögert, gefiltert und mit einem

Rauschen versehen, so dass die darauf basierenden Vorausschauberechnungen des internen

Fahrzeugmodells von den Fähigkeiten des Fahrers abhängen können. Der berechnete optimale

Lenkwinkel wird mit Hilfe einer Kostenfunktion erzeugt und – ähnlich zu den Modelleingaben –

„physiologisch und ergonomisch“ gefiltert. Die Vorausschauweite des Fahrers ist variabel und

wird beispielsweise beim Erkennen von Hindernissen entsprechend verringert. Ungoren & Peng

[

UP05

] haben das MacAdam’sche Modell weiterentwickelt und generalisiert, z.B. indem sie

weitere Variablen (Gierwinkelfehler, Krümmungsfehler usw.) der Kostenfunktion hinzufügten,

um ein differenzierteres Fahrverhalten erzeugen zu können.

Weitere „konservative“ Ansätze zur Querregelung beschreiben Wu & Chang [

WC05

], Boros

[

Bor07

] sowie von Vietinghoff [

von08

]. König [

Kön08

] verglich in seiner Arbeit

regelungs-

technische Fahrermodelle und stellte fest, dass der Fokus in diesen Konzeptionen zumeist auf der

Optimierung des Reglers hinsichtlich der Robustheit – also vor allem auf einer Minimierung der

maximalen Querabweichung des Fahrzeugs von der Solltrajektorie – lag. Er kritisierte dabei die

Nichtberücksichtigung des Fahrverhaltens im Grenzbereich, was sich durch die oft unrealistisch

geringen Querbeschleunigungen in den Simulationen im Vergleich zu realen Fahrsituationen und

die viel zu einfachen Streckenmodelle widerspiegelt. Keen & Cole verwendeten in [

KC06

] und

[

Kee08

] eine modellprädiktive Regelung für ein nichtlineares Querführungsmodell. Eigel imple-

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Abbildung 2.14: Fahrermodell nach MacAdam [Mac01] bzw. [Mac03]

mentierte eine Sliding-Mode-Regelung

für parallele, kombinierte oder integrierte Längs- und

Querführung durch ein Fahrermodell [

Eig10

]. Werling entwickelte eine Bi-Level-Stabilisierung

für die Regelung autonomer Fahrzeuge in zeitkritischen Straßenszenarien und bei hohen Ge-

schwindigkeiten [

Wer10

]. Diese Methode verbindet High-level- und Low-level-Stabilisierung

Konzeptionell handelt es sich hierbei ebenso um eine unterlagerte Regelung, welche mit einer

schwellwertbasierten Reinitialisierung auf Planungsebene kombiniert wird. Als ein Ziel die-

ses Modells wird „unauffälliges, menschenähnliches Verhalten im Verkehr“ genannt. Hiesgen

[

Hie11

] verwendet einen potentialfeldbasierten Bahnfolgeregler sowie eine kaskadierte Regelung

für einen Bahnführungsassistenten, welche kombiniert mit den implementierten Fahrermodellen

von Iguchi [

Igu59

], Renski [

Ren01

] sowie Donges & Naab [

DN96

] evaluiert wurden. Verglichen

wurden die Modelle bezüglich eines Spurwechselmanövers, wobei die Untersuchungen ergaben,

Sliding-mode-Regelung ist eine strukturvariable Regelung, bei der in die Rückführstruktur des Regelkreises gezielt

nichtlineare Funktionen integriert werden, zwischen denen dann zustandsabhängig umgeschaltet wird

High-level-Stabilisierung (HLS) steht hier für Änderungen auf der Planungsebene, Low-level-Stabilisierung (LLS)

bezeichnet Rückführungen auf niederer (Regler-)Ebene

2 Stand der Technik – Fahraufgabe und Fahrermodelle

dass die laterale Abweichung vom Sollkurs mit der Menschähnlichkeit des verwendeten Modells

zunahm.

Vor allem für das Lenken in Kurven existiert eine Vielzahl von Modellen, in denen das Lenk-

verhalten direkt mit dem Blickverhalten verknüpft wird. Lappi [

Lap14

] verglich Modelle aus

den letzten 20 Jahren und stellte eine zweidimensionale Kategorisierung auf: Auf der einen

Seite unterscheidet er zwischen Modellen, die den Tangentenpunkt als visuellen Bezugspunkt

verwenden, auf anderen Seite beschreibt er Modelle, welche sich visuell an einem Sollkurs

orientieren (vgl. Abschnitt 3.1.5.1). Die zweite Dimension unterscheidet, ob anhand der Richtung

hin zu einem bestimmten Punkt oder mittels des optischen Flusses (vgl. auch Abschnitt 3.1.1.3)

gelenkt wird. Modelle basierend auf Tangentenpunkt sind von Land & Lee [

LL94

], Wilkie &

Wann [

WW03

], Salvucci & Gray [

SG04

] sowie – bei Miteinbeziehung des optischen Flusses

– von Authié & Mestre [

AM11

] erschienen. Modelle, die sich an einem Sollpfad orientieren,

finden sich ebenso bei Wilkie & Wann [

WW03

], Salvucci & Gray [

SG04

], sowie bei Wann &

Land [

WL00

], bei Miteinbeziehung des retinalen Flusses u.a. bei Kim & Turvey [

KT99

] bzw.

Wann & Swapp [WS00].

Jiang et al. [

JWSD11

] unterscheiden Querreglermodelle in Kompensations- und Vorausschaure-

gelungsmodelle. Letztere werden als überlegen beurteilt, ein mathematischer Ansatz basierend

auf einer optimaltheoretischen Regelung mit Vorausschau wird als neue Lösung vorgestellt.

Saleh et al. entwickelten ein „kybernetisches“ und „menschähnliches (human-like)“ Fahrer-

modell [

SCM+11

], dessen Fahrregler – ähnlich dem Donges’schen Modell – sich aus einem

kompensatorischen und einem antizipatorischen Anteil zusammensetzt. Die Führungsgröße des

antizipatorischen Teils entspricht hier dem Winkel zwischen der Fahrzeugrichtung und dem

Tangentenpunkt der Kurve, im kompensatorischen Zweig wird der Winkel zwischen Fahrzeug

und einem Nahpunkt 5m vor dem Fahrzeug verwendet. Die Menschähnlichkeit dieses Modells

besteht im Wesentlichen aus einem Modul zur Simulation des neuromuskulären Systems (NMS),

welches dafür zuständig ist, den aus dem Regler generierten Wunschlenkwinkel in ein Lenk-

moment umzuwandeln (vgl. Abbildung 2.15). Wang et al. [

WXC14

] fassten eine Vielzahl von

aktuellen regelungstechnischen Modellen zusammen, welche mittels aufgezeichneter Fahrzeug-

daten Parameter identifizieren, um diese an unterschiedlichste regelungstechnische Modelle

anzupassen (u.a. Burnham et al. [

BSB74

], Hermannstädter & Yang [

HY12

] und Tokutake et al.

[TSS13]).

Im folgenden Kapitel wird das Zwei-Ebenen-Modell von Donges exemplarisch für ein rege-

lungstechnisches Fahrermodell näher beschrieben, da dieses Modell als repräsentativ für viele

ingenieurtechnische Ansätze gelten kann. Es verwendet die gängigen Konzepte einer Voraus-

schau sowie eines vorhandenen Sollkurses, welcher durch den Regler Mensch abgefahren werden

soll.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Abbildung 2.15: Kybernetisches Fahrermodell nach Saleh et al. [SCM+11]

2.2.1.1 Zwei-Ebenen-Modell des menschlichen Regelverhaltens nach Donges

Basierend auf den Forschungsarbeiten der Fahrermodellierung der 50er und 60er Jahre des

vergangenen Jahrhunderts z.B. von Fiala [

Fia67

] und der daraus bekannten Unterscheidung

zwischen kompensatorischem und antizipatorischem Verhalten und den Ergebnissen einer Simu-

latorstudie entwickelte Donges in den 70er Jahren des vorigen Jahrhunderts eine formalisierte

Beschreibung menschlichen Lenkverhaltens. Unter anderem werden die Verhaltensweisen des

Regelverhaltens von Donges [Don77] näher erläutert:

Bei der kompensatorischen Regelung erhält der Mensch als Information nur die Regelabweichun-

gen, welche er auszugleichen hat. Der aktuelle Wert der zu regelnden Sollgröße ist ihm jedoch

unbekannt. Regelungstechnisch impliziert dies das Fehlen eines Sensors sowie das Wissen um

die Führungsgröße11.

Eine Nachfolgeregelung tritt auf, wenn dem Fahrer sowohl Führungs- als auch Regelgrößen

bekannt sind. In diesem Fall ist er in der Lage, Änderungen der Führungsgröße wahrzunehmen

und die Regelabweichungen aus den bekannten Größen selbst zu berechnen. Kompensatorische

und Nachfolgeregelung können inhaltlich zusammengefasst werden, da sie sich nur in der

Auslegung der Systemgrenzen des Systems Fahrer unterscheiden.

Antizipatorisches Verhalten kann der Fahrer zeigen, wenn ihm zusätzlich zur aktuellen Situa-

tion die Information über den zukünftigen Wert der Führungsgrößen bekannt ist. Somit ist es

ihm möglich, noch vor dem Eintreten der Veränderungen, auf diese reagieren. Hierbei wird

die Zeitspanne, um welche die Information der Führungsgrößen der aktuellen Zeit vorauseilt,

sensorische Antizipationszeit genannt. Eine solche antizipatorische Fahraktion ist demnach ein

Steuervorgang, da kein instantaner Abgleich zwischen Soll- und Istgröße vorgenommen wird.

Dieser wird durch einen kompensatorischen Regelvorgang übernommen.

Solch ein rein kompensatorisch fahrendes Modell wäre somit auf eine externe Intelligenz angewiesen, die Führungs-

und Regelgrößen erkennt und die entsprechenden Differenzen berechnet.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Basierend auf den beschriebenen Verhaltensformen entwickelte Donges am Beispiel des Fah-

rerlenkverhaltens ein Fahrermodell mit zwei Ebenen: Bahnführung und Stabilisierung. Die

Navigationsebene wird hier explizit nicht berücksichtigt.

Das in diesem Modell der Bahnführungsebene entsprechende Element ist die antizipatorische

Steuerung: Der Fahrer erkennt den aktuellen sowie zukünftigen Verlauf der Sollspur und leitet

daraus einen Teil seines Lenkwinkels her. Im Donges’schen Fahrermodell werden Soll- und

Istspur als Kehrwerte der jeweiligen Kurvenradien

(Radius der Sollspur) und

(Radius der

Istspur), also als Krümmungen KS=1

RSund KI=1

RIinterpretiert.

Die Stabilisierungsebene wird durch die kompensatorische Regelung repräsentiert: Die vom

Fahrer beobachteten Abweichungen des Fahrzeugs vom Sollkurs werden durch entsprechende

Lenkhandlungen kompensiert. Hierbei handelt es sich – im Gegensatz zur antizipatorischen

Steuerung – um eine Regelung, da ein geschlossener Wirkungskreislauf vorhanden ist (vgl.

Abbildung 2.16)

. Die für den Fahrer zu beachtenden Regelgrößen sind folgende: die Quer-

abweichung

y∆

zwischen der aktuellen Fahrzeugposition und der gewünschten Sollspur, der

Gierwinkelfehler im Schwerpunkt

ψ∆

(Winkel zwischen der Ist- und Sollspurtangente) sowie

die Krümmungsdifferenz

κ∆

(Differenz der Krümmungen von Ist- und Sollspur). Interessant ist

die von Donges angeführte Erkenntnis, dass die in den Fahrversuchen beobachteten Beiträge

von Krümmungsdifferenz, Gierwinkelfehler und Querabweichung etwa im Verhältnis 1:4:1

zueinander stehen. Den weitaus wichtigsten Beitrag bei der Querregelung eines Fahrzeugs leistet

beim Donges’schen Fahrermodell demnach der Gierwinkelfehler13.

Der vom Fahrermodell erzeugte Lenkwinkel

ergibt sich aus der Summe aller von den Teilm-

odellen generierten Lenkwinkel:

λ=λS+λZ+ (λy+λψ+λκ)

(vgl. Abbildung 2.16). Die

Restgröße (bzw. Remnant)

λZ

ergibt sich aus der Differenz der bei den Simulatorversuchen

aufgenommenen und der vom Fahrermodell erzeugten Lenkwinkeln. Diese Restgröße betrug in

geraden Streckenabschnitten bis zu 52% des Gesamtlenkwinkels – für Fahrten in realen Um-

gebungen ist eine weitere Erhöhung anzunehmen. Abschließend kann gesagt werden, dass das

Zwei-Ebenen-Modell in bestimmten Szenarien (z. B. Kurvenfahrt) recht realistische Lenkwinkel-

verläufe erzeugt und somit eine Basis für weitere regelungstechnisch inspirierte Fahrermodelle

darstellt.

Fazit

Das Donges’sche Zwei-Ebenen-Modell steht beispielhaft für die Klasse der regelungs-

technischen Fahrermodelle. Eine vorgeschaltete Vorausschau erlaubt eine Antizipation des

Straßenverlaufs, welche anhand des so generierten Sollkurses die Basis für die kompensatorische

Regelung der Stabilisierungsebene darstellt. Zum Behufe der Simulation von ausschließlich

Lenkverhalten ohne Betrachtung der dahinterliegenden Ursachen kann das Modell realitätsna-

Beispielhaft für ein rein kompensatorisches Regelverhalten sei hier die Reaktion des Fahrers auf einen plötzlichen

Seitenwindstoß angeführt.

13Es werden allerdings nur optische Eingangsinformationen berücksichtigt.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Bahnführungsebene

Antizipatorische

Steuerung

Nicht

aufgabenbezogenes

Lenkverhalten

Fahrzeug

Stabilisierungsebene

Kompensatorische

Regelung

Fahrer

Umwelt

(Straße

und

Verkehrs-

situation)

λS

λZ

λy,λψ,λK

Sollbahn

Abweichungen zwischen Ist- und Sollbahn

y∆,ψ∆,K∆

Abbildung 2.16: Zwei-Ebenen-Modell der Fahrzeugführung nach Donges [Don77]

he Lenkwinkel erzeugen. Die Generierung der Sollwerte alleinig aus der Streckenarchitektur

beschränkt die Anwendungsszenarien jedoch stark.

2.2.1.2 Erweitertes Reglermodell des Fahrers nach Bösch

Einen weiteren Versuch, den Fahrer mathematisch nachzubilden, liefert Bösch

1991

in [

Bös91

Das entwickelte Modell kann als eine Weiterentwicklung des Donges’schen Fahrermodells

angesehen werden (vgl. Abschnitt 2.2.1.1) – auch hier wird eine Kombination aus Steuerung

und Regelung als die am ehesten realistische Methode favorisiert. Die zwei Ebenen aus dem

Donges’schen Fahrermodell (bzw. ähnlich funktionierende zwei Ebenen) werden um zwei weitere

Ebenen erweitert: Zum bereits vorhandenen vorausschauenden Element der antizipatorischen

Steuerung wird eine prädiktive Regelung hinzugefügt, zusätzlich wird noch eine vierte Ebene,

welche „Lenken aus Erfahrung“ genannt wird, addiert. In dieser soll die Fähigkeit des Fahrers

implementiert sein, auf unerwartetes Fahrzeugverhalten reagieren zu können. Abschließend ist

– sozusagen als fünfte Ebene – ein Fahrerrauschen implementiert, welches ähnlich dem schon

2 Stand der Technik – Fahraufgabe und Fahrermodelle

im Donges’schen Modell postulierten Remnant

die „nicht modellierbaren Verhaltensanteile“

repräsentieren soll.

Bahnführungsebene

Antizipatorische

Steuerung

Prädiktive

Regelung

Nicht aufgabenbe-

zogenes Lenkver-

halten

Fahrzeug

Stabilisierungsebene

Kompensatorische

Regelung

Lenken aus

Erfahrung

Fahrer

Straßen-

information

Umwelt

Abbildung 2.17: Vier-Ebenen-Fahrermodell nach Bösch [Bös91]

Die vorausschauende antizipatorische Steuerung erzeugt – ähnlich dem Donges’schen Modell –

einen gesteuerten mittleren Lenkwinkel

aδ

aus der Kurvenkrümmung. Dieser Lenkwinkel soll

den ungefähren Spurverlauf einstellen.

Für die vorausschauende Regelung werden folgende vier Kennwerte berechnet:

• der Weg bis zur Überschreitung der Fahrbahnbegrenzung SLC (space to line crossing)

• die Zeit bis zur Überschreitung der Fahrbahnbegrenzung TLC (time to line crossing)

• die voraussichtliche seitliche Abweichung in der Vorausschau ev

• der voraussichtliche Gierwinkelfehler in der Vorausschau ψv

Treffender könnte man den Remnant auch als „nicht regelungstechnisch modellierbares Verhalten“ beschreiben.

Die Vereinfachung als „Rauschen“ oder „nicht aufgabenbezogenes Verhalten“ erzeugt eine Vorstellung einer

reinen Zufallsgröße, die so nicht haltbar ist. Vielmehr sollte der Remnant als „das Menschliche“ am Fahrverhalten

betrachtet werden – also gerade das, was menschliches von roboterhaftem Fahren unterscheidet: Emotionen,

Motivationen, Können, Handicaps und ähnliche typisch menschliche Eigenschaften.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Die

SLC

sowie

TLC

liefern keinen eigenen Lenkwinkelanteil, werden jedoch für die kompensa-

torische Regelung als Schaltkriterien gebraucht. Der Lenkanteil der Prädiktivregelung

pδ

ergibt

sich aus der Summe der beiden Teillenkwinkel pδeund pδψ.

Für die kompensatorische Regelung werden proportionale, differenzierende und integrierende

Regelungen aggregiert verwendet (PID-Regler). Jedoch wird die komplette Ebene nur dann akti-

viert, wenn

SLC

oder

TLC

einen bestimmten Grenzwert unterschreiten. Die Proportionalregelung

berücksichtigt die seitliche Abweichung von der Mittellinie, den Gierwinkelfehler gegenüber

der Sollbahntangente sowie den seitlichen Abstand vom Fahrbahnrand. Der differenzierende

Regelungsanteil nutzt die seitliche Relativbewegung, die Änderung des Gierwinkelfehlers und

die Querbeschleunigung als Eingangsgrößen. Der integrierende Regler verwendet wiederum die

seitliche Abweichung und den Gierwinkelfehler als Eingangsgrößen. Des Weiteren wird noch

das Produkt der Bahnkrümmungsdifferenz zwischen Fahrzeug- und Fahrbahnkrümmung und der

Fahrgeschwindigkeit verwendet.

Das Lenken aus Erfahrung soll die Gewöhnung des Fahrers an das jeweilig verwendete Fahrzeug

simulieren, die dafür verwendeten Größen sind Lenkradmoment und Querbeschleunigung –

jeweils als Vergleich mit Erfahrungswerten. Falls die aktuellen Werte für eine längere Zeit nicht

mit den Erfahrungswerten übereinstimmen, so können die entsprechenden Parameter geändert

werden, um die Abweichungen zu minimieren.

Als letzter Wert wird der Regelung noch ein Remnant hinzugefügt, welches aus zwei Kom-

ponenten besteht. Zum einen Teil sind dies vom Menschen erzeugte, nicht aufgabenbezogene

Lenkvorgänge, die willkürliche (also nicht mit den vorhandenen Führungsgrößen zusammen-

hängende) und unwillkürliche (zufällige, durch die Unzulänglichkeit des menschlichen Fahrers)

Reaktionen umfassen. Der zweite Teil besteht aus den durch die Beschränktheit des Modellansat-

zes nicht reproduzierbaren Anteile des Lenkverhaltens. Letztendlich wurde das Fahrerrauschen

durch ein parametriertes zufälliges Rauschsignal implementiert.

Fazit

Das erweiterte Reglermodell von Bösch fügt den im Donges’schen Ansatz eingeführten

zwei Ebenen noch weitere hinzu: eine vorausschauende Regelung sowie eine für Schreckreak-

tionen. Dies erlaubt realistischere Modellausgaben, das regelungstechnische Grundparadigma

scheint jedoch mittlerweile ausgereizt zu sein. Für bestimmte Anwendungen (z.B. Standard-

manöver für Fahrdynamikuntersuchungen) ist das Modell gut geeignet, der kognitive Überbau,

welcher für die Anwendung in komplexeren Umgebungen z.B. mit Fremdverkehr und Kreu-

zungsszenarien notwendig ist, existiert bei diesem Ansatz naturgemäß nicht.

2.2.1.3 Zusammenfassung

Regelungstechnische Fahrermodelle sind – definiert man die Fahraufgabe lediglich als aus

Längs- und Querführung bestehend – der naheliegende Ansatz der sich daraus ergebenden Re-

2 Stand der Technik – Fahraufgabe und Fahrermodelle

gelungsaufgabe. Aufbau und Funktionsweise eines regelungstechnischen Fahrermodells wurde

anhand des Donges‘schen bzw. durch Bösch erweiterten Zwei-Ebenen-Modells demonstriert.

Generelle Struktur sowie die generierten Modellausgaben ähneln sich bei vielen dieser Mo-

delle. Visuell-getriebene Modelle können für bestimmte Fahraufgaben (Kurvenfahrten) gute

Ergebnisse erzielen, sind jedoch ebenfalls auf das traditionelle Reglerparadigma begrenzt. In

der Domäne der Fahrermodellierung stellen regelungstechnische Modelle einen vergleichsweise

konservativen Ansatz dar. Sie sind reliabel, im Allgemeinen deterministisch und werden in vielen

Bereichen eingesetzt, beispielsweise als virtuelle Testfahrer für Standardmanöver. Von Nachteil

sind die oftmals engen Systemgrenzen sowie fehlende Generalisierbarkeit des entsprechenden

Modellierungsansatzes – regelungstechnische Modelle bieten oft eine optimale Lösung für ein

beschränktes Problem, eine hohe ökologische Validität wird jedoch nur für hochspezifische

Szenarien erreicht.

Menschähnlichkeit

Bezüglich der in Kapitel 1.1 definierten Kategorien der Menschähnlich-

keit von Fahrermodellen fallen regelungstechnische Modelle zumeist in Typ 0 – ihr Fahrverhalten

kann oft problemlos als nicht-menschlich erkannt werden. Dies fällt vor allem wegen der zumeist

nicht vorhandenen Interaktion mit anderen Verkehrsteilnehmern auf. Bei entsprechender Para-

metrierung und komplexeren Modellen kann Typ I, mit an die menschliche Physis angepassten

Regelparametern kann für spezielle Manöver Typ II erreicht werden, wenngleich sich technische

Regler oft „zu gut für einen menschlichen Fahrer“ verhalten. Dies liegt zum einen an unrealis-

tischen Sollvorgaben

, die es dem Regler erst ermöglichen, einen optimalen Kurs zu fahren.

Diese Problematik, sowie fehlende Kognition und Informationsverarbeitung begrenzen die Men-

schähnlichkeit dieser Modellkategorie. Als Garant für stabiles Fahrverhalten können technische

Regler jedoch ein schnell und vergleichsweise kostengünstig einzusetzendes Werkzeug innerhalb

eines größeren Rahmenmodells für menschähnliche Fahrermodellierung darstellen.

2.2.2 Ansätze aus der Verkehrssimulation

Für die Simulation von Verkehr – das kann im Extremfall die Simulation von mehreren Millionen

Verkehrsteilnehmern bedeuten – wird der Fokus weg vom einzelnen Fahrzeug verlagert. Für den

Modellierer bedeutet dies, dass (vor allem aufgrund von technischen Beschränkungen) die auf

einen einzigen Fahrer bzw. Fahrer-Fahrzeug-Verbund angepassten Modellierungsmethoden nicht

effektiv einzusetzen sind. Es existieren hierfür unterschiedliche Betrachtungsweisen, welche

sich anhand des Detaillevels der Modelle unterscheiden. Grundsätzlich kann nach Gartner et

al. zwischen mikroskopischen, mesoskopischen und makroskopischen Simulationsmodellen

unterschieden werden [

GMR92

], wobei die Differenzierung anhand des Detaillevels der Modelle

stattfindet.

15Jürgensohn kritisierte dies bereits u.a. in [Jür97].

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Auf der makroskopischen Ebene kann der Verkehr als komprimierbare Flüssigkeit betrachtet

werden, somit können Parameter wie Verkehrsfluss und -dichte mit physikalischen Gleichungen

modelliert werden. Fahrzeuge werden als Teil einer Menge betrachtet, das zu simulierende

Streckennetz wird nicht physikalisch, sondern logisch modelliert. Das Ziel makroskopischer

Modellierung des Straßenverkehrs ist die möglichst genaue Simulation bzw. Vorhersage der

Auslastung des Straßennetzes. Wichtige Kenngrößen sind in diesem Zusammenhang die mitt-

lere Geschwindigkeit des Verkehrsstroms, der Verkehrsfluss sowie die Verkehrsdichte, die

Beziehungen zwischen diesen Größen lassen sich anschaulich im Fundamentaldiagramm des

Verkehrsflusses darstellen (vgl. Abbildung 2.18).

Abbildung 2.18:

Links: Zusammenhang zwischen Verkehrsfluss und Verkehrsdichte (Fundamen-

taldiagramm des Verkehrsflusses); rechts: Zusammenhang zwischen Geschwin-

digkeit und Verkehrsdichte

Im Gegensatz zu makroskopischen Modellen verwenden mesoskopische Modelle zumeist auch

komplexere Beschreibungen der einzelnen Fahrzeuge, zusätzlich können einzelne Handlungen

(z.B. ein Spurwechsel) simuliert werden, jedoch sind diese Handlungen nicht hochgradig detail-

liert beschrieben, sodass der eben erwähnte Spurwechsel instantan stattfindet. Ein Beispiel für

eine mesoskopische Simulation stellt der zelluläre Automat von Nagel & Schreckenberg [

NS92

]

dar.

Mikroskopische Modelle sind vergleichsweise komplex beschrieben, so werden im Allgemeinen

die Handlungen des Fahrer-Fahrzeug-Ensembles modelliert, nicht jedoch die des Fahrzeugführers.

Neuere Modelle beziehen jedoch den Fahrer und dessen Kognition mit ein, als Beispiele seien

ACME und PELOPS genannt, auf die folgend eingegangen wird. Die Straßen müssen hierfür

ebenfalls annähernd realistisch modelliert werden (z.B. müssen Fahrspuren vorhanden sein).

Die Modellierung der dynamischen Prozesse der Fahrzeuge beschränkt sich jedoch auf die

Längsdynamik.

Noch detailliertere Modellierung wird als submikroskopisch bezeichnet, bei dieser Methodik

werden sowohl einzelne Handlungen des Fahrers als auch physikalische Vorgänge innerhalb des

Fahrzeugs (Motor, Getriebe, etc.) simuliert.

Erste Beschreibungen des Verkehrsflusses stammen aus den 30er Jahren von Greenshields

et al. [

GBCM35

]. In den 50er Jahren entwickelten Reuschel [

Reu50

] und Pipes [

Pip53

] Be-

2 Stand der Technik – Fahraufgabe und Fahrermodelle

schreibungen für Fahrzeugfolgemodelle. Harding [

Har07

] nennt diese Ansätze „deterministische

Abstandsmodelle“, da sich alle Fahrer bzw. Fahrzeuge nach identischen mathematischen Regeln

verhalten.

Grundlegend für Fahrzeugfolgemodelle ist der Zusammenhang zwischen einem äußeren Reiz

und einer daraus resultierenden Reaktion des Fahrers, wobei

für die Reaktionszeit des Fahrers

und αfür den Sensitivitätsfaktor des Fahrers stehen:

Reaktion(t+τ) = α·Reiz(t)

Als äußere Reize kommen beispielsweise der Abstand zum Vorderfahrzeug oder auch die

Geschwindigkeitsdifferenz zum Vorderfahrzeug (

∆v(t)

) in Betracht. Die Reaktion wird zumeist

als Beschleunigung (

) interpretiert. So lässt sich unter Annahme eines konstanten

ein lineares

Fahrzeugfolgemodell ableiten:

a(t+τ) = α∆v(t)

Ein allgemeines und oft verwendetes nichtlineares Modell zur Fahrzeugfolgebewegung ist das

GHR-Modell

von Gazis et al. [

GHR61

]. Das lineare Modell wurde durch die aktuell erkannte

Geschwindigkeit des eigenen Fahrzeugs

v(t+τ)

sowie den Abstand zum vorausfahrenden

Fahrzeug ∆x(t)sowie um die Modellkonstanten βund γergänzt:

a(t+τ) = αv(t+τ)β

∆x(t)γ∆v(t)

Die Parameter

und

sind fahrerabhängig anzupassen und führen zu Modellen, die entweder

der geschwindigkeitsabhängigen oder der abstandsabhängigen Komponente größeres Gewicht

zuweisen. Umfassende Zusammenfassungen von (makroskopischen) Fahrzeugfolgemodellen

finden sich in den Arbeiten von Mitschke & Chen [

MC91

], Rothery [

Rot92

], Gartner et al.

[GMR92], Brackstone & McDonald [BM99] und Toledo et al. [TKBA03].

Es existieren auch mikroskopische Modelle, welche Entscheidungsbäume verwenden, um die

Handlungen des Fahrermodells an die spezifischen Gegebenheiten der aktuellen Situation an-

zupassen (z.B: Barceló et al. [

BCC+05

]). Eine auf Fuzzy-Logik basierende mikroskopische

Simulationsumgebung ist das Framework FLOWSIM

, welches ein Fahrermodell beinhaltet,

das den Fahrer mit Hilfe von drei Handlungen beschreibt: Beobachten, Denken und Reagieren.

McDonald et al. [

MWB97

] beschreiben unterschiedliche Fahrertypen als Änderungen in den

Verteilungen der Fuzzy-Funktionen. Weitere kommerziell eingesetzte mikroskopische Modelle

sind das vor allem in Deutschland verbreitete VISSIM

, das in den USA gebräuchlichere COR-

16Gazis-Herman-Rothery-Modell

17Fuzzy LOgic based motorWay SIMulation

18Verkehr in Städten - Simulation

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

(a)

Informationsfluss beim Führen eines Kraftfahr-

zeugs nach Krajzewicz & Wagner [KW04]

(b)

Struktur des Fahrermodells ACME nach Kraj-

zewicz & Wagner [KW02]

Abbildung 2.19:

Kognitives Fahrermodell ACME nach Krajzewicz & Wagner [

KW02

], [

KW04

]

SIM

sowie das aus Japan stammende KAKUMO (Shiraishi et al. [

SHK+04

]). Alle Modelle

besitzen Fahrzeugfolge- sowie Spurwechselmodelle. Die Entwicklung geht hin zu immer genaue-

rer (submiskroskopischer) Modellierung des Fahrers, beispielsweise mittels der mikroskopischen

Simulationsumgebung AIMSUN20.

2.2.2.1 ACME

Ein Beispiel für mikroskopische Modellierung ist das ACME

-Modell von Krajzewicz &

Wagner [

KW02

], [

KW04

], [

Kra05

]. Dieses wird als ein „kognitives Fahrermodell“ vorgestellt,

welches auf der mikroskopischen Simulationsumgebung SUMO

aufsetzt. Ziel der Entwick-

lung war ein Fahrermodell, welches echtzeitfähig ist und unterschiedliche kritische Situationen

erzeugen kann. Es betrachtet den Fahrer als Regelschleife zwischen Umwelt und Fahrzeug (vgl.

Abbildung 2.19). Ein realistisches Verhalten soll durch die Modellierung der menschlichen

Informationsverarbeitung auf einem recht hohen Abstraktionsgrad erreicht werden. Das Modell

von Atkinson & Shiffrin [

AS68

], welches auf den drei Typen des Gedächtnisses (sensorischer

Input, Kurzzeitgedächtnis und Langzeitgedächtnis) basiert (vgl. Kapitel 3.2.1), dient hier als

Vorlage. Neben einer einfachen Modellierung des sensorischen Inputs wird das Bewusstsein

als Container mit bis zu sieben Platzhaltern für relevante Informationen, geplante Handlungen,

Erwartungen und ähnliches interpretiert. Des Weiteren beinhaltet das Kognitionsmodell ein

Aufmerksamkeits-, Planungs- sowie ein haptisches Modul.

19Federal Highway Administration Corridor Simulation

20http://www.aimsun.com

21(„A Commmon Mental Environment“)

22„Simulation of Urban MObility“

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.20: Struktur des Fahrermodells PELOPS nach Düser [Düs10]

Fazit

ACME ist ein Modellansatz, der einem mikroskopischen Fahrermodell eine kognitive

Struktur hinzufügt. Eine Einteilung in die Kategorie „hybrides Modell“ wäre daher ebenso

zulässig gewesen. Da das Modell nicht öffentlich verfügbar ist, kann eine umfassende kritische

Beurteilung nicht vorgenommen werden.

2.2.2.2 PELOPS

Ein weiteres mikroskopisches Fahrermodell ist PELOPS

, welches an der RWTH Aachen in

Kooperation mit BMW entwickelt wurde, um die Interaktion von Fahrer, Fahrzeug und Umge-

bung zu simulieren (Benmimoun [

Ben04

]). Das implementierte Fahrermodell besteht aus einem

Verhaltens- sowie einem Handlungsmodell. Das Verhaltensmodell beschreibt zwei Zustände:

Folgen und Spurwechsel. Ersterer ist an das Folgemodell von Wiedemann [

Wie74

] angelehnt,

welches aus den Zuständen unbeeinflusstem Fahren, Annähern, Folgen und Bremsen besteht.

Das Spurwechselmodell entscheidet sich für eine Spur mit dem maximalen Zufriedenheitswert

des Fahrers und leitet den Spurwechsel ein. Das Handlungsmodell setzt nun die vom Verhaltens-

modell initiierte Fahrstrategie um, in dem die entsprechenden Stellgrößen des Fahrzeugs betätigt

werden.

Programmsystem zur Entwicklung Längsdynamischer mikrOskopischer VerkehrsProzesse in Systemrelevanter

Umgebung

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Fazit

Der größte Nachteil des PELOPS-Modells ist seine starke Fokussierung auf die Längs-

dynamik. Des Weiteren existieren ausschließlich die Zustände „Folgefahrt“ und „Spurwechsel“,

was die Bandbreite an möglichen Verkehrssituationen einschränkt. Im Kontext der Verkehrssimu-

lation stellt das Modell jedoch einen Fortschritt für die Erzeugung von realistischem Verkehr mit

einer hohen Anzahl von Verkehrsteilnehmern dar.

2.2.2.3 Zusammenfassung

Die aus den Verkehrsflussmodellen entstandenen Fahrermodelle haben sich mittlerweile zu –

im Vergleich zu diesen – hochkomplexen Modellen weiterentwickelt. Die Erzeugung realis-

tischer Fahrerausgaben ist im Allgemeinen für den Anwender eines solchen Modells nicht

relevant. Somit liegt der Fokus im Gegensatz zu den regelungstechnischen Modellen nicht auf

der Fahrzeug- bzw. Fahrerebene, vielmehr wird der Verkehr als Ganzes betrachtet und analy-

siert. Eine Komplexisierung der Modelle findet daher in einer Top-Down-Richtung statt, dies

zeigt sich beispielsweise in der Implementierung kognitiver Elemente in den in diesem Kapitel

beschriebenen Modellen.

Menschähnlichkeit

Im Kontext der Menschähnlichkeit sind die Fortschritte ebenso erkenn-

bar; waren die ersten Verkehrsflussmodelle ausnahmslos Typ-0-Modelle, so kann bei aktuellen

Modellen zumindest bei entsprechender Distanz ein sich menschähnlich bewegendes Fahrer-

Fahrzeug-Ensemble (Typ I) erkannt werden und – wie beispielsweise im Modell ACME –

zumindest theoretisch sogar ein Typ-III-Modell erzeugt werden. Hierbei ist jedoch einschränkend

zu erwähnen, dass letztere Aussage sich nur auf die Modellstruktur bezieht: Es sind sowohl

Module für Kognition als auch für den Körper vorhanden. Aufgrund der aus Rechenzeitgründen

begrenzten Komplexität – schon die Anzahl der zu simulierenden Fahrzeuge verhindert eine

höhere – sind weder menschähnliche motorische Aktionen (Typ II), noch eine menschähnliche

Erzeugung derselben (Typ III) möglich, was sich zukünftig mit entsprechender Rechenleistung

der Simulationshardware ändern kann. Nichtsdestoweniger können mikroskopische Fahrermodel-

le für die Modellierung von bestimmten Aspekten menschlichen Fahrerhaltens, beispielsweise

bei Abstandsverhalten oder Spurwechseln, hilfreiche Werkzeuge darstellen. Des Weiteren bieten

diese einfach umzusetzende Methoden, um menschähnliche Algorithmen – vor allem im Bereich

der Längsführung – validieren zu können.

2.2.3 Probabilistische Ansätze

Die Anforderungen an mikroskopische Verkehrssimulationen zur immer realistischeren Ab-

bildung des Verkehrs bzw. der Simulation der einzelnen Verkehrsteilnehmer führten u.a. zur

Anwendung probabilistischer Methoden. Zum einen eignen sich diese Verfahren für die Erzeu-

gung von statistisch verteiltem Verkehr – auch in Verknüpfung mit Realdaten – zum anderen

2 Stand der Technik – Fahraufgabe und Fahrermodelle

können probabilistische Ansätze verwendet werden, um Fahrerverhalten vorhersagen zu können.

Oftmals werden hierfür Bayes’sche Netze eingesetzt. Ein Bayes’sches Netz besteht aus gerich-

teten azyklischen Graphen, in denen jeder Knoten eine Zufallsvariable und jede Verknüpfung

den kausalen Zusammenhang des Einflusses zweier benachbarter Knoten repräsentiert. Diese

werden oft als „Hidden Markov Modell (HMM)“ implementiert. Hierbei wird angenommen,

dass das zu modellierende System aus Markov-Ketten besteht (die Wahrscheinlichkeiten der

zukünftigen Zustände hängen ausschließlich vom aktuellen Zustand ab) und die Zustände an sich

nicht bekannt („hidden“) sind, jedoch geschätzt bzw. beobachtet werden können.

Forbes et al. [

FHKR95

] entwickelten ein Entscheidungsmodell für ein autonomes Fahrzeug in

einer einfachen Umgebung mittels dynamischer probabilistischer Netze. Yang & Koutsopou-

los [

YK96

] implementierten innerhalb des Frameworks MITSIM

eine einfache probabilisti-

sche Routenwahl. Liu & Pentland [

LP98

] benutzten HMMs zur Fahrerzustandserkennung. Oza

[

Oza99

] verwendete dynamische probabilistische Netze für die Vorhersage von (simuliertem)

Fahrverhalten. Ahmed [

Ahm99

] benutzte ein probabilistisches Modell, um Folgefahrt und freie

Fahrt zu unterscheiden. Oliver et al. [

OP00

] erstellten je Fahreraktion (z.B. Spurwechsel) ein

separates HMM. Eine beispielhafte Implementierung eines auf HMM basierenden Modells für

die Fahrerzustandserkennung findet sich im Artikel von Kuge et al. [

KYSL00

]. Liu & Salvucci

[

LS01

] verwendeten dynamische Markov-Modelle ebenfalls für die Erkennung von Fahrer-

intentionen. Sakaguchi et al. [

SOTA03

] implementierten eine probabilistische Verteilung der

Brems-Onset-Zeit mittels eines statischen Bayes’schen Netzes basierend auf unterschiedlichen

Datenquellen.

Dagli & Reichardt [

DR02

] generierten ein Fahrermodell mit Hilfe von probabilistischen Netzen

basierend auf einem Set aus abstrakten Motivationen des Fahrers. Kumagai et al. [

KA04

] zeich-

neten Abbiegeverhalten auf und trainierten mittels Bayes’scher Netze Vorhersagemodelle daraus.

Rakotonirainy [

RM05

] entwarf ein kontextsensitives Fahrermodell auf Basis von Bayes’schen

Netzen zur Vorhersage von Fahrverhalten. Krumm et al. [

Kru08

] verwendeten ein Markov-

Modell zur Erkennung von Abbiegeverhalten. Gindele et al. [

GBD10

] nutzten ein Dynamisches

Bayes’sches Netz zur Fahrerintentionserkennung sowie zur Trajektorienschätzung. Boerger

[

Bör13

] implementierte mit Random Forest

-Algorithmen kombinierte HMMs ebenfalls zur

Fahrerintentionserkennung.

Sadigh et al. [

SDCP+14

] entwickelten ein probabilistisches Fahrermodell, welches mittels

Markov-Ketten basierend auf der Umgebung (bis zu vier Sekunden Vorausschau), dem aktuellen

Fahrerzustand (abgelenkt oder aufmerksam) sowie einer Historie bekannter Lenkmanöver des

Fahrers die Trajektorie des Fahrzeugs vorhersagt.

24Microscopic Traffic Simulator

25Klassifikationsverfahren, welches aus mehreren unkorrelierten Entscheidungsbäumen besteht

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

2.2.3.1 BAD-Modelle

Eine weitere – und im Kontext der Fahrermodellierung weitaus interessantere – Einsatzmöglich-

keit probabilistischer Methoden ist das Erzeugen von Fahrverhalten basierend auf Realdaten.

Kombiniert mit maschinellen Lernverfahren entstehen sog. BAD

-Modelle durch die Schätzung

Bayes’scher Modelle aus Verhaltensdaten. BAD-Modelle können komplexes Verhalten durch

Mischen und Aneinanderreihen einfacherer Verhaltensweisen erzeugen. Laterale und longitu-

dinale Fahrzeugregelungen wurden von Möbus & Eilers in [

ME08

] (statische BAD-Modelle)

und [

MEZG09

] (dynamische BAD-Modelle) vorgestellt. BAD-Modelle rekonstruieren die ge-

meinsamen Verteilungsfunktionen von Zufallsvariablen des Fahrerverhaltens (gewonnen aus

Realdaten) mittels einer Verknüpfung der bedingten Wahrscheinlichkeitsverteilungen. Ein großer

Vorteil dieser Herangehensweise besteht den Autoren zufolge darin, dass die vorhandenen und

letztendlich nie komplett zu verstehenden inter- und intraindividuellen Unterschiede im mensch-

lichen Verhalten sowie der ebenso stochastischen Umwelt simuliert und nachgebildet werden

können.

Eilers et al. [

EM10a

], [

EM10b

] implementierten ein dynamisch-modulares BAD-MoB-Fahrer-

modell, welches eine psychologisch motivierte Architektur mit autonomer und zielbasierter

Aufmerksamkeitssteuerung beinhaltet. Mittels Zerlegung des gewünschten Gesamtverhaltens

in einfache Verhalten (sog. „Mixture of Behaviors“-Modell) kann realistisches Fahrverhal-

ten erzeugt werden, wobei die Modelle möglichst vollständig aus empirischen Daten gelernt

werden sollen. Die Verhalten sind innerhalb einer Verhaltensbibliothek hierarchisch in drei

Kompetenzlevel strukturiert: es gibt Fahrszenarien, (komplexe) Fahrmanöver sowie (einfaches)

Fahrverhalten („Behaviors“). Ein Fahrszenario besteht aus einer Reihe von Fahrmanövern, wel-

che sich ihrerseits wieder in Fahrverhalten untergliedern lassen. Einfaches Fahrverhalten wird

„Sensor-Motor-Schema“ genannt. In [

EM10b

] wurde ein Landstraßenszenario mit den Fahrma-

növern „Spurfolgen“, „Fahrzeugfolgen“ und „Überholen“ umgesetzt. Das Fahren in einer Spur

wurde in die drei einfachen Verhalten „Gerade“, „leichte Kurve“ und „scharfe Kurve“ unterteilt,

ähnlich wurde mit dem Fahrzeugfolgemanöver verfahren. Überholen wurde in „Ausscheren“,

„Vorbeifahren“ und „Einscheren“ aufgeteilt (vgl. Abbildung 2.21).

Eilers & Möbus [

EM13

] haben ein BAD-MoB-Fahrermodell anhand von etwa

550.000

Samples

einer Person und mehrerer Simulatorversuchen implementiert. Ein Hauptaugenmerk wurde auf

die vom Fahrermodell verwendeten Perzepte

gelegt: Anhand von maschinellen Lernverfahren

wurden die für natürliches Fahrverhalten wichtigsten aus ursprünglich über

400

unterschiedlichen

Perzepten ausgewählt. Ein BAD-MoB-Fahrermodell wurde mit Hilfe dieser Informationen

trainiert, welches auf einer Autobahn autonom zu fahren in der Lage ist und die bereits bekannten

Manöver ausführen kann. Die Verhalten „Spurwechsel links“, „Spurwechsel rechts“, „Spurfolgen“

26Bayesian Autonomous Driver

Ein Sample aus dieser Untersuchung besteht aus einer Menge von Perzepten (z.B. dem Spreizwinkel, vgl. auch

Abschnitt 3.1.5.1), dem Lenkwinkel sowie einer kombinierten Stellung des Gas- bzw. Bremspedals.

28Ein Perzept beschreibt das Ergebnis eines Wahrnehmungsprozesses.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.21:

Schema des Szenarios „Fahren auf Landstraße“ in einem BAD-MoB-Modell

[EM10b]

sowie „Fahrzeugfolgen“ mit den jeweils relevanten Perzepte für jedes Verhalten (aufgeteilt in

Längs- und Querführung) wurden ebenso implementiert. Abhängig von der aktuellen Fahrspur

ermittelt das Verhaltensklassifizierungsmodell das aktuell zu verwendende Verhaltensmodell.

Fazit

BAD-Modelle erzeugen realistisches Fahrverhalten basierend auf sehr großen Datensät-

zen aus echten Verhaltensdaten, kombiniert mit probabilistischen Methoden sowie maschinellen

Lernverfahren. Dieser Ansatz eignet sich besonders für die Erzeugung einer großen Anzahl sich

realitätsnah bewegender Fahrzeuge, z.B. für Untersuchungen des Verkehrsflusses. Aufgrund

des datengetriebenen Ansatzes ist die Modellierung von spezifischem Verhalten nur sehr einge-

schränkt möglich, daher kann diese Art von Fahrermodellen nicht oder nur sehr eingeschränkt in

entsprechenden Anwendungsszenarien eingesetzt werden.

2.2.3.2 Zusammenfassung

Probabilistische Modelle bieten eine sich von den tradierten Methoden unterscheidende Mög-

lichkeit der Modellierung von Fahrverhalten. Im Gegensatz zu den eingangs beschriebenen

Methoden basieren viele der beschriebenen Modelle nicht – oder nur in einem beschränkten

Maße – auf den Modellannahmen des jeweiligen Modellierers, sondern auf empirischen Daten

des zu modellierenden Subjekts (z.B. beim BAD-Mob-Modell). Ein so generiertes Modell besitzt

eine Realitätsnähe, die mit konventionellen Modellierungsmethoden nur schwer zu erreichen ist.

Des Weiteren wird das Element des Zufälligen auf eine elegante Art und Weise in den Fahrermo-

dellierungskontext eingebunden. Die mit dieser Methode einhergehenden Nachteile erscheinen

offensichtlich: Ein erzeugtes Modell repräsentiert nur den einen Fahrer, eine Veränderung des

Fahrverhaltens mittels Parametrierung erscheint schwierig, das Erzeugen eines Modells, mit dem

unterschiedliche Fahrweisen abgebildet werden können, erscheint aufwändig.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Menschähnlichkeit

Für eine menschähnliche Fahrermodellierung kommen probabilistische

Modelle bis zu Typ-II-Modellierung (motorische Aktionen des Fahrers sind menschähnlich)

in Frage. Aufgrund der Quasi-Unmöglichkeit einer Modellierung der kognitiven Prozesse,

welche die zu simulierenden Handlungen anstoßen, kann eine Typ III-Modellierung mittels

probabilistischer Modelle nicht gelingen. Selbst bei erfolgreicher Implementierung stände der

Modellierer vor dem Problem, dass nur ein spezifisches Fahrermodell erzeugt wurde – eine

Generalisierung jedoch kaum möglich ist.

2.2.4 Psychologische Ansätze

Es existiert eine Vielzahl von Modellen bzw. Theorien, um menschliches (Fahr-)Verhalten aus

psychologischer Sicht zu beschreiben, im Kontext dieser Arbeit werden jedoch nur diejenigen

behandelt, für welche funktionale Umsetzungen existieren, die eine echtzeitfähige Simulation

des Modells ermöglichen. Nach Byrne [

Byr01

] müssen in solch einem Modell sowohl kognitive,

als auch wahrnehmende und motorische Fähigkeiten implementiert sein („embodied cognition“).

Derartige kognitive Fahrermodelle lassen sich nach Deml & Neumann [

DN09

] in generische und

aufgabenspezifische Modellansätze kategorisieren. Erstere basieren auf einer „Unified Theory of

Cognition“, wie sie u.a. Newell beschrieben hat [

New94

] und ermöglichen – zumindest in der

Theorie – eine zusammenhängende Beschreibung und Simulation von menschlichen Strukturen,

Strategien und Handlungen. Dieser Ansatz erlaubt zwar – theoretisch – die Modellierung aller

menschlichen Handlungen innerhalb eines Frameworks, die Implementierung von einzelnen,

hochspezifischen Fähigkeiten wie z.B. „Fahren“ ist aufgrund der komplexen Struktur sowie

hoher Simulationstiefe der Architektur jedoch nur sehr aufwändig umzusetzen. Folgend werden

die kognitiven Architekturen „ACT-R“, „SOAR“ und „QN-MHP“ sowie auf diesen basierende

Fahrermodelle vorgestellt. Aufgabenspezifische Modelle basieren ebenso auf psychologisch

fundierten Grundannahmen über den Menschen, konzentrieren sich jedoch ausschließlich auf

die Erfüllung einer bestimmten Aufgabe. Im Kapitel „Hybride Ansätze“ 2.2.5 wird darauf näher

eingegangen.

Kognitive Architekturen

Die Basis für ein kognitives Fahrermodell bildet eine kognitive

Architektur. Allgemein wird unter diesem Begriff eine Umgebung verstanden, die es ermöglicht,

menschliches Denken mittels bestimmter formaler Regeln nachzubilden. Nach Langley [

LLR09

]

stellt eine kognitive Architektur eine grundlegende Infrastruktur für ein intelligentes System dar,

innerhalb derer sowohl über die Zeit als auch über verschiedene Anwendungsdomänen hinweg

konstante Aspekte eines Agenten vorhanden sein müssen. Typischerweise betrifft dies das Kurz-

und das Langzeitgedächtnis, in denen dessen Ziele und Wissen gespeichert sind sowie eine

Repräsentation der in diesen Gedächtnissen gespeicherten Elemente und funktionalen Prozesse,

die auf den gespeicherten Strukturen operieren (z.B. Lernen). Die Grundlage für viele kognitive

Architekturen bilden Produktionensysteme: dies sind aus der theoretischen Informatik bekannte

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Symbolsysteme, welche die Informationsverarbeitung einer kognitiven Aufgabe beschreiben

können. Produktionensysteme bestehen aus drei Hauptkomponenten: einer Datenbasis, einer

Regelbasis und einem Interpreter. Die Produktionen werden über der Datenbasis ausgewertet, die

auch als „Arbeitsspeicher“ („working memory“ – WM) oder bei Anwendung in der kognitiven

Psychologie als „Kurzzeitgedächtnis“ („short term memory“ – STM) bezeichnet wird. Kognitive

Fahrermodelle simulieren mentale Prozesse während des Fahrens und sind daher prinzipiell

dazu in der Lage, zu erklären, aufgrund welcher Kausalitäten ein Fahrer bestimmte Handlungen

durchführt.

2.2.4.1 ACT-R

Eine der am weitesten verbreiteten kognitiven Architekturen ist ACT-R („Adaptive Control of

Thought – Rational“), welche u.a. von Anderson an der Carnegie Mellon University entwickelt

wurde [

AL98

]. ACT-R besteht aus drei Komponententypen: Modul, Puffer und Mustererkenner

(vgl. Abbildung 2.22). Die Module werden – falls möglich – bestimmten Gehirnarealen zuge-

ordnet und erfüllen unterschiedliche Aufgaben: Visuelles sowie auditives Modul sind für die

Informationsaufnahme zuständig, für die Ausgabe bzw. Handlungen existieren ein sprachliches

und ein motorisches Modul. Zusätzlich gibt es zwei Gedächtnismodule, ein deklaratives für

Faktenwissen und ein prozedurales, welches Handlungswissen speichert. Das deklarative Wissen

wird in Chunks

gespeichert. Jedem der Module ist ein Puffer zugeordnet, in dem der aktuelle

Status des Moduls gespeichert ist

. Der Mustererkenner überprüft, ob Zustände in den Puffern

mit Produktionen im prozeduralen Gedächtnis übereinstimmen und führt jene mit maximaler

Übereinstimmung aus. Die Verarbeitungskapazität wird bei ACT-R auf

7±2

Chunks festgelegt

(vgl. Kapitel 3.2).

Salvucci et al. ([

SBL01

], [

SG04

], [

Sal06

]) entwickelten basierend auf ACT-R ein einfaches Fah-

rermodell, welches basierend auf zwei bestimmten Punkten im Raum operiert (vgl. Abbildung

2.23). Der erste der beiden Punkte wird als „Nahpunkt“ bezeichnet, dieser befindet sich in der

Mitte der aktuellen Fahrspur, etwa

0,5

Sekunden vor dem eigenen Fahrzeug. Der zweite Punkt –

der „Fernpunkt“ – ist der sich in Sehwinkel am nächsten zu einer der folgenden drei Positionen

befindende: Horizont, Tangente der aktuellen Kurve oder Mitte des vorher fahrenden Fahrzeugs.

Die maximale Vorausschau des ausgewählten Punktes beträgt

Sekunden. Die Regelgröße für

die Querregelung des Fahrzeugs ist die Winkeldifferenz zwischen Nah- und Fernpunkt, welche

mittels PI-Regelung minimiert wird. Die Längsregelung wird bei vorhandenem Vorderfahrzeug

über eine gewünschte Zeitlücke, sonst über eine Wunschgeschwindigkeit realisiert, wobei zu-

sätzlich auch weitere Spuren (links und rechts sowie vor als auch hinter dem Ego-Fahrzeug)

Beachtung finden. Spurwechsel können initiiert werden, in dem Nah- bzw. Fernpunkt auf die

Zielspur verlegt werden. Das Modell wurde u. a. von Neumann & Deml [

ND11

] in Simulatorun-

29Ein Chunk bezeichnet eine psychologische Repräsentationseinheit von Informationen.

30Die Ausnahme bildet das prozedurale Gedächtnis, es besitzt keinen Puffer.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Abbildung 2.22: Struktur von ACT-R nach Anderson [ABB+04]

tersuchungen validiert, die Annahmen über die verwendeten Punkte konnten zum überwiegenden

Teil bestätigt werden.

Liu & Wu [

LW03

] entwickelten ebenfalls eine Methode zur Modellierung des Fahrerverhaltens

basierend auf ACT-R. Anhand eines Notbremsmanövers wurde ein Fahrermodell beispielhaft im-

plementiert. Das vorgeschlagene Modell besteht aus den drei Hauptkomponenten „Beobachtung“,

„Entscheidung“ und „Regelung“: Die Beobachtungskomponente kann entweder vor oder hinter

dem Ego-Fahrzeug fahrende Fremdfahrzeuge wahrnehmen sowie deren Geschwindigkeiten, Spur

und Sicherheitsabstand berechnen. Das Entscheidungsmodul urteilt basierend auf den bekannten

Informationen, ob eine Notbremsung eingeleitet werden soll oder nicht, während sich die Re-

gelungskomponente für die longitudinale und laterale Regelung des Fahrzeugs verantwortlich

zeigt. Das Modell wurde mittels Realfahrten validiert, wobei die vom Modell vorausgesagten

Notbremsreaktionen zum großen Teil mit denen der Versuchsteilnehmer übereinstimmten.

Fazit

ACT-R ist eine umfangreiche, gut dokumentierte und weit verbreitete kognitive Architek-

tur. Es wurden bereits einige Fahrermodelle basierend auf ACT-R umgesetzt und validiert, jedoch

sind diese zumeist auf eine bestimmte Fahrsituation (z. B. „freies Fahren auf einer mehrspurigen

Straße“ bei [

Sal06

]) oder nur auf einen Aspekt der Fahrzeugführung (z.B. „Notbremsassistenz“

bei [

LW03

]) beschränkt. Dies liegt zum einen an der Komplexität der kognitiven Architek-

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.23:

Fernpunkt (Kreuz) und Nahpunkt (Kreis) bei gerader Strecke (links) bzw. Kurve

(rechts) nach Salvucci [Sal06]

tur und dem damit verbundenen Aufwand einer Implementierung, zum anderen an den hohen

Rechenanforderungen von ACT-R.

2.2.4.2 SOAR

SOAR

stellt eine weitere kognitive Architektur dar und wurde seit den 80er Jahren an der

University of Michigan von u. a. Laird et al. [

LNR87

], Newell [

New94

]und Lewis [

Lew01

] ent-

wickelt. Sie wird von seinen Urhebern als „Problemlösungsarchitektur“ beworben, dies bezieht

sich auf die Funktionsweise, dass Problemlösen als eine Suche in einem Problemraum bzw. als

schrittweise Transformation von einem Ausgangszustand (Problemerfassung) in einen Zielzu-

stand (Problemlösung) aufgefasst wird (vgl. auch Abschnitt 3.2.2). Analog zu ACT-R gibt es zwei

Gedächtnistypen: Im Langzeitgedächtnis bzw. Produktionenspeicher wird prozedurales Wissen

in Form von Produktionenregeln gespeichert; temporäres Wissen wird im Kurzzeitgedächtnis

bzw. Arbeitsspeicher durch Objekte repräsentiert. Erweiterungen haben das in SOAR implemen-

tierte Langzeitgedächtnis um ein mit deklarativem Wissen arbeitenden Speicher ergänzt: ein

episodisches Gedächtnis, welches einen Verlauf der vergangenen Zustände beinhaltet, sowie

ein semantisches Gedächtnis, welches Fakten speichert. Hauptelemente der SOAR-Struktur

sind Problemlösen, Lernen, visuelle Orientierung, Motorik sowie Multitasking, wobei letzteres

anfangs ein Alleinstellungsmerkmal von SOAR war.

Aasman beschreibt [

Aas95

] das in SOAR implementierte Fahrermodell DRIVER, das aus ver-

schiedenen Modulen, wie Visuelle Orientierung, Navigation, Geschwindigkeitskontrolle usw.

aufgebaut ist. Neben den kognitiven Prozessen werden innerhalb des Modells auch Körperbewe-

gungen des Fahrers simuliert sowie Bewegungen abgeschätzt. Der Lenkwinkel berechnet sich

vor allem aus der TLC, sowie aus dem Gierwinkel und der seitlichen Abweichung von einem

intern repräsentierten Idealkurs. Die Längsregelung funktioniert basierend auf Informationen,

wie der vom Tachometer abgelesenen Momentangeschwindigkeit, aber auch dem Motorgeräusch,

31State, Operate And Result

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Abbildung 2.24: Menschliche Motorik im Fahrermodell DRIVER aus Aasman [Aas95]

sowie abstrakteren Werten wie beispielsweise der TTI

. Eine hohe Bedeutung besitzt das Modul

der Elementarwahrnehmung, mit welchem Objekte erkannt und diesen Attribute zugeordnet

werden. Hierbei wird zwischen Funktionellem Gesichtsfeld (Functional Visual Field, FVF), das

einen Winkelbereich von ca.

20°

umfasst und Peripherem Gesichtsfeld (Peripheral Visual Field,

PVF) mit einem Erfassungsbereich von

210°

horizontal und

90°

vertikal unterschieden (vgl. auch

Kapitel 3.1.1.2).

Fazit

Eines der ersten kognitiven Fahrermodelle – DRIVER – wurde in SOAR implementiert,

die Umsetzung wurde jedoch als durchaus schwierig beschrieben

. Im Vergleich zu ande-

ren in kognitiven Architekturen implementierten Fahrermodellen ist DRIVER außerordentlich

komplex, dies trifft sowohl auf Längs- als auch Querführung zu, und beinhaltet ebenso komple-

xe Sehorientierungsstrategien. Leider ist seit

1995

keine Weiterentwicklung bzw. zusätzliche

Veröffentlichung bekannt.

32Time to Intersection – Zeit bis zur nächsten Kreuzung.

Aasman beschreibt dies in [

Aas95

] sinngemäß folgendermaßen: „Is Soar a practical system for modelling driver

behaviour? Yes, if you are a happy hacker; No for all others“.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

2.2.4.3 QN-MHP

Ein weiterer Ansatz zur Modellierung von Strukturen und Verhaltensweisen des menschlichen

Gehirns, basierend auf psychologischen Modellen der menschlichen Informationsverarbeitung,

wird mittels QN-MHP

verfolgt. QN-MHP integriert zwei unterschiedliche Ansätze der kogniti-

ven Modellierung: Den eines Warteschlangennetzwerks sowie den eines Prozessors menschlichen

Verhaltens. Ersterer ist vor allem für die Simulation von parallel stattfindenden Handlungen in

komplexen Umgebungen nützlich. Der MHP (ähnlich ACT-R, SOAR usw.) basiert auf GOMS

Aufgabenbeschreibungen und eignet sich in besonderem Maße für die Generierung menschlicher

Handlungen in bestimmten Situationen. Insgesamt existieren

Prozessoren, die jeweils unter-

schiedlichen Subnetzen (perzeptuell, kognitiv und motorisch) zugeordnet werden können (vgl.

Abbildung 2.25).

Abbildung 2.25:

Layout der einzelnen Server in QN-MHP und deren Informationsfluss aus

Tsimhoni & Liu [TL03]

Tsimhoni & Liu [

TL03

] bzw. [

LFT06

] beschrieben ein Fahrermodell mittels eines QN-MHP.

Es ist hierarchisch strukturiert – angelehnt an die bekannten drei Ebenen – wobei mehrere

Teilziele parallel verfolgt werden können. Als Eingabewerte des visuellen Subnetzes werden

folgende Parameter berechnet: die laterale Position mittels eines eine Sekunde vor dem Fahrer

festgelegten Nahpunktes; der Gierwinkel durch einen sich 2-4 Sekunden vor dem Fahrer befind-

lichen Fernpunkt sowie die Krümmung der nächsten Kurve, berechnet aus dem Schnittpunkt des

angenommenen Blickes des Fahrers mit der Tangente der nächsten Kurve. Das Modell erzeugt

34Queueing Network – Model Human Processor

35GOMS steht für „goals, operators, methods and selection rules“ – Ziele, Operatoren, Methoden und Selektionsre-

geln; GOMS beschreibt vor allem Mensch-Computer-Interaktion

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Abbildung 2.26: Struktur des QN-Fahrermodells aus Bi et al. [BWWL15]

Hand- sowie Augenposition. Gelenkt wird mittels Korrekturbewegungen, wobei angenommen

wird, dass die grundlegende Einheit des Lenkens aus einer halben Sinusbewegung besteht. Dies

wird auf Arbeiten von Hildreth et al. [

HBBR00

] sowie Wallis et al. [

WCB02

] begründet. Ein

Vorteil des Modells ist seine Fähigkeit, parallel stattfindende Prozesse adäquat modellieren zu

können, sowie die (theoretisch) vorhandene Echtzeitfähigkeit. Das Modell wurde in Simulatorun-

tersuchungen validiert, die Unterschiede im Lenkverhalten sowie lateralem Versatz zwischen den

vom Modell generierten und den von den Versuchspersonen erzeugten Daten waren zu erkennen,

jedoch nicht signifikant.

Bi et al. [

BGSL12

] bzw. [

BWWL15

] implementierten ebenfalls (rein lateraldynamische) Fah-

rermodelle in ein Warteschlangen-Netzwerk. Als Eingabewerte verwendet das Modell die Stra-

ßeninformationen (Straßenmitte, Straßenbreite sowie die aktuelle Position, Beschleunigung und

Geschwindigkeit des eigenen Fahrzeugs), ausgegeben wird der erzeugte Lenkwinkel, wobei die-

ser erst durch das neuromuskuläre System (NMS) erzeugt wird. Das NMS ist hierbei angelehnt

an Pick & Cole [

PC06

] außerhalb der QN-Architektur entwickelt worden. Das Modell wurde an-

hand von Simulatorversuchen in einem Spurwechselszenario validiert. Gegenüber einem Modell

ohne NMS erzielte das propagierte Modell vor allem bei höheren Geschwindigkeiten signifikant

bessere Ergebnisse und korrelierte besser mit den von menschlichen Fahrern erzeugten Daten.

Fazit

Der Ansatz der Warteschlangennetzwerke im Bereich der kognitiven Modellierung

hat zur Entwicklung einiger Fahrermodelle geführt. Positiv ist zum Beispiel im Modell von

Tsimhoni et al. [

TL03

] die Möglichkeit der Simulation von Zweitaufgaben zu bewerten. Die

Modelle von Bi et al. [

BGSL12

], [

BWWL15

] integrieren ein neuromuskuläres System, womit

dieses Modell daher durchaus auch als ein hybrides Fahrermodell kategorisiert werden kann

(vgl. Abschnitt 2.2.5). Die Fähigkeit von QN-MHP zur parallelen Abarbeitung bestimmter

Aufgaben stellt ein besonderes Merkmal dieser Architektur da. Mit der an das menschliche

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Gehirn angelehnten Netzwerkstruktur von QN-MHP lassen sich kognitive Prozesse schlüssig

simulieren. Vorteilhaft ist dies beispielsweise für die Messung mentaler Beanspruchung. QN-

MHP wird an der Universtity of Michigan entwickelt und ist nicht öffentlich zugängig.

2.2.4.4 Zusammenfassung

Kognitive Architekturen ermöglichen es, menschliche Handlungen bzw. die diesen Handlungen

zugrunde liegenden Denkprozesse mittels kognitiver Verhaltensmodelle zu simulieren. Das

Führen eines Fahrzeugs ist in diesem Zusammenhang nur eine weitere Ausprägung einer solchen

simulierbaren Handlung. Diese Herangehensweise hat den systemimmanenten Vorteil einer

bewährten und in vielen Experimenten validierten psychologischen und technischen Grundlage.

Die Top-Down-Vorgehensweise birgt jedoch die Problematik in sich, dass, um menschähnliches

Fahren simulieren zu können, der Mensch bzw. das Menschsein theoretisch und algorithmisch

spezifiziert und in eine Programmumgebung überführt werden muss, um daraus auf etwas

Spezielles – in diesem Fall Fahrverhalten – schließen zu können. Die damit einhergehende Ver-

einfachung einzelner Handlungen kann zu einer Überspezifizierung des so generierten Modells

führen. Beispielhaft steht dafür das in Abschnitt 2.2.4.1 beschriebene Modell von Salvucci, in

dem die ursprünglich komplexe Handlung „Fahren“ auf ein reines Regelungsproblem reduziert

wird – die Vorteile einer kognitiven Architektur kommen kaum zum Vorschein. Weiterhin kann

kritisiert werden, dass sich viele dem Fahrverhalten zugrunde liegenden menschlichen Eigen-

schaften, wie z.B. Emotionen oder Motivationen (vgl. auch Kapitel 3.4.4) nur sehr aufwändig in

die vergleichsweise unflexiblen kognitiven Architekturen implementieren lassen.

Menschähnlichkeit

Betrachtet man kognitive Architekturen bezüglich der vorgestellten Ka-

tegorisierung von Menschähnlichkeit, so reicht die Bandbreite dieser Modelle – zumindest

potentiell – von Typ 0 bis zu Typ III. Ein einfaches kognitives Fahrermodells mag zwar eine dem

Menschen ähnlich

aufgebaute Kognition implementiert haben, der Komplexitätsunterschied zu

einem menschlichen Gehirn bleibt jedoch gewaltig. Dementsprechend wurden bisher nur einzel-

ne, klar abgegrenzte Handlungen in Form von kognitiven Fahrermodellen umgesetzt, welche –

ähnlich den regelungstechnischen Modellen – aufgrund dieser Abgrenzung oftmals nicht als men-

schähnlich wahrgenommen werden. Lässt man Effizienz und Komplexität der Implementierung

eines maximal menschähnlichen Fahrermodells, welches auf einer kognitiven Architektur basiert,

außen vor, so kann davon ausgegangen werden, dass mit entsprechend hohem Aufwand durchaus

ein Typ-III-Modell erzeugt werden kann. Der Modellierer würde dann nicht ein Modell eines

menschähnlichen Fahrers, sondern das eines „Menschen, der Autofahren kann“ modellieren.

Die wenigen bisher mittels kognitiven Architekturen erstellten Fahrermodelle scheinen das

Argument der mangelnden Effizienz zu belegen: Keines der beschriebenen Modelle erfüllt die

für eine Typ-II-Modellierung beschriebenen Voraussetzungen. Eine umfassende und realistisch

36„Ähnlich“ steht in diesem Kontext für „weniger nichtmenschlich“.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

anmutende Simulation von menschähnlichem Fahren mittels kognitiver Architekturen erscheint

daher momentan als wenig aussichtsreich. Ausgewählte Konzepte der kognitiven Modellierung

stellen somit sicherlich einen beachtlichen Mehrwert für ein menschähnliches Fahrermodell dar,

die damit einhergehende Zunahme der Komplexität des Modells sollte jedoch beachtet werden.

2.2.5 Hybride Ansätze

Die bisher vorgestellten Ansätze zur Fahrermodellierung sind – obwohl sie in Teilaspekten

durchaus respektable Ergebnisse vorzuweisen haben – für eine (umfassende) Simulation des

menschlichen Fahrverhaltens nicht zielführend. Regelungstechnische Modelle erweisen sich ob

ihrer Einfachheit und Beschränkung auf die körperlich agierenden Komponenten des Fahrers

als hierfür ungeeignet. Fahrermodelle basierend auf kognitiven Architekturen hingegen mögen

in der Lage sein, bestimmte klar umrissene Reiz-Reaktions-Mechanismen in ihrer Gesamtheit

abzubilden und zu simulieren, eine Ausweitung auf ein so komplexes Verhalten wie „Fahren“

scheint jedoch zum heutigen Zeitpunkt nicht realisierbar. Sowohl aus der Verkehrssimulation

motivierte als auch probabilistische Fahrermodelle stehen etwas außerhalb der Dichotomie „rege-

lungstechnisch“ vs. „psychologisch“. Für erstere gilt, dass diese aufgrund steigender Komplexität

und der Integration von psychologischen Elementen in die Modellierung zunehmend mensch-

ähnlichere Daten generieren, wobei der Abstraktionsgrad für viele Anwendungen weiterhin zu

hoch bleibt. Letztere können zwar realistische Datensätze erzeugen, jedoch fehlt konstruktions-

bedingt eine nachvollziehbare, deterministische Interpretation der den Daten zugrunde liegenden

Algorithmen.

Eine Möglichkeit zur Lösung der beschriebenen Probleme bietet eine hybride Modellierung:

Die Kombinationen von verschiedenen Modellierungskonzepten kann deren Vorteile vereinen,

ohne deren Nachteile zu übernehmen. So sollte ein hybrid modelliertes Fahrermodell in der

Lage sein, die komplette menschliche Informationsverarbeitungskette, also Wahrnehmung von

Informationen, Treffen von Entscheidungen und schlussendlich das Handeln nachzubilden.

Erste Ansätze für eine hybride Modellierung finden sich beispielsweise im Fahrermodell DRI-

VEM

von Wolf & Barrett [

WB78

], welches elf Standardmanöver mit teilweise unterschied-

lichen Modellen (sowohl steuernd als auch regelnd) abfahren kann. Diese Modelle bestehen

aus mehreren Modulen, in denen bereits menschliche Informationsverarbeitung – wenn auch

recht rudimentär – nachgebildet wurde. Weitere Ansätze bis zur Mitte der 90er Jahre werden

von Willumeit & Jürgensohn [

WJ97

] zusammengefasst. Boyraz et al. [

BSHJ09

] haben verschie-

dene Fahrermodelle – insbesondere mit regelungstechnischem Hintergrund – verglichen und

entwickeln daraufhin ein hybrides Fahrermodell, das stochastische Modellierung mit regelungs-

technischen Modellierungsmethoden verbindet. Die Längsregelung wird hierbei durch Hidden

Markov Models abgebildet (vgl. Abschnitt 2.2.3), die Querregelung basiert auf Hess & Modjta-

hedzadeh [HM90], wobei dem Algorithmus ein Complacency-Term hinzugefügt wurde. Dieser

37driver-vehicle effectiveness model

2 Stand der Technik – Fahraufgabe und Fahrermodelle

stellt die Selbstzufriedenheit des Fahrers und somit den Wunsch des Fahrers dar, Korrekturen am

eigenen Fahrverhalten vornehmen zu wollen.

Kraus [

Kra12

] verwendet eine situationsadaptive Reglerparametrierung für die Querregelung,

für die er einen „Hybrid-Faktor“ einführt, welcher stellvertretend für ein bestimmtes Regelziel

steht. So entspricht beispielsweise ein Hybrid-Faktor

H=1

einer hohen Sollwertfolgegüte,

ein Hybrid-Faktor

H=0

hat jedoch ein ruhiges Regelverhalten zur Folge. Auch wenn die

verwendete Regelung eher einen ingenieurtechnischen Ansatz verfolgt, so kann diese jedoch

aufgrund des Vorhandenseins sowohl kontinuierlicher als auch ereignisdiskreter Regelstrukturen

als eine hybride Modellierung verstanden werden.

Jürgensohn [

Jür97

] unterscheidet prinzipiell zwischen typischen Ingenieursmethoden sowie

Methoden der KI und kognitiven Modellierung. Er kritisiert die generelle Fixierung der Fah-

rermodellierung auf regelungstechnische Methoden ob ihrer Begrenztheit der Simulation der

Fahrerhandlungen. Er entwickelt eine Methodologie der hybriden Modellbildung und grenzt

hybride Modelle im Gegensatz zu rein mathematischen oder systemtheoretischen Modellierungs-

ansätzen durch folgende drei Merkmale ab:

1.)

Heterostrukturierung: Eine einzelne quantitative Theorie kann den menschlichen Fahrer

nicht umfassend beschreiben, daher sind unterschiedliche Modellierungsmethoden für

verschiedene zu modellierende Konstrukte zu verwenden.

2.)

Fremdstrukturierung: Die verwendeten quantitativen Modelle müssen auf wissenschaftlich

abgesicherten Theorien basieren.

3.)

Anwendungsorientierung: Wegen des Fehlens allgemeingültiger abgesicherter quantitativer

Modelle des Menschen sollte sich die Modellstruktur an der Anwendung orientieren.

Im europäischen Forschungsprojekt ITERATE

wurde eine hybride Modellstruktur entwickelt,

die ein realistisches dynamisches Verhalten des Modells basierend auf beobachtbaren Parametern

ermöglichen soll. Cacciabue et al. [

CEST13

] beschreiben das UMD

genannte Modell basierend

auf den Arbeiten von Oppenheim & Shinar [

OSC+10

], [

OED+10

] ,[

SO11

]. SiMUD

ist eine

Implementierung des UMD, in welcher die fünf Parameter Attitüde,Erfahrung,Fahrzustand,

Aufgabenanforderung und Kultur mit bestimmten messbaren Eigenschaften des Fahrers ver-

knüpft werden. Es wurden umfangreiche Simulationen mit Parametersätzen für verschiedene

Fahrertypen durchgeführt. Mittels einer Simulatorstudie auf einem Autobahnszenario konnten

die Parametrierungen des UMD validiert werden.

Klimke et al. stellten eine hybride Fünf-Ebenen-Modellstruktur vor ([

KKE15

], vgl. auch Ab-

schnitt 2.2). Für Längs- und Querführung werden beispielhaft die Modelle von Wiedemann

[

Wie74

] und Salvucci et al. [

SG04

] verwendet. Eine Integration in PELOPS wurde ebenfalls

realisiert [KE17].

38IT for Error Remediation And Trapping Emergencies

39Unified Model of Driver Behaviour

40Simulation Model of Universal Driver

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Die folgend vorgestellten hybriden Fahrermodelle stehen beispielhaft für die verschiedenen

Ansätze zur Implementierung hybrider Fahrermodelle. Zum einen sind dies eigenständige Archi-

tekturen, in denen die Entwicklung von kognitiven Fahrermodellen möglich ist. Im Unterschied

zu den im Abschnitt über kognitive Architekturen (Abschnitt 2.2.4) beschriebenen Modellen, die

Fahrverhalten als eine Ausprägung menschlichen Verhaltens betrachten, sind die aufgeführten

Modelle zwar ebenso in der Lage, menschliche Denkprozesse zu beschreiben, jedoch werden

ausschließlich die für das Fahren notwendig zu simulierenden Prozesse betrachtet. Welche das

im Einzelnen sind, ändert sich je nach Modellierungskontext und Abstraktionsgrad des Mo-

dells. Im Allgemeinen wird jedoch der menschliche Informationsfluss (Informationsaufnahme,

Informationsverarbeitung, Handlung) mit entsprechenden Zwischenspeichern modelliert.

2.2.5.1 COSMODRIVE

Das COSMODRIVE-Modell

wurde in Frankreich Ende der 90er Jahre entwickelt (Tattegrain-

Veste et al. [

TVBPC96

] bzw. Bellet [

Bel98

]) und bei INRETS

weiter verbessert (Bellet et

al. [

BBMG06

]). Es basiert auf der Analyse von Realfahrten sowie Laboruntersuchungen und

zielt auf die Reproduktion von Fahrerverhalten in unterschiedlichsten Umgebungen ab. Der

Schwerpunkt liegt hauptsächlich auf der Möglichkeit, kognitive Prozesse zu simulieren bzw. die

Informationsverarbeitung des Fahrers zu erklären (vgl. Abbildung 2.27).

Abbildung 2.27:

Informationsfluss innerhalb der kognitiven Architektur von COSMODRIVE

nach Bellet et al. [BBMG06]

Im Gegensatz zu den bisher beschriebenen Modellen wurde für COSMODRIVE keine bereits

vorhandene kognitive Architektur verwendet, vielmehr wurden Methoden und Vorgehensweisen

aus der kognitiven Modellierung für eine eigene, modellspezifische Architektur herangezogen.

Das Modell besteht aus einem strategischen Modul für die Routenplanung, einem taktischen

41COgnitive Simulation MOdel of the DRIVEr

Institut national de recherche sur les transports et leur sécurité, ehemaliges staatliches französisches Institut für

Verkehrs- und Sicherheitsforschung

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Modul, welches mentale Modelle der aktuellen Situation erzeugt, einem operativen Modul für

die Auswahl einer adäquaten Handlung sowie einem Notfallmanagement-Modul, welches in

Extremsituationen aktiviert wird. Das Ressourcenmanagement-Modul erkennt diese Situatio-

nen und ist dafür verantwortlich, das strategische und taktische Modul bei Bedarf durch das

Notfallmanagement-Modul zu ersetzen. Die Schnittstellen zur Außenwelt bilden das Perzeptions-

Modul, welches die notwendigen Informationen über die Umwelt liefert sowie das Ausführungs-

Modul, welches für die Durchführung der ausgewählten Handlung zuständig ist. Das in diesem

Modellierungsansatz wohl wichtigste Modul – das taktische – besitzt einige erwähnenswerte

Besonderheiten: Innerhalb des Moduls werden – basierend auf der aktuellen Situation – mögliche

zukünftige Entwicklungen antizipiert und aus diesen diejenige ausgewählt, welche auf Grundlage

von Zeitgewinn und Risiko das bestmögliche Ergebnis liefert. Dieses wird folgend mit dem

erwarteten Ergebnis abgeglichen, wobei bei Differenzen neue Verhaltensweisen erzeugt werden

können, womit eine Art Lernen innerhalb der Simulation stattfinden kann.

PADRIC

Ein auf COSMODRIVE basierendes Fahrermodell ist PADRIC

, welches im Rah-

men des kalifornischen PATH-Programms der University of California entstand und in die Mi-

kroverkehrssimulation SmartAHS

implementiert wurde (Song et al. [

SDV00

] bzw. Delorme &

Song [

DS01

]). Das COSMODRIVE-Modell wurde hierfür auf verschiedenen Ebenen vereinfacht.

Die Modellstruktur (vgl. Abbildung 2.28) erlaubt es, sich gleichzeitig mit zeitdiskreten sowie

zeitkontinuierlichen Ereignissen zu beschäftigen. Dies bedeutet, dass die Entscheidungslogik,

Kategorisierung sowie das Regelverhalten auf diskreten Ereignissen basieren, beim Auslösen des

diskreten Ereignisses jedoch die entsprechende zeitkontinuierliche Handlung stattfindet, bis ein

weiteres diskretes Ereignis ausgelöst wird. Endliche Automaten steuern diesen Mechanismus.

Die Veränderungen zum Originalmodell finden sich zum größten Teil innerhalb des taktischen

Moduls (vgl. Abbildung 2.29). Dieses kann auf zwei Arten mit dem visuellen Modul interagieren:

Es reagiert entweder auf bestimmte Ereignisse oder exploriert selbständig die Umgebung, dies

erlaubt die Simulation von Verhalten wie Reaktion und Antizipation. Innerhalb des taktischen

Moduls können drei Strukturen unterschieden werden: kognitive Prozesse, mentale Repräsen-

tationen sowie eine Wissensbasis. Die kognitiven Prozesse simulieren die Repräsentation der

Straßeninformationen, das Mobilisieren des entsprechenden Wissens mittels Kategorisierung

und Klassifizierung der Informationen, die Entscheidung über das zu wählende Verhalten sowie

das Treffen von Annahmen über zukünftiges Verhalten. Die mentale Repräsentation wird als

eine zeitlich begrenzte Struktur beschrieben, in der die vorhandenen Informationen über die

aktuelle Situation mit zunehmender Zeit verfallen. In der Wissensbasisdatenbank befindet sich

allgemeines Wissen über das Fahren mit weiteren Unterkategorien.

Die kleinste Wissenseinheit wird als „Driving Schema“ bezeichnet, ein solches ist beispielsweise

das Auffahren auf eine Autobahn. Ein „Driving Schema“ besteht aus Umfeldinformationen

43PATH DRIVer Cognitive

44Smart Automated Highway System.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Abbildung 2.28: Struktur des Human Driver Models aus Delorme & Song [DS01]

(Straße), einem lokalen Ziel (z.B. komfortables Fahren während des Schemas „Folgefahrt“),

Aktionen und erwarteten Ereignissen. Wenn es durch die Entscheidungslogik – die Schemata

sind gleichzeitig Zustände eines endlichen Automaten – aktiviert wird, werden die entsprechend

hinterlegten Handlungen bzw. Regelungen, die in diesem „Driving Schema“ hinterlegt sind,

im Operations-Modul ausgeführt, welches dann die Handlungsausgaben als Eingaben an das

Fahrermodell sendet.

Fazit

COSMODRIVE basiert im Gegensatz zu den bisher beschriebenen psychologisch basier-

ten Fahrermodellen auf einer eigenständigen, aufgabenspezifischen Struktur. Diese wurde speziell

für die Simulation von Fahrverhalten bzw. den dahinter liegenden kognitiven Prozessen entwi-

ckelt. Ein positiv hervorzuhebendes Feature besteht in der Möglichkeit, während der Simulation

die aktuell ablaufenden kognitiven Vorgänge grafisch darzustellen. Des Weiteren sind vorhandene

Kreuzungsszenarien hervorzuheben, da die Mehrzahl der vorgestellten Fahrermodelle im Ver-

gleich simplere Szenarien verwenden. COSMODRIVE wird aktuell in verschiedenen Projekten

verwendet und stetig weiterentwickelt, beispielsweise integrierten Bellet et al. [

BMB+12

] COS-

MODRIVE in eine Simulationsumgebung. Bornard et al. [

BSB16

] verwendeten COSMODRIVE,

um menschliches Verhalten bei Linksabbiegesituationen vorherzusagen. Das Modell bzw. die

kognitive Architektur ist jedoch nicht öffentlich zugänglich, einer Verwendung steht zusätzlich

die größtenteils in französischer Sprache vorhandene Dokumentation im Wege.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.29:

Aufbau des taktischen Moduls im Human Driver Model aus Delorme & Song

[DS01]

Das PADRIC-Modell erweitert das COSMODRIVE-Modell um eine hybride Modellstruktur

(vgl. auch folgendes Kapitel). Die Verwendung von „Driving Schemas“ – also Manövern – als

kleinste Wissenseinheit des taktischen Moduls stellt einen vielversprechenden Ansatz dar. Zu

kritisieren ist der enge Fokus des Modells, da lediglich Fahren auf einer mehrspurigen Straße

simuliert werden kann (Folgefahrt und Überholen). Eine tiefer gehende Beurteilung erscheint ob

der nicht ausreichenden Faktenlage als schwierig.

2.2.5.2 SSDRIVE

Amantini & Cacciabue [

AC09

] sowie Cacciabue & Carsten [

CC10

] beschreiben eine Implemen-

tierung des Fahrermodells SSDRIVE

. Das Fahren wird innerhalb des Modells als eine Menge

von grundlegenden Aufgaben mit sich ständig ändernden Zielen verstanden, wobei es zwei unter-

schiedliche Aufgabentypen gibt: permanente und reguläre Aufgaben. Erstere, beispielsweise

das Einhalten lateraler Sicherheitsabstände, werden zu jedem Zeitpunkt der Simulation ausge-

führt und können laut den Autoren dem fertigkeitsbasierten Handeln nach Rasmussen [

Ras83

]

zugeordnet werden. Reguläre Aufgaben jedoch sind Resultat eines Entscheidungsprozesses (z.B.

Überholen oder Anhalten). Zusätzlich verwendet das Modell Parameter, um das Fahrverhalten

zu beeinflussen, diese sind: Attitüde/Persönlichkeit, Erfahrung, Fahrerzustand/körperliche Be-

einträchtigung, Beanspruchung, sowie Situationsbewusstsein, wobei die ersten beiden während

einer Simulation konstant sind – die drei zuletzt genannten können sich während einer Simulation

45Simple Simulation of DRIVEr Performance.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

verändern. Die Parameter werden basierend auf Variablen aus der Fahrer-Fahrzeug-Umgebung

bestimmt und beeinflussen das Verhalten des Fahrers (vgl. Abbildung 2.30), beispielsweise ist

die gewählte Geschwindigkeit eine Variable für den Parameter „Attitüde“. Das dynamische

Fahrverhalten wird durch einfache Regeln, welche auf Aufgabenanalyse beruhen, der Auswer-

tung der fünf Parameter sowie der Informationen aus den kognitiven Prozessen, einschließlich

Fehlererzeugung, generiert. Kognitive Funktionen unterscheiden zwischen normalem und de-

skriptivem Verhalten. Normales Verhalten tritt auf, wenn FAS keinen oder nur geringen Einfluss

auf das Fahrverhalten des Modells haben. Normalverhalten wird als „Intention“ formuliert,

wobei Kosten/Nutzen verwendet werden, um Fahraufgaben zu priorisieren. Einer Fahraufgabe

werden „pre-conditions“ und Ziele zugeordnet, als Beispiele für Fahraufgaben führen Cacciabue

et al. Anhalten, Linksabbiegen oder Überholen an [

CRM06

]. SSDRIVE verwendet das bekannte

Informationsverarbeitungs-Paradigma (Perzeption, Informationsverarbeitung, Ziele formulieren,

Aufgaben auswählen, Ausführung der Aktionen). Die Längsregelung ist als Beschleunigungs-

regelung basierend auf Realdaten implementiert. Die Querregelung des Fahrzeugs funktioniert

als Regelung der Querabweichung der Mitte der Spur zur Fahrzeugposition in Vorausschau,

angelehnt an Ungoren & Peng [UP05].

(a)

Variablen, Parameter und Verhalten in

SSDRIVE

(b)

Datenfluss in der SSDRIVE-Simulation

Abbildung 2.30:

Das Fahrermodell SSDRIVE nach Amantini & Cacciabue [

AC09

] sowie Cac-

ciabue & Carsten [CC10]

Fazit

Das Fahrermodell SSDRIVE legt den Fokus auf die Generierung menschlichen Fahr-

verhaltens mit einem Schwerpunkt auf das Erzeugen von Fehlern in einer echtzeitfähigen

Modellarchitektur. Das Modell soll sowohl zum Testen von Fahrerassistenzsystemen als auch zur

Erstellung eines sog. „Co-Drivers“, welcher ein Modell des Fahrers für ein intelligentes Automo-

bil der Zukunft darstellt, dienen [

CC10

]. Aufgrund der umfangreichen theoretischen Vorarbeiten

stellt es ein vielversprechendes Modellkonzept dar, ist jedoch nicht öffentlich zugängig und kann

daher nicht abschließend bewertet werden.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Abbildung 2.31: Hybrides Fahrermodell aus Kiencke & Nielsen [KN05]

2.2.5.3 Hybrides Fahrermodell von Kiencke & Nielsen

Kiencke & Nielsen [

KN05

] sind ebenfalls der Meinung, dass es nicht möglich ist, jede denkbare

Fahrsituation mit einem einzigen Modell beschreiben zu können. Somit muss ein Rahmenmodell

in der Lage sein, diverse Aufgaben mittels unterschiedlicher Modelle parallel simulieren zu

können. Das vorgeschlagene Modell orientiert sich am Prozess der menschlichen Informations-

verarbeitung (vgl. Abschnitte 3.1, 3.2 und 3.3) und kombiniert diskrete Entscheidungen mit

klassischen Reglermodellen (vgl. Abbildung 2.31). Die Qualität der Regelung hängt von der Ver-

fügbarkeit der relevanten Informationen ab, sowie von Erfahrung und Persönlichkeitsparametern.

Es wird ein Gedächtnis implementiert, welches die aktuellen Zustandsvariablen speichert, auf

deren Basis Längs- und Querregler agieren.

Menschähnlichkeit soll durch die Möglichkeit des Verwendens von nicht mehr aktuellen Daten

– beispielsweise weil durch zu hohe Belastung des Fahrers Informationen übersehen werden –

erreicht werden. Für die Informationsgewinnung verwendet das Modell den visuellen sowie den

vestibulären Kanal (vgl. Abschnitte 3.1.1 und 3.1.4). Jeder dieser Kanäle ist als Warteschlange

modelliert. Als Hauptstruktur für die verschiedenen Fahrzustände dient ein Mealy-Automat

mit den Zuständen Geradeausfahrt,Annäherung an Kurve,Bremsen,Kurveneingang,Kurve und

Beschleunigen und den Ausgabewerten

vref

ay,ref

und

ax,ref

. Die Regelung der Längsdynamik

wird mittels zweier Regler, einem „Fahrregler“ und einem „Bremsregler“ realisiert, wobei jeweils

Ein Mealy-Automat ist ein endlicher Automat, dessen Ausgabe nur von seinem aktuellen Zustand und seiner

Eingabe abhängt.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Abbildung 2.32: Primärebene des Fahrermodells von Mai [Mai17]

nur einer der beiden aktiv sein kann. Der Querregler soll den lateralen Versatz zur Ideallinie

minimieren und basiert auf einer Vorausschauregelung.

Fazit

Das beschriebene Modell stellt ein prototypisches Beispiel für ein hybride Modellierung

dar: Ein Entscheidungsmodell basierend auf der Warteschlangentheorie agiert unabhängig von

den für die Fahrzeugführung verantwortlichen Längs- und Querregelungsmodellen. Nachteilig

ist die fehlende Möglichkeit der Verwendung von Fremdverkehr, wodurch ein wichtiger Aspekt

des menschlichen Verhaltens während des Autofahrens nicht betrachtet wird. Des Weiteren fehlt

eine Unterstützung für Sekundäraufgaben, womit eine Verwendung zum Testen von FAS nur

eingeschränkt möglich ist. Die Implementierung der Perzeption mittels Warteschlangennetzwerk

erlaubt ebenso keine parallele Verarbeitung von gleichzeitig eintreffenden Informationen.

2.2.5.4 Fahrermodell von Mai

Ein Fahrermodell, welches für die prospektive, stochastische Bewertung von FAS im Hinblick auf

deren Wirkung auf die Verkehrssicherheit verwendet werden kann, hat Mai [

Mai17

] vorgestellt.

Er ordnet das Modell selbst den prädiktiven Modellen zu, also Modellen die die Nachbildung

menschlichen Verhaltens auf Grundlage empirischer Beobachtungen zum Ziel haben. Das Mo-

dell basiert auf Arbeiten von Seidl [

Sei12

] sowie Prokop et al. [

PMS+12

] und wurde für ein

Szenario einer Kollision eines Fahrzeugs mit einem Fußgänger, der bei einer TTC von

für den

Fahrer des Ego-Fahrzeugs sichtbar wird, entwickelt. Es wurde die gesamte für dieses Szenario

notwendige Informationsverarbeitungskette implementiert, so dass sowohl kognitive als auch

rein regelungstechnische Elemente in diesem Modell vorhanden sind (vgl. Abbildung 2.32). Der

Fahrer ist in der Lage, vorgegebenen Strecken zu folgen und – bei erkanntem Hindernis – ein

Bremsmanöver durchzuführen.

Ein Hauptaugenmerk des Modells liegt auf der Verwendung der

-Variablen, mit deren Hilfe

der Mensch die TTC direkt „ablesen“ kann, ohne die Informationen „Abstand“ und „Relativ-

geschwindigkeit“ kennen zu müssen (vgl. auch Abschnitt 3.1.5.2). Der Aufbau des Modells ist

folgendermaßen gelöst: Es existieren die vier Teilmodelle „Informationsaufnahme“, „Informati-

onsverarbeitung und Entscheidungsfindung“, „Handlungsauswahl“ und „Handlungsausführung“.

2 Stand der Technik – Fahraufgabe und Fahrermodelle

Im ersten Teilmodell werden Reize (Objekte im Verkehrsraum) sowie Warnungen (optisch sowie

akustisch) im Innenraum des Fahrzeugs abhängig von der Blickrichtung bzw. des Gesichtsfelds

detektiert und darauf basierend entsprechende Blickbewegungsmuster initiiert. Ohne einen er-

kannten Reiz wird eine stochastische Blickbewegung durchgeführt, bei erkanntem Reiz eine

reizgesteuerte Blickbewegung. Im nächsten Teilmodell – „Informationsverarbeitung und Ent-

scheidungsfindung“ – wird zum einen eine Reaktionszeit basierend auf einer Verteilungsdichte-

funktion berechnet. Des Weiteren erfolgt eine Situationsanalyse sowie eine Situationsbewertung.

In ersterer werden Bewertungsmaße (z. B. die bereits erwähnte

tau

-Variable) berechnet, die

folgend in einer Situationsbewertung herangezogen werden, um die Notwendigkeit bzw. Dring-

lichkeit einer Verhaltensanpassung basierend auf einem vierstufigen Dringlichkeitsindex (hoch,

gering, unbekannt, normal) zu berechnen. Im nächsten Teilmodell, der „Handlungsauswahl“

werden Führungsgrößen für Längs- und Querführung erzeugt, wobei die Querführung ledig-

lich zur Spurführung dient – Spurwechselmanöver oder Ähnliches sind nicht modelliert. Das

Teilmodul „Handlungsausführung“ beinhaltet Längs- und Querregelung (angelehnt an Donges

mit einer antizipatorischen Steuerung und einer kompensatorischen Regelung, vgl. Abschnitt

2.2.1.1) sowie ein Modul, welches menschliche Beschränkungen (Umsetzzeit zwischen Pedalen,

maximaler Lenkwinkel, Betätigungsgradienten usw.) simuliert.

Fazit

Das beschriebene Modell wurde für eine spezielle Situation entwickelt und bildet da-

her eine abgeschlossene Einheit für einen bestimmten Anwendungszweck. Der Fokus liegt

dementsprechend nicht auf der Abbildung allgemeinerer typisch menschlicher Fahreigenschaf-

ten sondern in der physikalisch nachvollziehbaren Modellierung der beschriebenen Situation.

Menschähnlichkeit ist in Form von physikalischen Beschränkungen sowie der Verwendung der

-Variablen implementiert. Daher kann das Modell zu einem Typ-II-Modell gezählt werden.

Eine Erweiterung zu einem Typ-III-Modell erscheint ob der abgeschlossenen Struktur und bisher

nicht verwendeten psychologischen Konzepten nur schwer möglich.

2.2.5.5 Zusammenfassung

Obwohl seit den 80er Jahren der Bedarf nach hybriden Fahrermodellen erkannt worden ist, sind

nur eine Handvoll Modelle entstanden, die den von Jürgensohn formulierten Anforderungen

entsprechen. Die beiden in der Fahrermodellierung vorherrschenden Denkschulen „ingenieurtech-

nisch“ und „psychologisch“ bewegen sich zwar aufeinander zu, was entweder zu um kognitive

Module erweiterte regelungstechnischen Modellen oder zu immer komplexer werdenden kogni-

tiv modellierten Systemen führt, welche auf vergleichsweise einfache Regelungsmechaniken

zurückgreifen. Eine echte hybride Modellbildung scheint jedoch nicht stattzufinden. Viele zeit-

genössische Fahrermodelle, auch wenn diese nicht explizit als „hybrid“ beschrieben werden,

können jedoch implizit als solche betrachtet werden – reine kognitive oder regelungstechnische

Modellierung ist im Kontext der Fahrermodellierung heute nicht mehr denkbar.

2.2 Fahrermodelle: Unde Venis? – Quo Vadis?

Menschähnlichkeit

Eine Bewertung hinsichtlich der Menschähnlichkeit ist bei hybriden

Modellen allein auf Basis ihrer Kategoriezugehörigkeit zu diesen nicht möglich. Hybride Model-

lierung beschreibt im Gegensatz zu den im Vorhinein vorgestellten Methoden keinen inhaltlich

zu definierenden Modellierungsansatz. Sie beschreibt ein strukturelles Konzept, innerhalb dessen

Ansätze aus unterschiedlichen Domänen integriert werden können. Eine konkrete Aussage wie

„Mit hybriden Modelle können Typ-X-Modelle erstellt werden.“ kann somit nicht getätigt wer-

den. Trotzdem – oder gerade deswegen – erscheint eine Typ-III-Modellierung möglich, so denn

entsprechende „Typ-III-fähige“ Modellierungsansätze verwendet werden. Im Kapitel 5 wird

mit Hilfe hybrider Modellierung ein solcher Ansatz vorgestellt. Aufgabenspezifische kognitive

Modelle sind bezüglich ihres Menschähnlichkeitspotentials analog zu kognitiven Modellen zu

bewerten. Aufgrund des stärker auf der Fahraufgabe liegenden Fokus stellt sich die Modellie-

rung eines menschähnlichen Systems als weniger komplex dar, daher sind aufgabenspezifische

kognitive Fahrermodelle zur Zeit jene, die als am meisten menschähnlich klassifiziert werden

können. Eine abschließende Beurteilung kann jedoch nur anhand der Literatur stattfinden, da

keines der vorgestellten Modelle frei verfügbar ist.

3 Theoretische Grundlagen des

menschlichen (Fahr-)Verhaltens

„Nichts ist im Verstand, was nicht vorher in den Sinnen wäre.“

Thomas von Aquin

Die Simulation von menschähnlichem Fahrverhalten lässt sich ohne tiefere Beschäftigung mit

den theoretischen Grundlagen menschlichen Verhaltens im Allgemeinen kaum befriedigend er-

reichen. Das „Fahren“ an sich ist keine aus dem menschlichen Informationsverarbeitungsapparat

entkoppelbare Handlung – vielmehr besteht es aus der Anwendung unterschiedlichster Problem-

lösungsstrategien, basierend auf Informationen aus verschiedensten Quellen. Die dem Menschen

beim Fahren zur Verfügung stehende Aktuatorik stellt hierbei die größte Beschränkung der

Handlungsoptionen dar: Obwohl der Mensch zur Durchführung hochkomplexer Bewegungsab-

läufe imstande ist, werden für das Fahren koordinativ eher simple, eindimensionale Handlungen

wie die Handhabung eines Lenkrads, der Pedalerie und anderer Bedienelemente verwendet.

Abgesehen von Renn- und Testfahrern stellt das Führen eines Fahrzeug somit vergleichsweise

geringe physische Anforderungen an den Fahrer. Die kognitiven Anforderungen hingegen hängen

stark von der zu bewältigenden Fahraufgabe ab.

Betrachtet man einfache Fahraufgaben, wie beispielsweise eine Fahrt auf einer Landstraße ohne

jeglichen Verkehr, so kann das menschliche Handeln – also das Fahren – für die überwiegende

Anzahl an Teilaufgaben als behavioristisch beschrieben werden: Der Mensch fungiert als „Black

Box“, welche Reaktionen generiert, die aufgrund von inneren und äußeren Reizen erzeugt werden.

Angelehnt an das beschriebene Landstraßenszenario bestünde ein dieser Aufgabe angepasstes

Fahrermodell aus einem simplen (Regler-)Modell des Lenkens eines Fahrzeugs basierend auf

seiner Querabweichung zur Fahrbahnmitte. In der Realität treten jedoch weitaus komplexere

Probleme während der Tätigkeit „Fahren“ auf: Informationen vielfältiger Art müssen wahrge-

nommen und interpretiert werden, mögliche Probleme müssen erkannt und Entscheidungen

zur Behebung dieser getroffen werden. Auf eine Modellierung der inneren Beweggründe für

bestimmte Verhaltensweisen des Fahrers kann daher nicht verzichtet werden. Aus dieser Ar-

gumentation heraus ergibt sich, dass das behavioristische Paradigma nicht beibehalten werden

kann, da zwar konkrete Ein- und Ausgabewerte im Problemkonstrukt „Fahren“ vorliegen, ei-

ne – möglichst einfache – Modellierung der informationsverarbeitenden Prozesse des Fahrers

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

jedoch unumgänglich ist, um möglichst menschähnliches Verhalten in komplexen Situationen

nachbilden zu können.

Basierend auf diesem Paradigma werden folgend die drei Elemente Reiz bzw. Wahrnehmung,

Informationsverarbeitung und Reaktion bzw. Handlung Bezug nehmend auf menschlichen

Fahrens untersucht und Bewertungen für die Relevanz innerhalb eines Prozesses zur Erstellung

eines möglichst menschähnlichen Fahrermodells getroffen.

3.1 Wahrnehmung

Das Führen eines Fahrzeugs ist ein hochdynamischer Prozess, innerhalb dessen der Informati-

onsaufnahme eine besondere Bedeutung zukommt. Es stellt im menschlichen Alltag hinsichtlich

der Anforderungen an diese eine Ausnahme dar: Aufgrund hoher Geschwindigkeiten – auch

der anderen Verkehrsteilnehmer – ergibt sich die Notwendigkeit, in kurzer Zeit kritische Infor-

mationen wahrzunehmen und zu verarbeiten. Dies wird zusätzlich dadurch erschwert, dass die

menschliche Wahrnehmung evolutionär gesehen nicht auf hohe Geschwindigkeiten hin optimiert

wurde und daher der kognitive Aufwand zur Erlangung dieser Informationen vergleichsweise

hoch ist.

Nach Goldstein lässt sich der menschliche Wahrnehmungsprozess als eine Folge von Einzel-

schritten betrachten [

Gol07

], vgl. auch Abbildung 3.1. Ein verfügbarer Stimulus wird durch

Aufmerksamkeit auf diesen zu einem beachteten Stimulus, welcher dann physisch an den ent-

sprechenden Rezeptoren anliegt. Durch Transduktion wird der entsprechende Reiz in elektrische

Signale umgewandelt, die es der neuronalen Verarbeitung erst ermöglichen, die sensorischen

Informationen wahrzunehmen. Das entsprechend wahrgenommene Objekt wird nun erkannt –

also einer Kategorie zugeordnet, weitere Handlungen (z.B. das Bewegen des Kopfes oder die

Bewegung hin zu einem anderen Ort) dienen dazu, neue Informationen aufnehmen zu können.

Inhaltlich kann die menschliche Wahrnehmung in die bekannten fünf Sinne des Menschen

unterteilt werden (visuelle, auditive, taktile, olfaktorische sowie gustatorische Wahrnehmung).

Im Kontext der Fahrzeugführung wird auf eine tiefer gehende Betrachtung der beiden zuletzt

genannten verzichtet, da diese für die menschliche Handlung des Fahrens keine unmittelbare

Relevanz besitzen.

Es gab Versuche, den Stellenwert der einzelnen Sinneskanäle zu quantifizieren: Kupfmüller

[

Kup59

] sowie Bhise & Rockwell [

BR71

] postulierten, dass etwa

87%

aller Informationen über

den visuellen Kanal,

10%

über den auditiven Kanal und etwa

somatosensorisch verarbeitet

würden. Derart präzise Werte sind mit Vorsicht zu genießen, jedoch bleibt die Hauptaussage

unbestritten, dass der visuelle Kanal mit Abstand die wichtigsten für die Fahrzeugführung

notwendigen Informationen liefert (vgl. auch Sivak [

Siv96

]) und bestätigt somit den subjektiven

Eindruck eines jeden Fahrers. In bestimmten Situationen (z. B. beim Hören eines Martinshorns

3.1 Wahrnehmung

verfüg-

barer

Stimulus

beachteter

Stimulus Stimulus

an den

Rezep-

toren

Trans-

duktion

neuronale

Verar-

beitung

Wahrneh-

mung

Erkennen

Handlung

Wissen

Abbildung 3.1: Zyklischer Wahrnehmungsprozess nach Goldstein [Gol07]

oder dem Erfühlen einer Querbeschleunigung) spielen andere Sinne jedoch ebenfalls eine

wichtige Rolle – dies ist jedoch stark situationsabhängig.

Die folgenden Abschnitte widmen sich somit zuerst der visuellen Wahrnehmung (Abschnitt

3.1.1), gefolgt von der auditiven Wahrnehmung (Abschnitt 3.1.2) sowie der Sensibilität, welche

die taktile Wahrnehmung noch um weitere „Körpersinne“ ergänzt (Abschnitt 3.1.3).

3.1.1 Visuelle Wahrnehmung

Die visuelle Wahrnehmung ist der mit Abstand wichtigste Sinneskanal für den Menschen,

um Informationen aus der Umgebung aufnehmen zu können. So sind die allermeisten für die

Fahrzeugführung unbedingt notwendigen Informationen, wie z.B. eine korrekte Verortung des

eigenen Fahrzeugs im Raum, das Erkennen von Hindernissen und des Straßenverlaufs etc. nur

über die visuelle Wahrnehmung zu erhalten. Für die zeitliche und räumliche Vorausschau bzw.

Vorausplanung ist die visuelle Wahrnehmung als „Fernsinn“ – in zunehmendem Maße bei

höheren Geschwindigkeiten – besonders wichtig.

3.1.1.1 Physiologie der visuellen Wahrnehmung

Ein Großteil des menschlichen Gehirns ist ständig damit befasst, visuelle Informationen zu

verarbeiten, ca.

60%

der Großhirnrinde sind mit der Wahrnehmung, Interpretation und Reaktion

auf visuelle Reize verknüpft (Gegenfurtner [

Geg15

]). Diese Reize (Licht des elektromagneti-

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.2: Verarbeitungskapazitäten der Sinne aus Kupfmüller [Kup59])

schen Spektrums von 400nm bis 700 nm) treffen über die Hornhaut (Kornea), die Pupille sowie

durch die Linse hindurch auf die Netzhaut (Retina) und gelangen von dort über den Sehnerv

(Nervus opticus) zum Gehirn (vgl. Abbildung 3.3). Alle so aufgenommenen Informationen sind

ihrem Wesen nach zuerst rein zweidimensional. Die dritte, für die räumliche Einschätzung der

Umgebung unbedingt notwendige Dimension, wird erst im Gehirn vor allem aus der retina-

len Disparität – dem seitlichen Versatz der zweidimensionalen Objekte auf den Netzhäuten –

erzeugt.

Abbildung 3.3: Aufbau des menschlichen Sehapparats aus Gegenfurtner [Geg15]

3.1 Wahrnehmung

Ein detailliertes Bild eines sichtbaren Objektes kann das menschliche Auge nur in einem kleinen,

etwa

2°

Öffnungswinkel des Blickkegels großen Bereich wahrnehmen. Dieser Bereich des

schärfsten Sehens wird als Fovea Centralis oder auch „gelber Fleck“ bezeichnet. An diesem Ort

auf der Netzhaut ist die Dichte der optischen Rezeptoren, vor allem die der Zäpfchen, welche

für Farbsehen und scharfes Sehen verantwortlich sind, am höchsten. Der die Fovea Centralis

umgebende Bereich, der sich etwas bis

10°

erstreckt, wird Parafovea genannt. Das parafoveale

Sehen besitzt etwa 30% des Auflösungsvermögens der Fovea Centralis, wobei sich jedoch

bereits bei einer Entfernung von etwa

3°

vom Ort der Fixation die Sehschärfe um etwa die

Hälfte verringert (Schmidtke & Bernotat [

SB93

]), was an der verringerten Dichte der Zäpfchen

in diesem Bereich liegt. Alles, was sich zwar außerhalb der beschriebenen Bereiche, jedoch

innerhalb des Blickfeldes befindet und somit wahrgenommen werden kann, wird als periphere

Sicht bezeichnet. Dort befindet sich fast nur noch der zweite im menschlichen Auge vorhandene

Rezeptortyp, die Stäbchen, welche vor allem für die Kontrastwahrnehmung verantwortlich sind.

Da mittels peripherem Sehen keine Farbwahrnehmung möglich ist und dieses im Vergleich zur

fovealen, aber auch zur parafovealen Wahrnehmung sehr unscharf ist, können in der peripheren

Sicht vor allem Größe und Bewegung von nicht fixierten Objekten sowie Helligkeitsänderungen

erkannt werden.

Nach Vollrath & Krems [

VK11

] erfüllen sowohl foveales als auch peripheres Sehen für die

Fahraufgabe wichtige Funktionen: Das foveale Sehen dient dem Erkennen des Straßenverlaufs

und von Hindernissen sowie der Regulation von Geschwindigkeit und Abständen, das peri-

phere Sehen jedoch dazu, Objekte und Veränderungen in der Peripherie zu erkennen und die

Aufmerksamkeit darauf zu richten. Die auf diese Art und Weise erkannten Objekte bilden die

Grundmenge für eine eventuell folgende Fixation. Um ein Objekt, welches eine größere Fläche

einnimmt, komplett und scharf wahrnehmen zu können, muss der Blick nacheinander auf mehre-

re Stellen des zu betrachtenden Objekts gerichtet werden. Diese „sakkadischen“ Bewegungen

(genauer: Rotationsbewegungen des Augapfels) zwischen den einzelnen, zu fixierenden Punkten

erreichen Geschwindigkeiten von bis zu

500°/s

(Grüsser & Grüsser-Cornehls [

GGC87

]) bzw.

1000°/s

(Boff & Lincoln [

BL88

]), die Dauer einer Sakkade beträgt meist zwischen 10ms und

80ms (Unema [

Une95

]). Da es sich hierbei um ballistische Bewegungen (vgl. auch Abschnitt

3.3.2) handelt, ist eine Korrektur während der Ausführung der Bewegung nicht möglich. Sollte

sich das zu fixierende Objekt nach Abschluss der Sakkade nicht in der Fovea Centralis ab-

bilden lassen, ist eine (kleinere) Korrektursakkade notwendig, um eine erfolgreiche Fixation

zu erreichen. Während einer Sakkade findet keine Informationsaufnahme statt, diese erfolgt

ausschließlich während einer Fixation. Eine Fixation dauert mindestens 100ms (Young & Sheena

[

YS75

], Karsh & Breitenbach [

KB83

]). Dies kann physiologisch durch die saccadic suppressi-

on (Volkmann et al. [

VRMW78

]) begründet werden, welche die Einschränkung des visuellen

Wahrnehmungsvermögens in einem Zeitraum vor und nach einer Sakkade erklärt. Eine typische

Fixation dauert etwa 200ms bis 600ms und kann mehrere Sekunden aufrecht erhalten werden

(Joos et al. [

JRV03

]), wobei jedoch auch extrem kurze „Express-Fixationen“ mit einer Dauer

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

von etwa 50ms bis 100ms nachgewiesen wurden (Velichkovsky et al. [

VSP97

]). Des Weiteren

existieren sog. „Folgebewegungen“: Diese bezeichnen unwillkürlich gesteuerte Augenbewegun-

gen, welche zum Ziel haben, das momentan fixierte Objekt auf der Fovea Centralis zu halten und

erreichen Geschwindigkeiten von max.

60°/s

[

GGC87

]. Deren Genauigkeit nimmt jedoch mit

zunehmender Geschwindigkeit ab, zusätzlich verengt sich der Bereich, in denen Objekten derart

gefolgt werden kann [Une95].

Abbildung 3.4: Foveales, parafoveales und peripheres Sehen aus Schweigert [Sch02]

3.1.1.2 Gesichtsfeld/Blickfeld/Nutzbares Sehfeld

Der geometrische Bereich, in welchem der Mensch mittels seiner Augen Informationen wahr-

nimmt, kann auf unterschiedliche Art und Weise definiert werden. Physiologisch betrachtet wird

zwischen Gesichtsfeld und Blickfeld unterschieden.

Das Gesichtsfeld repräsentiert nach Schmidt et al. [

SLH07

] den für ein unbewegtes Auge (also

während einer Fixation) sichtbaren Raum und berücksichtigt auch Objekte, die nicht direkt fixiert

werden. Es beträgt in horizontaler Richtung etwa

180°

bis zu

220°

, in vertikaler Richtung bis zu

130° (Biedermann [Bie84], vgl. auch Abbildung 3.5).

Das Blickfeld hingegen kann nach Schweigert [

Sch02

] als die Gesamtheit aller fixierbaren Punkte

bei bewegten Augen und unbewegtem Kopf definiert werden. Da sich die Augen etwa

40°

nach

oben/unten sowie etwa

60°

seitlich bewegen können, ergibt sich ein maximales Blickfeld von

vertikal 80° sowie horizontal 120°, in dem Fixationen möglich sind.

Des weiteren existiert das psychologische Konstrukt des Nutzbaren Sehfeldes, welches auf der

Erkenntnis basiert, dass die rein physiologisch, also durch die Augenbewegungen definierten

Begrenzungen des Gesichts- bzw. Blickfeldes nicht identisch mit den psychologisch nachge-

3.1 Wahrnehmung

Abbildung 3.5:

Darstellung des binokularen Gesichtsfelds für weißes Licht aus Negele [

Neg07

Der helle Bereich kann von beiden Augen abgedeckt werden. In der Ordinate ist

der jeweilige Blickwinkel aufgetragen, außen die Blickrichtung.

wiesenen sind. Mackworth [

Mac76

] definiert dieses (engl. „Useful Field Of View“ – UFOV)

folgendermaßen: „Das nutzbare Sehfeld wird als derjenige Bereich um die Fixationsstelle defi-

niert, aus dem Informationen während einer gegebenen visuellen Aufgabe entweder gespeichert

oder verwendet werden“. Es liefert somit Erklärungen für Wechselwirkungen zwischen Gesichts-

bzw. Blickfeld und Aufmerksamkeit und variiert bei verschiedenen Beobachtern und Situationen

(Hristov [Hri09]).

Mackworth [

Mac65

] vermutete eine mit steigender Geschwindigkeit zunehmende Verengung

des nutzbaren Sehfelds, was er als „tunnel vision“ bezeichnete (siehe auch Rantanen & Goldberg

[

RG99

]). Auch Babkov [

Bab75

] nahm eine geschwindigkeitsabhängige Verengung basierend

auf Blickbewegungsmessungen an (vgl. Abbildung 3.6). Verschiedene Studien widerlegten dies

und führten die Ergebnisse auf komplexere Verkehrssituationen im Allgemeinen und einer damit

einhergehenden tieferen Verarbeitung der einzelnen Fixationen zurück (z.B. Miura [

Miu86

]).

Dies führt nach Schulz [

Sch12

] zu der Annahme, dass bei höherer Beanspruchung nicht etwa

eine Verkleinerung des UFOV stattfindet, sondern eine Aufmerksamkeitsverlagerung innerhalb

desselben. Eine Einschränkung des UFOV wird als abnehmende Effizienz beschrieben, mit

der jemand Informationen aus einer komplexen visuellen Szene extrahieren, speichern und

darauf reagieren kann (Sekuler et al. [

SBM00

]). In gewissem Maße kann die Größe des UFOV

trainiert werden, da es stark vom Fahrer abhängt, ab wann eine Überbeanspruchung vorliegt.

Spezifische Angaben über die Größe des UFOV existieren nicht, jedoch ist der Bereich bis etwa

30° Sehwinkel laut Lachenmayr von „kardinaler Bedeutung“ im Verkehr [Lac06].

Es kann zusammenfassend gesagt werden, dass die Fahrgeschwindigkeit einen bedeutenden

Einfluss auf das Wahrnehmungsverhalten von Kraftfahrern ausübt. Bei hohen Geschwindigkeiten

konzentrieren sich die Häufigkeitsverteilungen der Fixationen verstärkt um den Fixationsschwer-

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.6:

Nutzbares Sehfeld in Abhängigkeit von gefahrener Geschwindigkeit aus Babkov

[Bab75]

punkt – der zeitliche Anteil der Fixation fahraufgabenrelevanter Objekte steigt. Bei hohen

Fahrgeschwindigkeiten findet somit eine deutliche Konzentration des Blicks um den Fluchtpunkt

der Straße statt (Hristov [

Hri09

]). Jedoch ist zu beachten, dass die geschwindigkeitsabhängigen

Einflüsse auf die Wahrnehmung nicht den Schluss zulassen, dass diese eine physiologische

„Einschränkung des Sehfeldes“ darstellen (Kayser et al. [KSH89]).

3.1.1.3 Optischer Fluss

Während das foveale Sehen primär der Objekterkennung dient, werden Bewegungen größtenteils

mittels peripherem Sehen wahrgenommen. Basierend auf der Helmholtz’schen Definition der

Bewegungsparallaxe, welche die perspektivische Verschiebung entfernter Objekte in unterschied-

licher Tiefe als Folge einer veränderten Beobachterposition beschreibt, führte Gibson [

Gib50

]

den Begriff des optischen Flusses bereits 1950 ein. Der optische Fluss (vgl. Abbildung 3.7)

ist demnach das „expandierende oder kontrastierende auf die Bildebene projizierte visuelle

Feld auf der Retina, das durch die Eigenbewegung des Beobachters hervorgerufen wird“ (aus

Bubb [

BBGV15

] nach Gibson [

Gib50

]) oder anders formuliert „die auf die Bildebene projizierte

Relativbewegung zwischen dem Beobachter und den sichtbaren Raumpunkten“ (Chatziastros

[

Cha03

]). Er wird durch die Eigenbewegung des Beobachters – oder dessen Bewegung in einem

sich bewegenden Objekt, im Allgemeinen ein Fahrzeug – erzeugt. Ohne die Wahrnehmung des

optischen Flusses ist es dem Beobachter nur schwer möglich, überhaupt eine Bewegung wahrzu-

nehmen, andererseits ist eine eigene Bewegung Voraussetzung für die Existenz des optischen

Flusses.

3.1 Wahrnehmung

Abbildung 3.7:

Optischer Fluss aus Cockpitsicht während eines Horizontalfluges aus Gibson

[Gib50]

Im Kontext der Fahrzeugführung spielt der optische Fluss für die Erkennung und Regelung der

Bewegungsrichtung eine wichtige Rolle (Lappe et al. [

LBv99

]). Der zentrale Punkt des Bildes

des optischen Flusses, an dem keine Bewegung stattfindet, wird als „Focus of Expansion“ (FoE)

oder „singulärer Punkt“ bezeichnet. Genau genommen handelt es sich eher um ein Feld, dessen

Größe im umgekehrten Verhältnis zur Bewegungsgeschwindigkeit steht. Mathematisch betrachtet

steht der FoE für die Quelle der Geschwindigkeitsvektoren des optischen Flusses. Anhand des

optischen Flusses können nach Cavallo & Laurent [

CL88

] Schätzungen über mögliche Kolli-

sionszeitpunkte zwischen dem Betrachter und einem sich nähernden Objekt getroffen werden.

Unter Voraussetzung bestimmter Annahmen kann mittels optischem Fluss der zurückgelegte

Weg durch Schätzen und Integrieren der Geschwindigkeit recht genau berechnet werden (Lappe

et al. [LGB+00] bzw. Frenz & Lappe [FL05]).

Als Messmethode für absolute Entfernungen zu einem bestimmten Objekt oder auch dessen

Geschwindigkeit lässt sich der optische Fluss jedoch nicht anwenden (Kemeny & Panerai

[

KP03

]). Problematisch erweist sich die Extraktion der Bewegungsrichtung aus dem optischen

Fluss, da dieser als solches nicht beim Menschen existiert. Vielmehr muss er als retinaler

Fluss, also als Abbildung des optischen Flusses auf der Retina, interpretiert werden, wobei

beachtet werden muss, dass er sich wegen möglicher Augenbewegungen vom optischen Fluss

unterscheiden kann. Der retinale Fluss hingegen könnte eine Rolle bei der Detektion von Über-

und Untersteuern eines Fahrzeugs spielen, beispielsweise bei einer Kreisfahrt, während der

Fahrer seinen Blick auf ein bestimmtes, stationäres Ziel richtet (Wilkie & Wann [

WW03

], Lappi

[Lap14]).

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

3.1.1.4 Tiefenwahrnehmung

Tiefenwahrnehmung bezeichnet die Fähigkeit des Menschen, mittels der Augen eine Quantifizie-

rung von Abständen vorzunehmen. Für das Erhalten dieser Informationen kann das menschliche

Gehirn auf unterschiedliche Interpretationsmechanismen zurückgreifen: Zum einen können die

Bildinformationen der Augen verwendet werden, dies kann monokular, also sich nur auf die

Informationen aus einem einzigen Auge beziehend, oder binokular, also sich auf die gekoppelten

Bildinformationen aus beiden Augen beziehend, geschehen. Zum anderen können okulomotori-

sche Reize verwendet werden, um, vor allem im Nahbereich – durch Fixierung eines Objektes –

Entfernungsinformationen zu erhalten. Dabei kommt der Naheinstellungstrias zum Tragen, wel-

cher das gleichzeitige Auftreten von Konvergenz, Akkommodation und Pupillenreflex beschreibt,

welche in einem neurophysiologischen Regelkreis gekoppelt sind. Konvergenz beschreibt in

diesem Kontext die Rückmeldung der Augenmuskeln an das Gehirn über die Drehung der Augen

nach innen. Das Ausmaß dieser Konvergenzbewegung steht hierbei in einem direkten Verhältnis

zur Akkommodationsleistung (Sachsenweger [Sac75]).

Für sich nicht in unmittelbarer Nähe befindliche Objekte liefert binokulares Sehen Informationen

mittels Querdisparation: Horizontale Verschiebungen zweier Bilder eines Objektes werden vom

Gehirn als Tiefeninformation der dreidimensionalen Umgebung interpretiert. Die Einschätzung

von Abständen in größeren Entfernungen ist aufgrund der zu geringen Winkelunterschiede

nicht möglich, da die Augen dann schon beinahe parallel ausgerichtet sind, in diesem Fall

kommt das monokulare Sehen zur Anwendung, welches mittels unterschiedlicher Methodiken

Tiefeninformationen liefern kann. Dies kann bewegungsinduziert (während einer Bewegung des

Betrachters) oder bildhaft (also aus einem statischen Bild entnommen) geschehen.

Bewegungsinduzierte Maße:

•Bewegungsparallaxe

: Verschiebung von sich nahe am Beobachter befindenden Objekten

bei Kopf- oder Eigenbewegungen des Beobachters

•Verdeckung und Überlappung: Verdecktes wird als weiter hinten wahrgenommen

Bildhafte Maße:

•Relative Höhe im Gesichtsfeld

: mit Horizont: Gegenstände weiter oben sind näher/ ohne

Horizont: Gegenstände weiter unten sind näher

•Relative Größe im Gesichtsfeld

: gleichförmige Gegenstände werden bei im Vergleich

zu einem anderen Gegenstand geringerer Fläche als weiter entfernt eingeschätzt

•Atmosphärische Perspektive

: weiter entfernte Gegenstände sind unscharf („Luftver-

schmutzung“)

•Gewohnte Größe von Gegenständen

: semantisches Wissen setzt Größe und Entfernung

in einen Zusammenhang

3.1 Wahrnehmung

•Lineare Perspektive

: parallele Linien konvergieren in der Entfernung, stärkere Annähe-

rung entspricht somit größerer Entfernung

•Texturgradient

: gleichmäßig verteilte Objekte auf einer Fläche erscheinen mit zunehmen-

dem Abstand dichter gepackt

Cutting & Vishton [

CV95

] identifizieren neun visuelle Informationsquellen für die Generierung

von Entfernungsinformationen. Eine Zusammenfassung sowie eine subjektive Bewertung der

Relevanz für die Fahraufgabe ist Tabelle 3.1 zu entnehmen.

Name Typ Entfernung Relevanz

Akkommodation okulomotorisch <2m [CV95]

0−6m [Sil12]

Konvergenz okulomotorisch <2m[CV95]

<3m [Zim92]

Querdisparation binokular ≈10m [CV95]

<6m [Sch10]

<30m [KP03],[PKS14]

Bewegungsparallaxe monokular ≈10m [CV95] -

Verdeckung und

Überlappung

monokular 0,5−5000m [CV95] +

Relative Höhe

im Gesichtsfeld

monokular >2m [Zöl15] -

Relative/Gewohnte

Größe

im Gesichtsfeld

monokular 0,5−5000m [CV95] +

Atmosphärische

Perspektive

monokular >30m [Zöl15] -

Tabelle 3.1:

Formen der menschlichen Tiefenwahrnehmung: Werte aus Cutting & Vishton

[

CV95

], Silbernagl [

Sil12

], Schimmel [

Sch10

], Kemeny & Panerai [

KP03

], Pape et

al. [PKS14] und Zöller [Zöl15]

Cavallo & Laurent [

CL88

] schließen aus ihren Experimenten, dass binokulares Sehen nur im Nah-

bereich bei geringen Geschwindigkeiten eine gewisse Relevanz besitzt. Nach Aasman [

Aas95

]

dominiert das monokulare Sehen während der Fahrzeugführung, die durch Querdisparation

gewonnenen Informationen besitzen hingegen keine besondere Relevanz, da einäugige Fahrer

keine übermäßigen Schwierigkeiten ob des fehlenden Binokularsehens besitzen.

Für die Modellierung eines menschähnlichen Fahrermodells kann geschlussfolgert werden, dass

eine unbedingte Notwendigkeit der Implementierung binokularer Tiefenwahrnehmung nicht von

Nöten ist. Eine physiologisch exakte Nachbildung einzelner monokularer Mechanismen erscheint

ob der unvollständigen Erkenntnisse bezüglich einzelner Anteile bestimmter Mechanismen an

der gewonnenen Tiefeninformation ebenfalls unnötig.

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Menschliche Tiefenwahrnehmung

Okulomotorisch

Akkommodation Konvergenz

Monokular

Bildhaft

Verdeckung Rel. Höhe Rel./Gew. Größe Athm. Perspektive

Bewegungsinduziert

Bewegungsparallaxe

Binokular

Querdisparation

Abbildung 3.8: Mögliche systematische Gliederung der visuellen Wahrnehmung

3.1.2 Auditive Wahrnehmung

Die auditive Wahrnehmung stellt zwar nicht die primäre Informationsquelle im Kontext der

Fahrzeugführung dar, jedoch erklärt sich ihre Relevanz in der Unterschiedlichkeit der wahrge-

nommenen Informationen, sowie der Art ihrer Aufnahme. So ist es fast unmöglich, sich eines

bestimmten akustischen Signals durch „Weghören“ zu entziehen, da dieses – unabhängig von

der aktuellen Kopfposition und der Aufmerksamkeitssituation und bei entsprechender Lautstärke

– zwangsweise wahrgenommen wird, so es denn stark genug ist. Diese Unmittelbarkeit bzw.

Instationarität (Transienz) des akustischen Signals birgt jedoch auch den Nachteil in sich, dass

bei Nichtbeachtung oder Störung des Signals (z.B. durch Überlagerung) die zu übertragende

Information möglicherweise unwiederbringlich verloren ist.

Bis zu 20 Signale pro Sekunde kann der Mensch als einzelne, voneinander getrennte Ereignisse

unterscheiden, höhere Frequenzen werden im menschlichen Gehör als zusammenhängende Töne

wahrgenommen. Auf diese Art und Weise können Schwingungen mit bis zu 20kHz erfasst

werden, wobei zwischen 2kHz und 5kHz die Empfindlichkeit des Ohres am höchsten ist, was

bedeutet, dass Signale in diesem Frequenzbereich eine geringere Schallintensität benötigen, um

wahrgenommen werden zu können. Mit steigendem Alter steigt die Schwelle des Schalldruckes,

bei der ein Signal gerade noch wahrgenommen wird – besonders für hohe Frequenzen – stark

an.

Nach Abendroth & Bruder [

AB15

] existieren drei Grundfunktionen, welche das Ohr bei der

Aufnahme auditiver Informationen erfüllt: Adaption, also der Anstieg der Hörschwelle zur Diffe-

renzierung des Hörvorgangs, auditorische Mustererkennung zur Identifizierung des Signaltyps

sowie akustische Raumorientierung, welche durch binaurales Hören gewährleistet werden kann.

Im Kontext der Fahrzeugführung sind besonders die zuletzt aufgezählten wichtig. Beispielsweise

kann ein erfahrener bzw. professioneller Fahrer bestimmte Muster erkennen, welche einem

ungeübten Fahrer nicht auffallen würden, z.B. Reifengeräusche, welche eine Abnahme der

Reifenhaftung andeuten oder auch das Fahren auf partiell nasser Strecke. Die akustische Raum-

3.1 Wahrnehmung

Abbildung 3.9: Hörfläche des menschlichen Gehörs aus Gegenfurtner [Geg15]

orientierung spielt vor allem bei der Einschätzung des (nicht sichtbaren) Fremdverkehrs eine

Rolle, so kann ein wahrgenommenes Martinshornsignal über die Richtung eines beispielsweise

sich nähernden Rettungswagens Auskunft geben.

Allgemein gehören fahrspezifische Geräusche zum Autofahren dazu, so dass stetig und ohne

speziell darauf achten zu müssen, Informationen über Motordrehzahl, Geschwindigkeit sowie

Längs- und Querbeschleunigungen akustisch wahrgenommen werden können. Fahrgeräusche

übermitteln dem Fahrer auch eine Vielzahl von handlungsrelevanten Informationen und können

den Fahrspaß und die emotionale Stimmungslage in positiver oder negativer Weise beeinflussen.

So wird beispielsweise der Gang meist unbewusst auf Grundlage des Frequenzbereichs des

Motorgeräuschs gewechselt oder das Fahrverhalten angepasst, wenn die Reifen durch Quietschen

das Erreichen der Haftgrenze ankündigen (Fiala [

Fia06

]). Zu diesen sinnvoll zu interpretierenden

Fahrgeräuschen kommen jedoch auch eine ganze Anzahl von Störgeräuschen hinzu, hierbei

handelt es sich zum großen Teil um Abrollgeräusche, Windgeräusche, Geräusche von Lüftern

und Gebläsen, sowie Knarz- und Klappergeräusche (Heißing & Brandl [

HB02

]), welche es gilt,

während der Fahrt bestmöglich zu ignorieren.

3.1.3 Somatosensorische Wahrnehmung

Die Somatosensorik bzw. Sensibilität beschreibt den „Körpersinn“ oder auch den „fünften Sinn“

und bezeichnet jedwede Empfindung, die aus dem sensorischen System der Nerven resultiert.

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Sie lässt sich auf unterschiedliche Weise kategorisieren. Angelehnt an Treede [

Tre07

] kann diese

basierend auf der Art und Weise der wahrgenommenen Informationen in folgende Bereiche

untergliedert werden:

• Mechanorezeption (Wahrnehmung mechanischer Kräfte)

• Propriozeption (Wahrnehmung von Körperbewegung und -lage)

• Viszerozeption (Wahrnehmung eigener Organe)

• Thermorezeption (Temperatursinn)

• Nozizeption (Schmerzsinn)

Mechanorezeption stellt hierbei eine durchaus zu berücksichtigende Informationsquelle für

die somatosensorische Wahrnehmung dar: im Allgemeinen ist von dieser die Rede, wenn von

„Gefühl“ (im Sinne von Empfindlichkeit für mechanische Reize) gesprochen wird. Sie ist von

besonderer Bedeutung für die haptische bzw. taktile Wahrnehmung. Propriozeption hingegen

ermöglicht das Erkennen wichtiger Informationen wie z.B. Bewegungsrichtungen, darauf wird

im Abschnitt über kinästhetische Wahrnehmung näher eingegangen. Im Kontext der Fahrzeug-

führung spielen Thermorezeption und Nozizeption üblicherweise keine Rolle bzw. sollten keine

Rolle spielen, daher wird auf diese nicht weiter eingegangen. Die Viszerozeption kann als sog.

„Kinetose“, welche ein bewegungsbedingtes Unwohlsein bezeichnet, einen gewissen Einfluss

auf den Fahrer haben, auf diese wird jedoch im Rahmen dieser Arbeit ebenfalls nicht weiter

eingegangen.

Haptische Wahrnehmung

Angelehnt an Silbernagl [

Sil12

] sowie Abendroth & Bruder

[

AB15

] kann haptische Informationsaufnahme über den taktilen und/oder den kinästhetischen

Wahrnehmungskanal erfolgen. Die taktile Wahrnehmung bzw. Oberflächensensibilität erkennt

Verformungen der Haut, die über durch Rezeptoren vermittelte Druck-, Berührungs- und Vibrati-

onsempfindungen übertragen werden. Die kinästhetische Wahrnehmung bzw. analog Tiefensen-

sibilität nimmt die Dehnung von Muskeln und die Bewegung der Gelenke über unterschiedliche

Arten von Rezeptoren, die sich an den Muskelspindeln, im Bereich der Gelenke und der Bänder

befinden, wahr. In vielen Publikationen, in denen Haptik im Fahrzeugkontext thematisiert wird,

ist zuvorderst taktile Wahrnehmung durch Mechanorezeption gemeint, also Druck, Berührung,

Vibration, Oberfläche, Form (Förster [

För92

], Bubb [

Bub01

]). Haptische Wahrnehmung funktio-

niert also vor allem durch die Fusion der Informationen aus den Stellungsrezeptoren der Muskeln

und Gelenke, sowie der Mechanorezeptoren der Haut und der Thermorezeptoren (Barthenheier

[Bar04]).

Im Bereich der Ergonomie werden manchmal haptische und taktile Wahrnehmung anders, und

zwar basierend auf der jeweiligen Zielgerichtetheit definiert, so wird haptische Wahrnehmung

oft als für eine aktive Exploration der Umgebung verwendete Art der Informationsaufnahme

3.1 Wahrnehmung

bezeichnet, taktile Wahrnehmung hingegen als passives Berühren bzw. Berührtwerden darge-

stellt.

Da haptische Informationen im Vergleich zu visuellen Informationen wegen ihrer auf unterbe-

wusster Ebene höheren Verarbeitungsgeschwindigkeit (vgl. Abbildung 3.2) dem Fahrer zeitlich

vor visuell wahrnehmbaren Änderungen zur Verfügung stehen, können diese bei entsprechen-

der Fahrerfahrung unterbewusste Reaktionen oder reflexhafte Handlungen auslösen. Dies ist

beispielsweise bei der Schwingungswahrnehmung zu beobachten: Andauernd auftretende, har-

monische Schwingungen werden nach einer gewissen Zeit nicht weiter beachtet, wohingegen

Auffälligkeiten bezüglich Amplitude oder Frequenz vom Fahrer frühzeitig bemerkt werden und

ebenso zu den eben erwähnten Reaktionen führen können. Negele [

Neg07

] führt hier das Bei-

spiel eines erfahrenen Fahrers an, welcher reflexartig seine Geschwindigkeit aufgrund einer am

Lenkrad wahrgenommenen Schwingung, die er als Überschreiten der Haftgrenze bei zu schneller

Kurvenfahrt interpretiert, reduziert. Bei anspruchsvollen Fahraufgaben, z.B. der Stabilisierung

des Fahrzeugs, kann die Bedeutung von haptischen (jedoch auch von akustischen) Informationen

weiter zunehmen (Schmidtke & Bernotat [SB93]).

Haptik spielt im Gegensatz zur visuellen Wahrnehmung auch eine bedeutende Rolle als direktes

Feedback der Fahrerhandlungen. Haptische Größen nimmt der Fahrer vor allem über die Pedalerie

(Pedalweg und Pedalkraft) sowie das Lenkrad (Rückstellmoment) wahr. So wird beispielsweise

eine „direkte“ Lenkung gelobt, was nichts anderes heißt, als das ein schnelles haptisches Feedback

ohne „Spiel“ vorhanden ist. Auch sind kraft- und wegfreie Stellbewegungen vegleichsweise

unpräzise bzw. werden als unpräzise empfunden (Förster [

För92

]). Im Gegensatz dazu werden

wegproportionale Kraftänderungen vom Fahrer positiv bewertet.

Die kinästhetische Wahrnehmung des Menschen, die Propriozeption, bezeichnet die Fähigkeit der

Wahrnehmung der Lage des eigenen Körpers im Raum sowie der Stellung der Gliedmaßen, aber

auch von Fahrzeugbewegungen, sowie Bewegungen des eigenen Körpers relativ zum Fahrzeug.

Die Fähigkeit, Körperbewegungen wahrzunehmen und zu steuern wird auch Kinästhesie genannt.

Nach Förster [

För92

] sind kinästhetische Signale Rückmeldungen aus motorischen Handlungen,

die im Fahrzeug über die Stellorgane übertragen werden (bei der Lenkung über das Lenkrad,

die Hände und Arme, beim Gasgeben und Bremsen über die Pedale, Füße und Beine). Die so

übertragenen Informationen sind schon nach bereits etwa 0,15s bis 0,2s vorhanden und stellen

somit die wichtigsten Informationen für die Stabilitätskontrolle dar.

Erfahrene Fahrer verwenden zur Wahrnehmung der Fahrzeugbewegung primär haptische, sowie

kinästhetische Informationen und können daher schneller auf Veränderungen reagieren (vgl. auch

Jürgensohn [

JK08

]). Laut Schieben et al. [

SDK+08

] bzw. Bolte [

Bol91

] manifestiert sich dies

u.a. in einer im Vergleich zur ausschließlichen Benutzung des visuellen Wahrnehmungskanals

nur etwa halb so großen Totzeit bei Regelungsaufgaben im Fahrzeug.

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

3.1.4 Vestibuläre Wahrnehmung

Die vestibuläre Wahrnehmung ermöglicht dem Menschen die Orientierung im Raum. Die hierfür

benötigten Informationen werden aus dem Vestibular- bzw. Gleichgewichtsorgan extrahiert,

welches sich im menschlichen Innenohr befindet. Mit dessen Hilfe können Linear- und Win-

kelbeschleunigungen detektiert werden (Zenner [

Zen07

]). Diese Informationen werden für die

Gleichgewichtserhaltung sowie Auslösungen der Stellreflexe zur Normalhaltung des Kopfes und

der Augen verwendet. Beim Autofahren trägt der vestibuläre Sinneskanal zur Wahrnehmung

von Geschwindigkeit und Beschleunigung des eigenen Fahrzeugs bei (Abendroth & Bruder

[

AB15

]). Beim Führen eines Fahrzeugs werden üblicherweise anzunehmende Bewegungen des

Fahrzeugs und somit auch des Fahrzeugführers durch visuelle Vorausschau antizipiert, somit

können Informationen aus der vestibulären Wahrnehmung mit den getroffenen Annahmen entwe-

der übereinstimmen oder diesen widersprechen, was zum Erkennen einer „falschen Bewegung“

führen kann (Förster [

För92

]). In Tabelle 3.2 sind vestibuläre Wahrnehmungsschwellen für

verschiedene fahrdynamische Bewegungsgrößen zusammengefasst.

Bewegungsgröße Größensymbol Wahrnehmungsschwelle

Querbeschleunigung ay0,18 m

Ruck in Querrichtung ...

y0,09 m

Giergeschwindigkeit ˙

Ψ5°

sbis 12°

Gierbeschleunigung ¨

Ψ2°

s2bis 6°

Gierruck ...

Ψ1°

s3bis 3°

Tabelle 3.2:

Vestibuläre Wahrnehmungsschwellen aus Abendroth & Bruder [

AB15

] nach Tomas-

ke [Tom83]

3.1.5 Wahrnehmung relevanter Informationen

In den vorigen Kapiteln wurden die für der Fahrzeugführung relevanten Informationskanäle

beschrieben. Es stellt sich nun die Frage, welche Informationen der menschliche Fahrer mittels

dieser Informationskanäle aufnimmt und – noch wichtiger – welche Bedeutung diese für die

Bewältigung der Fahraufgabe haben. Durch die Steuerung seines Blickes bzw. Kopfes legt der

Fahrer fest, welche visuellen Informationen er potentiell aufnehmen kann. Des Weiteren nimmt

der Fahrer fahrdynamische Informationen auf, welche ihm fortwährend Informationen über

den Zustand des eigenen Fahrzeugs liefern und unmittelbar für den Menschen zu erfahren sind.

Situative Informationen hingegen werden aus der Interaktion mit anderen Verkehrsteilnehmern

gewonnen.

3.1 Wahrnehmung

3.1.5.1 Fahrdynamische Informationen

Für die Bewältigung der Fahraufgabe ist die Information über den aktuellen fahrdynamischen

Zustand des eigenen Fahrzeugs unabkömmlich. Diese Informationen werden zu einem großen

Teil visuell wahrgenommen – zumeist durch Blicke in die Umgebung, teilweise aber auch über

Instrumente im Fahrzeug (vgl. Tabelle 3.3). Einige Informationen können nur auditiv oder

vestibulär wahrgenommen werden, oftmals gibt es eine gewisse Redundanz bzw. übernehmen be-

stimmte Wahrnehmungskanäle eine Art Validierungsfunktion bzw. können bei widersprüchlichen

Informationen auf Probleme hindeuten.

visuell vestibulär haptisch akustisch

Längs-

/Quergeschwindigkeit

Längs-

/Querbeschleunigung

x x

Abstand zum vorausfah-

renden Fahrzeug

Fahrtgeräusch x

Gas-/Bremspedalstellung x

Querabweichung x

Wank-/Nickwinkel x x

Gierwinkel x

Kräfte in Stellgliedern x

Lenkradwinkel x x

Giergeschwindigkeit x x

Gierbeschleunigung x

Tabelle 3.3: Herkunft fahrdynamischer Informationen angelehnt an Zöller [Zöl15]

Querabweichung

Die laterale Spurposition bzw. Querabweichung

yδ

bezeichnet den seitli-

chen Versatz des Fahrzeugs zu einer Bezugslinie entlang der Fahrbahn. Diese kann die seitliche

Markierung des Fahrstreifens oder auch die – geschätzte – Fahrbahnmitte sein. Die Querabwei-

chung wird rein visuell wahrgenommen, wobei das genaue Einschätzen des Abstands zur Grenze

des Fahrstreifens Erfahrung und Kenntnis des eigenen Fahrzeugs erfordert, da die Begrenzungen

der Fahrbahn oft durch das eigene Fahrzeug verdeckt werden. Der Rückspiegel kann daher dazu

dienen, die eigene Position besser wahrnehmen zu können. Die Fahrbahnmitte ist im Gegensatz

zur seitlichen Fahrbahnbegrenzung zwar nicht verdeckt, jedoch ist die genaue Positionierung

derselben wegen der lateral verschobenen Sitzposition des Fahrers schwierig einzuschätzen.

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Geschwindigkeit

Die aktuelle Geschwindigkeit des eigenen Fahrzeugs kann über verschiede-

ne Informationskanäle wahrgenommen werden. Die einfachste – und genaueste

– Möglichkeit

ist die visuelle Wahrnehmung über das Tachometer des Fahrzeugs. Des Weiteren kann die

Geschwindigkeit über den optischen Fluss (vgl. Abschnitt 3.1.1.3) wahrgenommen werden, in

Kurven ist die gefühlte Querbeschleunigung ein weiterer Anhaltspunkt. Über das Motorgeräusch

sowie den aktuell eingelegten Gang können ebenso Annahmen über die Fahrgeschwindigkeit

getroffen werden. Zusätzlich lassen allgemein Fahrgeräusche (Reifen, Wind) sowie haptische

Rückmeldungen aus dem Lenkrad eine grobe Orientierung zu. Die eigene Fahrgeschwindigkeit

wird jedoch häufig unterschätzt (Conchillo et al. [CRNR06]).

Beschleunigung

Für die Längs-, aber auch für die Querbeschleunigung gilt, dass beide vor

allem vestibulär wahrgenommen werden, eine haptische Rückmeldung über das Lenkradrück-

stellmoment kann jedoch ebenfalls zur Einschätzung der Querbeschleunigung genutzt werden

(Tomaske [

Tom83

]). Die Längsbeschleunigung stellt für den Fahrer im Normalfall eine der weni-

ger relevanten Informationen dar – die Beschleunigungen (es wird besonders stark gebremst oder

beschleunigt) resultieren ja aus den vom Fahrer eingeleiteten Veränderungen der Stellungen von

Gas- oder Bremspedal. Ein anderes Bild ergibt sich beispielsweise bei einem Auffahrunfall: Hier

stellt die Beschleunigung eine wichtige Informationsquelle dar, um das Ausmaß des Aufpralls

einschätzen zu können. Bei Kurvendurchfahrten kann die Querbeschleunigung ein wichtiges

Kriterium für die Stabilitätssituation des eigenen Fahrzeugs darstellen.

Stellung des Fahrzeugs im Raum und abgeleitete Maße

Der Gierwinkel

bezeichnet

die Richtung des eigenen Fahrzeugs, diese ist dem Fahrer bezüglich der Weltkoordinaten zumeist

nicht bekannt bzw. stellt keine relevante Information dar. Er dient jedoch als Bezugspunkt

für die Wahrnehmung des Gierwinkelfehlers

∆ψ

, der aus dem Gierwinkel und einer an einem

gedachten Sollkurs gebildeten Tangente gebildet wird. Der Gierwinkelfehler stellt nach Donges

[

Don77

] bzw. Negele [

Neg07

] die bedeutendste

Größe für die Querregelung des Fahrzeugs dar.

Davon zu unterscheiden ist der Kurswinkel

– dieser entspricht der Bewegungsrichtung des

Fahrzeugs, die Differenz aus Gier- und Kurswinkel ist der Schwimmwinkel

. Die Wahrnehmung

des Kurswinkels kann zum einen über die Zeit geschehen, des Weiteren kann die Stellung des

Lenkrads dabei behilflich sein, die aktuelle Fahrtrichtung zu bestimmen.

Die Gierwinkelgeschwindigkeit bzw. Gierrate

bezeichnet die Drehgeschwindigkeit des Fahr-

zeugs um die Hochachse und wird vor allem optisch mit Hilfe von Bildverschiebungsvektoren

wahrgenommen (Wolf [Wol09]).

Hierbei ist zu beachten, dass die angezeigte Geschwindigkeit stets größer als die reale Geschwindigkeit ist, da die

angezeigte Geschwindigkeit laut EU-Richtlinie 75/443/EWG nie über der realen Geschwindigkeit liegen darf.

Erlaubt sind laut Paragraph 57 StVZO 10% + 4km/h Abweichung.

2Es folgen Krümmungsdifferenz ∆κsowie Querabweichung yδ.

3.1 Wahrnehmung

Die Gierwinkelbeschleunigung

hingegen wird ausschließlich vestibulär wahrgenommen

(Schweigert [

Sch02

]) und stellt eine wichtige Informationsquelle für die Fahrzeugreaktion

dar, da beispielsweise beim Einfahren in eine Kurve die Gierwinkelbeschleunigung früher als

die Gierwinkelgeschwindigkeit bzw. der Gierwinkel wahrgenommen werden können.

Wank- und Nickwinkel spielen im normalen Straßenverkehr kaum eine Rolle (der Wankwinkel evtl.

bei zu schnellen Kurvenfahrten, er kann sowohl visuell als auch vestibulär wahrgenommen wer-

den). Bei Bremsmanövern oder starken Beschleunigungen kann sowohl visuell als auch vestibulär

ein Nicken des Fahrzeugs wahrgenommen werden. Bei starken Steigungen können die visuell

wahrgenommenen Informationen bzgl. des Nickwinkels den vestibulären widersprechen.

Straßenkrümmung

Die Straßenkrümmung wird visuell wahrgenommen und ist eine ent-

scheidende Information für die Planung der Geschwindigkeit für eine zu befahrende Kurve.

Jürgensohn et al. [

JNW89

] bzw. Land & Lee [

LL94

] haben das Blickverhalten bei Kurvenfahrten

untersucht und kamen zu dem Schluss, dass die Information über die Kurvenkrümmung mittels

des Tangentenpunkts abgeleitet werden kann. Dieser wird etwa 1s bis 2 s vor Einfahrt in die

Kurve fixiert und mit dem aktuellen Gierwinkel des Fahrzeugs verglichen.

Spreizwinkel

Ein weiteres Maß für die Orientierung auf der Fahrbahn ist der Spreizwinkel

(engl. „splay angle“, Beall & Loomis [

BL97

]). Dieser beschreibt den Winkel zwischen der

Senkrechten und einem ebenfalls linearen Element, zumeist der äußeren Fahrbahn- oder Fahr-

spurmarkierung, Leitplanken oder andere lineare Reize (z.B. aufgereihte Bäume) können jedoch

ebenso als Informationsquelle verwendet werden. Die Größe des Spreizwinkels hängt umgekehrt

proportional von der Höhe des Betrachters sowie direkt proportional vom seitlichen Abstand zur

äußeren Linie ab. Eine Positionsregelung relativ zur Fahrbahnmitte ist bei geraden Straßen somit

mittels Spreizwinkel möglich – eine mittige Position ist dann erreicht, wenn linker und rechter

Spreizwinkel etwa gleich groß sind. Jedoch muss beachtet werden, dass ein Offset zwischen

Fahrzeugmitte und Fahrerposition vorhanden ist.

φ φ

Abbildung 3.10:

Spreizwinkel von Fahrbahnbegrenzungen: Bei lateraler Positionsänderung in

Richtung des rechten Fahrbahnrandes verringert sich der der Spreizwinkel φ.

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Solltrajektorie

Eine etwas abstraktere – jedoch für Regelungsalgorithmen unverzichtbare –

Information bietet die Solltrajektorie

, welche den gedachten zukünftigen Pfad beschreibt, den

der Fahrer abzufahren wünscht. Die Existenz einer solchen für den menschlichen Fahrer ist im

besten Fall umstritten, in bestimmten Kontexten jedoch nachvollziehbar vorhanden, z.B. bei

Rennfahrern, aber auch bei sehr engen Strecken – im letzteren Fall wird diese dann durch die

Spurmitte festgelegt und entspricht dann einer Erweiterung des Konzepts der Querabweichung

zur Spurmitte um eine Dimension, wobei diese zeitlich oder örtlich (s-Koordinate) interpretiert

werden kann.

Eine Art „Minimalsollkurs“ beschreibt das Zwei-Punkt-Modell von Land [

Lan01

]: Er fasst die

unterschiedlichen Beiträge des Fern- und Nahsehens auf das Fahrverhalten folgendermaßen

zusammen: Die weit entfernten Regionen der Straße (inklusive des Tangentenpunkts) versorgen

den Fahrer mit Informationen über die zukünftige Straßenkrümmung, das nahe Sichtfeld hilft

beim Bestimmen der Position innerhalb der Spur (analog zum Zwei-Ebenen-Modell in [

Don78

]).

Salvucci & Gray [

SG04

] argumentieren ähnlich: Menschliche Autofahrer benötigen mehr als

nur die Informationen eines Punktes, sondern zumindest einen Fernpunkt mit einer Zeitlücke

von maximal zwei Sekunden sowie einen Nahpunkt, der sich etwa fünf Meter mittig vor dem

Fahrzeug befindet.

Informationen aus dem Fahrzeug

Die Stellungen bzw. Rückmeldungen der Bedienelemen-

te des Fahrzeugs bilden eine weitere Informationsquelle für den Fahrer. Der Lenkradwinkel

beschreibt die aktuelle Position des Lenkrads und wird in Grad angegeben. Der Mensch kann

diese Information optisch wahrnehmen, die Information verliert mit steigender Geschwindigkeit

jedoch an Bedeutung, da der Bereich, in dem sich das Lenkrad befinden kann entsprechend

kleiner wird. Bei stehendem Fahrzeug kann über die Information der Stellung des Lenkrads auf

die Stellung der Räder geschlossen werden, so kann eine erwartete Fahrrichtung beim Losfahren

erzeugt werden. Das Lenkradmoment hingegen gewinnt mit steigenden Geschwindigkeiten als

Informationsquelle an Bedeutung, da ein direktes Feedback zum (dynamischen) Fahrverhalten

des Fahrzeugs vorhanden ist.

Die Gaspedalstellung wird haptisch wahrgenommen, und hilft bei der Einschätzung, ob die

aktuelle Geschwindigkeit beibehalten wird oder es zu Beschleunigung bzw. Verzögerung des

Fahrzeugs kommen wird. Die Position des Bremspedals – die Bremspedalstellung – wird vor

allem über den Bremsdruck, jedoch ebenfalls haptisch wahrgenommen. Diese Information dient

vor allem der Regelung der Verzögerung.

3.1.5.2 Situative Informationen

Die in diesem Abschnitt zusammengefassten Informationen haben gemeinsam, dass sie relative

Kenngrößen darstellen, welche nur bei Vorhandensein weiterer Referenzgrößen – zumeist andere

3Exakt formuliert verwendet ein technischer Regler zumeist nur einen aktuellen Sollwert.

3.1 Wahrnehmung

Verkehrsteilnehmer – existieren. Diese Informationen werden zum überwiegenden Teil visuell

aufgenommen bzw. basieren auf visuell aufgenommenen Informationen. Sie sind teilweise

nur indirekt als gelernte bzw. geübte Interpretationen von fahrdynamischen Informationen des

eigenen sowie des Bezugsfahrzeugs wahrnehmbar.

Informationen über das vorausfahrende Fahrzeug

Eine wichtige Information für die

Folgefahrt (vgl. Abschnitt 3.5.1) ist die longitudinale Distanz zum vorausfahrenden Fahrzeug.

Diese kann zum einen direkt über die menschliche Tiefenwahrnehmung, z.B. anhand bekannter

Größenrelationen, oder indirekt, z.B. mit Hilfe der eigenen Geschwindigkeit und den in einer

bestimmten Zeit zurückgelegten Weg, abgeschätzt werden.

Es existieren differentielle Wahrnehmungsschwellen für die minimal wahrzunehmenden Än-

derungen, diese werden als „just noticeable difference“ (JND) bezeichnet. Für die relative

Geschwindigkeit, die auch als zeitliche Veränderung des Sehwinkels beschrieben werden kann,

liegen die JND-Werte bei etwa

0,003 rad

(Hoffman & Mortimer [

HM94

]). Für die relative Distanz

liegt die JND bei etwa 10% des Abstandes (Brackstone & McDonald [BM99].

Die Winkelrichtung bezüglich eines Objektes kann gierwinkelbezogen (also relativ zur Fahr-

zeuglängsachse) oder kurswinkelbezogen (relativ zur Fahrzeugbewegung) gemessen werden.

Bezüglich weiterer wahrgenommener Objekte entspricht die Ableitung der Winkelrichtung der

Bewegungsparallaxe (Grzesik [Grz09]).

Aus dem Abstand zum vorausfahrenden Fahrzeug sowie den Geschwindigkeiten der Fahrzeuge

lassen sich mehrere Maße ableiten:

Änderung des Abstands zum Bezugsfahrzeug

Eine Änderung des Abstands zu einem

Bezugsfahrzeug wird rein visuell wahrgenommen. Ein negativer Wert – also eine Verringerung

des Abstandes – ist für den Fahrer von größerer Bedeutung und wird nach Todosiev [

Tod63

] auch

früher wahrgenommen, da eine potentiell gefährlichere Situation entstehen kann. Daher wird

die Wahrnehmung eines hohen negativen Wertes (bei einem vorausfahrenden Fahrzeug) zumeist

durch aufleuchtende Bremslichter des Fahrzeugs unterstützt. Abstandsänderungen können nur

oberhalb einer bestimmten Wahrnehmungsschwelle erkannt werden, nach Filzek [

Fil02

] hängt

dies bei „größeren“ Relativgeschwindigkeiten nach Untersuchungen von Michaels [

Mic63

] vom

Abstand und der Relativgeschwindigkeit bzgl. des entsprechenden Fahrzeugs ab. Zusätzlich

spielt es eine Rolle, inwiefern die Aufmerksamkeit des Fahrers auf das Bezugsfahrzeug gerichtet

ist.

Geschwindigkeitsdifferenz

Die Geschwindigkeitsdifferenz bzw. Relativgeschwindigkeit be-

zeichnet die Differenz der Geschwindigkeit eines Bezugsfahrzeugs und der des eigenen Fahr-

zeugs. Nach Wiedemann [

Wie74

] stellt die Änderung der Bildgröße, die über die Winkel-

verhältnisse direkt von der Größe und der Entfernung des beobachteten Objekts abhängt, für

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

die Relativbewegung den entscheidenden Reiz dar. Die Wahrnehmungsschwelle für negative

Relativgeschwindigkeiten liegt nach Todosiev [

Tod63

] ebenso unter der positiver Relativge-

schwindigkeiten. Die Wahrnehmungsschwellen

∆v+

und

∆v−

aus den Simulatorversuchen für

die Folgefahrt betragen ca. 2% bis 10% der Eigengeschwindigkeit.

Längsbeschleunigungsdifferenz

In bestimmten Situationen kann diese Größe zur Konkre-

tisierung der Situation beitragen, sie beschreibt die Differenz der Beschleunigungen eines

Fremdfahrzeugs und des eigenen Fahrzeugs. Beispielsweise kann dieser Wert bei einer geringen

TTC darüber Auskunft geben, wie sich die TTC in Zukunft entwickeln wird (beispielsweise

beim Auffahren auf ein stark bremsendes Fahrzeug).

Zeitlücke

Die Zeitlücke (

∆

T) in Sekunden, beschreibt die Zeit, welche vergeht, bis das eigene

Fahrzeug eine Straßenposition befährt, auf welcher sich das vorausfahrende Fahrzeug noch

unlängst befand. Die Zeitlücke kann nicht direkt wahrgenommen werden, da zu mehreren

Zeitpunkten bewusst gemessen werden muss. Winner [

WBFL03

] fasst zusammen, dass bei

reinen Folgefahrten Zeitlücken von

1,1

s bis

1,7

s gemessen wurden. Die Bruttozeitlücke ergibt

sich mathematisch aus dem Abstand des Vorderfahrzeugs zum Ego-Fahrzeug (Bug-zu-Bug)

geteilt durch die Geschwindigkeit des Ego-Fahrzeugs. Die Nettozeitlücke kann dementsprechend

anhand des Heck-zu-Bug-Abstandes des vorherfahrenden Fahrzeugs bestimmt werden.

∆TBrutto =∆FFZBug

vEGO

(3.1)

∆TNetto =∆FFZHeck

vEGO

(3.2)

Time-To-Collision

Die Time-To-Collision (TTC, vgl. Abbildung 3.11) gibt die Zeit in Sekun-

den an, in welcher zwei Verkehrsteilnehmer bei angenommener konstanten Relativgeschwindig-

keit und ebenso konstantem Kurs kollidieren, wobei Werte unter

1,5

s als kritisch gelten (Bubb,

[

BBGV15

]). Im Unterschied zur Zeitlücke wird eine – jedoch konstante – Relativgeschwindig-

keit verwendet, was die Validität einer Kollisionsvorhersage bedeutend erhöht. Der Mensch

nimmt die TTC nach Lee [

Lee76

] bzw. [

Lee80

] vor allem über den optischen Fluss wahr: Die

-Variable beschreibt die reziproke Korrelation der Ausdehnungsgeschwindigkeit eines retinalen

Abbilds des betrachteten Objekts und der TTC.

Somit kann der Mensch die TTC direkt „ablesen“ und muss diese nicht aus den Informationen

„Abstand“ und „Relativgeschwindigkeit“ herleiten. Diese Fähigkeit ist in mehreren Untersuchun-

gen validiert worden (z.B. von Bootsma [

BO93b

], Gray & Regan [

GR98

] sowie von Cavallo

& Laurent [

CL88

]). Ein Ergebnis dieser Untersuchungen ist, dass für eine sinnvolle Schätzung

die Winkelgeschwindigkeit des Objekts oberhalb eines Schwellwerts von ca.

0.003 rad/s

liegen

3.2 Informationsverarbeitung

(a) Time-To-Collision (TTC) (b) Time-To-Linecrossing (TLC)

Abbildung 3.11: TTC und TLC aus Bubb [BBGV15]

sollte. Die alleinige Herleitung über die

-Variable wird jedoch auch kritisiert (z.B. Tresilian

[

Tre99

]), so können situationsspezifisch auch andere Informationen für die TTC verwendet

werden. Typisch ist, dass die TTC oft unterschätzt wird (die Werte liegen nach Cavallo & Cohen

[

CC01

] etwa

20%

bis

30%

unter dem realen Wert). Nach Hoffmann & Mortimer [

HM94

] wer-

den große Werte (über 10 Sekunden) zumeist ungenau geschätzt, kleinere TTC-Werte jedoch

recht genau.

TTC =∆FFZ

vEGO −vFFZ

mit (vEGO −vFFZ)>0 (3.3)

Time-To-Linecrossing

Die Time-To-Linecrossing (TLC, vgl. Abbildung 3.11) umschreibt

die Zeit bis zu einem möglichen – seitlichen – Verlassen der aktuellen Fahrspur bei angenomme-

ner Unveränderlichkeit bestimmter Fahrzeugzustände. Oft werden Lenkradwinkel bzw. Gierwin-

kel sowie Fahrzeuggeschwindigkeit verwendet, jedoch kann auch die Gierwinkelgeschwindigkeit

verwendet werden. Die TLC kann als die Zeit, in der der Fahrer noch die Möglichkeit zur

Kurskorrektor besitzt, interpretiert werden. Nach Aasman [

Aas95

] kann die TLC ähnlich der

TTC vom Fahrer visuell wahrgenommen werden, jedoch wird die Wahrnehmung nicht weiter

beschrieben. Versuche von Godthelp et al. [

GMB84

] ergaben, dass Fahrer bei TLCs kleiner

1,3

anfangen, den Kurs zu korrigieren. Bubb nennt eine mittlere TLC bei Simulatoruntersuchungen

von

3,7

s (Bubb [

BBGV15

]). Ein ähnliches Maß ist die Time-To-Intersection (TTI), also die Zeit

bis zur nächsten Kreuzung.

3.2 Informationsverarbeitung

Die menschliche Informationsverarbeitung stellt die Summe der mentalen Prozesse zwischen

Informationsaufnahme und Handlung dar. Seit einem guten Jahrhundert wird bereits daran

geforscht, diese kognitiven Prozesse zu beschreiben und zu verstehen. Im Allgemeinen werden

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

diesen Begriffe wie Aufmerksamkeit,Problemlösen,Gedächtnis etc. zugeordnet. Dieses Kapitel

widmet sich diesen im Kontext des menschlichen Fahrens.

Modell der menschlichen Informationsverarbeitung nach Wickens

Die Verarbeitung

von Informationen zum Behufe der Generierung von Handlungsanforderungen ist eine der Haupt-

aufgaben des menschlichen Gehirns. Im Allgemeinen wird diese Verarbeitungskette als eine

sequentielle angenommen: Die mittels der dem Menschen zur Verfügung stehenden Sensorik

aufgenommenen Stimuli (vgl. Abschnitt 3.1) werden innerhalb des Gehirns in kognitive Reprä-

sentationen umgewandelt, mit deren Hilfe mittels unterschiedlicher Prozesse Vorgaben für die mo-

torischen Prozesse erzeugt werden. Ein einfaches sequentielles Modell der Funktion der mensch-

lichen Informationsverarbeitung wurde bereits 1868 von Donders als Reiz-Reaktionsmodell

vorgestellt [

Don68

]. Er nannte die drei wesentlichen Verarbeitungsstufen „Wahrnehmen“, „Ent-

scheiden“ und „Handeln“. Im in der Ingenieurspsychologie gängigen Vier-Stufen-Modell der

menschlichen Informationsverarbeitung nach Wickens [

WH00

] (vgl. Abbildung 3.12) besteht

die serielle Verarbeitungskette aus vier Komponenten:

1.)

sensorischer Kurzspeicher: Die wahrnehmbaren Informationen müssen an den dem Men-

schen zur Verfügung stehenden Sensoren anliegen, um vom Gehirn weiterverarbeitet

werden zu können. Die Signale werden im sensorischen Gedächtnis für wenige Sekunden

zwischengespeichert (Abschnitt 3.2.1).

2.)

Wahrnehmung: Vorhandene Informationen aus den Sensoren werden in diese Stufe verar-

beitet und interpretiert. Dieses geschieht sehr schnell im Vergleich zu den Operationen,

welche kognitive Prozesse benötigen. Zum einen geschieht dies basierend auf den vorhan-

denen Sensoreingaben („bottom-up“), zum anderen basierend auf Informationen aus dem

Langzeitgedächtnis, was einem „top-down“ bzw. erwartungsbasierten Verhalten entspricht

(Abschnitt 3.1).

3.)

Entscheidung: Nachdem mittels unterschiedlicher kognitiver Prozesse mehrere Handlungs-

alternativen generiert wurden, wird sich für eine dieser Handlungen entschieden (Abschnitt

3.2.3).

4.) Handlungsausführung: Die Ausführung der ausgewählten Handlung (Abschnitt 3.3).

Weitere Komponenten beeinflussen die vier beschriebenen Stufen maßgeblich:

•

Aufmerksamkeit: Aufmerksamkeitsprozesse bestimmen, welche kognitiven Ressourcen

für die Wahrnehmung bzw. Verarbeitung von Informationen verwendet werden (Abschnitt

3.4.1).

•

Gedächtnis: Unterschiedliche Gedächtnisse existieren für sich unterscheidende Typen von

zu speichernder Information. Im Langzeitgedächtnis werden dauerhaft Daten gespeichert,

während das Kurzzeitgedächtnis nur wenige Informationen für kurze Zeitspannen auf-

3.2 Informationsverarbeitung

Abbildung 3.12: Schema der menschlichen Informationsverarbeitung nach Wickens [WH00]

rechterhalten kann. Das Arbeitsgedächtnis liefert Informationen, die für die momentan

stattfindenden kognitiven Prozesse notwendig sind (Abschnitt 3.2.1).

•

Kognition: Eine Vielzahl von unterschiedlichen Prozessen, die im Gehirn stattfinden, bei-

spielsweise Kategorisieren,Planen,Problemlösen oder Lernen werden unter der Kategorie

„kognitive Prozesse“ zusammengefasst. Im Hinblick auf die Fahrzeugführung wird auf

diese im Abschnitt 3.2.2 vertiefend eingegangen.

Ähnliche Modelle (z.B. COCOM

[

Hol93

]) verwenden ebenfalls vier Hauptkomponenten, um

menschliche Informationsverarbeitung zu beschreiben. Hollnagel kritisiert an einer derartigen

Modellstruktur jedoch, dass der Mensch als zu reaktiv im Sinne eines geschlossenen Regelkreises

modelliert wird und proaktives, zielorientiertes Verhalten somit keine Beachtung findet [

Hol02

Eine Erweiterung des Wickens’schen Modells um die Einflussgrößen Motivation und Emotion

beschreibt Trimmel (Integratives Motivation-Emotion-Modell (IMEK), [

Tri15

], vgl. Abbildung

3.13).

Während des Führens eines Fahrzeugs wird mitnichten für jede erzeugte Handlung die komplette

Informationsverarbeitungskette durchlaufen. Je nach aktueller Fahraufgabe werden die Infor-

mationen wissensbasiert, regelbasiert oder fertigkeitsbasiert verarbeitet (Rasmussen [

Ras83

vgl. auch Abbildung 2.6). Das Wicken’sche Modell lässt diese „Abkürzungen“ innerhalb des

Modells zu: Wird regelbasiert agiert, so müssen weniger kognitive Kapazitäten für eine Planung

der Ausführung aufgewendet werden, da auf bekannte Handlungsweisen zurückgegriffen werden

4Contextual Control Model

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.13: Integratives Motivation-Emotion-Modell aus Trimmel [Tri15]

kann. Auf der Ebene der fertigkeitsbasierten Handlungen – aus denen das Führen eines Fahrzeugs

(zumindest für geübte Fahrer) größtenteils besteht – werden die meisten kognitiven Prozesse

direkt übersprungen, so dass die Handlungsausführung durch Reiz-Reaktions-Automatismen

(„automated patterns“) direkt erfolgen kann.

3.2.1 Gedächtnis

Ein elementarer Bestandteil des menschlichen Informationsverarbeitungsapparats ist das mensch-

liche Gedächtnis. Analog zu jedem anderen funktionierenden Datenverarbeitungssystem kommt

dieser nicht ohne eine (Zwischen-)Speicherung von Daten aus. Man unterscheidet zwischen sen-

sorischem Gedächtnis,Kurzzeitgedächtnis und Langzeitgedächtnis. Im sensorischen Gedächtnis

(auch Ultrakurzzeitgedächtnis genannt) werden Informationen der Sinnesorgane für eine sehr

kurze, sinnesmodalitätsspezifische Zeit zwischengespeichert. Beispielsweise können visuelle

Signale im sogenannten ikonografischen Gedächtnis für wenige

100

ms gespeichert werden

(Haber & Standing [

HS70

], Long [

Lon80

]). Auditive Signale werden im echoischen Gedächtnis

für etwa 2s zwischengespeichert (Darwin et al. [DTC72]).

Durch Zuwendung von Aufmerksamkeit werden Informationen aus den sensorischen Speichern

aufgenommen und an das Kurzzeitgedächtnis übertragen. Die grundlegenden Einheiten, auf

welche im Kontext des Gedächtnisses immer wieder referenziert wird, ist ein Chunk, das Kurz-

3.2 Informationsverarbeitung

zeitgedächtnis kann etwa

7±2

dieser Chunks speichern (Miller et al. [

Mil56

]), wobei neuere

Untersuchungen teilweise geringere Werte ergaben, zumeist im Bereich von

3−4

Chunks

(Cowan [

Cow08

]). Die Reihenfolge der im Kurzzeitgedächtnis gespeicherten Informationen

entspricht der ihres Eintreffens, neue Informationen ersetzen die zuerst gespeicherten, aus infor-

matischer Sicht kann man sich den Aufbau ähnlich dem eines Ringpuffers vorstellen. Neben der

kapazitiven Obergrenze existiert ebenso eine zeitliche: Nach etwa

10−15

Sekunden (Wickens

& Hollands [

WH00

]) verfallen Informationen im Kurzzeitgedächtnis (ohne Auffrischen der

Informationen). Das Langzeitgedächtnis, welches Informationen dauerhaft speichert, kann in

das deklarative (explizite) sowie das prozedurale (implizite) Gedächtnis unterteilt werden. Im

deklarativen Gedächtnis werden Fakten gespeichert, welche semantischer, also abstrakter und

begriffsbezogener Natur oder episodische Fakten, die z.B. autobiographische Informationen

sein können. Das prozedurale Gedächtnis hingegen speichert Erinnerungen, die beinhalten, wie

bestimmte Handlungen, beispielsweise das Autofahren durchgeführt werden. Diese Erinnerungen

an Fertigkeiten werden nicht bewusst abgerufen.

sensorischer Speicher

(visuell, haptisch, auditiv)

Merkmalsextraktion

Mustererkennung

Zerfall von

nicht beachteter

Information

Kurzzeitgedächtnis

Interferenz

durch neue

Information

Kontrollprozesse:

Wiederholung,

Elaboration,

Umkodierung

Langzeitgedächtnis

(episodisch,

prozedural,

semantisch)

Interferenz

oder Zerfall

von Spuren

Reizinformation Aufmerksamkeit Transfer

Abruf

Abbildung 3.14: Dreistufiges Gedächtnismodell nach Atkinson & Shiffrin [AS68]

3.2.1.1 Arbeitsgedächtnis

Das Konzept des Arbeitsgedächtnisses ist im Kontext der kognitiven Modellierung von besonde-

rer Relevanz. Es unterscheidet sich von dem des Kurzzeitgedächtnisses vor allem darin, dass

im Gegensatz zu diesem die Möglichkeit zur Manipulation und Verarbeitung der gespeicherten

Informationen besteht. Wickens & Hollands [

WH00

] fassen daher Arbeitsgedächtnis und Kogni-

tion zu einer gemeinsamen Stufe des Informationsverarbeitungsprozesses zusammen, da diese

permanent interagieren. Baddeley & Hitch [

BH74

] beschreiben das Arbeitsgedächtnis als ein aus

mehreren Komponenten bestehendes komplexes System, welches selbst Informationen speichert

und manipuliert und sich physisch vom Kurzzeitgedächtnis unterscheidet. Es besteht aus einer

zentralen, kontrollierenden Exekutive, welche für einen kurzen Zeitraum für die momentane

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Informationsverarbeitung und Speicherung von Informationen sowie für die Verbindung zum

Langzeitgedächtnis zuständig ist, einer phonologischen Schleife, welche auditorische Informa-

tionen speichert, dem räumlich visuellen Notizblock, in dem optische Informationen gespeichert

werden sowie dem episodischen Puffer, der für multimodale, zusammenhängende Informationen

zuständig ist (vgl. Abbildung 3.15). Der episodische Puffer wurde später von Baddeley [

Bad00

]

hinzugefügt, nachdem eine Beteiligung des Langzeitgedächtnisses ausgeschlossen wurde. Erst

Cowan [

Cow08

] beschreibt das Arbeitsgedächtnis als „Kurzzeitgedächtnis, kombiniert mit un-

terschiedlichen Verarbeitungsmechanismen, mit deren Hilfe das Kurzzeitgedächtnis sinnvoll

verwendet werden kann“. Gugerty [

Gug97

] führt ein dynamisches räumliches Arbeitsgedächtnis

(„dynamic spatial working memory“) für die mentale Repräsentation des Umgebungsverkehrs ein.

Auch nach Baumann & Krems [

BFK08

] existiert eine mentale Repräsentation des Umgebungs-

verkehrs, welche mit Hilfe des Arbeitsgedächtnisses erzeugt wird. Dies konnte experimentell

nachgewiesen werden. Ericsson & Kintsch [

EK95

] erweitern das Arbeitsgedächtniskonzept um

das eines Langzeit-Arbeitsgedächtnisses. Dieses beschreibt, dass Teile des Langzeitgedächtnis-

ses als Arbeitsgedächtnis dienen können, womit sich die Kapazität des Arbeitsgedächtnisses

theoretisch unbegrenzt erhöhen ließe. Einschränkend wirkt jedoch, dass die Verwendung des

Langzeit-Arbeitsgedächtnisses vor allem auf Expertenwissen anwendbar ist.

Zentrale Exekutive

Arbeitsgedächtnis

Episodischer

Puffer

Visuell-räumlicher

Notizblock

Phonologische

Schleife

Episodisches

Langzeitgedächtnis

Visuelle

Semantik Sprache

Abbildung 3.15:

Schema des Arbeitsgedächtnisses nach Baddeley & Hitch [

BH74

] bzw. Badde-

ley [Bad00]

Fazit

Im Bereich der Fahrermodellierung spielt das Gedächtnis eine erhebliche Rolle. So

müssen beispielsweise die grundlegenden Verkehrsregeln als Faktenwissen in einer Art deklara-

tivem Gedächtnis gespeichert werden, um im Bedarfsfall abgerufen werden zu können. Auch

das prozedurale Gedächtnis wird – wenn auch nicht explizit – mit jedem regelungstechnischen

Fahrermodell mitmodelliert. Des Weiteren sind fahrertypabhängige Unterschiede zu beachten:

Ein Renn- oder Testfahrer fährt im Vergleich zum Normalfahrer viel mehr „aus dem Gedächt-

nis“. Das Konzept des Arbeitsgedächtnisses erlaubt die Modellierung von realistische(re)n

Datengrundlagen menschähnlicher Fahrermodelle. Neben dem Arbeitsgedächtnis spielt das

3.2 Informationsverarbeitung

Langzeitgedächtnis für die Fahraufgabe ebenfalls eine wichtige Rolle: In ihm sind beispielswei-

se die Verkehrsregeln oder komplexere Handlungsabläufe, die dem wissensbasierten Handeln

zuzuordnen sind, hinterlegt.

3.2.2 Kognitive Prozesse

Im menschlichen Gehirn werden jederzeit – bewusst oder unbewusst – Informationen aufgenom-

men, verarbeitet und gespeichert. Birgt einer dieser Prozesse ein Mindestmaß an Abstraktion und

Komplexität, so bezeichnet man diesen als einen kognitiven Prozess. Nach Volz [

Vol00

] grenzen

sich kognitive Prozesse gegen folgende Sachverhalte ab: rein physiologische Vorgänge auf Zell-

und Synapsenebene, neuronale Prozesse auf Zellebene (z.B. Reaktionen von Nervenzellen)

oder auch einfache Wahrnehmungsleistungen (z. B. das Erkennen einfacher Muster). Anderson

& Lebiere beschreiben Kognition schlicht als „process of thought“ [

AL98

]. Im Allgemeinen

werden gedankliche Vorgänge wie Wahrnehmen, Assoziieren, (komplexes) Mustererkennen,

Kategorisieren, Problemlösen, Planen, Erinnern, Lernen, Sprache bis hin zu Wollen oder Glauben

als „kognitiver Prozess“ bezeichnet. Wickens & Hollands [

WH00

] beschreiben die Hauptei-

genschaften kognitiver Prozesse als „bewusste Aktivitäten, die Informationen transformieren

oder speichern“, welche sich von den anderen Stufen ihres Modells unter anderem durch ihre

langsamere Verarbeitungsgeschwindigkeit und ihren Bedarf an Aufmerksamkeitsressourcen

unterscheiden. Wie diese Definition schon zeigt, ist die Abgrenzung von anderen innerhalb des

Wickens’schen Informationsverarbeitungsparadigmas genannten Verarbeitungsstufen schwierig,

ebenso wird die Reduktion auf bewusst ablaufende Prozesse oft nicht vorgenommen, beispiels-

weise definiert Schmidt [

SLH07

] kognitive Funktionen als „alle bewussten und nicht bewussten

Vorgänge, die bei der Verarbeitung von organismusexterner oder -interner Information ablaufen“.

Wahrnehmungs-, wie auch Gedächtnis- oder Aufmerksamkeitsprozesse können daher zu einem

großen Teil ebenso als kognitiv bezeichnet werden, wurden jedoch schon in vorangegangenen

Abschnitten beschrieben. In Rasmussens Modell [

Ras83

] sind kognitive Problemlöseprozesse

notwendig mit der wissensbasierten Ebene verbunden. Nach Muthig [

Mut90

] ist weder eine

strikte Definition bzw. Trennung noch eine voneinander unabhängige Untersuchung kognitiver

Prozesse möglich.

Im Kontext dieser Arbeit wird daher in diesem Abschnitt auf jene kognitive Prozesse näher

eingegangen, die Vorgänge im Gehirn bezeichnen, die im Kontext der Fahrzeugführung mit-

tels Verarbeitung von Informationen dazu führen, Entscheidungen zu treffen und Handlungen

ausführen zu können. Konzepte wie mentale Modellbildung,Antizipation,Problemlösen sowie

Handlungsplanung stehen daher im Mittelpunkt dieses Abschnitts. Diese Prozesse haben ge-

mein, dass sie eng mit dem Arbeitsgedächtnis verbunden sind, da sie Informationen aus diesem

verwenden und manipulieren. Entscheidungsfindung sowie Risikoabschätzung werden im Sinne

von Wickens & Hollands [WH00] separat behandelt.

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

3.2.2.1 Mentale Modellbildung und Antizipation

Die Einschätzung der aktuellen Situation geschieht basierend auf der mittels Wahrnehmung

erlangten, eingeordneten und interpretierten Informationen über die Umwelt. Die im Arbeitsge-

dächtnis (vgl. Abschnitt 3.2.1.1) vorhandene Repräsentation eines wahrgenommenen Objekts

oder einer Aufgabe mitsamt der ihm zugeordneten Eigenschaften wird als inneres oder mentales

Modell bezeichnet. Mentale Modelle sind nach Norman [

Nor83

] inhärent unvollkommen (da

oft stark vereinfacht), unbeständig (durch Vergessen gehen Inhalte verloren), nicht voneinander

abgrenzbar (unterschiedliche mentale Modelle können sich überlappen) unwissenschaftlich (im

Sinne einer Black Box können in dieser durchaus auch mystische Elemente vorhanden sein)

und unökonomisch (manche Handlungen werden nicht optimiert, da sie ja funktionieren). Trotz

all dieser Mängel stellen mentale Modelle die für einen Menschen zu jedem Zeitpunkt einzig

vorhandene Wahrheit dar, auf deren Grundlage er handelt. Mentale Modelle werden nicht be-

wusst erzeugt und können daher bei geringer Inanspruchnahme kognitiver Ressourcen verwendet

werden. Des Weiteren ändern sich mentale Modelle durch Erfahrung sowie Feedback, ebenso

beeinflussen sie die Steuerung der Aufmerksamkeit und somit auch das Situationsbewusstsein.

Für die zweite Stufe des Situationsbewusstseins (Verstehen) ist die Existenz mentaler Modelle

zwingend notwendig.

Im Kontext der Fahrzeugführung ergibt die Summe der mentalen Modelle (des eigenen Fahrzeugs,

anderer Verkehrsteilnehmer und Objekte, der Straßengeometrie usw.) ein durch die kognitiven

Fähigkeiten bzw. Einschränkungen des Fahrers gefiltertes, subjektives Abbild der realen Situation.

Mentale Modellbildung ist ein Prozess, der sich bezüglich Rasmussens Schema in die Ebenen der

regel- und wissensbasierten Handlungen einordnen lässt. Wenn also sensumotorische Programme

für die momentan zu lösende Problemstellung vorhanden sind, werden mentale Modelle nicht

oder in nur sehr geringem Umfang verwendet.

Die Annahme über zukünftiges Verhalten ist ebenso ein Bestandteil mentaler Modelle. Die

Verortung dieser Antizipationsprozesse im Wickens’schen Schema der Informationsverarbeitung

ist jedoch nicht eindeutig vorzunehmen, da diese zum einen im Bereich der Wahrnehmung

anzusiedeln sind, aber auch Einfluss auf den Entscheidungsprozess haben. In Endsleys Definition

des Situationsbewusstseins (vgl. auch Abschnitt 3.4.3) ist Antizipation die dritte und letzte Stufe.

Sommer [

Som13

] hingegen interpretiert Antizipation als eigenständige Stufe in einem eben-

falls vierstufigen Informationsverarbeitungsmodell (bestehend aus sensorischer Wahrnehmung,

kognitiver Verarbeitung, Antizipation und Entscheidung).

Ein weiterer Aspekt der mentalen Modellbildung besteht aus der Einordnung eines Objekts in

eine bestimmte Kategorie. Mit zunehmender Erfahrung nimmt die Anzahl der Modelle bzw.

Modellkategorien zu, so dass eine immer genauere Einschätzung und somit eine zunehmende

Annäherung des subjektiven mentalen Modells an die objektiven Eigenschaften stattfindet. Dies

gilt ebenso für die Wahrnehmung von Situationen, beispielsweise können Vorfahrtsregelungen in

komplexen Kreuzungssituationen gelernt werden, so das die kognitive Leistung nicht mehr aus

3.2 Informationsverarbeitung

dem kompletten Durchdringen der Situation besteht, sondern „nur“ noch das richtige mentale

Modell ausgewählt und parametriert werden muss.

Bezüglich eigener Handlungen unterscheidet Bubb [

BBGV15

] bei mentalen Modellen zwischen

„Wahrnehmungs-Handlungs-Modellen“und „Handlungs-Wahrnehmungs-Modellen“. Erstere be-

stehen aus den aus der Wahrnehmung abgeleiteten motorischen Handlungen, beinhalten also

eine Vorstellung einer noch durchzuführenden Handlung, während letztere die Vorstellung der

zukünftig wahrzunehmenden Situation aufgrund einer Handlung darstellen. Bei Übereinstim-

mung bzw. geringen Abweichungen der Vorstellungen vom wahrgenommenen Ergebnis bleibt

der komplette Vorgang im Bereich des Unbewussten. Bei wahrgenommenen Unterschieden

(z.B. einer unvorhergesehenen Aktion eines anderen Verkehrsteilnehmers oder nicht geplantem

Verhalten des eigenen Fahrzeugs) werden hingegen Entscheidungsprozesse notwendig, der Pfad

des Unbewussten wird verlassen. Ein (gutes) mentales Modell ist nicht unmittelbar von den

wahrnehmbaren Informationen abhängig: So kann ein momentan verdecktes Fahrzeug – falls das

mentale Modell ein plötzliches Verschwinden oder Anhalten nicht beinhaltet – in der Vorstellung

des Fahrers immer noch vorhanden sein. Ähnliches gilt auch reziprok: Ein sichtbares Fahrzeug

muss nicht zwangsläufig als mentales Modell existieren, wenn es aufgrund kognitiver Überlas-

tung oder fehlender Aufmerksamkeit übersehen wird. Mentale Modelle können analog zu Chunks

interpretiert werden: Aktuell verwendete mentale Modelle befinden sich im Arbeitsgedächtnis,

die Anzahl gleichzeitig vorhandener Modelle ist somit begrenzt. Die Genauigkeit eines mentalen

Modells bezüglich der objektiven Eigenschaften des real existierenden Objekts ist stark von den

individuellen Eigenschaften des Fahrers (z.B. Erfahrung oder Ortskenntnis) abhängig.

Fazit

Mentale Modelle stellen im Kontext der Fahrermodellierung ein sinnvolles Werkzeug

dar, um die dem Fahrer präsenten Informationen modellieren zu können. Nichtsdestoweniger

bildet die Parametrierung eines solchen Modells immer die subjektive Sicht des Modellierers

ab, da objektive Daten über mentale Modelle aus offensichtlichen Gründen nicht existieren.

Mittels des Chunking-Konzepts lassen sich jedoch realistisch die Grenzen der kognitiven Verar-

beitungskapazität bezüglich bewusster Prozesse in komplexen Verkehrssituationen simulieren.

Mentale Modelle bilden in der menschlichen Informationsverarbeitung die Grundlage für den

Entscheidungsprozess.

3.2.2.2 Problemlösen und Handlungsplanung

Problemlösen kann nach Freud als „inneres Probehandeln“ beschrieben werden (Blech [

Ble10

]).

Diese kurze Definition beschreibt diesen kognitiven Prozesses erstaunlich treffend. Anders aus-

gedrückt besteht Problemlösen aus einer gedachten Handlung, die von einem (unbefriedigenden)

Istzustand zu einem (befriedigenden) Sollzustand führt. Etwas technischer beschreibt dies Newell

[

NS72

]: Ein Problem besteht demnach aus drei Teilen: einem Ausgangszustand, einem Zielzu-

stand sowie einer Menge an Operationen, welche die Schritte beschreiben, die vom Ausgangs-

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

zum Zielzustand führen. Die sich stellende Aufgabe besteht somit darin, eine Superposition

der zur Verfügung stehenden Operationen zu finden, welche das Problem löst. Um ein Problem

lösen zu können, muss eine innere Repräsentation des Problemraumes erzeugt werden. Problem-

lösen besteht also zu einem Großteil aus planerischen Prozessen: Bekannte und ausführbare

Handlungen und Handlungssequenzen werden im Bereich des dem Auszuführenden möglichen

parametriert und kombiniert, so dass das gedachte Ziel erreicht werden kann. Funke [

Fun06

]

beschreibt nach Dörner [Dör89] den Ablauf von Problemlöseprozessen folgendermaßen:

1.)

Phase der Zielausarbeitung: Es wird eine Zielvorstellung entwickelt, die entweder präzise

oder komparativ formuliert werden kann. Zielkonflikte sind möglich („Polytelie“).

2.)

Modellbildung und Informationssammlung: Ein genaues Bild der Situation wird generiert,

relevante Informationen werden extrahiert (vgl. Abschnitt über mentale Modellbildung).

3.)

Prognose und Extrapolation: Es werden Abschätzungen über die weitere Entwicklung

der Situation getätigt, wobei die Dynamik der beteiligten Objekte bzw. Prozesse beachtet

werden muss, nichtlineare Dynamiken sind hierbei weitaus komplizierter zu antizipieren

als lineare Dynamiken.

4.)

Phase der Planung von Aktionen: Die Handlungsplanung findet auf Basis der gewonnenen

Informationen statt.

5.)

Phase der Entscheidung und Durchführung von Aktionen. Die geplanten Aktionen werden

durchgeführt.

6.)

Phase der Effektkontrolle und Revision der Handlungsstrategien. Es wird geprüft, ob das

gewünschte Ergebnis erreicht worden ist.

Wichtig ist in diesem Zusammenhang die Definition des Begriffs „Ziel“: Nach Schmidt &

Kleinbeck [

SK06

] sind Ziele „Vorwegnahmen von Handlungsfolgen, die mehr oder weniger

bewusst zustande kommen“ und „beziehen sich auf zukünftige Handlungsergebnisse“. Diese

angestrebten Zielzustände sind aus technischer Sicht nichts anderes als Sollwerte (sowie teilweise

Handlungen, deren Ergebnis das Erreichen desselben darstellt), die entweder selbst gebildet oder

basierend auf externen Vorgaben erzeugt werden.

Im Kontext der Fahrzeugführung setzt sich der Fahrer größtenteils selbst Ziele, die auch auf

verschiedenen zeitlichen Ebenen existieren können. So ist beispielsweise Ziel

„Ich möchte so

schnell wie möglich ankommen“ ein für die komplette Fahrt gültiges Ziel, Ziel

„Ich möchte

den vorausfahrenden LKW überholen“ ein lokales Ziel, welches jedoch als Teilziel für Ziel

interpretiert werden kann. Diese Teilziele muss sich der Fahrer während einer Fahrt immer

wieder neu selbst definieren, um das größere Hauptziel erreichen zu können. Im Normalfall

existieren mehrere Hauptziele parallel: Das Ziel „Ich möchte sicher ankommen“ ist üblicherweise

bei jedem Fahrer zu jeder Zeit vorhanden. Somit kommt es oft zu Situationen, in denen sich

Ziele widersprechen und der Fahrer eine Priorisierung der unterschiedlichen Ziele durchführen

3.2 Informationsverarbeitung

Abbildung 3.16:

Prototypischer Ablauf des Problemlösens aus kognitiv-funktionalistischer Sicht

aus Blech [

Ble10

]. Explorationsziele sind den Handlungs- oder Sollwertzielen

bzw. Sollzuständen zeitlich und logisch vorgeordnet.

oder einen Kompromiss für ein lokales Ziel aushandeln muss, z. B. „ich werde so schnell und so

sicher wie möglich überholen“.

Problemlösen findet sich im Kontext der Fahrzeugführung zum einen im Bereich der Navigation

und ist bei unbekannten Strecken auf der wissensbasierten Ebene einzuordnen. Die aus der Ent-

wicklung von Handlungsstrategien zum Erreichen lokaler Ziele resultierenden Handlungen sind

zumeist Fahrmanöver (vgl. Abschnitt 4.1.1). Aus einem dem Fahrer durch seine Wahrnehmungs-

und Gedächtnisfähigkeiten bekannten Ausgangszustand und der darauf basierenden erzeugten

mentalen Modelle heraus generiert der Fahrer einen lokalen Plan. Die entsprechende Strategie

zur Problemlösung wird durch persönliche Charakteristika des Fahrers, beispielsweise Fahrer-

fahrung oder Risikobereitschaft parametriert. Dieses Art des Problemlösens findet zumeist auf

der fertigkeitsbasierten Ebene statt und betrifft daher Handlungen bzw. Handlungsstrategien,

die dem Fahrer bekannt, aber an die aktuelle Situation angepasst werden müssen. Nach Jür-

gensohn [

JBGS18

] ist bezüglich der Fahrzeugführung der Anteil der Prozesse, die bewusstes

Problemlösen verwenden, sehr gering.

Fazit

Das Problemlösen im kognitionspsychologischen Sinne spielt im Kontext der Fahrzeug-

führung quantitativ gesehen eine eher geringe Rolle, zum Großteil werden eingeübte Handlungs-

strategien verwendet oder unbewusst gehandelt. Bei unbekannten oder besonders komplexen

Situationen hingegen sind Handlungsstrategien, die mit Hilfe von kognitiven Problemlöseprozes-

sen generiert wurden, die einzig mögliche Alternative zu einer Nichthandlung.

3.2.3 Entscheidungsfindung und Risiko

Entscheidungen bezeichnen die Wahl zwischen mindestens zwei Handlungsalternativen. Einer

Entscheidung geht immer ein Entscheidungsprozess voraus, in welchem Ziele definiert, entspre-

chende Informationen aufgenommen und verarbeitet sowie mögliche Handlungen geplant und

die daraus folgenden Konsequenzen antizipiert werden. Neben den subjektiven – jedoch als

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.17: Entscheidungsmodell nach Wickens & Hollands [WH00]

objektiv wahrgenommenen – Informationen (vgl. Ribbeck [

Rib

]) über die aktuelle Situation wird

die Entscheidungsfindung von Motivationen, Emotionen (vgl. Abschnitte 3.4.4 und 3.4.5) sowie

einer Reihe anderer sehr individueller Faktoren beeinflusst. Es wird zwischen „Entscheidung

unter Risiko“ – bei bekannten Wahrscheinlichkeiten für die Folgen des Handelns – und „Entschei-

dung unter Ungewissheit“ – bei unbekannten Wahrscheinlichkeiten unterschieden. Des Weiteren

spielt der Faktor Zeit bei der Entscheidungsfindung eine bedeutende Rolle: Entscheidungen unter

Zeitdruck sind, da sie auf mit weniger kognitiven Ressourcen generierten mentalen Modellen

basieren, naturgemäß öfter fehleranfällig als Entscheidungen, die in Ruhe getroffen werden

können. Nach dem Wickens’schen Modell der Entscheidungsfindung (vgl. Abbildung 3.17) sind

die wichtigsten Elemente bezüglich einer zu treffenden Entscheidung Selektive Aufmerksamkeit,

Diagnose und Reaktionsauswahl.Selektive Aufmerksamkeit wurde bereits im Abschnitt 3.4.1

beschrieben, Diagnose fasst die kognitiven Prozesse zusammen, welche für die Bewertung der

aktuellen Situation (Situationsbewusstsein, vgl. Abschnitt 3.4.3) verantwortlich sind. In der Reak-

tionswahl werden nun die im Arbeitsgedächtnis generierten mentalen Modelle mit Informationen

aus dem Langzeitgedächtnis kombiniert, um die Folgen der verschiedenen Handlungsalternativen

abzuschätzen und sich für eine der Handlungsalternativen zu entscheiden.

Für das Fahren gilt, dass Entscheidungen auf verschiedenen Ebenen der Fahraufgabe (wis-

sensbasiert, regelbasiert oder fertigkeitsbasiert bzw. auf der strategischen, taktischen- oder

Regelungsebene) getroffen werden können (vgl. Rasmussen [

RL82

] bzw. Michon [

Mic85

] und

Donges [

Don82

]). Bezüglich des Schemas von Rasmussen kann konstatiert werden, dass wissens-

basierte Entscheidungen ein hohes Maß an kognitiven Ressourcen verwenden, Routenplanung

oder komplexe bzw. unbekannte Kreuzungssituationen können hier als Beispiel dienen. Regelba-

sierte Entscheidungen hingegen erfordern nur die Auswahl einer adäquaten Handlung aus dem

Erfahrungsschatz des Fahrers (z. B. die Auswahl eines passenden Manövers, welches vom Fahrer

beherrscht wird). Fertigkeitsbasierte Entscheidungen, z.B. wie stark gelenkt oder gebremst

werden muss, geschehen hingegen unbewusst. Schaut man sich die Donges’sche Einteilung der

3.2 Informationsverarbeitung

Fahraufgabe an, so lässt sich Ähnliches feststellen: In der Navigationsebene werden Entscheidun-

gen über die Routenwahl getroffen, geschieht dies vor Fahrtantritt, steht für die entsprechenden

Diagnoseprozesse ausreichend Zeit zur Verfügung, falls während der Fahrt eine Änderung der

Routenplanung stattfinden muss (z.B. weil eine Straße kurzfristig gesperrt wurde), findet dies

jedoch oft unter Zeitdruck statt, so dass die Wahrscheinlichkeit für Fehlentscheidungen steigt.

In der Führungsebene hingegen wird entschieden, welche der aktuellen Situation angepassten

Zielgrößen (Abstände, Geschwindigkeiten, Spurwahl) gelten. Eine Handlungsauswahl (bzw.

die Auswahl eines Fahrmanövers) ist in dieser Ebene jedoch nicht vorgesehen. Die taktische

Ebene aus dem Michon-Modell erlaubt diese hingegen. Eine solche Auswahl kann mit oder

ohne Zeitdruck erfolgen und beansprucht je nach Komplexität und Erfahrung unterschiedliche

kognitive Ressourcen. Auf der Stabilisierungsebene getroffene Entscheidungen betreffen vor

allem Regelungsprozesse (Bedienung von Lenkrad und Pedalerie), welche im Allgemeinen

unbewusst ablaufen und daher kaum kognitive Ressourcen verwenden.

Nach Bubb [

BBGV15

] wird während eines Entscheidungsprozesses ein inneres Modellpaar

(bestehend aus Wahrnehmungs-Handlungspaar sowie Handlungs-Wahrnehmungspaar, vgl. Ab-

schnitt 3.2.2.1) ausgewählt. Bei mehreren möglichen Modellpaaren wird nun gedanklich jedes

Handlungs-Wahrnehmungs-Modell ausgewählt und eine Abschätzung über die Konsequenz

getroffen, danach wird jenes mit dem größten angenommenen Nutzen ausgewählt. Dieser (augen-

blickliche) Nutzen hängt von vielen Faktoren, u.a. Motivation, Emotion, Situationsbewusstsein

usw. ab und muss mit dem möglichen Schaden abgewogen werden. Das Erwartung-mal-Wert-

Modell erklärt Entscheidungen folgendermaßen: Die Attraktivität eines zu erreichenden Ziels

(Wert) wird mit der Wahrscheinlichkeit, das Ziel zu erreichen (Erwartung) verrechnet. Nach

Fiala [

Fia06

] können mehrere Sekunden vergehen, bis eine bewusste Entscheidung getroffen

wird. Auch den Untersuchungen von Sommer [

Som13

] zufolge werden die einzelnen Stufen

der Informationsverarbeitung in einem Zeitfenster von 7 bis 5 Sekunden vor einem handlungs-

relevanten Merkmal durchlaufen, wobei die tatsächliche Handlungsentscheidung etwa 4 bis 2

Sekunden vor diesem stattfindet.

Entscheidungsfindung und Risiko sind während des Autofahrens untrennbar miteinander ver-

knüpft. Aufgrund der systemimmanenten Gefahr, die von einem sich zumindest potentiell sehr

schnellen und mehrere Tonnen schweren Gefährt ausgeht, muss bei dessen Bedienung das Risiko

der entsprechenden Handlung mitberücksichtigt werden. Schon 1938 hat Gibson [

GC38

] das

Konzept der Sicherheitsreserve beim Fahren postuliert; ein „field of safe travel“ wird mittels

visueller Raumwahrnehmung eines Fahrers erzeugt, in dem sich gefahrlos bewegt werden kann.

Nach Taylor [

Tay64

] sind Autofahrer bestrebt, während der Fahrt einen konstanten Angstpegel

aufrechtzuerhalten. In aktuellen Veröffentlichungen wird eher das subjektive Risiko als die

hauptsächliche Einflussgröße bei der Entscheidungsfindung beim Autofahren betrachtet (Ra-

kotonirainy [

RS09

]). Als subjektives Risiko wird das Produkt eines subjektiven Wertes eines

unangenehmen Ereignisses und der subjektiven Wahrscheinlichkeit dessen Eintreffens bezeich-

net. Das beobachtbare Verhalten, dass sich mit objektiv zunehmender Sicherheit (z. B. durch

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Sicherheitssysteme im Fahrzeug oder bessere Straßen) ein riskanteres Fahrverhalten einstellt,

wird Risikokompensation genannt. Es gibt unterschiedliche Ansätze, um dieses Verhalten zu

erklären:

1.)

Null-Risiko-Theorie nach Näätänen & Summala [

NS74

], („zero-risk-theory“): Das vom

Fahrer gewünschte subjektive Risiko, das zusätzlich von Vigilanz und anderen motivationa-

len Faktoren beeinflusst wird, soll jederzeit „Null“ betragen. Später wurde dies verworfen

und gegen akzeptierte Sicherheitsspielräume („safety margins“) ersetzt, an denen sich

der Fahrer orientiert und mit deren Hilfe er sein Verhalten regelt (Näätänen & Summala

[NS74], [NS76])

2.)

Risikohomöostase von Wilde [

Wil82

] („risk homeostasis“): Im Gegensatz zur „zero-risk-

theory“ hat der Fahrer nach Wilde ein persönlich akzeptiertes Risiko, welches er versucht,

während der Fahrt konstant zu halten. Demnach ergibt sich das objektive Risiko ausschließ-

lich aus der persönlichen Risikoakzeptanz des Fahrers – objektive Sicherheitsverbesse-

rungen hätten somit keinerlei Einfluss. Gruendl [

Grü05

] bezeichnet die Theorie daher

auch als „provokant“ bzw. „extrem und pessimistisch“. Der Rückgang der Unfallzahlen in

den letzten Jahrzehnten widerspricht der Theorie ebenso (wenn man davon ausgeht, dass

Sicherheitssysteme einen gewissen Anteil daran haben).

3.)

Aufgabenschwierigkeitshomöostase nach Fuller [

Ful84

] („task difficulty homeostasis“):

Nicht das Risiko, sondern die Aufgabenschwierigkeit bestimmt das Verhalten und so-

mit Entscheidungen des Fahrers. Dieser ist bestrebt, ein bestimmtes Niveau der Auf-

gabenschwierigkeit aufrechtzuerhalten. Die Aufgabenschwierigkeit ergibt sich aus dem

Spannungsfeld zwischen den Anforderungen der aktuellen Aufgabe und den vorhanden

Fähigkeiten bzw. Ressourcen des Fahrers, diese zu erfüllen. Im TCI

-Modell [

Ful05

] wird

dies näher spezifiziert. Die Aufgabenschwierigkeit passt der Fahrer vor allem durch die

gewählte Geschwindigkeit an.

3.2.3.1 Entscheidungsmodelle für die Fahrermodellierung

Die realistische Modellierung menschlicher Entscheidungsprozesse stellt eine der größten Her-

ausforderungen im Kontext der Fahrermodellierung dar. Die hierfür notwendige Annahme, dass

Entscheidungen instantan aufgrund bestimmter und bekannter Parameter getroffen werden –

nicht anders entscheiden Algorithmen – lässt sich nur schwer mit den im menschlichen Gehirn

zum Teil unbewusst ablaufenden Prozessen in Einklang bringen. Nichtsdestoweniger wurden bis-

her unterschiedliche Versuche unternommen, menschliche Entscheidungsprozesse zu simulieren,

auf einige wird folgend eingegangen.

Salvucci [

Sal06

] integrierte eine simple Entscheidungskomponente mittels ACT-R in sein Fah-

rermodell, welche Entscheidungen bezüglich Spurwechselmanövern basierend auf der aktuellen

5„Task Capability Interface“

3.2 Informationsverarbeitung

Umgebung des Fahrzeugs tätigt. Wenn die Entscheidung für einen Spurwechsel getroffen wurde,

folgt die davon abhängige, zweite Entscheidung über den Zeitpunkt des Spurwechsels.

Boer & Hoedemaker [

BH98

] entwickelten basierend auf Rasmussens und Michons Modellen

und der „satisficing decision theory“ von Goodrich et al. [

GSF98

] ein Modell für menschli-

che Entscheidungsfindung beim Autofahren. Die Theorie des „satisficing decision makings“

– auf deutsch etwa „Treffen von zufriedenstellenden Entscheidungen“ – geht davon aus, dass

der Mensch keine optimale Lösung für bestimmte Problemstellungen sucht, sondern eine zu-

friedenstellende. Daher werden keine (im Sinne von Berechnungskosten) teuren Suchen nach

einer Optimallösung durchgeführt, da die Suche nach einer Lösung beendet wird, sobald ein

unterer Schwellwert für eine akzeptable Lösung überschritten worden ist. Das Modell besteht

analog zu Michons Modellvorschlag [

Mic85

] aus einer strategischen, einer taktischen und einer

operationalen Ebene. Sogenannte „decision makers“ regeln den Informationsfluss zwischen den

Ebenen (vgl. Abbildung 3.18) und bestimmen, welche mentalen Modelle aktiviert werden (vgl.

Abschnitt 3.2.2.1). Allgemein wird „Fahren“ als eine Aufgabe beschrieben, in welcher perma-

nent bestimmte Bedürfnisse befriedigt werden müssen und dies letztendlich bestimmt, welche

Fahrmanöver wie ausgeführt werden. Hierbei werden solche Entscheidungen für bestimmte

Aktionen getroffen, deren Nutzen letztendlich größer als deren entsprechende Kosten sind.

MM Needs

Strategic DM Strategy Selection

MM’s Task Set

Route

Situation

Performance

Tactical DM Task Scheduler/Attention Manager

MM’s Car Following ... Lane Keeping

Operational DMs

(actors) Car Following ... Lane Keeping

Abbildung 3.18:

Modell von Fahrerentscheidungen nach Boer & Hoedemaker [

BH98

]: Strategi-

sche,taktische und operative Entscheider („DM“) aktivieren unterschiedliche

mentale Modelle („MM“)

Konkret wird in der höchsten – der strategischen – Ebene die aktuelle Befriedigung ausgewertet

und falls diese eine bestimmte Schwelle unterschreitet, wird das mentale Modell „Routenfindung“

ausgewertet, um mögliche – befriedigendere – Routen zu generieren. Auf der taktischen Ebene

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

werden die Aufmerksamkeitsressourcen und jene für die Handlungen auf der operationalen Ebene

verteilt und Vorhersagen für die aktuelle und alternative Handlungen an die jeweils höhere Ebene

kommuniziert. Die Auswertung dieser mentalen Modelle für bestimmte Handlungsalternativen

wird nur bei Unterschreiten der Befriedigungsschwelle vorgenommen. Boer & Hoedemaker

teilen Fahrerbedürfnisse in unterschiedliche Klassen ein, z.B. Risikoverhalten (riskant vs. sicher),

Fahrvergnügen (werden bestimmte Routen bevorzugt oder nicht) sowie ökonomische Kosten.

Ein Modellierungsansatz, welcher Entscheidungsprozesse beinhaltet, ist im COSMODRIVE-

Modell integriert (vgl. Abschnitt 2.2.5.1). Entscheidungen werden basierend auf „envelope

zones“ (vgl. Abbildung 3.19) getroffen, die für jedes Fahrzeug existieren. Während des Fahrens

werden mögliche zukünftige Überlappungen vom Fahrermodell antizipiert und basierend auf

einer Entscheidungsmatrix, in welcher die entsprechenden Risikoklassen verzeichnet sind, wird

eine adäquate Fahrerhandlung ausgewählt (Bornard et al. [BSB16]).

Abbildung 3.19:

Umhüllende Zonen („envelope zones“) im COSMODRIVE-Modell aus Bornard

et al. [BSB16]

Irmscher [

Irm01a

] beschreibt einen auf Motivationen basierenden mehrstufigen Entscheidungs-

prozess zum Überholen. Eine Entscheidungslogik basierend auf Fuzzy Decision Making bestimmt,

ob ein Fahrermodell einen Überholvorgang initiiert oder im Folgemodus verharrt. Ein nachgeord-

neter Entscheidungsvorgang bestimmt den Zeitpunkt des Spurwechsels. Die Entscheidung auf

der sensumotorischen Ebene zwischen der Bedienung des Gas- oder Bremspedals wird ebenfalls

modelliert. Die Handlungsalternativen unterscheiden sich durch bestimmte Merkmale voneinan-

der, eine Entscheidung wird vom Fahrer basierend auf dem konkreten Nutzen – bestimmt durch

die Bewertung der Merkmale – getroffen. Die Merkmale liegen beim Fuzzy Decision Making in

Form linguistischer Variablen vor, die mit Nutzwertfunktionen verknüpft sind. Im Falle des Über-

holvorgangs sind dies „relativer Abstand“ und „relative Geschwindigkeit des vorausfahrenden

Fahrzeugs“ sowie „Geschwindigkeit des eigenen Fahrzeugs“ und eine Situationseinschätzung

des Fahrers (vgl. Abbildung 3.20).

Al-Shibabi & Mourant [

ASM01

], [

ASM03

] implementierten in ihr Fahrermodell-Framework

ebenfalls eine „decicion-making unit“ (DMU) basierend auf Fuzzy-Techniken, welche taktische

Manöverentscheidungen – ebenfalls angelehnt an Michons Drei-Ebenen-Modell – trifft. Ein

„decision-implementation unit“ (DIU) verwirklicht die vom DMU getroffenen Entscheidungen

auf der operationalen Ebene. Die Entscheidungen hängen von aktuellen Informationen sowie

dem momentanen emotionalen Status des Fahrers ab. Strategische Entscheidungen (Routenwahl)

100

3.3 Handlungsausführung

Abbildung 3.20: Entscheidungsprozesse beim Überholen nach Irmscher [Irm01a]

werden von einem externen „traffic controller“ herbeigeführt und sind nicht Teil der Simulation.

Entscheidungen werden mit dem Ziel getroffen, den emotionalen Zustand des Fahrers zu verbes-

sern, in dem entweder die Befriedigung erhöht oder ein vorhandenes Unbehagen verringert wird

– je nach aktueller Priorität.

Fazit Der Prozess der Entscheidungsfindung ist im Straßenverkehr nicht ohne Risikoabschät-

zung denkbar. Die Frage, wie ein menschlicher Fahrer diese Abschätzung durchführt, welche

Prioritäten er dabei setzt oder wie sich das subjektive Risiko bei sich ändernder objektiver

Sicherheitslage verändert, kann mit unterschiedlichen Theorien beantwortet werden. Die Be-

rücksichtigung eines subjektiven Risikos kann jedoch dazu dienen, Entscheidungen des Fahrers

(gewünschte Geschwindigkeiten, Start von Manövern etc.) besser nachvollziehen zu können. Ein

berechnetes Maß für das subjektive Risiko bzw. die subjektive Aufgabenschwierigkeit kann in

einem menschähnlichen Fahrermodell dazu dienen, realistischere, individuelle und situativ „rich-

tigere“ Sollwerte für Längs- und Querregelung zu erzeugen. Entscheidungsalgorithmen in bisher

implementierten Fahrermodellen orientieren sich zumeist an einem Kosten-Nutzen-Verhältnis.

Es werden unterschiedliche Attribute (Zufriedenheit, emotionaler Zustand, Risiko usw.) als Maß

verwendet, welches es durch bestimmte Manöver zu verbessern gilt.

3.3 Handlungsausführung

Dem Informationsverarbeitungsparadigma von Wickens folgend wird in der Ebene der Hand-

lungsausführung eine Handlung mittels Muskeln und Gelenken so vollzogen, dass das gewählte

Ziel erreicht wird [

WH00

]). Die physische Ausführung einer Handlung stellt die Verbindung

des Menschen zu seiner Umwelt her, nur durch sie kann auf diese eingewirkt und somit auf

101

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

das Erreichen eigener Ziele hingearbeitet werden. Durch die Rückkopplung mit der sich ver-

ändernden Umwelt können neue Informationen aufgenommen werden, welche wiederum zu

neuen Handlungen führen können. Die Begrifflichkeit der Handlung grenzt sich nach Leontjew

[

Leo12

] durch das Vorhandensein eines zugeordneten Ziels von einer Tätigkeit ab, kleinere und

kürzere Teilhandlungen können als Operationen definiert werden. Das Fahren ist dementspre-

chend eine Tätigkeit. Ein Fahrmanöver, das ein bestimmtes Ziel besitzt (z B. das Überholen eines

vorausfahrenden Fahreugs) ist somit eine Handlung (vgl. Abschnitt 4.1.1). Die Bedienung des

Lenkrads sowie der Pedalerie sind – so sie denn voneinander abgrenzbar und keine permanent

stattfindende Regelung sind – Operationen. Das Kapitel 4 beschäftigt sich ausführlich u.a. mit

der hier dargestellten Problematik der Abgrenzung von zeitlich abgrenzbaren Manövern im

Gegensatz zu homöostatischen Regelungshandlungen des Fahrers.

Tätigkeit

Handlung A

Operation 1 Operation 2

Handlung B

Operation 1 Operation 2 Operation 3

Abbildung 3.21: Strukturelle Einordnung von Tätigkeiten, Handlungen und Operationen

3.3.1 Der Handlungsbegriff, Handlungsregulation und Volition

Eine Handlung ist nach Hacker „eine zeitlich in sich geschlossene, auf ein Ziel gerichtete sowie

inhaltlich und zeitlich gegliederte Einheit der Tätigkeit“, welche sich durch das bewusste Ziel

von Tätigkeiten abgrenzt [

Hac99

]. Die Zielgerichtetheit einer Handlung sowie deren bewusste

Ausführung stellt eine zentrale Annahme von Handlungsregulationstheorien dar. Diese beschrei-

ben, wie Menschen psychische Ressourcen und gegebene Werkzeuge einsetzen, um zielgerichtet

Aufträge zu erfüllen, in dem Handlungen in „komplexe aber dennoch hochflexibel an aktuelle

Umstände anpassbare Hierarchien von Operationen, Teilhandlungen und Bewegungen umgesetzt

werden, um ein Ziel zu erreichen“ (Timpe, [

TJK02

]). Miller et al. [

MGP60

] erläutern bereits

1960 eine Systematik zur Beschreibung von zielstrebigem Handeln (TOTE-Modell: Test - Opera-

te - Test - Exit). Eine Handlung wird hier als Aneinanderreihung von Prüf- und Aktionsphasen

beschrieben: Einer Testphase, in der ein Soll- mit einem Istwert verglichen wird, folgt bei In-

kongruenz der Werte eine Aktionsphase, in der eine Operation durchgeführt wird, welche zum

Ziel hat, den Istwert dem Sollwert anzugleichen. Bei Kongruenz der Werte wird die Rückkopp-

lungsschleife verlassen (vgl. Abbildung 3.22). Der Begriff „Handlungsregulationstheorie“ geht

auf die Arbeiten von Hacker [

Hac73

] bzw. Volpert [

Vol74

] zurück. Es werden drei Regulations-

ebenen eingeführt: Die intellektuelle, die perzeptiv-begriffliche und die sensumotorische. Die

Handlungsausführung stellt in diesem Kontext die unterste Regulationsebene dar.

102

3.3 Handlungsausführung

Abbildung 3.22: Handlungsmodell aus Jürgensohn [Jür97] nach Miller et al. [MGP60]

Handlungen können zumeist mit Hilfe einer hierarchisch-sequentiellen Struktur dargestellt wer-

den und sind daher in Algorithmen abbildbar. Die kleinsten Elemente – die Grundbausteine

menschlichen Handelns – innerhalb dieser Struktur nennt Volpert „zyklische Einheiten“ [

Vol83

Diese bestehen aus einem Ziel und Transformationen, mit deren Hilfe sich dem Ziel schrittweise

genähert werden kann. Diese Transformationen bestehen aus einfachen Bewegungen, die durch-

aus auch automatisiert ablaufen können. Ziele und Teilziele der Handlungen und Teilhandlungen

ergeben einen Handlungsplan. Teilziele können – im Unterschied zu Zielen – auch mit geringem

Anteil bewusster kognitiver Prozesse erreicht werden. Eine einzelne Transformation kann ebenso

als zyklische Einheit aufgefasst werden, so dass eine hierarchische Ordnung bzw. ein pyramidales

Gebilde entsteht (vgl. Abbildung 3.23). Bei Übereinstimmung von

(Teil-)Ziel

und Transforma-

tionsergebnis wird dies der nächsthöheren Ebene übermittelt, was solange durchgeführt wird,

bis das Ziel der obersten Handlungsebene erreicht und die Handlung somit erfolgreich beendet

werden kann.

Abbildung 3.23: Hierarchisch-sequentielles Handlungsmodell nach Volpert [Vol83]

Handlungen lassen sich ebenso zeitlich gliedern. Frese & Zapf [

FZ94

] beschreiben sechs Phasen

einer Handlung: In der ersten Phase, der Zielbildung, wird die Ausrichtung auf ein bestimmtes

Ziel festgelegt bzw. bei mehreren möglichen Zielen wird sich für ein bestimmtes Ziel entschieden.

In der zweiten Phase, der Orientierungsphase, werden mögliche Ausführungen eruiert. In der

dritten Phase, der Planungsphase, werden ein oder mehrere Pläne für die Handlung entworfen,

103

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.24: Rubikonmodell der Handlungsphasen nach Heckhausen [Hec89]

wobei Komplexität eines solchen Plans im Allgemeinen mit zunehmender Länge der Handlung

abnimmt. In der fünften, der Entscheidungsphase, wird einer der entwickelten Pläne ausgesucht

und in der sechsten Phase, der Ausführungsphase, abgearbeitet. In der letzten Phase, dem Feed-

back, werden Informationen der Umwelt verwendet, um den Grad der Planerfüllung feststellen

zu können. Die einzelnen Phasen dieses Modells sind jedoch nicht als starr von einander abge-

grenzt zu verstehen, auch können während eines Handlungsprozesses unterschiedliche Phasen

übersprungen werden.

Betrachtet man die Handlung aus der Perspektive des Handelnden, so stellt sich die Frage nach

seiner Motivation während der Handlung bzw. deren Beibehaltung. Der Begriff der Volition

beschreibt die Umsetzung von Motiven in Handlungen bzw. die Bereitschaft zur Handlung

und die Verpflichtung gegenüber den Zielen der Handlung. Volition ist somit immer an ein

Ziel geknüpft. Blech [

Ble10

] beschreibt Volition als „willentliche Verhaltenskontrolle“ mit der

Aufgabe, sich an Ziele zu binden und diese gedanklich aufrecht zu erhalten. Das „Rubikon-

Modell“ der Handlungsphasen nach Heckhausen [

Hec89

] betrachtet diese Problematik und

beschreibt ebenso volitionale Prozesse, also Prozesse der bewussten Handlungsregulation (vgl.

Abbildung 3.24). Aus der subjektiven Sicht des Handelnden gliedert sich eine Handlung in

vier Phasen: Die erste Phase, die prädezisionale Phase, ist eine motivationale, hier werden

Handlungsoptionen gegenübergestellt und abgewogen. In der zweiten, der präaktionalen Phase,

setzt die volitionale Kontrolle ein, die Handlung wird geplant und initiiert. Während der dritten,

der aktionalen Phase, wird die Handlung mit der durch die Volitionsstärke definierten Stärke bzw.

Ausdauer durchgeführt. Bei Erreichen des Zielzustands wird die letzte, die postaktionale Phase,

begonnen und das Ergebnis der Handlung bezüglich des Ziels bewertet. Der Übergang von der

prädezisionalen zur präaktionalen Phase beschreibt die nicht wieder rückgängig zu machende

Festlegung für eine bestimmte Handlung und wird daher mit dem Übertritt des Grenzflusses

Rubikon durch Julius Caesar verglichen.

Fazit

Handlungsregulationsmodelle sind nützlich, um die Art und Weise, wie sich Handlungen,

die von Maschinen durchgeführt werden, von denen, die von Menschen durchgeführt werden,

104

3.3 Handlungsausführung

unterscheiden. Das Konzept der volitionalen Handlungskontrolle erlaubt es, Handlungen nicht

nur als rein kybernetische Konstrukte zu betrachten, sondern – je nach Volitionsstärke – die

Art und Weise der Durchführung der Handlung zu beeinflussen. Die hierarchisch-sequentielle

Strukturierung einer Handlung ermöglicht eine rekursive algorithmische Umsetzung („divide-and-

conquer“) und ist daher aus Programmierersicht eine effizienter Ansatz für eine Modellierung.

3.3.2 Sensumotorik

Die Interaktion der menschlichen Aktoren durch motorische Aktionen mit ihrer Umwelt kann mit

dem Begriff Sensumotorik umschrieben werden. Oftmals wird auch der Begriff Psychomotorik

gebraucht, wegen der unscharfen Definition dieses Begriffs sowie dessen Verwendung in anderen

Gebieten wird er in dieser Arbeit jedoch nicht weiter verwendet. Im Unterschied zu kognitiven

Prozessen, welche ebenso auf Informationen aus der Wahrnehmung zurückgreifen können, sind

sensumotorische Prozesse direkt mit motorischen Aktionen gekoppelt. Im Drei-Ebenen-Modell

des menschlichen Verhaltens nach Rasmussen [

RL82

] sind die sensumotorischen Aktionen

daher basaler Bestandteil des fertigkeitsbasierten Handelns (vgl. Abbildung 2.6 bzw. Abschnitt

3.3.2).

Einerseits sind sensumotorische Prozesse für die Durchführung von Handlungen bzw. Handlungs-

plänen zuständig, welche mittels kognitiver Prozesse erzeugt wurden, andererseits existieren auch

solche, die ohne jede Verbindung zur Kognition existieren. Erstere nennt Jürgensohn „kognitiv-

sensumotorisch“, letztere „rein sensumotorisch“ – beispielsweise das Aufrechterhalten einer

konstanten Kraft bei äußeren Störeinflüssen [

JBGS18

]. Eine reine Dichotomie zwischen beiden

Interpretationen sollte jedoch nicht angenommen werden, vielmehr ergibt sich ein Spektrum

zwischen „kognitiv-sensumotorisch“ und „rein sensumotorisch“. Zumeist existiert ein Einfluss

der Kognition auf die Sensumotorik, sei es als überwachendes oder als zielgebendes Element. Es

kann davon ausgegangen werden, dass der kognitive Einfluss auf sensumotorische Prozesse mit

zunehmender Expertise einer bestimmten Handlung abnimmt, die – langsameren – Regelanteile

nehmen dementsprechend zugunsten der – schnelleren – Steuerungsanteile ab.

Die direkte Verbindung zum sensorischen Input bedeutet, dass sensumotorische Operationen

vornehmlich unterbewusst ausgeführt werden, die übergeordnete Handlung ist jedoch – im

Unterschied zu vegetativen Funktionen – eine durch kognitive Prozesse bewusst erzeugte (vgl.

Abschnitt 3.2.2.2). Diese sensumotorischen Prozesse lassen sich regelungstechnisch sehr genau

beschreiben (z. B. durch das „Crossover-Modell“, Jürgensohn [

Jür97

]) und laufen bei gut geübten

Tätigkeiten ohne den „Umweg“ über kognitive Prozesse ab, so dass eine direkte Rückkopplung

zwischen Kognition und Sensumotorik besteht.

Menschliche Bewegungen können gesteuert oder geregelt ausgeführt werden. Gesteuerte Be-

wegungen bezeichnet man auch als ballistisch, da – wie bei einer ballistischen Flugbahn eines

Geschosses – nach dem Start der Bewegung diese nicht weiter modifiziert werden können.

Ballistische Bewegungen bestehen aus zwei Phasen: Beschleunigen und Bremsen, menschliche

105

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Willkürbewegungen (Blicksakkaden, Zeigebewegungen) sind typisch ballistische Bewegungen.

Geregelte Bewegungen hingegen zeichnen sich – wegen ständiger Anpassungen – durch einen

glatteren Verlauf aus. Im Allgemeinen bestehen Bewegungen aus Anteilen beider Bewegungsar-

ten, wobei der ballistische Bewegungsanteil bei hoch geübten Handlungen ansteigt.

Generalisierte Motorprogramme

Ein Konzept zur Beschreibung bestimmter, parametrier-

barer Bewegungsmuster ist das der Generalisierten Motorprogramme. Die von Schmidt [

Sch75

]

entwickelte Theorie postuliert eine prototypische Bewegungsabfolge, welche aus einzelnen

Bewegungen zusammengesetzt wird und sich mittels bestimmter Parameter modifizieren lässt.

Eine so erzeugte Bewegung hat den Vorteil, dass sie deutlich weniger kognitive Ressourcen

beansprucht, jedoch flexibler ist als fest gespeicherte Muskelkommandos. Als Invarianten kom-

men relative Zeitintervalle und Kräfte in Frage (Grzesik [

Grz09

] erwähnt zusätzlich invariante

Bewegungsdauern). Freie Parameter sind beispielsweise die Dauer der Gesamtbewegung, deren

Stärke oder Geschwindigkeit. Angelehnt an diesen Ansatz wurde von Jürgensohn & Kupschick

[

JK08

] ein Fahrermodell implementiert, welches basierend auf Realdaten von Testfahrern in der

Lage war, hochdynamische Handling-Szenarien (z. B. Doppelter Spurwechsel) menschähnlich

zu durchfahren.

Fazit

Die Verwendung (kognitiv-)sensumotorischer Prozesse zum Behufe einer maximal men-

schähnlichen Modellierung eines Fahrers erscheint aus verschiedenen Gründen als sinnvoll:

Beispielsweise lassen sich spezielle Charakteristika wie z.B. Fahrerfahrung durch einen er-

höhten Anteil von gesteuertem gegenüber geregeltem Verhalten abbilden. Weiterhin können

sehr individuelle Bewegungsmuster mit entsprechenden Parametersätzen verwendet werden, um

bestimmte Fahrweisen modellieren zu können (vgl. „Handschrift des Lenkens“, Jürgensohn et al.

[JJW97]).

3.3.3 Physiologische Aspekte

Die physikalische Ausführung einer Handlung wird durch die menschliche Muskulatur vor-

genommen, mit deren Hilfe Gelenke so bewegt werden können, dass die gewünschte Aktion

durchgeführt werden kann. Eine solche, physische Handlung ist immer auch das Ergebnis komple-

xer neuronaler Prozesse: Ein Beweggrund für eine Handlung, erzeugt in den Motivationsarealen

des Gehirns oftmals aufgrund eines Stimulus

, wird zunächst in einen Bewegungsplan umge-

setzt. Dann wird ein Bewegungsprogramm entwickelt, dessen Ausführung vom Motorkortex

überwacht und von der Skelettmuskulatur durchzuführen ist. Eine Bewegung ist somit durch

eine hierarchische Kaskade aus Planung, Programmierung und Durchführung gekennzeichnet

(Schmidt et al. [SLH07]).

6Die Auslösung einer Bewegung kann jedoch auch willkürlich ohne Stimulus oder unwillkürlich erfolgen.

106

3.3 Handlungsausführung

Bewegungen werden über Motoneurone, also efferente Nervenzellen aus dem ZNS, gesteuert. Je

weniger Muskelfasern mit einem Motoneuron verbunden sind, desto genauer kann die erzeugte

Bewegung geregelt werden. Man unterscheidet zwischen oberen (UMN - „Upper Moto Neuron“)

und unteren Motoneuronen (LMN - „Lower Moto Neuron“). Erstere befinden sich in der motori-

schen Rinde des Gehirns und können bewusste Bewegungen auslösen bzw. steuern, jedoch nur

indirekt über die Verbindung zu den LMN. Diese hingegen befinden sich in der „grauen Substanz“

des Rückenmarks und können durch Innervation einzelner oder mehrerer Muskelfasern eine

Kontraktion dieser bewirken, sodass eine Kraft an den Gelenken anliegt, welche die gewünschte

Bewegung erzeugt. Prinzipiell existieren zwei Möglichkeiten, Bewegungsprogramme zu den

Muskeln zu leiten: Schnelle und grobmotorische Bewegungen werden über

-Motoneurone ins

Rückenmark transportiert, feinmotorische Bewegungen über

-Motoneurone. Die Feinmotorik

wird hierbei jedoch von der Grobmotorik überlagert. Im Rückenmark wird festgestellt, ob der

gewünschte Sollzustand erreicht wurde. Diese „direkte“ Rückkopplung ohne den Umweg über

das Gehirn wird Eigenreflexbogen genannt, diese Reaktion ist etwa vier mal schneller als die

über die Kognition (Gillet [Gil99]).

Nach Bubb [

BBGV15

] existieren bezüglich des Hand-Arm-Systems zwei parallele Regelkreise,

mit denen der Mensch Handlungen vollzieht: Längenservomechanismus (auch: Wegservomecha-

nismus) und Kraftservomechanismus. Ersterer übernimmt die Regelung eines Weges mit dem

Ziel, diesen störungsfrei einstellen zu können. Mittels Kraftservomechanismus hingegen kann

eine konstante Kraft im Muskel eingeregelt werden. Dem Längenservomechanismus kommt

eine etwa

5−10

mal stärkere Bedeutung als dem Kraftservomechanismus zu, daher ist der

Mensch dazu in der Lage, den Weg feiner als die Kraft zu regeln (Bolte [Bol91]). Ausführliche

Beschreibungen der neurophysiologischen Prozesse finden sich u.a. bei Grzesik [

Grz09

], Wolf

[Wol09], Bubb [BBGV15] und Schmidt [SLH07].

Reaktionszeit

Wichtige Aspekte bei der Beurteilung der Fähigkeiten des Menschen, hochdy-

namische Prozesse zu regeln, sind Informationen über die Größe physischer Signallaufzeiten

sowie Verarbeitungsgeschwindigkeiten von Informationen. Allein bei einer typischen Fahrge-

schwindigkeit von

130

km/h auf einer Autobahn bewegt sich der Mensch pro Sekunde um etwa

m fort. Unterschiede von einigen Zehntelsekunden können daher – etwas pathetisch formuliert

– den Unterschied zwischen Leben und Tod ausmachen. Die menschliche Reaktionszeit wird

allgemein als „Zeitspanne zwischen dem Eintreten eines bestimmten Reizes und dem Beginn der

ersten darauf gerichteten Handlung“ definiert.

Laut Wolf [

Wol09

] ergibt sich die menschliche Reaktionszeit aus der sensorischen Empfindungs-

latenzzeit und der effektorischen Latenzzeit und hat im Normalfall eine Größenordnung von

etwa 200ms, falls keine willentlichen Verzögerungen vorhanden sind (vgl. Abbildung 3.25).

Typische Stelleingriffe des Fahrers zur Kompensation von Regelabweichungen auf der Stabili-

sierungsebene liegen nach Donges [

Don77

] im Bereich einiger

100

ms, oftmals sei jedoch zu

107

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

beobachten, dass Totzeiten bei geschlossenem Regelkreis selten kleiner als eine halbe Sekunde

sind. Bei unerwarteten Ereignissen sind die Zeiten noch größer, diese liegen im Bereich von

etwa 2 bis 3 Sekunden, bei höherer Komplexität kann die Reaktionszeit weiter ansteigen. Nach

Winner [

Win15

] liegen die Reaktionszeiten von Autofahrern bei erwarteten Situationen bei etwa

0,7

s, bei unerwarteten, aber bekannten Situationen bei etwa

1,25

s und bei bis zu

1,5

s bei

überraschenden Situationen.

Reaktionszeiten unterscheiden sich des Weiteren abhängig vom verwendeten Informationskanal:

Bei visueller Informationsaufnahme werden oft Zeiten von 200 ms bis 400 ms angenommen, auf

auditiv wahrgenommene Informationen kann innerhalb von 100ms bis 150ms reagiert werden,

am schnellsten ist eine Reaktion bei haptischem Input möglich – wegen des „kurzen Weges“ über

den Eigenreflexbogen im Rückenmark kann bereits nach 80ms bis 150ms reagiert werden.

Abbildung 3.25:

Minimale Reaktionszeit bei optischer Informationsaufnahme aus Wolf [

Wol09

]

Für die Fahrzeugführung ist ebenfalls die Umsetzzeit interessant. Diese beschreibt die Zeit, die

der Fahrer benötigt, um vom Gas- auf das Bremspedal zu wechseln. Diese beträgt laut Winner

[Win15] etwa 0,2 Sekunden und muss gegebenenfalls zur Reaktionszeit addiert werden.

Fazit

Das Wissen um die Art und Weise, wie der Mensch Handlungen physikalisch ausführt,

kann helfen, realistischere Fahrermodelle zu generieren. Allein die Implementierung typisch

menschlicher Kenngrößen, wie z.B. vom Wahrnehmungskanal abhängige Reaktionszeiten, kann

zu einem realitätsnäheren Modell führen. Eine komplexe Simulation der neurophysiologischen

Vorgänge mag für spezielle Anwendungsfälle, beispielsweise bei der Simulation von Fahrern mit

gewissen Einschränkungen, nützlich sein, zumeist scheint der Aufwand der Implementierung

den Nutzen jedoch nicht rechtfertigen zu können.

108

3.3 Handlungsausführung

Abbildung 3.26:

Motorik des Lenkens – links: Modellierung der Gelenkmomente und Lenkkräfte

bei Lenkvorgängen; rechts: potentiell am Lenkvorgang beteiligte Muskeln, aus

Pick & Cole [PC06]

3.3.4 Handlungsausführung beim Autofahren

Die Handlungsausführung beim Autofahren erfolgt zum einen über die Hände/Arme zur Lenk-

radbetätigung und zum anderen über die Füße/Beine für das Betätigen der Pedalerie. Weitere

Bedienelemente, wie Schaltung, Navigations- bzw. Entertainmentsystem usw. werden ebenfalls

mit den Händen bedient, sind jedoch bezüglich des Kontextes der Fahraufgabe von untergeordne-

ter Bedeutung. Das Lenken – im Kontext der Handlungsausführung kann dies als „Ausführung

von Lenkhandlungen“ interpretiert werden – kann somit als die Hauptaufgabe eines Fahrzeugfüh-

rers bezeichnet werden. Nach Pick & Cole [

PC06

] sind am Lenkvorgang vor allem der vordere

und mittlere Deltamuskel (musculus deltoideus), der lange Kopf des dreiköpfigen Armmuskels

(triceps brachii) sowie der Brustbein-Rippenteil (pars sternocostalis) des großen Brustmuskels

(musculus pectoralis major) beteiligt. Diese Muskeln erzeugen durch Anheben bzw. Absen-

ken von Arm und Schultern tangentiale Kräfte, welche das Lenkrad in Bewegung setzen (vgl.

Abbildung 3.26).

Es existieren verschiedene Modelle, die die Physis des Menschen bzgl. des Lenkens abbil-

den. Gemeinsam ist diesen Modellen, dass die Dynamik der Arme, also Dämpfung, Trägheit

usw. sowie die sensorischen Rückmeldungen der Position des Lenkrads und des anliegenden

Lenkmoments modelliert werden (z.B. bei Pick & Cole [

PC03

]). Ein Modell für das Lenken

in diesem Kontext ist in Abbildung 3.27 dargestellt, die Modelle für die Muskulatur basieren

zumeist auf dem Modell Hills von

1938

[

Hil38

]. Dieses beschreibt einen Muskel basierend auf

drei Komponenten: ein eine aktive Kraft erzeugendes kontraktiles Element (CC), ein serielles

elastisches Element (SEC) sowie ein paralleles elastisches Element (PEC). SEC und PEC stehen

für die passiven, weichen Bindegewebe und Sehnen, sowie nicht aktive Muskelfasern, CE sind

aktive Muskelfasern. Eine Übersicht über weitere Muskelmodelle und deren Implementierung ist

in der Arbeit von Henning zu finden [Hen06].

109

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.27:

Modell des neuromuskulären Systems während des Lenkens aus Pick & Cole

[PC03]

Die Umsetzung der Fahraufgabe in physiologische Handlungen geschieht über die im Abschnitt

3.3.3 beschriebenen Regelkreise (Längen- bzw. Kraftservomechanismus). Betrachtet man die

Lenkhandlung etwas genauer mit Bezug auf die beiden Regelungsmechanismen, so stellt sich

die Frage, wann genau welcher der beiden Mechanismen zum Einsatz kommt. Nach Rühmann

[

Rüh78

] (zitiert nach Wolf [

Wol09

]) wird durch eine Kraft eine initiale Bewegung gestartet,

welche durch entsprechende Rezeptoren (Tiefensensibilität) kontrolliert wird. Solange der Fahrer

in der Lage ist, den Weg bzw. eine Längenänderung zu regeln, wird er dies tun, bis dieses nicht

mehr möglich ist – dann setzt die Regelung der Kraft ein. Für das Lenken eines Fahrzeugs lässt

sich somit schlussfolgern, dass das konstante Halten eines Lenkwinkels mittels Kraftregelung

umgesetzt wird, das Einstellen eines bestimmten Lenkwinkels jedoch über eine Wegregelung

realisiert wird (vgl. Abbildung 3.28). Diese Mechanismen werden während Notsituationen

ausgesetzt, da nicht genügend kognitive Ressourcen für eine Regelung vorhanden sind – das

schnellstmögliche Herumreißen des Lenkrads ist eine gesteuerte Handlung, die Regelung setzt

dann wieder ein, sobald genügend Ressourcen verfügbar sind.

Eine Problematik bei der Handlungsausführung bezüglich des Lenkens besteht in der Kopplung

mit der Fahrgeschwindigkeit: Bei niedrigen Geschwindigkeiten müssen im Allgemeinen größere

Amplituden des Lenkwinkels aufgebracht werden, so dass der Lenkradstellung eine größere

Bedeutung beigemessen werden kann. Bei höheren Geschwindigkeiten hingegen sinkt der nutz-

bare Bereich der Lenkradposition, so dass der Fahrer nun vor allem über das Rückstellmoment

regelt.

Des Weiteren muss laut Beruscha [

Ber12

] beachtet werden, dass bei bestimmten einarmigen

Lenkvorgängen aufgrund der Nutzung unterschiedlicher Muskeln zwischen einer Lenkraddre-

hung im Uhrzeigersinn und einer Drehung gegen den Uhrzeigersinn unterschieden werden muss.

110

3.3 Handlungsausführung

Abbildung 3.28: Blockschaltbild des Lenkvorgangs aus Wolf [Wol09]

Dies kann dazu führen, dass fahrerseitig bestimmte Prioritäten für Handlungen in eine bestimmte

Richtung existieren.

Die Regelung der Geschwindigkeit des Fahrzeugs wird über die Pedalerie geregelt, direkten

Einfluss haben hierbei das Gas- sowie das Bremspedal. Im Gegensatz zum Lenken ist die Ge-

schwindigkeitsregelung mittels Pedalerie eine eindimensionale Aufgabe. Die Bedienung von

Gas-und Bremspedal unterscheidet sich jedoch voneinander: So ist ein stetiger Druck auf das

Gaspedal die normale Verhaltensweise, da aufgrund physikalischer Gegebenheiten dem Mo-

tor kontinuierlich Kraftstoff zugeführt werden muss, um eine gewünschte Geschwindigkeit

aufrechtzuerhalten. Das Bremspedal hingegen wird nur verwendet, wenn die Geschwindigkeit

schneller, als es die Reibungskräfte zulassen, verringert werden muss. Der Bremsvorgang ist

ebenso wie das Lenken eine geregelte Handlung – der Bremswunsch des Fahrers wird durch das

Bremssystem des Fahrzeugs in einen Bremsdruck umgesetzt, der zu einer Geschwindigkeits-

verringerung des Fahrzeugs führt. Der Mensch nimmt zum einen die Reaktion des Fahrzeugs

(vor allem Position, Geschwindigkeit, Beschleunigung, aber auch Nick- und Gierwinkel sowie

deren Ableitungen), zum anderen aber auch haptische Informationen über das Bremspedal auf

(Pedalweg und Pedalkraft, vgl. Abbildung 3.29).

Für die Ausführung der motorischen Aktionen des Bremsvorgangs (Heben des Fußes und

Aufrechterhalten einer bestimmten Fußposition) ist vor allem der vordere Schienbeinmuskel

111

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.29:

Bremsregelkreis nach Grzesik [

Grz09

]): Der Fahrer setzt den Bremswunsch

an das Bremssystem um. Zurückgeführt werden die haptischen Variablen der

Pedaldynamik sowie die Kinematik der Fahrzeugbewegung

(musculus tibialis anterior) verantwortlich (Sendler et al. [

SAFA06

]). Ein Fahrermodell für eine

menschähnliche Bremsstrategie haben z.B. Kim et al. [KOK+05] implementiert. Des Weiteren

gibt es verschiedene kinematische Menschmodelle, die für ergonomische Untersuchungen die

menschliche Physis detailgenau abbilden, beispielsweise RAMSIS, JACK und andere (eine

Zusammenfassung findet sich u.a. in Bubb [BBGV15]).

Fazit

Die menschliche Aktuatorik begrenzt durch ihre physikalischen Limitationen die Ausfüh-

rungsgeschwindigkeiten der geplanten Aktionen bzw. die Planung auf ausführbare Handlungen.

Für die vom menschlichen Fahrer durchführbaren Handlungen (also Bedienung von Lenkrad und

Pedalerie) ist eine Implementierung physiologischer Modelle zumeist nicht notwendig. Für hoch-

dynamische Simulationen sollten jedoch zumindest Reaktionszeiten im Modell berücksichtigt

werden.

3.4 Einflussfaktoren

Unterschiedliche Einflussfaktoren wirken permanent oder temporär auf bestimmte Elemente des

menschlichen Informationsverarbeitungsprozesses. Wichtige, während des Fahrens zu beachten-

de Faktoren wie Aufmerksamkeit,kognitive Beanspruchung,Situationsbewusstsein,Motivation

und Emotion werden in diesem Abschnitt behandelt und hinsichtlich ihrer Modellierbarkeit bzw.

der Notwendigkeit der Modellierung betrachtet.

112

3.4 Einflussfaktoren

3.4.1 Aufmerksamkeit

Das psychologische Konstrukt „Aufmerksamkeit“ stellt kein scharf umrissenes und klar definier-

tes Gebilde dar. Vielmehr beinhaltet es unterschiedliche Aspekte, die alle gemein haben, dass

sie etwas mit der Fähigkeit, bestimmte wahrnehmbare Informationen erkennen und verarbeiten

zu können, zu tun haben. Versteht man Aufmerksamkeit als Auswahl und Weiterverarbeitung

bestimmter Reize, so kann diese als ein Selektionsmechanismus verstanden werden, interpretiert

man sie als eine Art konzentrierte Bereitschaft, neue Informationen aufnehmen zu können, so

betrachtet man eher die Dimension der Aufmerksamkeitsintensität. Innerhalb des Themengebiets

„menschliches Fahren“ sind beide von großer Bedeutung.

Aufmerksamkeitsselektivität

Selektive Aufmerksamkeit umschreibt die Fähigkeit, aus dem

vielfältigen Reizangebot der Umwelt einzelne Reize oder Reizaspekte auszuwählen und bevor-

zugt zu betrachten, andere dagegen zu übergehen und zu unterdrücken. Da ein oder mehrere

Reize gezielt fokussiert werden, sprich man auch von gerichteter Aufmerksamkeit. Die Auswahl

der Reize wird hierbei durch vier Faktoren beeinflusst: Salienz (das Hervorstechen bestimmter

Reize, „bottom-up“), Erwartung, Nutzen (beide „top-down“) und Aufwand (zitiert aus Wickens et

al. [

WGLL98

] nach Miliˇ

ci´

c [

Mil10

]). Geteilte Aufmerksamkeit hingegen bedeutet, dass mehrere

Informationsquellen gleichzeitig abgefragt werden, im Kontext der Fahrzeugführung entspräche

dies beispielsweise der Bedienung eines Navigationsgerätes während des Fahrens. Jedoch ist

es möglich, die parallele Durchführung zweier komplexer kognitiver Aufgaben zu erlernen

(Spelke et al. [

SHN76

]) und ist umso besser umsetzbar, je mehr sich die zu bewältigenden

Aufgaben voneinander unterscheiden (Navon & Gopher [

NG79

]). Des Weiteren existiert das

Konzept der visuell-räumlichen Aufmerksamkeitsselektivität. Dieses beschreibt das Verschieben

des Aufmerksamkeitsfokus von einer zur anderen Informationsquelle, dies kann durch Kopf-

oder Augenbewegungen oder auch verdeckt geschehen.

Aufmerksamkeitsintensität

Betrachtet man das psychologische Konstrukt „Aufmerksam-

keit“ nach Zimbardo als einen „Zustand konzentrierter Bewusstheit, welcher von einer Bereit-

schaft des zentralen Nervensystems, auf Stimulation zu reagieren, begleitet wird“ [

Zim92

], so

stellt sich im Kontext der Fahrzeugführung zum einen die Frage nach dem Grad der Konzen-

tration, weiterhin kann die Zeitdauer des Zustands von Bedeutung sein. Die Intensität dieser

ungerichteten Aufmerksamkeit kann durch die Aktiviertheit beschrieben werden. Hier kann

zum einen zwischen tonischer Wachheit, welche ein für eine längere Zeit gleichbleibendes

Aktivierungsniveau (z.B. abhängig von der Tageszeit) beschreibt, und phasischer Wachheit, die

eine abrupte Erhöhung des Aktivierungsniveaus (zumeist wegen eines starken Reizes) beschreibt,

unterschieden werden. Eine für eine längere Zeit andauernde Konzentration auf eine bestimmte

Sache wird als Daueraufmerksamkeit bezeichnet. Falls eine geringe Reizfrequenz bei der Be-

wältigung der entsprechenden Aufgabe vorhanden ist, beim Auftreten jedoch schnell gehandelt

113

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

werden muss, so spricht man von Vigilanz. Besonders im Kontext der Fahrzeugführung ist solch

ein Zustand von Bedeutung. Als Beispiel sei hier eine Autobahnfahrt mit sich wenig verändernder

Landschaft und wenig Verkehr genannt, bei der jedoch aufgrund der hohen Geschwindigkeiten

schnell auf beispielsweise plötzlich auftretende Hindernisse reagiert werden muss.

Aufmerksamkeit ist von multiplen Faktoren abhängig, zum einen haben endogene Faktoren wie

Erschöpfung, Müdigkeit oder ein zu geringes Erregungsniveau einen Einfluss, zum anderen

können exogene Faktoren Unterforderung (z. B. hohe Vorhersehbarkeit der Verkehrssituation,

„langweilige“ Fahrt), aber auch Überforderung (lang andauernde Fahrten bei hoher Verkehrsdichte

und hohen Geschwindigkeiten) hervorrufen (Bubb, [BBGV15]).

3.4.1.1 Aufmerksamkeit als Ressource

Die Anzahl der Reize, welche gleichzeitig verarbeitet werden können, ist beschränkt. Schon

Donders [

Don68

] nahm für sein Reiz-Reaktionsmodell an, dass mentale Prozesse seriell ab-

laufen und Zeit kosten. Nach Broadbent [

Bro58

] sind die Beschränkungen für den Fluss der

Informationen durch das kognitive System flaschenhalsartiger Natur. Er nimmt an, dass man

sich nur des Kommunikationskanals bewusst sein kann, auf welchen man die Aufmerksamkeit

richtet („single channel theory“); andere Informationen werden zwar zwischengespeichert, nicht

jedoch aktiv weiterverarbeitet. Dem Prinzip der Sequentialität wird in Kaskadenmodellen (z.B.

McClelland [

McC79

]) zusätzlich das der Gleichzeitigkeit hinzugefügt: Ein Prozess

n+1

kann

bereits starten, bevor der vorherige Prozess

vollständig abgearbeitet ist. Im Gegensatz zu den

sequentiellen Modellen wird bei Ressourcenmodellen kein zeitlicher Ablauf modelliert. Das

Hauptaugenmerk liegt in diesen Modellen auf der zur Verarbeitung eines Reizes aufzuwendenden

Energie (z.B. Kahneman [

Kah73

]). Ein großer Vorteil dieser Modelle besteht in ihrer Fähigkeit,

Ressourcenkonflikte darzustellen, was für eine möglichst menschähnliche Modellierung eines

Fahrers eine eminent wichtige Eigenschaft darstellt.

Eine Zusammenführung von Stufen- und Ressourcenmodell stellt das vierdimensionale Modell

der multiplen Ressourcen nach Wickens [

Wic08

] dar (vgl. Abbildung 3.30). Die Grundaussage

dieses Modells besteht darin, dass zwei Aufgaben, die unterschiedliche Ressourcen beanspru-

chen, leichter parallel auszuführen sind, als solche, welche auf ähnliche Typen von Ressourcen

zurückgreifen. Wickens beschreibt vier grundsätzliche Dimensionen der Ressourcen:

1.) Verarbeitungsstufen

: Es gibt derer drei: Wahrnehmung, Informationsverarbeitung und

Reaktion. Wickens weist jedoch die perzeptiv-kogntitive Prozesse – inklusive des Arbeits-

gedächtnisses – einer Verarbeitungsstufe zu.

2.) sensorische Modalitäten

: Es wird zwischen visueller und auditiver Wahrnehmung unter-

schieden.

3.) visuelle Kanäle

: Wickens unterscheidet zwischen fokalem und Umgebungssehen, biolo-

gisch stimmt dies größtenteils mit fovealem bzw. peripherem Sehen überein [Wic02].

114

3.4 Einflussfaktoren

Abbildung 3.30:

Links: multiples Ressourcenmodell aus Wickens [

Wic08

], rechts: POC-Kurven

4.) Verarbeitungscodes

: Die Informationen können sprachlich oder räumlich verarbeitet

werden. Die entsprechenden Reaktionen sind somit ebenso sprachlich oder motorisch bzw.

räumlich.

Gerade im Hinblick auf die Fahrzeugführung erscheint die Wickens’sche Taxonomie als ein

hilfreiches Werkzeug, um einige einem Autofahrer bekannte Phänomene zu erklären. So ist

es in den meisten Fällen dem Fahrer problemlos möglich, während der Fahrt Konversation zu

betreiben, eine (zusätzliche) visuelle Aufnahme von Informationen (z.B. Lesen, Schauen von

Videos) führt jedoch zu größeren Problemen bei der Bewältigung der Fahraufgabe. Des Weiteren

können neben den aus fokalem Sehen gewonnene Informationen aus der Peripherie „automatisch“

wahrgenommen werden (z. B. Wahrnehmung der Geschwindigkeit mittels peripherem Sehen),

eine gleichzeitige Fokussierung auf mehrere Objekte ist dem Menschen hingegen nicht möglich.

Kritisieren kann man an dem Modell, dass es strikt an einer Dichotomie der jeweiligen Ressour-

cen festhält, so fehlen beispielsweise einige Wahrnehmungskanäle und somit auch deren Einfluss

auf die Verteilung der Ressourcen. Die Existenz einiger Untersuchungen, deren Ergebnisse den

Annahmen der multiplen Ressourcentheorie widersprechen sowie die ungenaue Definition der

einzelnen Ressourcen gibt ebenfalls Anlass zur Kritik (Vollrath & Totzke [VT03]).

Die Wirkung, welche eine Aufgabe, die auf unterschiedliche Ressourcen zugreift, bei gleichzeiti-

ger Verwendung dieser auf die Leistung der entsprechenden Einzelaufgaben hat, kann mittels

„Performance Operating Characteristic“ (POC) dargestellt werden (vgl. Abbildung 3.30). Es

ergeben sich somit verschiedene Funktionen für die Leistung der Aufgaben abhängig von der Ver-

wendung gemeinsamer Ressourcen. In der Grafik sind drei mögliche Abhängigkeiten dargestellt:

Der Graph (a) beschreibt die Leistung zweier Aufgaben ohne Möglichkeit der Aufteilung der

Ressource, Graph (b) erlaubt eine gewisse Parallelnutzung, Graph (c) beschreibt eine Ressource,

welche ohne Verluste parallel genutzt werden kann.

115

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

3.4.1.2 Visuelle Aufmerksamkeit und Fahrzeugführung

Im Kontext der Fahrzeugführung spielt die visuelle Aufmerksamkeit eine herausragende Rolle.

Die Führung eines Fahrzeugs erfordert eine möglichst ununterbrochene visuelle Aufmerksamkeit

(Akyol et al. [

ALK01

]). Visuelle Aufmerksamkeit kann als eine Art Scheinwerfer verstanden

werden, der auf bestimmte Bereiche des visuell zu erfassenden Bereichs gerichtet werden kann

(Anderson [

And01

]). Je größer der so abgedeckte Bereich ist, umso schlechter werden die in die-

sem Bereich vorhandenen Informationen verarbeitet. Eine optimale Informationsaufnahme findet

bei minimaler Größe des „Scheinwerfers“ statt, diese liegt bei etwa

2−3°

Sehwinkel. Der Fokus

der visuellen Aufmerksamkeit stimmt im Allgemeinen mit dem aktuellen Fixationsort überein

[

JRV03

], auch nach Schulz [

Sch12

] kann der Zusammenhang zwischen Blickrichtung und Auf-

merksamkeitsfokussierung als gesichert gelten. Timpe [

Tim01

] interpretiert Blickbewegungen

ebenso als Indikator kognitiver Prozesse.

Eine Messung von (selektiver) visueller Aufmerksamkeit ist somit mittels des Instruments

Blickanalyse möglich. In einer Vielzahl von Studien (Underwood et al. [UCB+03], Schweigert

[

Sch02

], Schulz [

Sch12

] usw.) wurde gemessen, wann, wie oft, wie lange und wohin Autofahrer

ihre Blicke wenden. Trotz mannigfaltiger Untersuchungen zu dieser Thematik gibt es bisher

jedoch weder universelle noch so etwas wie „richtige“ oder „falsche“ Blickstrategien des Fahrers,

diese sind vielmehr stark von der jeweilige Situation abhängig.

Ganz allgemein kann man jedoch zwei Arten von Blickbewegungen unterscheiden: gesteuer-

te (willkürliche) und getriggerte (unwillkürliche) Blickbewegungen. Erstere sind Teil eines

Top-Down-Prozesses mit willentlich festgelegtem Fixationsziel, letztere geschehen vor allem

aufgrund von Schlüsselreizen, die nur schwer zu unterdrücken sind und werden daher als Bottom-

Up-Prozess angesehen (Schweigert [

Sch02

]). Für die Fahrzeugführung sind vorrangig gesteuerte

Blickbewegungen von Bedeutung, da der Fahrer aus diesen einen Großteil seiner Informationen

erlangt. Als Beispiel führt Schweigert eine Rechts-vor-links-Situation an, in der der Fahrer will-

kürlich auf die von rechts einmündende Straße blickt, um ein potentiell von dort auftauchendes

Fahrzeug rechtzeitig erkennen zu können. Voraussetzung hierfür ist die korrekte Deutung der

aktuellen Verkehrssituation. Vorwissen kann die Blickstrategien ebenso beeinflussen: Beispiels-

weise kennen Fahrer mit Ortskenntnis die lokalen Vorfahrtsregelungen und schauen daher nicht

so oft auf die entsprechenden Verkehrszeichen, was bei Änderungen dieser oftmals zu erhöhten

Unfallzahlen führt. Ein weiterer Einflussfaktor auf die Blickstrategie ist das Kurzzeitgedächtnis:

So wird ein erfahrener Fahrer, der sich vor wenigen Sekunden vergewissert hat, dass beispielswei-

se die Spur rechts von ihm frei ist, dies zumeist erst wieder überprüfen, wenn die physikalische

Möglichkeit besteht, dass sich ein Fahrzeug dort befinden kann.

Zusätzlich kann zwischen „Scanning“- und „Processing“-Blicken unterschieden werden (Co-

hen [

Coh76

]). „Scanning“-Blicke haben den Zweck, möglichst viele Informationen über die

aktuelle Situation zu erhalten, also über den Straßenverlauf, Verkehrsschilder sowie andere

Verkehrsteilnehmer. Ihre Dauer beträgt etwa

400

ms (Schweigert [

Sch02

]). Die Scanning-Rate,

116

3.4 Einflussfaktoren

also die Anzahl der Fixationen pro Sekunde während des „Scannings“, liegt zwischen

0,8

und

Hz. Als „Processing“-Blicke bezeichnet man Blicke auf bekannte Orte bzw. AOIs (z.B.

Tachometer), um eine bestimmte Information, die inhaltlich mit diesen Orten verbunden ist und

welche erwartet wird, aufzunehmen. Die Dauer dieser „Processing“-Blicke beträgt etwa das

Doppelte der „Scanning“-Blicke.

Schweigert [Sch02] identifiziert drei visuelle Grundaufgaben des Fahrers:

1.)

Kontinuierliche Kontrolle der eigenen Bewegung: Da die Bewegung des eigenen Fahrzeugs

zumeist nicht für längere Zeit extrapoliert werden kann, muss eine visuelle Überprü-

fung des Sollzustands stattfinden. Dies geschieht bei erfahrenen Fahrern zumeist mittels

peripherem Sehen.

2.)

kontinuierliche Überwachung des Fremdverkehrs: Um eine rechtzeitige Reaktion auf

eintretende, potentiell gefährliche Ereignisse gewährleisten zu können, muss die Fahrum-

gebung regelmäßig abgesucht werden. Dieses „explorative Scanning“ (Cohen [

Coh76

])

dient zur Wahrnehmung der anderen Verkehrsteilnehmer.

3.)

situativ erforderliches Blickverhalten: Diese Aufgabe ist nur schwer zu spezifizieren, da sie

stark von den lokalen, situativen Gegebenheiten abhängt. Sobald etwas Unvorhergesehenes

geschieht, wird die visuelle Aufmerksamkeit zumeist darauf gerichtet, das Blickverhalten

passt sich der Situation an.

Die Untersuchungen von Underwood et al. [

UCB+03

] haben ähnliches feststellen können:

Neben individuellen bzw. situationsspezifischen Blickmustern existieren ein Vorausschaumuster,

in dem abwechselnd nahe und entfernte Straßenbereiche fixiert werden sowie ein seitliches

Scanningmuster, in dem, ausgehend von der eigenen Fahrspur, seitlich vorhandene Fahrspuren

auf mögliche Hindernisse überprüft werden.

Schulz [

Sch12

] fasst nach Wierda & Aasman [

WA92

] zusammen, dass etwa

25%

aller Fixatio-

nen der Spurhaltung dienen, wobei dieser Anteil (gemeint ist das foveale Sehen) bei schwierigen

Streckenbedingungen zunimmt. Er betont ebenso, dass die Spurführungsaufgabe vor allem

bei erfahrenen Fahrern überwiegend mittels peripheren Sehens im Nahbereich bewältigt wird.

Nach Schweigert [

Sch02

], zitiert aus Bubb [

BBGV15

], beanspruchen Fixationen auf den Flucht-

punkt und auf das vorausfahrende Fahrzeug etwa

50%

der Fixationszeit. Zumeist wird in einer

Entfernung von

s bis

1,5

s voraus visuell abgetastet (Bubb [

BBGV15

]),

30%

bis

50%

der

Gesamtzeit während einer Autofahrt ist die visuelle Aufmerksamkeit eines Fahrers jedoch nicht

fahrbezogenen Objekten gewidmet (Hughes & Cole [HC86]).

Antizipation

Nach Sommer [

Som13

] wird Antizipationsleistung im Straßenverkehr „als Kom-

petenz verstanden, auf der Grundlage von Wissen und aktueller Wahrnehmung zukünftige

Verkehrssituationen (und damit auch das Verhalten anderer Verkehrsteilnehmer) richtig einschät-

zen zu können“. Rauch [

Rau09

] hingegen fasst den Begriff etwas enger, hier beschränkt sich

117

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.31: Einflussfaktoren auf das Blickverhalten aus Schweigert [Sch02]

Antizipation darauf, „handlungsrelevante Situationselemente rechtzeitig zu erkennen und darauf-

hin die Situation richtig zu interpretieren, um angemessen in ihr agieren und auf sie reagieren zu

können“.

Im konkreten Kontext des Autofahrens stellt sich die Frage, in welchem Bereich die erwähnten

Informationen aufgenommen werden können. Lorenz definiert eine vorauslaufende Erfassungs-

sichtweite, welche den in den nächsten

Sekunden (gefahrlos) zu befahrenden Weg beschreibt

[

Lor71

]. Eine Antizipationszeit im Bereich von bis zu

Sekunden nehmen auch Hoffmann &

Mortimer [

HM94

] sowie Deutschle [

Deu05

] an (zitiert jeweils nach Sommer [

Som13

]). Eine

Antizipation im Bereich über

Sekunden Vorausschauzeit kann bei sehr niedrigen Geschwin-

digkeiten in Betracht gezogen werden, zumeist ist jedoch davon auszugehen, dass sie sich dar-

unter befindet. Eine weitere Größe im Antizipationskontext bezeichnet die von Dilling [

Dil73

]

eingeführte Erkennbarkeitssichtweite, welche die Entfernung, „in der ein Streckenabschnitt

einwandfrei zu überschauen ist“ beschreibt. Diese wird zwischen

m und

650

m angesiedelt.

Untersuchungen von Leutner [

Leu74

] bezüglich der fokussierten Gebiete während des Autofah-

rens ergaben, dass zwischen drei Zonen mit erhöhter Aufmerksamkeit des Fahrers unterschieden

werden kann:

•

Zone 1 – Fernorientierung und Information (

600m−250m

): Diese Zone wird durch die

maximale Entfernung, in der Objekte vom Menschen erkennbar sind, definiert. Dieser

118

3.4 Einflussfaktoren

Abstand liegt für bewegte Objekte bei etwa

600m−800m

, unbewegte Objekte können

bis zu einem Abstand von 400m−500m erkannt werden.

•

Zone 2 – Bereitschaft und Entscheidung (

250m−75m

): Die Entfernung beruht auf der An-

nahme von Lorenz , dass bei einer Geschwindigkeit von

90km/h

der Fahrer innerhalb von

10s

etwa

250m

zurücklegt. Für höhere Geschwindigkeiten erhöhen sich die Entfernungen

entsprechend.

•

Zone 3 – Nahorientierung und Handlung (

<75m

): In diesem Bereich handelt der Fahrer,

die Entfernung basiert auf der Erkennbarkeitssichtweite von Dilling [

Dil73

], der diese

aufgrund von Fahrerhandlungen etwa

2,5s−3s

vor einer Kurve und einer angenommenen

Geschwindigkeit von

km/h bei etwa

m festlegt (vgl. auch Abschnitt „Reaktionszeiten“

in Kapitel 3.3.4).

Die vom Fahrer anvisierten Koordinaten werden meist nach

bis

Sekunden befahren, somit

kann der übliche Vorausschauhorizont auf eben diese Zeitspanne eingegrenzt werden [

LS01

3.4.1.3 Modellierung visueller Wahrnehmung

Eine Modellierung visueller Wahrnehmung eines Autofahrers sollte sowohl foveale, jedoch auch

periphere Wahrnehmung beinhalten (vgl. Abschnitt 3.1.1). Die Kopf- und Augenbewegungen des

Fahrers legen fest, in welchen Bereich seine Aufmerksamkeit gelenkt wird und welche Informa-

tionen aufgenommen werden können. Miura [

Miu86

] hat visuelle Aufgaben bei verschiedenen

Fahrsituationen und Fahrmanövern untersucht und Situationen nach Blickverhalten kategorisiert

(vgl. Abbildung 3.32). Demnach wird allein die Spurhaltung in bestimmten Situationen rein

peripher wahrgenommenen, das Überwachen von Fahrzeugen auf gleicher Höhe sowie das

Achten auf die Straßenbegrenzungen geschieht teilweise peripher, in allen anderen beschriebenen

visuellen Aufgaben wird auf foveale Sicht zurückgegriffen.

Ein Modell zur Nachbildung von Blickbewegungen des Fahrers ist das EMMA

-Modell von Sal-

vucci [

Sal01

]. Es basiert lose auf dem „E-Z reader model“ von Reichle et al. [

RPFR98

], welches

Blickbewegungen während des Lesevorgangs nachbildet. EMMA simuliert Blickbewegungen

durch Änderungen der visuellen Aufmerksamkeit, wobei sowohl zeitliche als auch räumliche

Aspekte beachtet werden. Das Modell beschreibt, ob und wann Blickbewegungen auftreten und

worauf geschaut wird. Es kann an kognitive Modelle (z.B. mittels ACT-R erzeugte) angebunden

werden, so dass die simulierten kognitiven Prozesse die Aufmerksamkeit steuern und das Modell

abhängig davon vorhersagt, wohin geschaut wird.

Blickbewegungen innerhalb eines Objekts sowie unfreiwillige Sakkaden sowie andere Arten von

Blickbewegungen außer „normalen“ Sakkaden können mit Hilfe dieses Modells nicht abgebildet

werden. Das EMMA-Modell besteht aus drei Hauptkomponenten:

7EMMA steht für „eye movements and movement of attention,"

119

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.32: Visuelle Aufgaben nach Miura [Miu86] aus Jürgensohn & Timpe [SRJ01]

1.)

Visual Encoding: Die (externe) Aufmerksamkeitssteuerung wählt einen Bereich aus, in

welchem die dort vorhandenen Objekte als mögliche Ziele für eine Fixation gespeichert

werden. Bei Auswahl eines der möglichen Objekte wird dieses als interne Repräsentation

gespeichert und eine Zeit

Tenc

für diesen kognitiven Prozess berechnet. Diese hängt u.a.

von der Distanz des Objekts zur aktuellen Blickposition sowie der Häufigkeit, mit der das

Objekt in der Vergangenheit abgetastet wurde, ab.

2.)

Eye Movements: Die Augenbewegung durchläuft die Phasen Vorbereitung und Ausführung.

Die Vorbereitungsphase beschreibt die „labile“ Phase des Bewegungsprogramms, welche

noch abgebrochen werden kann. Die Ausführungsphase hingegen beinhaltet „nicht-labile“

Prozesse, die nicht rückgängig gemacht werden können („ballistische“ Bewegungen).

Das Modell setzt für die Dauer der Vorbereitungsphase (

Tprep

)

135

ms an, die Dauer der

Ausführungsphase (

Texec

) berechnet sich aus

ms für „non-labile“ Programmierung,

20ms für die Ausführung sowie 2ms für jeden zurückgelegten Grad Sehwinkel.

3.)

Control Flow: In dieser Komponente wird modelliert, wie Kognition, visuelle Kodierung

und Augenbewegungen miteinander interagieren. Bei einer Anforderung einer Aufmerk-

samkeitsänderung hin zu einem neuen Objekt wird das Objekt enkodiert, während die

Bewegung vorbereitet und ausgeführt wird. Falls eine Änderung der Aufmerksamkeit wäh-

120

3.4 Einflussfaktoren

rend der Vorbereitungsphase geschieht, kann die Bewegung noch abgebrochen werden, bei

einer Änderungsanforderung während der Ausführungsphase muss die aktuelle Bewegung

zu Ende gebracht werden (vgl. Abbildung 3.33).

Abbildung 3.33:

Darstellung eines Blickvorgangs mit Hilfe des EMMA-Modells nach Salvucci

[Sal01]

Fazit

Das psychologische Konstrukt „Aufmerksamkeit“ spielt im Kontext der Fahrermodellie-

rung eine bedeutende Rolle: Ein bisher ausschließlich biologisch (u. a. durch die Eigenschaften

des menschlichen Sehapparats) eingeschränkter, also ein „lokal allwissender“ Fahrer kann so

in ein realitätsnahes Modell überführt werden. Betrachtet man die visuelle Aufmerksamkeit, so

kann diese für die Modellierung als Auswahlprozess der vom biologischen Sensor „Auge“ bereit-

gestellten visuellen Informationen dienen. Informationen, welche nicht in einem wie auch immer

modellierten „Aufmerksamkeitsspot“ liegen, können dem Fahrermodell dementsprechend nicht

für die weitere Verarbeitung zur Verfügung stehen. Vom Fahrer benötigte Informationen (z.B.

die genaue aktuelle Geschwindigkeit, das Vorhandensein anderer Verkehrsteilnehmer im Be-

reich hinter dem eigenen Fahrzeug usw.) können mittels Modellierung spezieller Blickstrategien

erhalten werden. Interpretiert man Aufmerksamkeit zusätzlich als Mechanismus zur Ressourcen-

verwaltung, so können hiermit sowohl Beschränkungen der menschlichen kognitiven Verarbei-

tungskapazitäten, als auch die Fähigkeiten dieser bei multimodaler Informationsaufnahme- und

Verarbeitung modelliert werden. Beispielsweise können so während der Fahrt zu bewältigende

Nebenaufgaben, welche vor allem visueller Aufmerksamkeit bedürfen, betrachtet werden.

3.4.2 Belastung und Beanspruchung

Das menschliche Gehirn – wie im Abschnitt 3.2.1.1 beschrieben – ist begrenzt bezüglich seiner

Fähigkeit, sich gleichzeitig mit einer bestimmten Anzahl an Aufgaben zu beschäftigen. Die

psychologischen Konzepte der Belastung und Beanspruchung und daraus abgeleitet auch das

der Performanz beschäftigen sich mit dieser Thematik. Die Begriffe „Belastung“ und „Be-

anspruchung“ wurden von Rohmert & Rutenfranz [

RR75

] aus dem Ingenieurswesen in die

Arbeitspsychologie überführt. Belastungen bezeichnen von außen auf den Menschen einwir-

kende Einflüsse, Beanspruchungen dementsprechend die Wirkungen dieser im Menschen. Des

Weiteren kann zwischen physischer und psychischer Beanspruchung unterschieden werden,

121

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

letztere lässt sich in mentale und emotionale Beanspruchung unterteilen. Mentale Beanspru-

chung kann weiterhin in kognitive, perzeptive und sensumotorische Beanspruchung untergliedert

werden, wobei im Kontext der Fahrzeugführung zumeist kognitive Beanspruchung thematisiert

wird. Physische Beanspruchung (also die Wirkung auf Muskeln, Gelenke, Kreislauf etc.) tritt

heutzutage nur noch bei extremen Fahraufgaben (z.B. bei Autorennen, Rallye- oder Testfahrten)

auf und wird daher nicht weiter betrachtet. Nach Wieland-Eckelmann unterscheidet sich emotio-

nale von mentaler Beanspruchung vor allem dadurch, dass erstere durch ausführungsspezifische

Belastungsfaktoren (Zeitdruck, Lärm, Hitze, Gestank, Gefahren, Stress, soziale Faktoren usw.)

verursacht werden, welche mit negativen Emotionen wie Angst, Hilflosigkeit, aber auch Wut oder

Ärger verknüpft werden ([

WE92

], vgl. auch Abschnitt 3.4.5). Mentale Beanspruchung hingegen

wird durch aufgabenspezifische Belastungsfaktoren (Schwierigkeit und Komplexität der Aufgabe,

aber auch Ermüdung) ausgelöst. Somit kann mentale Beanspruchung auch als ein Verhältnis

der entsprechenden Anforderungen und der individuellen Leistungsfähigkeit des menschlichen

Informationsverarbeitungsapparats aufgefasst werden. Intraindividuelle Unterschiede, z. B. ta-

geszeitabhängige Faktoren wie Müdigkeit oder Biorhythmus können die Anzahl der gleichzeitig

zu verarbeitenden Informationen verringern und erhöhen somit die mentale Beanspruchung.

Beanspruchung

physisch psychisch

mental

kognitiv perzeptiv sensumotorisch

emotional

Abbildung 3.34: Kategorien von Beanspruchung

Eine scharfe Trennung zwischen emotionaler und mentaler Beanspruchung mag auf der theoreti-

schen Ebene sinnvoll sein, praktisch gesehen ist diese jedoch nicht möglich. „Rein kognitive“

Prozesse – also jene, auf die sich mentale Beanspruchung bezieht, existieren in der Realität nicht,

sie werden zu jeder Zeit von emotionalen und motivationalen Faktoren beeinflusst (Edelmann

[Ede00]).

In diesem Kontext spielt der Zusammenhang zwischen mentaler Belastung und der entspre-

chenden Beanspruchung bzw. der erbrachten Leistung eine Rolle. Nach [

DW96

] durchlaufen

beide dieser Größen bei steigender mentaler Belastung sechs Stufen (vgl. Abbildung 3.35). Bei

geringer Belastung und daher geringer Leistung wird eine hohe Beanspruchung empfunden

(Zone

), dies kann mit dem Konzept der Vigilanz erklärt werden. In den Zonen

A1−A3

ist die

Performanz hoch, die Beanspruchung folgt einem U-Verlauf und hat ihr Minimum in

. Dies

122

3.4 Einflussfaktoren

Abbildung 3.35:

Zusammenhang zwischen mentaler Belastung und Leistung nach De Waard

[DW96]

interpretiert De Waard folgendermaßen: In

ist die Aufgabe bereits schwer genug, um nicht

zusätzlichen Aufwand für die Konzentration auf eine wenig anstrengende Aufgabe aufwenden zu

müssen, in

kann die Aufgabe trotz steigender Belastung mühelos erfüllt werden, in

wird

die Aufgabe als anstrengender empfunden, kann jedoch weiterhin – zeitlich begrenzt – erfüllt

werden. Im Bereich

hingegen sinkt die Leistung aufgrund zu hoher Beanspruchung, im Bereich

Dist der Fahrer bereits überfordert, die Leistung ist nur noch sehr gering.

3.4.2.1 Müdigkeit

Ein besonderer Fall von sowohl psychischer als auch physischer Beanspruchung stellt das

Phänomen „Müdigkeit“ dar. In der DIN

33405

wird Müdigkeit als „eine vorübergehende Beein-

trächtigung der psychischen und körperlichen Funktionstüchtigkeit, die von Intensität, Dauer

und Verlauf der vorangegangenen psychischen Beanspruchung abhängt“ beschrieben. Müdigkeit

(engl. „fatigue“) verändert sich tageszeitabhängig und hängt ebenfalls mit der Zeit, in der eine

Aufgabe bereits bearbeitet wird („time-on-task“), zusammen (Shinar & Oppenheim [

SO11

]).

Prinzipiell kann zwischen den individuell wahrgenommenen Auswirkungen, den messbaren

physischen Veränderungen sowie dem im Fahrverhalten festzustellenden Einfluss von Müdigkeit

unterschieden werden. Erstere äußern sich vor allem im Wunsch des Ermüdeten nach Erholung

oder Schlaf bzw. im Wissen um seinen aktuellen physischen und psychischen Zustand. Müdigkeit

wirkt sich vor allem auf die informationsverarbeitenden Prozesse, insbesondere die das Arbeits-

123

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

gedächtnis betreffenden, sowie auf neuromuskuläre Aktivitäten aus. Die Folgen von psychischer

Ermüdung sind Leistungsschwankungen, verminderte Aufmerksamkeit und Fehlhandlungen

(Platho et al. [

PPK13

]). Die Auswirkungen von Ermüdung sind in vielen Fällen mit denen von

Alkoholgenuss vergleichbar, z. B. was das Spurhalten betrifft (Oppenheim et al. [OSC+10]).

Bezüglich des Fahrverhaltens kann konstatiert werden, dass sich Müdigkeit in Form von ver-

längerten Reaktionszeiten und einer erhöhten Wahrscheinlichkeit von Schreckreaktionen auf

vergleichsweise harmlose Ereignisse auswirkt (Gründl [

Grü05

]). Vor allem bei jüngeren Fah-

rern ist das Risiko eines müdigkeitsbedingten Unfalls besonders hoch (Holte [

Hol12

]). Konkret

ersichtlich wird dies darin, dass mit steigender Müdigkeit die Frequenz von großen Lenkradbe-

wegungen – bei einer Abnahme der Gesamtzahl von Lenkradbewegungen – zunimmt. Nach Witt

et al. [

WWPK17

] tendieren ermüdete Fahrer zu höheren Geschwindigkeiten. In einer Simulator-

studie kamen Itoh et al. [

III15

] zu dem Ergebnis, dass erhöhte Müdigkeit zu mehreren messbaren

Effekten des Fahrverhaltens führt: Die Schwankungen des lateralen Spurversatzes nehmen zu,

ebenso die des Lenkwinkels und des Abstands zum vorausfahrenden Fahrzeug.

Fazit

Psychische Beanspruchung kann im Kontext der Fahrzeugführung einen wichtigen Ein-

fluss auf die informationsverarbeitenden Vorgänge haben, eine Unterforderung kann ebenso wie

eine Überforderung dazu führen, dass die aktuelle Fahraufgabe nicht oder nur unvollständig

bearbeitet wird. Hierbei sind die Wechselwirkungen zwischen mentaler und emotionaler Bean-

spruchung zu beachten. Müdigkeit aufgrund physiologischer oder aufgabenbezogener Belastung

ist ein in der Fahrzeugführung wichtiger Aspekt, diverse Auswirkungen auf das Fahrverhalten

sind bekannt, eine Berücksichtigung für eine Modellierung scheint daher angebracht. Schwierig

ist jedoch die Modellierung des Vorgangs der Ermüdung – diese stellt aus psychologischer Sicht

einen Zustand („state“) dar und ist somit während einer Fahrt veränderlich. Für eine Modellierung

muss daher strikt zwischen Modellen, die Ermüdung als Ergebnis einer Modellierung und denen,

die jene nur als Eingabewert verwenden, unterschieden werden.

3.4.3 Situationsbewusstsein

Eine weiteres wichtiges psychologisches Konstrukt bezüglich der menschlichen Informationsver-

arbeitung ist das Situationsbewusstsein („situation awareness“). Es beschreibt das Sich-bewusst-

sein aller gegenwärtig für die aktuelle Aufgabe wichtigen Informationen sowie deren korrekte

Interpretation. Es ist daher das Ergebnis verschiedener kognitiver Prozesse und ist selbst als ein

kognitiver Zustand zu betrachten. Das Bewusstsein über eine sich entwickelnde Situation befindet

sich größtenteils im Arbeitsgedächtnis und nimmt in dem Maße ab, in dem Ressourcen an andere

Aufgaben vergeben werden. Ein optimales Situationsbewusstsein hängt somit direkt von der

Zuteilung der selektiven Aufmerksamkeit ab (Wickens & Hollands [

WH00

]). Es muss zwischen

dem Prozess der Aufrechterhaltung von Situationsbewusstsein, welches eben von Aufmerksam-

keit und Arbeitsgedächtnis abhängt und dem Situationsbewusstsein an sich unterschieden werden.

124

3.4 Einflussfaktoren

Weiterhin muss beachtet werden, das Situationsbewusstsein ein kontextspezifisches Konstrukt ist,

ein „allgemeines“ Situationsbewusstsein existiert nicht. Der Entscheidungs- sowie Handlungsaus-

führungsprozess gehören nicht zum Situationsbewusstsein, dieses stellt vielmehr die Grundlage

dar, auf dessen Basis Entscheidungen getroffen werden können (Endsley [

ESS00

]). Ein hohes Si-

tuationsbewusstsein muss jedoch nicht bedeuten, dass richtige Entscheidungen getroffen werden,

es bietet nur die Basis für die Möglichkeit zum Treffen ebendieser Entscheidungen. Ebenso kann

es vorkommen, dass trotz niedrigen Situationsbewusstseins „zufällig“ die richtige Entscheidung

getroffen wurde.

Endsley beschreibt Situationsbewusstsein kurz als „knowing, what is going on“ (Endsley

[

End95

]). Das ursprünglich aus der Luftfahrt

stammende Konzept findet heutzutage auch im

Bereich der Fahrzeugführung Anwendung. Endsley hat es als ein aus folgenden drei aufeinander

aufbauenden Ebenen bestehendes System definiert (vgl. Abbildung 3.36):

1.)

Wahrnehmen: Informationen müssen aufgenommen werden („perception of elements in

the environment“), dies beinhaltet das Überwachen der Umgebung, das Erkennen von

Signalen sowie das Wahrnehmen des eigenen Zustands.

2.)

Verstehen: Die Bedeutung der Informationen muss verstanden werden („comprehension of

the current situation“), die Relevanz der Informationen muss erkannt und ein Gesamtbild

der Situation erstellt werden.

3.)

Antizipieren: Mittels der erhaltenen Erkenntnisse können zukünftige Zustände abgeschätzt

werden („projection of future status“).

Jede dieser drei Stufen beschreibt einen Zustand, in dem sich der Fahrer befindet, während er sich

einer bestimmten Fahraufgabe widmet. Ein Fahrer in der ersten Stufe des Situationsbewusstseins

befände sich in der Lage, die vorhandenen Informationen aufzunehmen, kann diese jedoch

nicht adäquat einordnen und somit weder ein brauchbares Abbild der Situation erstellen, noch

abschätzen, wie sich die anderen Objekte bzw. das eigene Fahrzeug zukünftig verhalten werden.

Als Beispiel sei das Erkennen einer Warnleuchte im eigenen Fahrzeug bzw. eines unbekannten

Verkehrsschildes ohne die Möglichkeit der Interpretation dieser genannt. Ähnliches gilt für die

zweite Stufe: Die momentane Situation kann zwar akkurat geschätzt werden, die Antizipation

schlägt jedoch fehl. Beispielsweise wäre dies auf einen Fahrer übertragbar, der zwar sieht, dass

die Bremslichter des Vordermanns leuchten und ebenso versteht, dass dies bedeutet, dass dieser

momentan bremst, er jedoch anhand der Geschwindigkeit und des Abstands des Vorderfahrzeugs

die notwendige Bremsung zu spät/nicht stark genug durchführt.

Wichtig erscheint in diesem Zusammenhang auch das Konzept der Gegenwärtigkeit. Menschen

erleben Zeit in Einheiten von etwa 2 bis 3 Sekunden (Pöppel [

Pöp97

]), womit sich die gefühlte

Gegenwart auf ebendiese Zeit beschränkt. Dementsprechend ergibt sich ein „Antizipations-

horizont“ ebendieser Zeitspanne sowie eine entsprechend von der aktuellen Geschwindigkeit

Ziel einiger Untersuchungen war es, herauszufinden, was sog. „Fliegerasse“ von normalen Piloten unterscheidet, es

ergab sich, dass u.a. höheres Situationsbewusstsein entscheidenden Einfluss innehat.

125

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.36: Schema des Situationsbewusstseins nach Endsley [End95]

abhängige Entfernung. Die Fähigkeit, sich in zeitkritischen Situationen bei begrenzter Verarbei-

tungsgeschwindigkeit die richtigen („kritischen“) Informationen herauszusuchen, stellt einen

gewichtigen Teil von Fahrerfahrung dar, dies konnte beispielsweise von Sukthankar bestätigt

werden [Suk97].

Fazit

Das Konzept des Situationsbewusstseins kann helfen, bestimmte (vor allem fehlerhafte)

Verhaltensweisen des Fahrers verstehen und somit letztendlich modellieren zu können. Beispiels-

weise kann ein „looked-but-failed-to-see“-Fehler mittels durch Ablenkung verursachtes niedriges

Situationsbewusstsein erklärt und simuliert werden.

3.4.4 Motivation

Die Frage, warum ein Mensch so handelt, wie er handelt, bzw. weshalb er überhaupt eine Hand-

lung ausführt, gehört zu den ältesten philosophischen Fragestellungen. Als Motive werden in

diesem Kontext die grundlegenden Beweggründe (lat. „motivare“- bewegen) einer Handlung

bezeichnet. Die Befriedigung dieser Motive stellt das Ziel jedweden Handelns dar; Motivation

hingegen beschreibt die Gesamtheit alle momentan aktiven Motive und bestimmt somit die

aktuelle Zielsetzung, beeinflusst aber auch kognitive Prozesse und Motorik. Mook definiert

Motivationen als „Prozesse, die ein zielgerichtetes Verhalten auslösen und aufrechterhalten“

[

Moo87

], Heckhausen beschreibt Motivation als eine „momentane Gerichtetheit auf ein Hand-

lungsziel, zu deren Erklärung man die Faktoren weder nur auf Seiten der Situation oder der

126

3.4 Einflussfaktoren

Person, sondern auf beiden Seiten heranziehen muss“ [

Hec89

]. Der Begriff des Bedürfnisses

spielt in diesem Zusammenhang ebenfalls eine wichtige Rolle. Nach Holte [

Hol94

] kann ein Be-

dürfnis durch einen erlebten physiologischen oder psychologischen Mangelzustand beschrieben

werden, welcher Motive auslösen kann, die zu zielgerichteten Handlungen führen. Die Stärke

des jeweiligen Motivs steht hierbei in einem direkten Zusammenhang mit der Intensität des

Mangelzustands. Motive selbst sind jedoch nicht zielgerichtet, nach Jürgensohn [

Jür01

] erklä-

ren diese „nur Tendenzen und Aspekte von Handlungen und keine Handlungen selbst“, daher

werden Motive oft mit so weichen Begriffen wie „Streben“ oder „Kräfte“ assoziiert. Um die

Motivation(en) eines Menschen verstehen zu können, müssen zuerst seine Motive bekannt sein.

Es gibt allerdings in der Motivationsforschung keine allgemeine Theorie, die die Ursache(n) für

jegliches Motiv erklären kann, die meisten der bekannten motivationspsychologischen Theorien

können jedoch auf einer zweidimensionalen Skala mit den Achsen „Zeit“ und „Ort“ platziert

werden. Auf der Zeitachse interessiert, ob das Motiv aus etwas Vergangenem rührt, es sich auf

aktuelle Probleme im Hier und Jetzt bezieht oder auf zukünftig zu erreichende Ziele fokussiert

ist. Die Ortsachse beschreibt den Ursprung des Motivs, wobei zwischen intern (also basierend

aus den Eigenschaften, Erfahrungen usw. der Person) und extern (aus der Umgebung der Person

stammend) unterschieden wird. Motive sind des Weiteren „äquifinal“, d. h. unterschiedliche

Endsituationen von Handlungen können aufgrund eines einzigen Motivs entstehen. Jedoch sind

Motive ebenso „multideterminiert“ – unterschiedliche Motive können zu ein und demselben

Verhalten führen.

Motivationen wirken nach Huguenin [

Hug88

] bezüglich des Wickens’schen Informationsverar-

beitungsmodells auf alle Komponenten, bis auf die Wahrnehmung. Es können jederzeit mehrere,

sich zum Teil widersprechende Motive gleichzeitig aktiv sein, ebenso können sich die jeweiligen

Motivstärken – und damit auch die Motivation – und damit letzten Endes auch die entsprechenden

Ziele während einer Handlung ändern. Motive können durch äußere Einflüsse angeregt werden

bzw. können einige Motive erst bei bestimmten Umgebungseigenschaften aktiviert werden (das

„Konkurrenz“-Motiv kann beispielsweise erst aktiviert werden, wenn ein Objekt, das diese Kon-

kurrenz darstellen kann, vorhanden ist). Resultierende Motivationen sind zeitlich nicht konstant,

sie stehen in einem stetigen Wechselspiel zwischen innerem Antrieb und äußeren Reizen.

3.4.4.1 Motivation und Fahrzeugführung

Transformiert man die Frage nach dem Beweggrund für aktuelle Handlungen auf die Ebene

der Fahrzeugführung, so kann man die möglichen Motive stark eingrenzen – die Frage lautet

nun: „Was bewegt den Fahrer, so zu fahren, wie er fährt?“. Im Allgemeinen folgt jeder Fahrer

den Grundmotiven, sein Ziel möglichst schnell, bequem, sicher und mit wenig Aufwand zu

erreichen. Angelehnt an die von Klebelsberg [

Kle82

] beschriebenen Verhaltenstendenzen in

Konfliktsituationen (Leistungstendenz mit Fokus auf Zielerreichung bzw. Sicherheitstendenz

mittels Vermeidung negativer Konsequenzen) lassen sich daraus die Hauptmotive Leistung und

127

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Sicherheit ableiten. Weitere, sog. „Extramotive“ wurden durch Näätänen & Summala [

NS76

]

eingeführt, diese sind u.a. Selbstbestätigungsdrang, Fahrspaß, Erleben der eigenen Kompetenz,

aber auch „Risiko um des Risikos Willen“. Des Weiteren beschreibt Holte [

Hol94

] Motive

der sozialen Anerkennung sowie Machtmotive. In diesem Kontext kommen Motive wie Angst

vor Zurückweisung, Ablehnung oder Ausschluss zum Tragen, ebenso Erwartungen, die bei

Zugehörigkeit zu einer speziellen Bezugsgruppe auftreten können.

Jürgensohn definiert Motive als „kausale Quellen von Verhalten, die vollständig in uns liegen

und nicht direkt auf eine äußere Situation bezogen sind“ [

Jür01

]. Mit Hilfe dieser Definition

lässt sich sehr gut der Unterschied zum kognitiv-deterministischen Handeln darstellen: Die

durch die vorgegebene äußere (Verkehrs-)Situation und die kognitiven Fähigkeiten des Fahrers

logisch folgende Handlung wird u.a. wegen dem Fahrer innewohnenden Motiven bzw. aktuell

wirksamen Motivationen nicht genau so durchgeführt. Vielmehr wirken die einzelnen Motive

auf verschiedene Arten und Weisen auf die Handlung ein, welche entsprechend der Stärke der

Motivation verändert wird. Ein und dasselbe Verhalten kann jedoch auch durch verschiedene

Motive determiniert sein.

Motive können bezogen auf einzelne Handlungen, welche im Bereich des Autofahrens zumeist

nur wenige Sekunden dauern, als zeitlich konstant angenommen werden. Zwar können sich

Motive mit der Zeit ändern, jedoch nicht in einem Maße, welches einen Einfluss auf eine aktuelle

Handlung – in diesem Kontext: ein Fahrmanöver – hat. Die Erfüllung eines Handlungsziels und

somit auch die Befriedigung des entsprechenden Motivs und die daraufhin folgende Änderung

der aktuellen Motivation widersprechen dem nicht, da die Handlung dann bereits abgeschlossen

ist. Unerwartete Änderungen der Situation führen daher nicht zu Modifikationen von Motiven,

sondern zu einer Veränderung der Gewichtung der aktiven Motive bzw. dazu, dass entsprechende

Motive aktiviert oder deaktiviert werden, was zu einer Veränderung der aktuellen Motivation

führen kann.

Nach einer Untersuchung von Berger et al. [

BBD75

] können folgende sechs verschiedene

Fahrmotive unterschieden werden:

1.)

Thrill: Dieses Fahrmotiv kann durch Lust am schnellen Fahren bzw. den Genuss des Ge-

schwindigkeitsrauschs beschrieben werden. Zunehmende Gefährlichkeit der Fahraufgabe

steigert den Thrill. Das Hauptziel besteht aus dem Überwinden von Risiko und Gefahr,

dem Überstehen von riskanten Situationen, hierbei stehen Verlust von Sicherheit und

Wiedergewinnen dieser in einer stetigen Wechselbeziehung.

2.)

Kraftentfaltung: Dieses Fahrmotiv äußert sich durch das Zurschaustellen der eigenen

Dynamik oder auch durch Demonstration der eigenen Potenz mittels Überholmanövern,

dichtem Auffahren und hohen Beschleunigungen. Dies bringt mit sich, dass durch das

Überholtwerden entsprechend negative Gefühle aktiviert werden, wodurch das Motiv

Kraftentfaltung erneut verstärkt wird.

128

3.4 Einflussfaktoren

3.)

Erproben: Im Gegensatz zu den Fahrmotiven und Kraftentfaltung kann das Motiv Erpro-

ben durch die Bewältigung von besonders schwierigen Fahraufgaben befriedigt werden.

Komplizierte Situationen werden gezielt gesucht, nicht jedoch – im Gegensatz zum Thrill

– primär wegen des Risikos, sondern um diese mit dem eigenen Können zu überstehen.

4.)

Autonomie: Die Gefühle von Freiheit und Unabhängigkeit dominieren dieses Fahrmotiv.

Eine konkrete Definition einzelner Ziele ist bezüglich Autonomie nur schwer möglich.

Eine allgemeine Zufriedenheit beim Wissen um die eigenen Handlungsmöglichkeiten und

damit verbunden eine gewisse Lockerheit ist Ausdruck hoher Autonomie.

5.)

Gleiten: Dieses Fahrmotiv kann durch besonders ruhiges und entspanntes Fahren befriedigt

werden; es wird angestrebt, das Ziel möglichst komplikationslos zu erreichen. Gefahren

liegen hierbei in zu entspannter Fahrweise, was sich u.a. in Vermeidung großer Beschleu-

nigungen ausdrücken kann, dies kann zu gefährlichen Situationen aufgrund beispielsweise

zu geringer Spurtreue oder zu geringer Abstände führen.

6.)

Pilotieren: Dieses Fahrmotiv wird als das Motiv, welches objektiv zu am meisten Sicherheit

führt, beschrieben. Eine möglichst perfekte Fahrweise stellt hier das Hauptziel des Fahrers

dar. Dies äußert sich in möglichst fehlerfreiem und stabilem Fahren.

Irmscher [

Irm01b

] hat unter anderem untersucht, welche konkreten Auswirkungen auf das

Fahrverhalten bestimmte Motive während des Autofahrens hervorbringen (vgl. Tabelle 3.4).

3.4.4.2 Modellierung von Motivation

Die Modellierung von menschlichen Motivationen bzw. Motiven in der Fahrermodellierung wur-

de von Jürgensohn bereits umfassend theoretisch beschrieben [

Jür01

]. Nachdem ein deskriptives

Modell eines Motivs vom Modellierer erzeugt wurde, können daraus Konsequenzen für das

formale Modell abgeleitet werden. D.h. es werden nicht die Motive an sich, sondern deren Kon-

sequenzen auf eine vom Modell durchzuführende Handlung modelliert. Dies können zeitliche

Aspekte (Wann beginnt oder endet die Handlung? Wie schnell wird sie durchgeführt?) oder auch

die Stärke der Handlung betreffende Aspekte sein (Mit welcher Intensität wird die Handlung

durchgeführt?). Jürgensohn interpretiert „Denken“ als eine „mentale Handlung“ [

Jür01

], somit

wirken Motive auch auf kognitive Prozesse. Letzten Endes können Motive ähnlich wie Parameter

in Dynamikmodellen verwendet werden, folgende Regeln sollten dabei beachtet werden:

•

Parametrischer Einfluss: Motive sind durch Parameter repräsentiert, diese liegen eine

Ebene oberhalb der zu parametrierenden Variable.

•

Stärke: Motive sind eindimensionale Parameter, diese sind üblicherweise positive reelle

Zahlen, können jedoch auch qualitative bzw. Fuzzy-Maße annehmen und sollten in einem

begrenzten Intervall liegen.

129

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Motiv Grundmotive

nach Murray

Auswirkungen auf den Fahrer

Frustration

Misserfolgs-

vermeidung

unberechenbares Verhalten, jedoch kooperativ

(im Sinne von defensiv-partnerschaftlichem

Fahrstil)

Spaßerleben Spiel

verminderte Leistung und Aufmerksamkeit,

Nebenaktivitäten

Eile Leistung

höhere und unregelmäßige Geschwindigkeit,

mehr Überholvorgänge, höhere Aktiviertheit

und Konzentration, kontinuierliche Strategie,

wenig kooperativ, wenige Nebenaktivitäten

Risikovermeidung Leidvermeidung

geringe Geschwindigkeit, große Abstände, we-

nige Nebenhandlungen, sehr kooperativ

Machtstreben, Wett-

bewerb

Machtausübung,

Selbstdarstellung

hohe Geschwindigkeit, geringe Abstände, we-

nig kooperativ, wenig konzentriert, viele Ne-

benhandlungen

Aggression Aggression

dichtes und schnelles Auffahren, blinken,

schneiden, kommunikativ, aber wenig koope-

rativ

Erprobung eigener

Fähigkeiten

Spiel, Unabhängig-

keit

hohe Geschwindigkeit, hohe Konzentration,

geringe Abstände, wenig kommunikativ, je-

doch kooperativ

Tabelle 3.4: Motive und ihre Auswirkungen nach Irmscher [Irm01b]

•

Objektivierung und Validierung: Eine optimale Modellbildung kann nur bei maximalem

Basiswissen des Modellierers erfolgen – Ein Modell ist somit umso valider, je differenzier-

ter die Modellvorstellungen des Modellierers sind.

Für die Modellierung sollte des Weiteren beachtet werden, dass Motive und Motivationen auf

unterschiedlichen Abstraktionsniveaus existieren – eine Implementierung von impliziten Motiven

wie z.B. dem Wunsch nach körperlicher Unversehrtheit ist nur sehr schwer bzw. unmöglich

umzusetzen. Je spezifischer ein Motiv beschrieben werden kann, womöglich verbunden mit einer

konkreten Handlungsabsicht und einem bestimmten Ziel, desto besser kann eine menschähnliche

Umsetzung in ein Modell gelingen – und desto realistischer, da die Zusammenhänge für den

Modellierer in konkreten Situationen besser nachzuvollziehen sind, verhält sich das resultierende

Modell. Dies bedeutet letzten Endes, dass eine Modellierung von Motiven so geschieht, wie

sich diese der Modellierer vorstellt, eine rein formale Modellbildung (also z.B. basierend auf

experimentell erhobenen Daten) ist unrealistisch bzw. umso unrealistischer, je unspezifischer

sich das Motiv darstellt.

Praktisch umgesetzt wurde die Modellierung von menschlichen Motivationen bzw. Motiven in

verschiedenen (Fahrer-)Modellen zumeist auf handlungsnahen Abstraktionsebenen. So wirken

130

3.4 Einflussfaktoren

Abbildung 3.37:

Fahrermodell bei einem Überholvorgang auf einer Autobahn nach Irmscher

[Irm01b]

Motive in der PSI-Theorie der Handlungsregulation (Dörner [

DS98

]) als Parameter auf das

Systemverhalten ein. Irmscher hat beobachtbare Verhaltensvariationen in einen Zusammenhang

mit einigen Grundmotiven gestellt (vgl. Tabelle 3.4). In ihrem Fahrermodell wurden konkret die

Motive „Eile“ und „Risikofreude“ umgesetzt, da sich diese für den Kontext des Modells – eine

Überholsituation auf der Autobahn – am besten eigneten (vgl. Abbildung 3.37). Motivationen

beeinflussen nach diesem Ansatz Zielsetzung, kognitive Prozesse sowie Motorik.

Dagli [

DR02

] verwendete Motivationen, um das Fahrverhalten von anderen Verkehrsteilnehmern

vorherzusagen. Innerhalb eines Autobahnszenarios wurden die Motivationen Timing, Sicherheit,

persönliche Motivationen (z. B. „Fahrer fährt ungern hinter LKW“) und Navigation implemen-

tiert. Benmimoun [

Ben04

] entwickelte ein motivationales Spurwechselmodell und führt einen

Spurwechsel auf vier unterschiedliche Motivationen zurück: Erreichen einer Zielspur, Verlassen

einer endenden Spur, Überholen eines langsameren Fahrzeugs sowie Einhalten des Rechtsfahr-

gebots. Schäfer definiert eine short term motivation, derart, dass diese ein Parameterset für die

folgende Regelungsaufgabe darstellt [

Sch04

]. Als Beispiel für so eine short term motivation führt

er das Fahren mit einem möglichst minimalen Abstand zur Solltrajektorie durch Verringerung

des Winkelabstands zum Sollkurs bei minimaler Querabweichung an.

Fazit

Der Einfluss der Motivation auf das Fahrverhalten ist ein oft nicht offensichtlicher,

jedoch das Fahrverhalten durchaus prägender. Motive bestimmen, welche Ziele momentan aktiv

131

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

sind und mit welcher Vehemenz diese erreicht werden sollen. Vor allem für die Modellierung

bzw. notwendigerweise die Erklärung von intraindividuellen Unterschieden können Motive

bzw. Motivation als theoretische Grundlage herangezogen werden. Eine Motivation ist eine

zutiefst menschliche Eigenschaft, erkennt man diese, so fällt die Einschätzung des Fahrers und

somit auch die Antizipation seines zukünftigen Verhaltens leichter und führt somit zu mehr

Sicherheit – ob in der Simulation oder in der Realität. Für die Simulation von realistischem

Verkehr sind unterschiedliche Fahrertypen nötig, Motivationen sind ein wichtiger Aspekt, um

diese Unterschiede generieren zu können. Situationsabhängige Aktivierungen von Motiven

können den Grad des Realismus weiter erhöhen. So hat beispielsweise das Vorhandensein anderer

Verkehrsteilnehmer starken Einfluss auf bestimmte Motivationen – das Motiv „Konkurrenz“

kann beispielsweise aktiviert werden, sobald zwei sportliche Fahrertypen, die vielleicht sogar

mit „rivalisierenden“ Pkw-Marken an einer roten Ampel stehen (und kein stärkeres Motiv,

beispielsweise ein Polizeiwagen, hinter den beiden aktiv ist). Sich unterscheidende bzw. sich

ändernde Motivationen können somit in einem Fahrermodell, welches möglichst menschähnliche

Verhaltensweisen an den Tag legen soll, das „Salz in der Suppe“ darstellen, vgl. auch Kapitel

3.4.4.2.

3.4.5 Emotion

Ebenso wie Motivationen können Emotionen („emovere“ lat. für „Herausbewegen“) Beweg-

gründe für Handeln sein. Eine Emotion kann als mehrdimensionales psychologisches Konstrukt

aufgefasst und gegenüber anderen affektiven Zuständen abgegrenzt werden. Die Dimensionen

Dauer,Intensität sowie Objektgerichtetheit können hierbei Aufschluss über den Typus des

vorhandenen affektiven Befindens geben: Emotionen zeichnen sich hierbei durch eine geringe

Dauer, eine hohe Intensität und den Bezug zu einem Objekt aus. Ein Affekt ist einer Emotion

bezüglich dieser Kategorien recht ähnlich, er ist jedoch kürzer und intensiver, des Weiteren

kann eine gewisse Unkontrollierbarkeit der resultierenden Handlungen diagnostiziert werden.

Im Gegensatz dazu sind Stimmungen langanhaltender, weniger intensiv und ohne konkreten

Objektbezug.

affektiver Zustand

Affekt Emotion

Wut Freude Trauer

Stimmung

Abbildung 3.38: Kategorien affektiver Zustände

Emotionen sind komplexe, konkrete psychophysiologische Prozesse; Personen, die eine Emotion

empfinden, haben ein charakteristisches Erleben, es treten bestimmte physiologische Verände-

132

3.4 Einflussfaktoren

rungen und Verhaltensweisen auf. Emotionen können, so sie denn zukunftsgerichtet sind und

dementsprechend ein Ziel formulieren, auch eine motivationale Komponente aufweisen, so geben

sie beispielsweise Rückmeldungen über das Erreichen bestimmter Ziele. Ein Gefühl ist in diesem

Kontext kein eigener affektiver Zustand, da es lediglich das subjektive Erleben einer Emotion

darstellt. Dieses Emotionserlebnis kann entweder angenehm oder unangenehm sein, bzw. positive

oder negative Gefühle entstehen lassen, die Stärke der jeweiligen Emotion ist hierbei durchaus

quantifizierbar. Je nach Quelle wird von einer Anzahl von 50 bis 100 Emotionen ausgegangen,

wobei es nach Ekman [

Ekm92

] sechs Basisemotionen bzw. „Familien“ von Emotionen gibt: Wut,

Abscheu, Angst, Freude, Trauer und Überraschung. Es wird angenommen, dass Basisemotionen

angeboren sind, ihre Anzahl schwankt je nach Autor zwischen fünf und zehn. Laut Johnson-Laird

& Oakley [

JLO89

] können alle Emotionen auf diese Basisemotionen zurückgeführt werden,

Nicht-Basisemotionen unterscheiden sich von diesen vor allem in ihrer Intensität.

Abbildung 3.39:

Die sechs Basisemotionen nach Ekman [

Ekm92

], von links nach rechts: Wut,

Abscheu, Angst, Freude, Trauer und Überraschung

Im Gegensatz zu den diskreten Kategorien des basisemotionalen Ansatzes können Emotionen

jedoch auch in einem zwei- bzw. dreidimensionalen Koordinatensystem abgebildet werden (z.B.

nach Russell [

Rus80

]): Bei zwei Dimensionen werden die Achsen „Valenz“ und „Aktivierung“

verwendet, eine dritte Achse wäre die Dimension „Dominanz“ (mit Hilfe dieser dritten Dimension

lassen sich beispielsweise „Wut“ und „Angst“ besser differenzieren).

Abbildung 3.40: Dimensionales Emotionsmodell aus Russel [Rus80]

133

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Im Kontext der Informationsverarbeitung und als Einflussfaktor auf kognitive Prozesse spielen

Emotionen eine wichtige Rolle. Sie beeinflussen Aufmerksamkeit sowie Entscheidungsprozesse,

so können mit deren Hilfe beispielsweise akute Bedrohungen erkannt und konstant Bewertungen

der aktuellen Situation vorgenommen werden. Die Theorie der somatischen Marker (Damasio

[

Dam94

]) beschäftigt sich näher mit diesen Prozessen. Laut ihr geschehen wichtige Entscheidun-

gen vor der bewussten Entscheidung, also bevor eine Entscheidung mittels mentaler Modelle

(vgl. Abschnitt 3.2.2.1) getroffen wird. Damasio beschreibt dies als „Bauchgefühl“ (engl. „gut

feeling“), als Konsequenz wird die Aufmerksamkeit auf die möglicherweise negativen Konse-

quenzen einer Handlung gerichtet, er bezeichnet dies als eine Art „Alarmsignal“, welches vor

zukünftigen Verlusten schützt und die Anzahl der möglichen Handlungsalternativen verringert.

Toda hingegen beschreibt jede Emotion als Entscheidungsvorgang („each emotion is a decision

routine“) [

Tod80

]. Als Beispiel führt er die Emotion „Wut“ an, welche bei einer bestimmten

kognitiven Bewertung einer Situation hervorgerufen wird. Die Ausgangssituation verlangt, ob

mit oder ohne Wut, nach einer Entscheidung, die hervorgerufene Emotion „Wut“ führt nur

dazu, dass die Informationsverarbeitung nurmehr aus weniger Handlungsalternativen auswäh-

len kann, da sich durch die Wut die Handlungsplanung auf die unmittelbare Situation und

das Wut auslösende Objekt konzentriert. Je stärker die Emotion, so Toda, desto schwieriger

wird es, die Langzeitfolgen einer unter dem Einfluss dieser Emotion getroffenen Entscheidung

abzuschätzen.

Mesken [

Mes06

] beschreibt den Emotionsprozess wie folgt: Ein Ereignis muss als relevant

für ein Ziel wahrgenommen werden, dann muss entschieden werden, ob sich dieses Ereignis

positiv oder negativ auf besagtes Ziel auswirkt. Falls entscheidende Auswirkungen prädiziert

werden, folgt eine mögliche Handlung, inklusive physiologischer Reaktionen. Emotionen können

somit auch als Mittel zum Zweck interpretiert werden, deren Aufgabe es ist, Verhalten so zu

beeinflussen, dass bestimmte Ziele trotz oder wegen aktueller Umwelteinflüsse erreicht werden

können. Zielorientierte Verhaltensweisen werden unter dem Einfluss von Emotionen verstärkt.

Nach Lazarus [

Laz91

] kann anhand von sechs Merkmalen bestimmt werden, welche Emotion

bei einer bestimmten Situation auftritt, diese Merkmale lauten:

1.) Zielrelevanz: In welchem Ausmaß ist das Ereignis für die persönlichen Ziele relevant?

2.) Zielübereinstimmung: Steht das Ereignis im Widerspruch zu den Zielen oder nicht?

3.)

Selbstmiteinbeziehung: Hat das Ereignis Einfluss auf die persönliche Befindlichkeit oder

Identität?

4.)

Schuld/Verdienst: Kann jemand (inklusive das Selbst) für das Ereignis (im negativen, wie

auch im positiven Sinne) verantwortlich gemacht werden?

5.) Bewältigungspotential: Kann etwas an der Situation geändert werden?

6.)

Zukunftserwartung: Wird sich die Situation zukünftig eher verbessern oder verschlechtern?

134

3.4 Einflussfaktoren

So kann beispielsweise die Emotion „Stress“ beschrieben werden, welche auftritt, wenn eine

den eigenen Zielen schädigende Situation ohne eigenes Bewältigungspotential erkannt und als

schädlich für die eigene Person eingeschätzt wird.

3.4.5.1 Emotion und Fahrzeugführung

Prinzipiell sind alle Emotionen, dazu in der Lage, die Fahraufgabe negativ zu beeinflussen, da

sie die Aufmerksamkeit weg von der ursprünglichen Aufgabe lenken. Lazarus [

Laz91

] benennt

mehrere dieser Mechanismen: Interferenz beschreibt, dass unter dem Einfluss einer Emotion

viele Reize Aufmerksamkeit erfordern, die mit der eigentlichen Aufgabe nichts zu tun haben.

Ein Motivkonflikt entsteht hingegen, wenn die aktuelle Aufgabe Handlungen erfordert, die sich

im Widerspruch zu denen durch die Emotion ausgelösten Handlungen befinden. Bei Überein-

stimmung kann jedoch die Performanz ebenso ansteigen, so können positive Rückmeldungen

über den Grad der Zielerreichung eines bestimmten durch ein Motiv angestrebtes Ziel positive

Emotionen verursachen. Kognitive Bewältigungsprozesse führen dazu, dass das Individuum die

Emotion bewältigt, jedoch die aktuelle Aufgabe vernachlässigt.

Für die Bewältigung der Fahraufgabe besitzen die Emotionen Wut und Angst den größten Ein-

fluss auf diese, wie auch auf die Wahrscheinlichkeit, Verkehrsregeln aufgrund von aggressivem

und riskantem Fahren zu übertreten (Arnett et al. [

AOF97

]). Emotionen wie Kränkung,Stolz

oder Rache können ebenso zu gefährlichen Situationen führen. Angst hingegen führt zu einer

erhöhten Anzahl von Fahrfehlern. Des Weiteren muss beachtet werden, dass durch identische

Situationen – je nach Fahrertyp – durchaus unterschiedliche Emotionen hervorgerufen werden

können. Emotionen können zwei prinzipielle Effekte hervorrufen: Einerseits das Auslösen kon-

kreter Aktionen, wie z.B. bei aggressiven Emotionen wie Ärger, Wut und Zorn, aber auch Ekel

oder Angst, zum anderen der Einfluss auf kognitive Prozesse. Mesken [

Mes06

] beschreibt drei

konkrete Ausprägungen dieser Beeinflussung: Optimismus-Bias,Selbsteinschätzungs-Bias und

Kontrollillusion. Optimismus-Bias beschreibt die zu optimistische Einschätzung von Gefah-

ren, Selbsteinschätzungs-Bias die zu optimistische Selbsteinschätzung und Kontrollillusion die

Überschätzung der eigenen Möglichkeiten, einer gefährlichen Situation entrinnen zu können.

Vaa [

Vaa03

], [

Vaa05

] verwendet drei Grundannahmen aus Damasios Theorie der somatischen

Marker [Dam94] für ein Konzept eines Fahrerverhaltensmodells:

1.) Das fundamentale Motiv des Menschen ist Überleben.

2.)

Um das Überleben zu gewährleisten, muss der Mensch spezielle Fähigkeiten besitzen, um

Gefahren zu erkennen.

3.) Der „Monitor“, um die Gefahren zu erkennen, ist der menschliche Körper.

Das zentrale Konzept der Theorie besteht darin, dass ein Fahrer zu jeder Zeit versucht, eine funk-

tionale Balance zu erreichen, welche mittels eines optimalen Gefühls („best feeling“) detektiert

werden kann (vgl. Abbildung 3.41). Dieses permanente Streben geschieht jedoch unbewusst

135

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

– der Fahrer gewichtet ständig anhand der eigenen, wahrgenommenen Gefühle verschiedene

Szenarien und wählt jenes aus, welches sich am besten anfühlt. Daraus schlussfolgert Vaa: Falls

keine Emotionen wahrgenommen werden, findet keine Evaluation – und somit auch keine Ent-

scheidung – statt. Dies kann als eine Erweiterung der Wilde’schen Risikohomöostase verstanden

werden: Das Zielrisiko wird durch ein Zielgefühl ersetzt.

Abbildung 3.41: Struktur des „Monitor“-Modells nach Vaa [Vaa03]

3.4.5.2 Modellierung von Emotion

Die Modellierung von Emotionen wurde bisher nur in einigen wenigen Fahrermodellen umgesetzt.

So haben Al-Shihabi & Mourant [

ASM01

], [

ASM03

] in ihrem Fahrermodell eine „Emotion Unit“

implementiert, in welcher die emotionalen Reaktionen des Modells auf seine Umwelt modelliert

wurden. Das Ziel des Modells ist zu jeder Zeit, die Optimierung seines emotionalen Zustands.

Angelehnt an Fuller [

Ful84

] beeinflusst dies sein Risikoverhalten bei Planung sowie Umsetzung

der Handlungen. Es werden die sich gegenüberstehenden Faktoren „Sicherheit“ „und „Effizienz“

betrachtet. Bei Unzufriedenheit bzgl. der erreichten Effizienz – vor allem also bei zu geringer

Geschwindigkeit – werden Entscheidungen getroffen, die diese Faktoren erhöhen und damit

ebenfalls zu einem erhöhten Gesamtrisiko führen. Ein als zu hoch empfundenes Risiko hingegen

führt dementsprechend zu geschwindigkeitsvermindernden Entscheidungen. Eine Emotion wird

– basierend auf der Kategorisierung Picards [

Pic95

] – aus den Eigenschaften „Typ“, „Intensität“,

„Ursprung“ und „soziale Regeln der Umgebung“ gebildet.

Kraus [

Kra12

] gibt einen umfassenden Überblick über computergestützte Emotionsmodelle: Im

„Cathexis“-Modell von Velasquez [

Vel96

] werden, basierend auf Rosemans [

RSJ90

] Theorie,

136

3.4 Einflussfaktoren

fünf kognitive Dimensionen zur Bestimmung einer Emotion verwendet: die Motivation hin zu

einem erwünschten Zustand, der Abgleich zwischen diesem und einer vorliegenden Situation,

sowie das Dasein, die Verdientheit und die Quelle der auslösenden Ereignisse. Einzelne Module

(„proto-specialists“) vertreten eine bestimmte Basisemotion, die Module lassen sich kombinie-

ren, sodass der Raum der möglichen Emotionen umfassend abgebildet werden kann. Ortony,

Clore & Collin [

OCC90

] entwickelten ein Computermodell („OCC-Modell“), welches Art und

Intensität der Emotionen basierend auf einer Einschätzung der aktuellen Situation ermittelt.

Es werden 22 unterschiedliche Emotionen erkannt, welche in drei Hauptkategorien unterteilt

werden können: Konsequenzen aus Ereignissen, Handlungen (eigene bzw. die anderer) sowie

objektbezogene Aspekte. Die Klassifizierung bezüglich der Hauptkategorien wird mittels der

Haltung des Fahrers gegenüber Ereignissen (Zielerreichung), Aktionen (Einhaltung von Normen)

und Objekten (persönliche Einstellung zu diesen) durchgeführt. Die Intensität wird ebenso mittels

der Hauptkategorien ermittelt: die Erwünschtheit von Ereignissen, die Löblichkeit von Aktionen

sowie die Attraktivität von Objekten werden bewertet. Als positiv kann die hohe Anzahl an

vorhandenen Emotionen angesehen werden, der nicht vorhandene zeitliche Aspekt hingegen

muss als nachteilig bewertet werden.

Kraus [

Kra12

] implementierte basierend auf dem OCC-Modell ein eigenes Emotionsmodell,

in welchem die Emotionspaare auf vier reduziert wurden: „love-hate“, „admiration-reproach“,

„joy-distress“ und „hope-fear“. Emotionen können Werte von „

−1

“ bis „

“ annehmen. Als Bei-

spiel für die Implementierung soll hierbei das Emotionspaar „joy-distress“ dienen. Das Hauptziel

„zeiteffizientes Zielerreichen“ wird mit diesem Emotionspaar verknüpft, so dass eine „

“ bei

vollständiger Erfüllung des Ziels erreicht wird, analog eine „

−1

“ bei vollständiger Verfehlung des

Ziels. Zeiteffizientes Zielerreichen wird bei „unabhängigem“ (freiem Fahren) sowie „flüssigem“

(Folge-)Fahren erreicht. „Unabhängig“ kann bei Ausnutzung der maximal erlaubten Höchst-

geschwindigkeit gefahren werden. „Flüssig“ wird gefahren, falls nicht gebremst werden muss.

Dem Emotionspaar „hope-fear“ wird das Ziel des unfallfreien Fahrens zugeordnet, „love-hate“

berechnet sich aus einer Bewertung der Straßenklassifikation angelehnt an Fastenmeier [

FG92

„admiration-reproach“ richtet sich nach dem Bußgeld für eine Regelübertretung.

Fazit

Emotionen beeinflussen das Fahrverhalten auf unterschiedlichen Ebenen, sowohl was

Dauer oder Stärke der Beeinflussung betrifft, als auch deren Wirkung auf unterschiedliche psy-

chologische, wie auch physiologische Prozesse. Ähnlich dem motivationalen ist der emotionale

Aspekt ebenfalls einer der Gründe für das Nichtdeterministische des menschlichen Fahrens. Im

Gegensatz zu Motivationen sind Emotionen jedoch weniger geplant oder kontrolliert, allein

deren große inter- und intraindividuelle Varianz sowie die oftmals objektiv „banalen“ Auslöser

stellen eine besondere Schwierigkeit der Implementierung in ein Fahrermodell dar. Des Weiteren

muss beim Thema „Modellierung von Emotionen“ zwischen „Modellierung des Entstehens von

Emotionen beim Fahren“ und „Modellierung der Auswirkung von Emotionen auf das Fahrver-

137

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Abbildung 3.42: OCC-Modell nach Ortony, Clore & Collin [OCC90] aus Kraus [Kra12]

halten“ differenziert werden bzw. es sollten für die Implementierung in ein menschähnliches

Fahrermodell beide Aspekte berücksichtigt werden.

3.5 Individualität menschlichen Fahrverhaltens

Ein Fahrermodell mit ideal modellierten kognitiven Parametern mag sich – so man nur eine

bestimmte Situation betrachtet – menschähnlich verhalten. Der in einem solchen Fahrermodell

steckende Determinismus der Aktionen stellt jedoch einen bedeutenden Unterschied zu einem

Realfahrer dar. Bei gleichen kognitiven Fähigkeiten und identischen Situationen würde solch

ein Modell eben auch identische Reaktionen zeigen – genau das würde man von solch einem

Modell erwarten. Ebenso erwartbar ist, dass unterschiedliche Fahrer in nahezu identischen

Verkehrssituationen unterschiedlich reagieren. Jedoch zeigen identische Fahrer in identischen

Situationen mitunter völlig verschiedene Verhaltensweisen. Diese komplett in ein Fahrermodell

zu integrieren ist mithin unmöglich, nichtsdestoweniger kann man sich diesen annähern. Dazu

werden in diesem Kapitel mehrere Ursachen dieser „nicht-objektiven“ Verhaltensweisen näher

betrachtet.

3.5.1 Situationen und Manöver

Während einer Autofahrt erlebt der Fahrer unterschiedliche Szenarien mit jeweils szenarios-

pezifischen Situationen und damit verbunden unterschiedlichen psychischen und physischen

Anforderungen an die Fahraufgabe. Phasen des Kaum-Handelns wechseln sich mit kognitiv

fordernden Phasen ab, wobei die jeweilige Einordnung der aktuellen Situation inter- und intrain-

dividuell unterschiedlich vorgenommen werden kann. Eine rein „objektive“ Kategorisierung, also

138

3.5 Individualität menschlichen Fahrverhaltens

eine, die ohne Kenntnis der Motivationen bzw. Ziele des jeweiligen Fahrers eine Situation nur an-

hand der Umgebungsinformationen interpretiert, beschreibt den „wirklichen“ Zustand demnach

nicht vollumfänglich. Ebenso fehlen der Einschätzung aus Fahrersicht oft wichtige Informationen

über die Umgebung bzw. andere Verkehrsteilnehmer. Eine „objektive“ Situationsbeschreibung

kann als „Verkehrssituation“ bezeichnet werden. Reichart [

Rei01

] definiert diese als „objektiv

gegebene räumliche und zeitliche Konstellation, der verkehrsbezogenen Einflussgrößen der „ Ar-

beitsumgebung der Verkehrsteilnehmer“. Eine Verkehrssituation entsteht schlussendlich aus den

vielen Verhalten der Verkehrsteilnehmer und kann ein Ziel bzw. ein Ergebnis einer Modellierung

darstellen. Der subjektiv vom Fahrer wahrgenommene und eingeordnete dynamische Zustand

seines Fahrzeugs in der Welt sowie die Informationen über Umwelt und andere Verkehrsteilneh-

mer wird als „Fahrersituation“ bezeichnet. Der Begriff „Fahrsituation“ hingegen beschreibt die

theoretisch wahrnehmbaren Informationen des Fahrers in einer bestimmten Verkehrssituation und

stellt somit das Maximum der verwendbaren Informationen des Fahrers dar. Der Situationsbegriff

wird im folgenden Abschnitt entsprechend den Anforderungen an den Modellierungskontext

weiter spezifiziert.

Es gibt eine Vielzahl von Situationsdefinitionen in der einschlägigen Literatur. So definiert

Fastenmeier [

Fas95

] Situationen als räumlich und zeitlich abgrenzbare Elemente einer Fahrt, die

durch Fahrerhandlungen (z. B. das Überfahren einer Kreuzung) oder Änderungen der Umgebung

(z.B. das Wegfallen einer Fahrspur) beendet bzw. initiiert werden können. Eine Klassifizierung

wird basierend auf Straßentyp (innerorts, Landstraße, Autobahn), Straßenausbau (Anzahl Fahr-

spuren, Krümmung usw.), Trassierungsmerkmale (Steigung, Kreuzung, Art der Vorfahrt usw.)

sowie Verkehrsablauf (Hindernisse, Fahrtrichtungsänderungen usw.) vorgenommen. Insgesamt

können mit Hilfe dieser Taxonomie, da

Variablen mit jeweils 2 bis 9 Kategorien verwendet

werden, bis zu

3150

unterschiedliche Situationen definiert werden (Bauer [

Bau11

]). Schweigert

[

Sch02

] erweitert die Taxonomie um die Variablen „andere Verkehrsteilnehmer“ sowie „zuläs-

sige Geschwindigkeit“, somit können nun auch „dynamische“ Situationen betrachtet werden.

Reichart hingegen [

Rei01

] grenzt Fahrersituationen zeitlich durch einen Wechsel der fahrtbezo-

genen Handlungsprogramme des Fahrers voneinander ab. Weitere Definitionen bzw. Sichtweisen

auf den Situationsbegriff können bei Schneider [

Sch09

] sowie Kraus [

Kra12

] nachgeschlagen

werden.

3.5.1.1 Variable Situationsmerkmale

Die bisher verwendeten Situationsdefinitionen sind bezüglich der „intrasituativen“ Faktoren

wenig aussagekräftig. Eine Vielzahl von zeitlich kurzfristigen Einflüssen wirkt auf eine Situation,

so dass dieser Kontext zwei auf dem Papier völlig identische Situationen – mit dementspre-

chend unterschiedlichem Fahrerverhalten – erzeugen kann. Die wichtigsten Einflussfaktoren und

beispielhaft Zusammenhänge zum Fahrverhalten werden folgend tabellarisch dargestellt.

139

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Faktor Ausprägung Wirkzusammenhang

Tageszeit Tageslicht Normalverhalten

Dämmerung evtl. Blendungen durch tiefstehende Sonne

Nacht allgemein schlechtere Sicht,

evtl. Blendungen durch Scheinwerfer

Wetter

Bedeckter

Himmel

Normalverhalten

Sonne Normalverhalten

Regen evtl. Blendungen bzw. Beeinträchtigungen durch

Sonnenbrille

Schnee evtl. Glätte, Überdeckungen von Straßenschildern

bzw. Scheinwerfern durch Schnee

Nebel stark beeinträchtigte Sicht

Fahrbahn Trockenheit gutes bzw. „normales“ Bremsverhalten

Nässe verlängerter Bremsweg, Aquaplaning

Glatteis extrem verlängerter Bremsweg

Fahren nur bei sehr niedrigen Geschwindigkeiten möglich

Innenraum

Klimaanlage

defekt

erhöhte Temperaturen, evtl. erhöhte Frustration etc.

Laute Musik verminderte Aufnahmefähigkeit auditorischer Kanal

(Martinshorn, Hupe überhören)

Tabelle 3.5: Wichtige, das Fahren beeinflussende Umweltfaktoren

Die in Tabelle 3.5 aufgezählten Faktoren stellen nur einen Teil der denkbaren Umwelteinflüsse auf

das Fahrverhalten dar und erheben keinen Anspruch auf Vollständigkeit. Die Zusammenhänge

zum Fahrverhalten gelten im Allgemeinen nur für „Normalfahrer“. Je nach Fahrerfahrung,

medizinischen Prädispositionen bzw. Lust und Laune beeinflussen diese das Fahrverhalten

stärker oder schwächer.

Für die psychosozialen Faktoren in Tabelle 3.6 gilt die Aussage analog zu den Umweltfaktoren:

Sie repräsentieren nur einige der denkbaren Einflussgrößen. In diesem Fall hängt der Wirkzu-

sammenhang weitaus stärker mit der Persönlichkeit des Fahrers sowie dessen Beziehung zu den

Mitfahrern, den Fahrzeugeigentümern usw. ab. In den Abschnitten 3.4.4.1 und 3.4.5.1 wird auf

motivationale und emotionale Einflussfaktoren vertieft eingegangen.

3.5.1.2 Modi der Längsführung

Betrachtet man das Geschwindigkeitsverhalten von menschlichen Fahrern, so können primär

zwei Modi identifiziert werden: „freie Fahrt“ und „Folgefahrt“ (bzw. nach Fastenmeier [Fas95]

„ungebundene“ und „gebundene Fahrt“). Als „freie Fahrt“ wird im Allgemeinen ein Fahrzustand

bezeichnet, in welchem der Fahrer nicht durch andere vorausfahrende Fahrzeuge beeinflusst wird.

Vor allem für die Geschwindigkeitswahl ist dieser Zustand von Bedeutung, da diese nur durch

140

3.5 Individualität menschlichen Fahrverhaltens

Faktor Ausprägung Wirkzusammenhang

Gruppen-

dynamik

Alleinfahrt Normalverhalten

Beifahrer

vorhanden

sicheres und langsames Fahren, besonders bei Kindern als

Passagier

Ausnahme: junge Fahrer, hier teilweise riskantere und

schnellere Fahrweise

Eigentum Leihwagen teilweise rücksichtslosere Fahrweise

eigenes Auto

teilweise rücksichtsvollere Fahrweise

Fahrttyp Fahrt zur

Arbeit

evtl. größerer Zeitdruck, riskanteres Fahren

„Cruisen“ maximal entspanntes Fahren, langsamer

Notfall stark erhöhte Geschwindigkeiten

Tabelle 3.6: Psychosoziale Faktoren

eventuell vorhandene Geschwindigkeitsbeschränkungen sowie die durch die Streckenbeurteilung

des Fahrers (Kurvenkrümmung, Untergrund, Sichtweite) begrenzt wird. Es gibt unterschiedliche

Kriterien zur Abgrenzung der freien Fahrt von anderen Fahrzuständen: Nach Fastenmeier [

Fas95

]

ist eine Zeitlücke von mindestens

Sekunden zum vorausfahrenden Fahrzeug ein Kriterium.

Zöller [Zöl15] legt für ihre Untersuchungen eine Zeitlücke von mindestens 3 Sekunden fest.

Als „Folgefahrt“ wird die Fahrt hinter einem Fahrzeug beschrieben, somit ist die Geschwindig-

keitswahl (nach oben) entsprechend eingeschränkt. Die bereits beschriebene Zeitlücke von

Sekunden stellt einen groben Anhaltspunkt für eine Differenzierung für Folgefahrt und freie

Fahrt dar, jedoch kann diese nicht als alleiniges Maß dienen: Die Geschwindigkeitswahl kann

bei niedrigen Geschwindigkeiten auch bei größeren Zeitlücken vom vorausfahrenden Fahrzeug

beeinflusst werden, ebenfalls kann – bei wahrgenommener wachsender Zeitlücke – bei hohen

Geschwindigkeiten eine kleine Zeitlücke „freie Fahrt“ bedeuten, z.B. bei einem geplanten Über-

holvorgang. Dem Kontext kommt also eine große Bedeutung zu, ebenso dem Fahrer und seiner

Interpretation der Situation. Während der Folgefahrt regelt der Fahrer somit nicht zuvorderst

die eigene Fahrgeschwindigkeit, sondern den Folgeabstand, welcher sich aus dem aktuellen

Abstand und der Relativgeschwindigkeit zum vorausfahrenden Fahrzeug sowie der eigenen

Geschwindigkeit berechnet (Fecher [

Fec05

]), vgl. auch Abschnitt 3.1.5.2. Ein weiteres Kriterium

ist die Zeit, für welche die Zeitlücke die geforderten

Sekunden unterschreitet, Fecher [

Fec05

]

setzt diese bei

Sekunden an, Zöller [

Zöl15

] verwendet

Sekunden. Des Weiteren kann eine

Mindestgeschwindigkeit sinnvoll für die Abgrenzung von Stop-and-Go-Situationen sein, Fasten-

meier [

Fas95

] sieht die Grenze für eine Kolonnenfahrt bei

km/h, bei Zöller [

Zöl15

] sind es

10m/s, also 36km/h.

Eine „freie Fahrt“ im strengen Sinne – also einer, in der der Fahrer völlig unbeeinflusst von

anderen Fahrzeugen seine Geschwindigkeit wählt – kommt im alltäglichen Straßenverkehr nur

bei freier Strecke vor. Sobald sich andere Fahrzeuge auf derselben Fahrbahn befinden, trifft der

141

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Fahrer Voraussagen über das Verhalten, bewertet Risiken und trifft abhängig davon Entschei-

dungen, die sich auf die Geschwindigkeitswahl auswirken (Wird es einen Ausschervorgang auf

die eigene Spur geben? Steht ein Bremsmanöver kurz bevor?). Im Gegensatz zur Geschwin-

digkeitswahl, welche oftmals anhand Geschwindigkeitsbegrenzungen, Wirtschaftlichkeits- oder

Risikobetrachtungen getroffen wird, geschieht die Abstandswahl im „Folgefahrt“-Modus weniger

„datenbasiert“. Zum einen liegt dies an fehlenden Instrumenten im Fahrzeug, des weiteren legen

Untersuchungen nahe, dass eine fahrerspezifische als angenehm oder sicher geltende Zeitlücke

existiert (Bauer et al. [

BGR10

], Ehmanns [

Ehm01

], Fecher [

Fec05

]). Geregelt wird nicht der

Abstand, sondern eine persönlich präferierte Zeitlücke. Somit entbindet das Hinterherfahren den

Fahrer von einigen Entscheidungsprozessen, die Regelung der Zeitlücke geschieht vor allem

sensumotorisch.

Eine Möglichkeit der Modellierung von längsdynamischem Verhalten bietet das Verkehrsflussmo-

dell von Wiedemann [

Wie74

]: Er beschreibt vier unterschiedliche Zustände, welche von Abstand

und Geschwindigkeitsdifferenz zum vorausfahrenden Fahrzeug abhängen. Bei Abständen zum

Vorderfahrzeug von über

150

m befindet sich der Fahrer im Zustand „unbeeinflusstes Fahren“,

dies ist mit der bereits beschriebenen „freien Fahrt“ gleichzusetzen. Im Zustand „unbewusst

beeinflusstes Fahren“ folgt der Fahrer einem Fahrzeug mit einem bestimmten Abstand – dies

entspricht der beschriebenen „Folgefahrt“. Im „bewusst beeinflussten Fahren“ findet sich zum

einen ein Annäherungsvorgang bis zu einem bestimmten angepeilten Folgeabstand, falls die-

ser unterschritten wird, muss gebremst werden (vgl. Abbildung 3.43). Über unterschiedliche

Wahrnehmungsschwellen für Relativgeschwindigkeiten sowie unterschiedliche Minimal- und

Wunschabstände kann eine gewisse Menschähnlichkeit des Modells erzeugt werden. Des Weite-

ren existieren Toleranzen für die Abweichungen vom Wunschabstand, so dass Fahrerhandlungen

nicht instantan bei erkannten Abweichungen durchgeführt werden.

Fazit

Für den Normalfahrer ist anzunehmen, dass das freie Fahren der erwünschte Zustand

ist, falls das nicht möglich ist, muss das Folgefahren gewählt werden. Nichtsdestoweniger hängt

die zeitliche Verteilung der Zustände stark vom Umgebungsverkehr, der Straßenkategorie sowie

dem Fahrverhalten des entsprechenden Fahrers ab. Für die Modellierung lässt sich zusammen-

fassen, dass das Wissen um den aktuellen „Längsregelungszustand“ durchaus relevant ist. Je

nach Fahrertyp – aber auch abhängig vom aktuellen Erschöpfungszustand – wird „freie“ oder

„Folgefahrt“ präferiert. Des Weiteren ist eine Klassifikation des Zustands für den Fahrregler von

Bedeutung (Regelung der Geschwindigkeit bzw. des Abstands/der Zeitlücke). Für die Regelung

der Querdynamik existieren keine vergleichbaren Fahrmodi, da die Breite der Fahrspur die

Freiheiten des Fahrers genügend eingrenzt.

142

3.5 Individualität menschlichen Fahrverhaltens

Abbildung 3.43: Folgemodell aus Wiedemann [Wie74]

3.5.1.3 Manöver

Ein Manöver bezeichnet im Kontext der Fahrzeugführung eine zeitlich und örtlich begrenzte

Fahrhandlung mit einem bestimmten Ziel. Im Drei-Ebenen-Modell nach Michon [

Mic85

] sind

Manöver auf der mittleren – der taktischen bzw. Manöverebene – einzuordnen. Die Ziele der

Manöver müssen bestimmte Kriterien, die in der strategischen Ebene definiert wurden, erfüllen.

In den Ebenenmodellen – die hierarchische Modelle sind – können Manöver jederzeit stattfinden,

da keinerlei Zeitverhalten in den Modellen steckt. Damit diese Sichtweise aufrecht erhalten

werden kann, wird zwischen „ständigen“ und „komplexen“ Manövern unterschieden (z. B. Bubb

[

BBGV15

]). Ein „ständiges Manöver“ ist beispielsweise das „Folgen des Straßenverlaufs“, als

Beispiel für ein „komplexes“ Manöver wird das „Folgen eines vorausfahrenden Fahrzeugs“ ge-

nannt, es wird sogar ein „sehr komplexes Manöver“ – das Überholen eines Fahrzeugs aufgezählt.

Jürgensohn [

JBGS18

] grenzt Manöver auf einer zeitlichen Ebene von anderen Handlungen ab:

Manöver können nach dieser Definition alle Teile der Fahraufgabe sein, die zum einen länger als

automatisierte Handlungen im Millisekundenbereich, jedoch kürzer als Planungsvorgänge auf

der strategischen Ebene andauern.

Eine Kategorisierung der von Fahrmanövern wurde u. a. von Nagel & Enkelmann vorgenommen

[

NE91

]. Die Autoren beschrieben

Fahrmanöver, mit deren Hilfe es möglich sei, sowohl

innerstädtischen als auch Verkehr auf Autobahnen zu beschreiben. Später wurde ein

18.

Manö-

ver („Stillstand“) hinzugefügt (Bajcsy & Nagel [

BN96

]). Tölle [

Töl96

] verringerte die Anzahl

auf

basale Manöver, in dem er „virtuelle“ Objekte einführte und somit die Unterscheidung

zwischen realen Verkehrsteilnehmern und Bezugsobjekten der Straße (z.B. Haltelinien) aufhob.

143

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

Nagel & Enkelmann Tölle

Anfahren Anfahren

hinter einem anfahrenden Fahrzeug anfahren Anfahren

Straßenzug folgen Folgen

rückwärts fahren Folgen

einem Fahrzeug folgen Folgen

Kreuzung überqueren

Fahrspurwechsel nach links/rechts Fahrspurwechsel

Überholen Fahrspurwechsel

links/rechts abbiegen Abbiegen

am rechten Straßenrand anhalten Annähern

Stillstand Annähern

Annähern an ein sich vor dem Fahrzeug befindendes Objekt Annähern

vor einem Gegenstand anhalten Annähern

Kehre links/rechts Umkehren

Fahrtrichtung umkehren Umkehren

links/rechts an einem Gegenstand vorbeifahren Passieren

in eine Parklücke einfahren Parken

aus einer Parklücke herausfahren Parken

Tabelle 3.7: Fahrmanöver nach Nagel & Enkelmann [NE91] und Tölle [Töl96]

Die Manöver werden in drei Klassen eingeteilt; M1: „Fahrmanöver ohne Berücksichtigung

von Verkehrsobjekten“, M2: „Fahrmanöver mit Berücksichtigung von Verkehrsobjekten“ und

M3: „Parkmanöver“. Die Manöver sind jedoch nicht aus Fahrersicht betrachtet, sondern sollen

Beschreibungen bzw. Fahrmissionen für von autonom fahrenden Fahrzeugen durchführbare

Manöver darstellen. In Tabelle 3.7 sind die originalen bzw. reduzierten Manöver gegenüberge-

stellt.

Schreiber [

Sch11

] evaluierte den Ansatz von Nagel bzw. Bajcsy und entwickelte daraufhin

das Konzept von expliziten bzw. impliziten Manövern. Explizite Manöver sind vom Fahrer

aktiv gewünschte und vom Fahrerassistenzsystem umzusetzende Manöver (z.B. Wechsel der

Fahrbahn). Implizite Manöver hingegen sollen von der Manöverassistenz auch ohne expliziten

Fahrerwunsch ausgeführt werden (z.B. das In-der-Spur-bleiben), diese Art von Manöver kann

theoretisch unbegrenzt andauern. Des Weiteren kann zwischen taktischen und strategischen Ma-

növern unterschieden werden (Siedersberger, [

Sie03

]). Taktische Manöver beschreiben reaktive

Handlungen, die aufgrund von bestimmten Verkehrskonstellationen durchgeführt werden (z.B.

das Überholen eines Fahrzeugs). Strategische Manöver hingegen sind im Vorhinein bekannt

(z.B. ein Spurwechsel zum Zweck des Abfahrens von einer Autobahn). Einige Manöver (z.B.

ein Spurwechselmanöver) kann sowohl taktisch als auch strategisch durchgeführt werden, diese

unterscheiden sich somit vor allem in ihrer Motivation.

Die Unterscheidung zwischen aktiv gewünschten und „im Hintergrund“ ablaufenden Manövern

ist ebenso auf menschliches Fahrverhalten anzuwenden. Unter „Manöver“ verstehen Testfahrer

144

3.5 Individualität menschlichen Fahrverhaltens

Abbildung 3.44: Fahrerfähigkeiten nach Siedersberger [Sie03]

bestimmte Fahraufgaben, also abzufahrende Kurse mit bestimmten Rahmenbedingungen (z.B.

Doppelter Spurwechsel, Slalom etc.) – jedoch nicht das womöglich stundenlange Fahren auf

einer Autobahn. Dementsprechend wird im Rahmen dieser Arbeit eine alternative Definition

des Begriffs „Manöver“ verwendet: Ein Manöver bezeichnet eine zeitnahe Reaktion auf eine

Situationsänderung aufgrund extrinsischer oder intrinsischer Reize. Diese Reaktion beinhaltet

eine (Fahr-)Handlung sowie kognitive Planungs- und Entscheidungsvorgänge.

Wie schon aus den erwähnten Manöverkatalogen ersichtlich, gibt es Fahrmanöver unterschied-

licher Komplexitätsklassen. Beispielsweise kann das Manöver „links überholen“ in die Teil-

manöver „Spurwechsel links“ und „Spurwechsel rechts“ unterteilt werden (so man nur die

Querdynamik betrachtet). Führt man diesen Gedanken weiter, so erhält man letztendlich be-

stimmte Basis-Fahrhandlungen. Siedersberger [Sie03] nennt diese „Fahrerfähigkeiten“

Offensichtlich ist eine Trennung von Längs- und Querhandlungen sinnvoll, da die Längs- und

Querführung mittels unterschiedlicher Bedienelemente durchgeführt wird. Viele dieser Fertig-

keiten finden auf der sensumotorischen Ebene – und somit zumeist unbewusst – statt. Manöver

beschreiben also eine bestimmte Klasse von Handlungen, welche eine spezifische Problemstel-

lung im Kontext der Fahrzeugführung lösen.

3.5.2 Fehler

In der Psychologie existieren eine Vielzahl von Fehlerdefinitionen und -klassifikationen. Der

Begriff „Fehler“ kann aus zwei Sichtweisen betrachtet werden: Zum einen als eine Verhal-

tensabweichung von einem Soll- oder Normverhalten, zum anderen als Nichterreichen eines

bestimmten Handlungsziels durch den Handelnden. Eine entscheidende Eigenschaft, die eine

Handlung innehaben muss, um als „fehlerhaft“ definiert werden zu können, ist deren Vermeid-

145

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

barkeit (Zapf et al. [

ZFB+99

]). Damit einhergehend gilt für die nicht erreichten Handlungsziele,

dass es eine Möglichkeit zur Erreichung dieser gegeben haben muss, um das Nichterreichen

als Fehler bezeichnen zu können. Bei der Untersuchung menschlichen Fahrverhaltens fallen

unweigerlich die mannigfaltigen Möglichkeiten menschlicher Fehlhandlungen während des

Fahrens auf. Betrachtet man die Fahraufgabe mit Hilfe des Wickens’schen Modells der Informati-

onsverarbeitung, so kommt man zu dem Schluss, dass Fehlhandlungen im Allgemeinen in all den

beschriebenen Stufen des Modells ihren Ursprung haben können. Michon [

Mic85

] schlussfolgert

daher, dass prinzipiell vier Fehlertypen existieren: Fehler der Wahrnehmung, des Verstehens, der

Entscheidung und der Handlung. Rasmussens [

Ras82

] Modell des Handlungsablaufs bei Fehlern

hingegen beschreibt ausnahmslos fehlerhafte Handlungen, die zwischen Signaldetektion und

Handlungsausführung geschehen. Er geht von einem sequentiellen Verlauf der Informationsver-

arbeitung aus und ordnet jedem Schritt einen spezifischen Fehlertyp zu. Zimmer [

Zim01

] hat

das Modell des Handlungsablaufs bei Fehlern von Rasmussen an die Fahraufgabe adaptiert (vgl.

Abbildung 3.45). Folgende Fehlertypen können demnach beim Fahren auftreten:

•

Struktureller bzw. mechanischer Fehler: Die Fehlhandlung liegt außerhalb der Fahrerhand-

lung bzw. ist eine Folge einer im Vorfeld begangenen Fehlhandlung, die einen nicht mehr

abwendbaren Fehler nach sich trägt (z.B. bei einem unabwendbaren Unfall oder einem

technischen Defekt).

•

Informationsfehler: Wichtige Informationen werden nicht bzw. zu spät wahrgenommen

(z.B. Übersehen einer roten Ampel).

•

Diagnosefehler: Die Situationseinschätzung ist fehlerhaft (z. B. Verhalten anderer Ver-

kehrsteilnehmer).

•

Zielsetzungsfehler: Ein Ziel wird ausgewählt, das nicht der (objektiven) Situation angepasst

ist (z.B. ein riskantes Ausweichmanöver wegen eines kleinen Tieres).

•

Methodenfehler: Es wird eine nicht adäquate Handlung zur Zielerreichung gewählt (z.B.

beim Autofahren Lenken, Bremsen, Beschleunigen – da es zumeist nur eine Methode gibt,

um ein Ziel zu erreichen, kommen Methodenfehler beim Autofahren so gut wie nie vor,

denkbar wäre z.B. „untersteuerndes Lenken mit Handbremse bei Schnee“ vs. „normales

Lenken“).

•

Handlungsfehler: Die Handlung wird fehlerhaft ausgeführt (z. B. zu starkes Lenken,

Bremsen).

•

Bedienungsfehler: Ein Fehler ist bei der Betätigung des Bedienelements aufgetreten (z. B.

Abrutschen von einem Pedal).

Gruendl [

Grü05

] hat Unfallursachen mit Hilfe dieser Fehlertaxonomie untersucht, diese hatte

zum Ergebnis, dass Informationsfehler bei weitem überwiegen (vgl. Abbildung 3.46).

Eine etwas andere Kategorisierung nahm Reason vor [

Rea90

]. Er unterscheidet in seinem

„Modell der gefährdenden Verhaltensweisen“ zwischen intendierten und nicht intendierten sowie

146

3.5 Individualität menschlichen Fahrverhaltens

Abbildung 3.45: Fehlerkategorien von Zimmer [Zim01] nach Rasmussen [Ras82]

Inf.-aufnahme

Handlung

Diagnose

Strukturell

Zielsetzung

Bedienung

100

150

200

250 240

38 24 23 18 6

Anzahl Fehler

Abbildung 3.46: Unfallursachen nach einer Untersuchung durch Gründl [Grü05]

147

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

zwischen sicherheitsorientierten und effektivitätsorientierten Verhaltensweisen. Ein Verstoß

unterscheidet sich somit von Fehlern dadurch, dass er bewusst und aufgrund eines falschen

Effektivitätsverständnisses hervorgerufen wird (vgl. Tabelle 3.8).

Verhalten sicherheitsorientiert effektivitätsorientiert

nicht intendiert

Aufmerksamkeitsfehler,

Gedächtnisfehler

Zielsetzungsfehler

intendiert – Verstoß

Tabelle 3.8: Fehlerarten nach Reason [Rea90]

Jones & Endsley [

JE00

] entwickelten eine Fehlertaxonomie basierend auf dem Konzept des

Situationsbewusstseins (vgl. Abschnitt 3.4.3) und unterschieden drei Fehlerebenen:

•

Ebene 1 – Fehler in der Situationswahrnehmung: Die Situation wird nicht korrekt wahrge-

nommen (Informationen sind nicht verfügbar, schwer zu erkennen, wurden falsch erkannt

oder vergessen).

•

Ebene 2 – Fehler im Situationsverständnis: Die Situation wird z.B. aufgrund schlechter

oder falscher mentaler Modelle falsch eingeschätzt.

•

Ebene 3 – Fehler in der Situationsprognose: Die zukünftige Entwicklung der Situation

wird aufgrund schlechter oder falscher mentaler Modelle falsch extrapoliert.

Bezüglich dieser Kategorisierung haben die meisten Unfälle ihre Ursachen in Fehlern der Ebene

1 – also der Situationswahrnehmung.

Hacker [Hac98] unterscheidet zwischen drei Ursachen menschliches Fehlverhaltens:

• Objektives Fehlen von Informationen

•

Fehlende Nutzung objektiv vorhandener Informationen: Übersehen, Vergessen, Über-

gehen, Informationsreduktion bei Redundanzausnutzung, Zeit- bzw. kapazitätsbedingte

Verarbeitungsdefizite

•

Falsche Nutzung objektiv vorhandener Informationen: falsches Orientieren, falsches Ent-

werfen von Aktionsprogrammen, falsches Entscheiden, unzutreffende Bedingungseinord-

nung von Aktionsprogrammen

Betrachtet man aktuelle Daten des statistischen Bundesamtes, so erhält man als Hauptunfall-

ursachen bei Fahrzeugführerinnen und -führern im Jahr

2017

Fehler beim Abbiegen, Wenden,

Rückwärtsfahren sowie beim Ein- und Anfahren (

16%

). Am zweithäufigsten wurde die Vor-

fahrt beziehungsweise der Vorrang anderer Verkehrsteilnehmerinnen und -teilnehmer missachtet

(

15%

). Oft wurde auch der Abstand nicht eingehalten (

14%

) beziehungsweise die Geschwindig-

keit nicht angepasst (12%).

148

3.5 Individualität menschlichen Fahrverhaltens

Abbildung 3.47: Unfälle nach Fehlerkategorien im Jahr 2017 [Bun18]

Es stellt sich nun die Frage nach der Wahrscheinlichkeit eines bestimmten Fehlertyps bzw. der

Häufigkeit seines Vorkommens. Die HEP (Human Error Probability) beschreibt die Anzahl

der fehlerhaft durchgeführten Aufgaben des Typs „A“ geteilt durch alle Aufgaben des Typs

„A“ (Bubb [

BBGV15

]). Bei hochgeübten (fertigkeitsbasierten) Handlungen werden Fehlhand-

lungswahrscheinlichkeiten von

10−3

erwähnt (nach Swain & Guttman [

SG83

], basierend auf

Untersuchungen im Kontext von Atomkraftwerken), für wissensbasierte Handlungen sind die

Wahrscheinlichkeiten um mehrere Größenordnungen erhöht (

10−1

bis-

10−2

). Bubb nimmt eine

„interne Zykluszeit des Menschen“ von

Sekunden für hochgeübte Tätigkeiten und

Sekunden

für neuartige Tätigkeiten an und berechnet daraus eine MTBF (Mean Time Between Failures)

von ca.

min (

3000

s bei

10−3

). Bei einer Fehlhandlungswahrscheinlichkeit von

10−4

betrüge

die MTBF entsprechend 500min.

Fazit

Ein Fahrermodell, welches nicht in der Lage ist, menschliche Fehlhandlungen zu simulie-

ren, kann schwerlich als „menschähnlich“ bezeichnet werden, da das Vorhandensein von Fehlern

eine systeminhärente Eigenschaft menschlicher Handlungsweisen ist. Je nach Modellierungs-

ziel, Typ der Menschähnlichkeit und Modellierungsressourcen können Fehler in verschiedenen

Ebenen eines Fahrermodells implementiert werden. Bei einer Modellstruktur basierend auf dem

Wickens’schen Informationsverarbeitungsmodell bietet sich die Rasmussen’sche Taxonomie an,

eine Erweiterung bezüglich situativer Elemente sollte jedoch – siehe Kapitel 4.1 – angedacht

werden.

149

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

3.5.3 Lernen

Als Lernen wird ein Prozess definiert, der zu Veränderungen im Verhalten führt und auf Erfah-

rung aufbaut. Erfahrungen sind hierbei gesammelte Erkenntnisse über Reaktionen der Umwelt

auf (eigene) Handlungen. Außerhalb der Fahrschule findet das Erlernen des Autofahrens vor

allem durch informelles Lernen, also nicht bewusst angestrebtes Lernen, bzw. noch genauer als

implizites Lernen, also als Lernen, dessen Verlauf und Ergebnis dem Lernenden nicht bewusst

sind, statt. Beim Erlernen des Autofahrens wird nicht die eine Fähigkeit „Autofahren“ erlernt,

vielmehr werden viele unterschiedliche Kombinationen der Koordination von sensorischen und

motorischen Signalen erlernt, beim Autofahren sind dies insbesondere das Lenken, Bremsen,

Wechseln des Gangs und Kuppeln, Verwendung der Rückspiegel, Beachten der Verkehrsschilder,

Beobachten der anderen Verkehrsteilnehmer und vieles mehr [Lan06].

Bezüglich Rasmussens Modell des zielgerichteten Verhaltens „wandern“ Fähigkeiten während

des Lernens von der wissensbasierten (obersten) Ebene zur fertigkeitsbasierten (untersten) Ebene.

Bei einem „erfahrenen“ Fahrer finden nach einer gewissen Zeit (bzw. Anzahl gefahrener Kilome-

ter) viele, vor allem sensumotorische Prozesse automatisch bzw. unbewusst statt

. Für kognitive

Prozesse während des Fahrens bedeutet Lernen eine immer genauere Präzisierung mentaler

Modelle (Modelle des eigenen Fahrzeugs, der Voraussage von Handlungen, von Umweltein-

flüssen usw.). Umfangreiche Ausführungen zu diesem Thema sind bei Jürgensohn [

JBGS18

]

nachzulesen.

Eine Implementierung von „Lernen“, welches eben genannter Beschreibung entspricht, in Fah-

rermodelle wurde bisher aus Komplexitätsgründen nicht unternommen. Im Kontext der Fahrer-

modellierung beschränkt sich „Lernen“ zumeist auf unterschiedliche Formen des maschinellen

Lernens, diese sollen jedoch nicht menschliches Lernen simulieren, sondern stellen im Allge-

meinen eine Optimierung bestimmter Funktionen des Fahrreglers dar und sind daher in diesem

Kontext nicht von Bedeutung.

Fazit

Im Allgemeinen ändern sich Fahrerfahrung bzw. die Fertigkeit des Fahrens nur sehr

langsam, eine Implementierung des Lernvorgangs in ein Fahrermodell, welches üblicherweise

einzelne Fahrten durchführen soll, erscheint daher als vergleichsweise aufwändig und inef-

fizient. Im Hinblick auf unterschiedliche Fahrertypen ist die Verwendung eines bestimmten

Lernfortschritts – also der Fahrerfahrung – jedoch möglich.

3.6 Unterschiede im Fahrverhalten und ihre Ursachen

Wenn von „menschlichem“ oder „menschähnlichem“ Verhalten die Rede ist, dann werden alle

Verhaltensweisen, die für einen Menschen denkbar sind, zusammen betrachtet. Während der

Es dauert ca.

Jahre bzw.

100000

km Fahrleistung, bis ein niedriges Unfallniveau erreicht wird (Donges [

Don15

]),

dies ist unabhängig vom Alter bei Erwerb des Führerscheins

150

3.6 Unterschiede im Fahrverhalten und ihre Ursachen

Bewältigung der Fahraufgabe trifft der Fahrer permanent Entscheidungen, somit zählen alle

daraus abgeleiteten Handlungen zu „menschlichem“ Fahrverhalten. Es gibt eine Vielzahl von

Einflussfaktoren, die auf die einzelnen kognitiven und sensumotorischen Prozesse wirken und

dazu führen, dass sich menschliche Handlungen voneinander unterscheiden. Dies betrifft sowohl

interindividuelle als auch intraindividuelle Verhaltensunterschiede. Letztere wurden im Abschnitt

3.4 dieses Kapitels ausführlich erläutert, vor allem beeinflussen Motivationen und Emotionen

Variationen im Fahrverhalten eines Fahrers. Einige dieser Faktoren sind während einer Fahrt

konstant bzw. ändern sich so langsam, dass von einer Konstanz ausgegangen werden kann, andere

sind von bestimmten Umgebungsbedingungen bzw. Situationen abhängig und können daher

während der Fahrt variieren. Eine Simulation von menschähnlichem Fahrverhalten muss jedoch

all diese Einflussfaktoren berücksichtigen, um ein möglichst hohes Maß an Menschähnlichkeit

erreichen zu können.

Die Individualität des menschlichen Fahrverhaltens wird jedoch durch die Beschränkung seiner

Handlungsmöglichkeiten begrenzt – zum einen physikalisch durch die ihm zur Verfügung stehen-

den Bedienelemente und die Bewegung in einem Fahrzeug und zum anderen auch bezüglich des

Handlungsraums durch das recht starre Regelwerk des Straßenverkehrs. Nichtsdestoweniger wird

das Fahrverhalten eines Menschen durch unterschiedliche Faktoren seiner Psyche, aber auch

seiner Physis beeinflusst. Diese Eigenschaften, welche Unterschiede zwischen Menschen bzw. in

deren Fahrverhalten beschreiben, sind zum einen spezifische kognitive und körperliche Fähig-

keiten, aber auch Erfahrung und die damit einhergehenden Fertigkeiten. Weiterhin spielen auch

demografische Eigenschaften wie Alter und Geschlecht, aber auch kulturelle Prädispositionen

eine gewisse Rolle.

Carsten [

Car07

] extrahiert aus einer Vielzahl von Untersuchungen und Modelltheorien fünf

Haupteinflussfaktoren für das Fahrverhalten, von denen die ersten beiden interindividuelle und

die letzten drei intraindividuelle Unterschiede beschreiben.

1) (innere) Einstellung/Persönlichkeit („attitudes/personality“)

2) Erfahrung („experience“)

3) Fahrerzustand („driver state“)

4) Aufgabenanforderung („task demand“)

5) Situationsbewusstsein („situation awareness“)

Kratzsch [

Kra11

] verwendet für sein Modell zur fahrerzentrierten Beschreibung der integralen

Fahrzeugsicherheit folgende Kategorien, auch hier wird nicht explizit zwischen intra- und

interindividuellen Unterschieden getrennt.

1) Alter (<21, 21−59, >59)

2) Geschlecht (weiblich vs. männlich)

3) Fahrstil (sportlich, moderat oder komfortabel)

151

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

4) Fahrleistung (wenig, mittel oder viel)

5) Aufmerksamkeit (aufmerksam vs. nicht aufmerksam)

6) Beanspruchung (wenig, mittel oder stark)

Folgend werden die Kategorien „Persönlichkeit“ (inkl. Demografie), „Fahrerfahrung“ und „Fahr-

stil“ näher betrachtet.

3.6.1 Persönlichkeit

Heutzutage besteht Einigkeit in der Forschergemeinde, dass eine Kategorisierung einer Persön-

lichkeit mittels fünf Hauptdimensionen („Big Five“) gut möglich ist. Diese sind „Extraversion“,

„Neurotizismus“, „Gewissenhaftigkeit“, „Verträglichkeit“ und „Offenheit“. Ein Einfluss die-

ser – aber auch anderer – Persönlichkeitsfaktoren auf das Fahrverhalten existiert und wurde

in verschiedenen Studien nachgewiesen (z.B. Ulleberg [

Ull02

], Dahlen [

DMRK05

] oder Hol-

te [

Hol12

]). So korreliert eine geringe Ausprägung an Gewissenhaftigkeit mit einer erhöhten

Unfallgefahr. Eine hohe Ausprägung der Variablen Extraversion sowie Neurotizismus wird mit

einem Anstieg der Unfallhäufigkeit und Regelübertretungen in Verbindung gebracht, letztere

zusätzlich noch mit Aggressionen während des Fahrens. Für Verträglichkeit und Offenheit sind

die Zusammenhänge weniger deutlich. Ein weiteres Konstrukt – welches jedoch nicht direkt

aus den Big Five hergeleitet werden kann – ist das des „Sensation Seekings“. Es beschreibt

nach Zuckerman [

Zuc94

] einen „Trait, der definiert ist durch das Bedürfnis nach wechselnden,

neuen und komplexen Erregungen und der Bereitschaft, um dieser Erregungen Willen physische

und soziale Risiken auf sich zu nehmen“. Somit sind Fahrer mit hohem „Sensation Seeking“

prädestiniert für eher rücksichtsloseres Fahrverhalten, hohe „Sensation Seeking“-Werte sind mit

erhöhten Unfallzahlen, höheren Geschwindigkeiten und anderen unsicheren Verhaltensweisen

verknüpft – ähnliches gilt für „Driving Anger“, also dem Wütendwerden während des Fahrens.

Schulze [

Sch99

] untersuchte den Zusammenhang der Zugehörigkeit von Fahrern zu verschiede-

nen Lebensstiltypen und deren Fahrverhalten. Die Lebensstiltypen „Action-Typ“, „Fashion-Typ“,

„häuslicher Typ“, „kritischer Typ“ und „kicksuchender Typ“ unterscheiden sich in bestimmten,

verkehrssicherheitsrelevanten Merkmalen deutlich voneinander. Vor allem der Action- und der

kicksuchende Typ fallen durch eine signifikant höhere Gefährdung der Verkehrssicherheit und

riskantere Verhaltensweisen auf. Sie können durch hohes „Sensation Seeking“ und eine starke

Ausprägung einiger Extramotive charakterisiert werden. Vor allem jüngere Fahrer, insbesondere

Männer, sind in diesen Gruppen stark überrepräsentiert.

152

3.6 Unterschiede im Fahrverhalten und ihre Ursachen

3.6.2 Demografie

Neben der Persönlichkeit beeinflusst auch die Zugehörigkeit des Fahrers zu einer bestimmten

demografischen Gruppe – zumindest statistisch – bis zu einem gewissen Maße sein Fahrverhal-

ten.

Alter

So fahren jüngere Fahrer durchschnittlich schneller und riskanter, was – neben der

fehlenden Fahrerfahrung – in Defiziten bei der Wahrnehmung wichtiger Informationen, der

Situationseinschätzung, der Aufmerksamkeitssteuerung sowie beim Fahrzeughandling begründet

ist (Grattenthaler et al. [

GK09

]). „Typische“ Unfälle für jüngere Fahrer sind das Abkommen

von der Fahrbahn, die Gründe für Unfälle bei Jüngeren sind zumeist Verstöße, also bewusste

Regelübertritte (Gründl, [

Grü05

]). Jüngere Fahrer zeichnen sich zudem durch eine riskantere

Fahrweise aus. Dies äußert sich beispielsweise durch dichtes Auffahren, überhöhte Geschwindig-

keit oder Bei-gelb-über-die-Ampel-fahren. Ursächlich für die riskante Fahrweise sind sowohl

Selbstüberschätzung als auch die Unterschätzung von Risiken.

Ältere Fahrer leiden jedoch an vergleichbaren Problemen – eine Verlangsamung kognitiver

Prozesse sowie motorischer Aktionen kann beobachtet werden (Meyer et al., [

MGM+01

]). Nach

Abendroth & Bruder [

AB15

] verschlechtern sich mit zunehmendem Alter die Rezeptorfähig-

keiten, somit können weniger Informationen aufgenommen werden. Eine Einschränkung des

Sichtfelds ist ebenso zu beobachten, dies führt u.a. zu Detektionsproblemen von sich bewe-

genden Objekten im peripheren Gesichtsfeld (Ball & Owsley [

BO93a

]). Die Wahrnehmbarkeit

von hohen Frequenzen verschlechtert sich ebenso wie der Gleichgewichtssinn und die taktile

Wahrnehmungsempfindlichkeit. Vor allem in komplexen, neuen Situationen tritt die insgesamt

schlechtere Aufmerksamkeitsleistung zutage, was letztendlich zu Fehlern führen kann (vgl.

Abschnitt 3.5.2). Ältere sind eher für Unfälle im Kreuzungsbereich verantwortlich, die Grün-

de hierfür sind oftmals Informationsfehler, die auf Probleme in der Wahrnehmung bzw. der

kognitiven Verarbeitung zurückzuführen sind (Gründl, [Grü05]).

Geschlecht

Während in einigen Untersuchungen geschlechtsspezifische Unterschiede im

Fahrerverhalten festgestellt wurden, konnten in anderen Untersuchungen keine Unterschiede

im Hinblick auf das Risikoverhalten sowie das Geschwindigkeitsverhalten bestätigt werden.

Unterschiede sind aber in der Wahrnehmung des Unfallrisikos bei Männern und Frauen fest-

zustellen: Männer schätzen ihr Fahrkönnen besser ein als Frauen, dabei neigen Frauen eher zu

einer Unterschätzung ihrer Leistungsfähigkeit, während Männer eher zu einer Überschätzung

tendieren. Außerdem beurteilten männliche Fahrer bestimmte Verhaltensweisen als weniger ge-

fährlich und weniger unfallträchtig als weibliche. Laut Gründl [

Grü05

] führen Männer, die einen

Unfall verursacht haben, etwa doppelt so oft wie weibliche Unfallverursacher eine „gefährdende

Routine“ durch (dazu zählen z.B. Verhalten wie „zu schnelles Fahren“ oder „Unterschreiten des

Sicherheitsabstands“). Nach Holte [

Hol12

] fahren Männer etwa viermal öfter unter Alkoholein-

153

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

fluss als Frauen und überholen etwa anderthalb mal so oft fehlerhaft. Frauen zeigten erhöhtes

Fehlverhalten bei Vorfahrtsverletzungen (

+40

%) sowie beim Abbiegen (

+15

%). Dies lässt eben-

falls vermuten, dass von Männern verursachte Unfälle vermehrt Verstöße zum Ausgangspunkt

haben, bei Frauen hingegen Fehler in der Informationsaufnahme bzw. Situationswahrnehmung

dominieren (Sommer [Som13]).

3.6.3 Fahrerfahrung

Eine Vielzahl von Unterschieden bezüglich des Fahrverhaltens kann auf unterschiedliche Fahrer-

fahrung zurückgeführt werden. Im Gegensatz zu unerfahrenen Fahrern haben erfahrene Fahrer

viele komplexe Situationen bereits erlebt und müssen die erfolgreich angewandten Strategien für

eine neue Situation nur leicht modifizieren. Ebenfalls können Reaktionen des eigenen Fahrzeugs

bzw. die anderer Verkehrsteilnehmer von erfahrenen Fahrern besser antizipiert werden, was zu

einer besseren Risikoeinschätzung führt. Fast alle Handlungen erfahrener Fahrer sind auf der

fertigkeitsbasierten Ebene bzw. der Ebene der sensumotorischen Regelung zu verorten, was zu

einer geringeren Ausnutzung kognitiver Ressourcen führt. Dem ist jedoch entgegenzusetzen,

dass dem subjektiven Gefühl des Könnens und der Sicherheit auch objektiv schlechte Verhaltens-

weisen einhergehen: Bestimmte Gewohnheiten (weniger Kontrollblicke, zu dichtes Auffahren)

sind bei erfahrenen Fahrern vermehrt anzutreffen.

Nach Abendroth & Bruder [

AB15

] unterscheiden sich Anfänger von erfahrenen Fahrern unter

anderem durch spätes Beschleunigen, schlechteres bzw. inkonsistenteres Lenken, eine höhere

Lenkfrequenz sowie langsamere Gangwechsel. Ebenfalls werden entfernte Gefahren später

erkannt, da öfter im Nahbereich fixiert wird. Erfahrene Fahrer fahren in Kurven höhere Ge-

schwindigkeiten, verzögern jedoch auch stärker.

Erfahrene Fahrer zeichnet des Weiteren ihre weiter entwickelten Antizipationsfähigkeiten aus,

nach Fuller [

Ful05

] verhalten sich erfahrene Fahrer vorausschauender, da sie bereits vor dem

Auftreten möglicher Gefahren ihre Fahrweise so anpassen, dass diese eliminiert wird (somit

bleibt das Niveau der Fahraufgabe konstant). Unerfahrene Fahrer hingegen reagieren später, aber

gezwungenermaßen stärker. Des Weiteren erkennen diese weiter entfernte Hindernisse signifikant

schlechter als erfahrene Fahrer und erinnern sich an deutlich weniger Informationen.

3.6.4 Fahrstile

Als Fahrstil kann eine spezifische Art und Weise der Lösung der Fahraufgabe bezeichnet wer-

den. Die Einflussfaktoren Persönlichkeit,Demografie und Fahrerfahrung sind ursächlich bzw.

modifizieren Fähigkeiten und Fertigkeiten eines Fahrers. Diese beeinflussen seine kognitiven

und motorischen Prozesse während des Fahrens, wobei bestimmte Ausprägungen bei einzelnen

Aspekten der Fahraufgabe zu einem Fahrstil zusammengefasst werden können. Eine Fähigkeit

beschreibt in diesem Kontext das Potential allgemeiner psychischer und physischer Leistungsfä-

154

3.6 Unterschiede im Fahrverhalten und ihre Ursachen

higkeit (z.B. Intelligenz, Körperkraft usw.), eine Fertigkeit hingegen ein (komplexes) gelerntes

Handlungsmuster bezüglich einer konkreten (Fahr-)Aufgabe, beispielsweise „Bremsen auf glatter

Fahrbahn“. Des Weiteren muss zwischen den Begrifflichkeiten Fahrstil und Fahrertyp unterschie-

den werden: Ersterer beschreibt eine konkrete Art und Weise des Fahrens, letzterer charakterisiert

einen Fahrer, der bestimmte Fahrstile anderen vorzieht. Ein aggressiver Fahrertyp wird statis-

tisch gesehen öfter einen aggressiven Fahrstil an den Tag legen, dies geschieht jedoch nicht

permanent.

Die Beschreibungen von Fahrstilen sind vielfältig. Abendroth & Bruder [

AB15

] benutzen für

Lkw-Fahrer die Begriffe „lahm-lasch“, „eckig-abrupt“ und „zügig-flott“, für Pkw-Fahrer „eher

langsam und komfortbewusst“, „durchschnittlich mit hohem Sicherheitsbewusstsein“ sowie

„schnell und sportlich“, wobei die Beurteilungen anhand der Kenngrößen Geschwindigkeit,

Längsbeschleunigung und Abstand zum Vorausfahrenden getroffen wurden.

Nach Ebersbach [

Ebe06

], der zwischen drei Fahrertypen differenziert, unterscheiden sich diese

vor allem in der auftretenden maximalen Querbeschleunigung, der auftretenden Längsverzö-

gerung /-beschleunigung und der kumulierten Geschwindigkeitsänderung während einer Fahrt.

Bezüglich der Beschleunigungen können g-g-Diagramme bzw. g-g-v-Diagramme verwendet

werden, um die fahrertypabhängigen Beschleunigungsgrenzen grafisch darzustellen, letztere

sind geschwindigkeitsabhängige g-g-Diagramme (Fischer et al. [

FBEV11

]). Nach Lewandowitz

[

Lew14

] werden in der Literatur maximale Querbeschleunigungswerte für den Normalfahrer von

3m/s2

bis

4m/s2

angegeben. Wegscheider & Prokop [

WP05

] untersuchten das Geschwindigkeits-

verhalten unterschiedlicher Fahrertypen auf Landstraßen: „Defensive“ Fahrer bevorzugten eine

Geschwindigkeit von

100

km/h, „dynamische“ Fahrer wünschten sich eine um

km/h erhöhte

Geschwindigkeit.

Im Projekt S.A.N.T.O.S

(Ebersbach [

Ebe06

]) wurden folgende fünf Fahrertypen definiert:

„sportlich-draufgängerisch“, „dynamisch-progressiv“, „routiniert-abgeklärt“, „unauffällig-kon-

servativ“ sowie „ängstlich-zurückhaltend“. Eine andere Einteilung innerhalb des Projekts ergab

sechs Fahrertypen, die sich von Typ

– „gelassen“ bis Typ

– „dynamisch“ erstrecken. Zu

einer ähnlichen Taxonomie gelangt Aasman [

Aas95

], er beschreibt fünf Klassen von Typ

–

„ruhig, diszipliniert“ bis Typ

– „aggressiv, aufdringlich“. Oftmals wird aus Gründen der Ein-

gängigkeit eine Kategorisierung in drei Fahrertypen favorisiert, die zumeist die drei Fahrertypen

„sportlich/aggressiv“, „normal“ und „entspannt“ abbilden sollen. Fahrertypen werden in der

Unfallpsychologie nach Erfahrungsgrad (erfahren vs. unerfahren) und Fahrstil (vorsichtig vs.

risikobereit) unterteilt (Heinrich [Hei16]).

Kulturelle Prägung

Das Autofahren an sich unterscheidet sich rein technisch in unterschiedli-

chen Ländern nur wenig. Ein Hauptunterschied ist hier die standardmäßig zu befahrende Fahrspur,

die sich auch auf das Design der Fahrzeuge auswirkt (Links- bzw. Rechtslenker). In einem Fahr-

10Situations-Angepasste und Nutzer-Typ-zentrierte Optimierung von Systemen zur Fahrerunterstützung

155

3 Theoretische Grundlagen des menschlichen (Fahr-)Verhaltens

system ungeübte Autofahrer müssen sich zunächst an die veränderten Regeln gewöhnen. Es ist

daher anzunehmen, dass in dieser Eingewöhnungszeit Fahrfehler vermehrt auftreten. Weitere

kulturelle Unterschiede beschreibt Färber [

Fär15

]: So unterscheidet sich beispielsweise der Grad

der Regelbefolgung in unterschiedlichen Kulturen stark – Das Beharren auf das Vorfahrtsrecht

ist in Deutschland besonders ausgeprägt, als Beispiel wird das Einholen des Einverständnisses

für ein Einschermanöver angeführt. Weiterhin wird ein besonderes gleichmäßiges und spurbe-

zogenes Fahren für die USA beschrieben, was sich z.B. gerade nicht für den Verkehr in China

aussagen lässt: Dort zeichnet sich das Fahren (bislang) durch eine geringe Regelbefolgung aus.

Özkan et al. [

ÖLC+06

] beschreiben ebenfalls kulturelle Unterschiede im Fahrverhalten, wobei

sich auf Verletzungen der Verkehrsregeln konzentriert wird. Es wird zwischen „gewöhnlichen“

und „aggressiven“ Verstößen unterschieden, wobei sich vor allem bei letzterem Unterschiede

zwischen nord-/westeuropäischen sowie südeuropäischen und Fahrern aus dem Nahen und Mitt-

leren Osten zeigen. Sivak et al. fanden länderspezifische Unterschiede in Risikowahrnehmung

[SST89a], eingegangenem Risiko [SST89b] sowie Fahrerselbsteinschätzung [SST89c].

Fazit

Unterschiede im menschliches Fahrverhalten bestehen aufgrund vielerlei Ursachen: In-

traindividuelle Unterschiede lassen sich vor allem durch Motivationen und Emotionen erklären,

längerfristig betrachtet spielt die Fahrerfahrung eine weitere wichtig Rolle. Interindividuelle

Unterschiede existieren zuvorderst basierend auf Persönlichkeitsmerkmalen, aber – damit zusam-

menhängend – auch auf der Zugehörigkeit des Fahrers zu einer bestimmten sozio-kulturellen

Gruppe, wobei Geschlecht und Alter ebenfalls bezüglich bestimmter Handlungsweisen eine

Rolle spielen können. Für die Modellierung kann daher die (triviale) Aussage getroffen werden,

dass der zu modellierende Fahrertyp umso besser modelliert werden kann, je mehr Informationen

über diesen sowie bekannte Implikationen für das zu modellierende Fahrverhalten vorhanden

sind.

156

4 Menschähnlichkeit und ihre Modellierung

„An ihren Taten sollt ihr sie erkennen!“

1. Johannes 2,1-6

Um Vorhersagen über menschliches Verhalten treffen zu können bzw. bereits geschehenes

Verhalten besser verstehen zu können, ist die Modellierung, also das „Vermathematisieren“

von psychologischen Theorien unausweichlich. Nur durch Modellbildung ist man überhaupt

in der Lage, (komplexe) psychologische Konstrukte mit menschlichem Verhalten vergleichen

und so eine quantifizierbare Aussage über deren Validität treffen zu können. Dementsprechend

ist und bleibt die realistische Modellierung der menschlichen Informationsverarbeitung eine

der großen Herausforderungen, um eine möglichst wirklichkeitsnahe Simulation menschlichen

Fahrverhaltens zu erreichen. In diesem Kapitel werden Eigenschaften, die menschähnliche

Fahrermodelle besitzen sollten, diskutiert und bezüglich ihrer Modellierbarkeit bewertet. Daraus

wird ein Modellierungskonzept abgeleitet, mit dessen Hilfe typisch menschliche Aspekte des

Fahrens abgebildet werden können.

Die Frage, wie weit die mathematische Nachbildung des menschlichen Fahrens gehen kann,

ist nicht einfach zu beantworten. Anhand der eingeführten Stufen der Menschähnlichkeit eines

Fahrermodells (vgl. Abbildung 1.2) wird dargelegt, welche Aspekte des menschlichen Fahrens

durch mathematische Modellierung abgebildet werden können bzw. an welche natürlichen

Grenzen die Modellierung stoßen muss.

Der Prozess der Modellierung geht immer auch mit der Vereinfachung bestimmter Eigenschaften

des zu modellierenden Objekts einher. Ebenso kann mittels eines mathematischen bzw. algorith-

mischen Modells ausschließlich formalisierbares Verhalten modelliert werden. Eine Vielzahl

von kognitiven Prozessen bzw. die daraus resultierenden Handlungen laufen jedoch unbewusst

ab. Solche Handlungen können zwar beobachtet werden und befinden sich somit (teilweise) im

Raum des Modellierbaren, deren kausalen Gründe lassen sich jedoch oft nicht erschließen, was

eine Modellierung dieser zusätzlich erschwert.

Ein weiteres Argument gegen eine vollständige Modellierung eines Objekts basiert auf der

„Unnatürlichkeit“ bzw. daraus abgeleiteten „Überkomplexität“ des Konzepts der formalen Mo-

dellbildung: Selbst für einfache Handlungen, die sich mit wenigen Worten beschreiben lassen,

muss vom Modellierer eine weitaus komplexere Transformationsleistung erbracht werden, um

die Handlung algorithmisch beschreiben zu können. Daraus lässt sich zwar keine theoretische

157

4 Menschähnlichkeit und ihre Modellierung

Grenze für menschähnliche Modellierung herleiten, aus ökonomischen Gesichtspunkten ist eine

Modellierung ab einem gewissen Grad an Menschähnlichkeit jedoch nicht mehr effizient.

Nähert man sich von technischer Seite der Problemstellung an, so kann man Minimalanforde-

rungen für ein Fahrermodell ableiten: Ein Fahrermodell muss die ihm gestellte Fahraufgabe

lösen. Ein sehr reduziertes Reglermodell, welches per Längs- und Querregelung die – ebenso

entsprechend reduzierte – Fahraufgabe löst, besitzt somit eine „minimale Menschähnlichkeit“.

Daher stellt sich die Frage, „wie viel“ Menschähnlichkeit maximal effizient modellierbar ist.

Auch dies lässt sich nur anhand der gestellten Fahr- bzw. Modellierungsaufgabe beantworten.

Der Modellierer steht letztendlich vor der Aufgabe, sowohl die Komplexitätsstufe der Model-

lierungsaufgabe einzuschätzen, als auch die Modellierungsmethode mit maximal effizienter

Modellierungskomplexität zu wählen.

Für die Bewertung eines Modells hinsichtlich der Qualität „Menschähnlichkeit“ ist eine stringente

Definition des Begriffs vonnöten. Ein naiver Ansatz verwendet die Dichotomie „menschähn-

lich“ und „nicht menschähnlich“, die letztendlich für alle möglichen autonomen Systeme so

getroffen werden kann. Die Gesamtbeurteilung kann sich bei einem so komplexen Vorgang

wie „Fahren“, der sich aus einer Vielzahl unterschiedlicher Handlungen zusammensetzt, nur

aus den Bewertungen der Einzelhandlungen zusammensetzen. Aus der Frage „Verhält sich das

Modell menschähnlich?“ ist somit die Frage „Ist die konkret definierte Handlung des Modells in

dieser Situation menschähnlich?“ entstanden. Fokussiert man nun auf einzelne Handlungen, so

kann man weiter differenzieren: Wird die Handlungswirkung, die Handlungsausführung oder

die Handlungsinitiierung betrachtet? Dies führt zu den im Einführungskapitel dieser Arbeit

eingeführten Modelltypen, vgl. auch Abbildung 1.2:

Typ

0 Fahrer-Fahrzeug-Ensemble verhält sich nicht menschähnlich

Typ

I Fahrer-Fahrzeug-Ensemble verhält sich menschähnlich

Typ

II motorische Aktionen des Fahrers sind menschähnlich

Typ

III kausale Ursachen der motorischen Aktionen des Fahrers sind menschähnlich

Tabelle 4.1: Typen von Menschähnlichkeit

Dem Begriff der Ähnlichkeit kann sich basierend auf diesen Typen genähert werden. Eine ein-

fache Schlussfolgerung ist somit: Ein Fahrermodell ist umso menschähnlicher, je höher seine

Menschähnlichkeitskategorie ist. Das löst jedoch nicht das Problem, die Ähnlichkeit innerhalb

einer Kategorie zu bestimmen. Da sich die einzelnen Kategorien signifikant voneinander un-

terscheiden, muss eine kategoriespezifische Betrachtung der Menschähnlichkeit vorgenommen

werden.

Für Typ-0 bzw. Typ-I-Modelle („Fahrer-Fahrzeug-Ensemble verhält sich (nicht) menschähnlich“)

kann ein Konzept ähnlich zum Turing-Test verwendet werden: Wenn ein Mensch anhand des

Fahrverhaltens keinen Unterschied zwischen einem durch ein Fahrermodell und einem durch

einen menschlichen Fahrer gesteuertes Fahrzeug erkennt, dann ist das Fahrermodell als „men-

schähnlich“ anzusehen. Nun ist hierbei das offensichtliche Problem, dass simple Situationen

158

(z.B. Folgefahrt hinter einem Fahrzeug) viel einfacher menschähnlich zu modellieren sind,

als komplexe Überholsituationen mit mehreren Verkehrsteilnehmern. Eine Möglichkeit, ein

maximal menschähnliches Typ-I-Modell zu erhalten, könnte eine Bewertung unterschiedlicher

Fahrsituationen durch menschliche Beobachter darstellen: Man erhielte so einen Katalog von

Situationen, die entweder als menschähnlich oder eben nicht-menschähnlich erkannt würden.

Die Anteil der als menschähnlich eingestuften Situationen käme dann einem prozentualen

„Menschähnlichkeitswert“ gleich.

Für Typ-II-Modelle („motorische Aktionen des Fahrers sind menschähnlich“) gilt prinzipiell

eine analoge Herangehensweise: Es müssen neben den Bewegungen des Fahrzeugs auch die

des Fahrers in die Bewertung aufgenommen werden. Dabei spielen zusätzlich zu den – auch

bei Typ-I-Modellen vorhandenen – Plausibilitätsbetrachtungen auch physikalische Grenzen eine

Rolle (z.B. Bewegungsgeschwindigkeiten, Reaktionszeiten usw.).

Bei Typ-III-Modellen („kausale Ursachen der motorischen Aktionen des Fahrers sind men-

schähnlich“) gestaltet sich eine Quantifizierung der Menschähnlichkeit als komplexer. Zum

einen lassen sich kausale Ursachen von Aktionen nicht per se erkennen – es müsste also für

die Bewertung zusätzliche Informationen geben, die über die Ursache bestimmter Handlungen

informieren. Einhundertprozentige Sicherheit bezüglich der Ursachen bestimmter Verhaltens-

weisen besteht selbst für menschliche Fahrer nicht – eine „Ähnlichkeit“ zu einem nicht klar

definierten Konstrukt herzustellen, gestaltet sich somit zumindest als schwierig. Somit kann nur

das Bewertungsprädikat „Nachvollziehbarkeit der Handlungen“ des Modells zu Rate gezogen

werden. Falls die Möglichkeit bestünde, in den „Kopf“ des Modells zu schauen, also die internen

Ziele per „Debugmodus“ zu erhalten, so könnten diese in puncto Menschähnlichkeit bewertet

werden.

Eine weitere Problematik der Bewertung der Menschähnlichkeit durch menschliche Bewerter

liegt in der Subjektivität der Beobachter begründet: Handlungen bzw. kausale Ursachen können

für Beobachter A plausibel – also „menschähnlich“ wirken, vom Beobachter B aber als „völlig

unrealistisch“ eingestuft werden.

Auch nach dem Herunterbrechen des Vorgangs „Fahren“ auf einzelne Handlungen und der

Spezifizierung des zu bewertenden Fahrermodells basierend auf den definierten Typen sind die

Definitionen der Klassen „menschähnliche Handlung“ und “nicht-menschähnliche Handlung“

noch sehr diffus. Da menschliches Fahrverhalten als Normalverhalten angesehen werden kann,

ist die Frage nach der Definition des Nicht-Menschlichen eventuell zielführender. Bei Fahrer-

modellen liegt eine Ursache für deren Nichtmenschlichkeit in der Zielsetzung der Modellierung

begründet: Das Ziel der Modellierung ist zumeist nicht die Nachbildung eines menschlichen

Fahrers, sondern die Konstruktion eines Modells, welches eine bestimmte Fahraufgabe zu lösen

imstande ist. Somit Fehlen den Modellen typisch menschliche Eigenschaften, die sich auf die

Bewältigung der Fahraufgabe niederschlagen, aber im jeweiligen Modellkontext eher schädlich

wirken würden – dies sind vor allem Fehler. Das Nicht-Menschliche ist daher in vielen Kontexten

159

4 Menschähnlichkeit und ihre Modellierung

das Perfekte, das Deterministische, das Rationale; kurzum: Das Fehlen der Fehler. Ein weiterer

Aspekt – der jedoch erst bei mehreren simulierten Verkehrsteilnehmern und deren Interaktion

bzw. beim mehrfachen Beobachten ein und der selben Situation zum Vorschein tritt ist das Fehlen

intraindividueller Unterschiede bei algorithmisch gelenkten Fahrzeugen. Es sind die emotionalen,

motivationalen, psychosozialen und physischen Einflüsse, die starken Schwankungen unterliegen

und das Fahrverhalten stark beeinflussen können.

Wünschenswert wäre daher eine Modellierungsarchitektur, welche sich an die Komplexität der

zu modellierenden Aufgabe anpasst, beispielsweise ein „leeres“ Typ-III-Modell, welches je nach

Fahraufgabe mit den zur Lösung dieser benötigten Module gefüllt werden kann. Ein Modell

basierend auf diesem Ansatz wird in Kapitel 5 vorgestellt.

Zusammenfassend lassen sich vier wichtige Aspekte bezüglich der Menschähnlichkeit eines

Fahrermodells aufzählen:

• Nachvollziehbarkeit/Plausibilität von Zielen und Handlungen

• Vorhandensein von intra- und interindividuellen Unterschiede der Fahrer

• Erkennbarkeit eines bestimmten Maßes an Variabilität („nicht roboterhaftes Fahren“)

•

Vorhandensein von Fehlern, sowohl auf der Ebene der Zielbildung, als auch in der Hand-

lungsausführung

Weiterhin kann geschlussfolgert werden, dass eine Quantifizierung des Konstrukts „Mensch-

ähnlichkeit“ für Typ-I sowie Typ-II-Modelle möglich erscheint, für Typ-III-Modelle jedoch

objektiv nicht sinnvoll durchzuführen ist – nichtsdestoweniger können erfahrene Beobachter für

bestimmte Szenarien eine Plausibilitätsbewertung bezüglich der beschriebenen Eigenschaften

des Fahrermodells vornehmen, ein objektives Maß für die „Menschähnlichkeit“ eines Modells

lässt sich daraus jedoch nicht herleiten.

4.1 Modell menschähnlicher Fahrhandlungen

Aufbauend auf den im Kapitel 3 beschriebenen Erkenntnissen wird in diesem Abschnitt ein

Konzept für die Struktur eines kognitiven und menschähnlichen Fahrermodells vorgestellt. Be-

züglich des Drei-Ebenen-Modells der Fahraufgabe nach Michon [

Mic85

] konzentriert sich das

Modell auf die taktische bzw. die Manöverebene. Die Navigationsebene spielt während einer

Fahrt zumeist nur eine sehr untergeordnete Rolle und kann somit entweder außerhalb des Modell-

rahmens simuliert, vorgegeben oder vernachlässigt werden. Für die Ebene der sensumotorischen

Regelung hingegen steht eine Vielzahl von Modellen zur Verfügung, die eine realistische Längs-

bzw. Querführung gewährleisten (vgl. Abbildung 4.1).

160

4.1 Modell menschähnlicher Fahrhandlungen

Inputs:

wahrgenommene

Informationen

(andere Verkehrsteilnehmer,

eigene Route,

eigenes Fahrzeug)

Situationserkennung Entscheidungsfindung

Fahrereigenschaften

und -zustände

Outputs:

Sollgrößen

(Manöverentscheidung,

lokale Ziele,

Parameter bzgl.

Durchführung)

Abbildung 4.1:

Modellgrenzen des vorgestellten Ansatzes: Wahrnehmung und Handlungsaus-

führung liegen außerhalb des Modells, Prozesse bzgl. Situationserkennung und

Entscheidung werden von Fahrereigenschaften und -zuständen (z.B. Motivatio-

nen, Emotionen) beeinflusst.

4.1.1 Fahrhandlung

Das Lösen der Fahraufgabe kann als eine Abfolge von Handlungen beschrieben werden. Eine

Handlung kann – wie in Abschnitt 3.3.1 beschrieben – in mehrere Phasen unterteilt werden.

Es gilt hierbei, dass die Phasen „Zielbildung“, „Handlungsausführung“ und „Zielevaluation“

Bestandteile jeder Fahrhandlung sind. Dies ist für einfachste, rein sensumotorische Handlun-

gen, wie beispielsweise das Regeln einer Geschwindigkeit mittels des Gaspedals der Fall (vgl.

Abbildung 4.2) und wird daher als für alle Fahrhandlungen gültig angenommen.

Ziele definieren Handlung

durchführen

Ziel

erreicht? Handlung beendet

nein

Wunschgeschwindigkeit

definieren

Geschwindigkeit

regeln

(z.B. Gaspedal)

Geschwindigkeit

überprüfen

(z.B. Tachometer)

keine weitere

Handlung notwendig

Abbildung 4.2:

Vereinfachte Darstellung einer Fahrhandlung am Beispiel des Regelns einer Ge-

schwindigkeit: Nach der Zieldefinition (Festlegen einer Wunschgeschwindigkeit)

wird eine Handlung (Einstellen des Gaspedals) solange ausgeführt, bis durch

eine Zielevaluation (Erreichen der Wunschgeschwindigkeit) festgestellt wird,

dass das Ziel erreicht wurde.

Die Tatsache, ob der Fahrer die Handlung bewusst oder unbewusst ausführt, spielt hier kei-

ne Rolle: auch unbewusste Handlungen benötigen ein Ziel, unabhängig davon, ob der Fahrer

sich dies vergegenwärtigen kann oder nicht. Eine Handlung existiert somit in einem Zeitraum

beginnend mit der Existenz des Handlungsziels bis zur Erkenntnis des Erreichens dieses bzw.

161

4 Menschähnlichkeit und ihre Modellierung

einem vorzeitigen Abbruch der Handlung. Allgemein können zwei unterschiedliche Arten von

Fahrhandlungen unterschieden werden: Komplexe Handlungen, deren Planung eine Vielzahl

kognitiver Ressourcen verwendet und deren Ziele bewusst formuliert werden, sowie solche,

die zum Großteil unbewusst ablaufen und aus einfachen sensumotorischen Handlungen beste-

hen. Erstere werden im Kontext dieser Arbeit als Manöver bezeichnet: Ein Manöver benötigt

als Bedingung für die Bestimmung des Handlungsziels das Vorhandensein einer bestimmten

potentiell manöverauslösenden Situation (kurz: M-Situation). Technisch betrachtet tritt eine M-

Situation dann auf, wenn der Fahrer eine Abweichung zwischen einem Ist- und einem Sollwert

feststellt, die größer ist, als die von ihm maximal akzeptierte Abweichung zur entsprechenden

Bezugsgröße.

Im Kontext dieser Arbeit bezeichnen Sollwerte im Allgemeinen vom Fahrer gewünschte und

messbare physikalische Größen des Fahrzeugs bzw. aus diesen ableitbare Größen bzw. Rela-

tionen zu Objekten in der Umgebung des Fahrzeugs, die durch bestimmte Fahrhandlungen

erreicht werden sollen. Ein einfaches Beispiel für eine Sollgröße ist die vom Fahrer gewünschte

Geschwindigkeit des Fahrzeugs

vwunsch

. Diese wird über das Gaspedal eingestellt und kann u.a.

über das Tachometer abgelesen werden. Jede vom Fahrer erkennbare Größe, für die eine Grenze

existiert, die der Fahrer nicht über- bzw. unterschreiten möchte, kann als Sollgröße dienen.

Eine M-Situation wird hingegen durch die Erkenntnis des Fahrers definiert, dass eine Notwendig-

keit zur Änderung seines Verhaltens besteht, unabhängig davon, ob er dies selbst wünscht oder

die Verhaltensänderung auf einer Reaktion auf eine Änderung der Verkehrsumgebung basiert. Im

Normalfall wechseln sich somit M-Situationen und Nicht-M-Situationen und dementsprechend

ebenso Manöver- und Nicht-Manöverphasen ab. Der Zustand des Nichtvorhandenseins einer

M-Situation wird folgend als Homöostase bezeichnet.

Homöostase M-Situation

erkannt?

Ziel(e)

definieren Manöver

M-Situation

Ziel

erreicht?

nein

Abbildung 4.3:

Homöostase und Manöver: Solange keine manöverauslösende Situation erkannt

wird, befindet sich der Fahrer im Fahrmodus Homöostase. Bei Erkennen der

M-Situation werden Ziele für das Manöver definiert und das Manöver wird bis

zur Zielerreichung gefahren (andere Abbruchkriterien wurden der Einfachheit

halber in diesem Schaubild weggelassen).

Entscheidend für die Erkennung von M-Situationen sind die wahrgenommenen und interpre-

tierten Informationen des Fahrers (vgl. auch Abschnitt 3.1.5). Basierend auf diesen kann er

seine Situation einschätzen und möglichen Handlungsbedarf erkennen. Während einer Fahrt

162

4.1 Modell menschähnlicher Fahrhandlungen

verfolgt der Fahrer zumeist parallel mehrere Ziele, die über Motive bzw. Motivationen erzeugt

und von Emotionen beeinflusst werden. So ist das fundamentale Motiv des Menschen zu jeder

Zeit das des Überlebens, woraus sich während der Autofahrt eine Vielzahl von Zielen ableiten

bzw. entsprechende Sollgrößen generieren lassen. Fahrertypabhängig kommen weitere Motive

hinzu, etwa „möglichst entspanntes Fahren“ oder „möglichst schnelle Zielerreichung“, welche

entsprechende Ziele/Sollgrößen erzeugen. Ein Ziel kann somit als ein auf einer Motivation ba-

sierter formulierbarer Wunsch des Fahrers definiert werden, welcher räumlich und/oder zeitlich

begrenzt ist (vgl. Abschnitt 3.2.2.2). Obwohl mehrere Ziele parallel existieren können, kann der

Fahrer oftmals nicht all diesen Zielen gleichzeitig folgen, da sich diese u.U. widersprechen. Eine

gewisse Priorisierung von Zielen bzw. der Reihenfolge der Bewältigung möglicherweise parallel

auftretender M-Situationen ist somit notwendig. Darauf wird in Abschnitt 4.1.3 eingegangen.

Eine Gegenüberstellung des in diesem Kapitel vorgestellten Modellkonzepts mit dem Wi-

ckens’schen Informationsverarbeitungsmodell (vgl. Abbildung 4.4) führt zu der Erkenntnis,

dass die sich auf ein Manöver beziehenden Konzepte bei Wickens im Bereich „Entscheidung und

Reaktionsselektion“ verortet werden können. Wenn eine manöverauslösende Situation erkannt

wird, wirken eine Vielzahl kognitiver Prozesse an der Lösung der aktuellen Fahraufgabe mit.

Die tatsächliche Ausführung der Handlung liegt bereits in der „Reaktionsausführung“ – falls ein

Manöver erkannt wurde, werden hier die Steuerungs- und Regelprozesse ausgeführt, die nötig

sind, um das Manöver zu bewältigen. Falls jedoch kein Manöver erkannt wurde, werden die

entsprechenden – größtenteils sensumotorischen – Prozesse während des Fahrmodus Homöostase

ausgeführt.

Aus technischer Sicht betrachtet zeichnet sich der Zustand Homöostase durch eine andere Regler-

parametrierung als die eines Manövers aus. Dynamische Fahrer mit einem Bedürfnis nach einem

vergleichsweise hohen Aufgabenschwierigkeitsniveau – als Extremfall seien Rennfahrer ange-

führt – erzeugen sich durch ihr stetes Streben nach besseren Rundenzeiten ihre M-Situationen

durch die permanente Diskrepanz zwischen Soll- und Istwerten selbst, bedingt durch vergleichs-

weise (betragsmäßige) geringe Werte für untere und obere Situationsgrenzen

. Es ist daher davon

auszugehen, dass sich Rennfahrer so gut wie nie in einem homöostaseartigen Zustand befinden.

Eine Homöostasephase beginnt in dem Moment, in dem der Fahrer keine M-Situation erkennt

und endet dementsprechend bei der Erkennung einer solchen.

Die unterschiedlichen Regelungsmechanismen für Längs- und Querdynamik bedeuten für den

Homöostase-Zustand ebenfalls eine Unterteilung zwischen Längs- sowie Querhomöostase. Wenn

eine Situation erkannt wird, die beispielsweise nur ein Längsmanöver erfordert, so wird die

Querhomöostase beibehalten. Als Beispiel dient die Situation „zu geringe TTC zum voraus-

fahrenden Fahrzeug“: Das durchzuführende Manöver beschränkt sich ausschließlich auf die

Längsdynamik – mittels Gas- bzw. Bremspedal wird die Geschwindigkeit des eigenen Fahrzeugs

so verringert, dass die Situation aufgelöst wird. Die Querdynamik bleibt davon jedoch unbeein-

1Gmin bzw. Gmax, siehe folgende Abschnitte

163

4 Menschähnlichkeit und ihre Modellierung

flusst und somit kann der Fahrer während des Längsdynamikmanövers in der Querhomöostase

verharren. Dies gilt ebenso für die Längshomöostase. Handlungen während der Homöostase

beschränken sich allgemein auf das Einstellen bzw. Halten bestimmter Sollwerte. Beispiele für

die Längshomöostase sind die Sollgrößen „Motordrehzahl“, „Geschwindigkeit“ oder „Zeitlücke“.

Für die Querhomöostase sind dies beispielsweise die Sollgrößen „Abstand zum Fahrbahnrand“

bzw. „Abstand zur Spurmitte“.

Signaldetektion Wahrnehmung Entscheidung und Reaktionsselektion Reaktionsausführung

WahrnehmungSignaldetektion

Manöver-

auswahl

Manöver-

planung

Situations-

erkennung

Manöver-

durchführung

homöostatische

Handlung

Stufen der Informationsverarbeitung nach Wickens

Manöver

Homöostase

Abbildung 4.4:

Verortung der im Modellierungskonzept beschriebenen Bereiche bzgl. des Wi-

ckens’schen Informationsverarbeitungsmodells

Die bisher erwähnten Gedanken zur konkreten Modellbildung zielen darauf ab, eine möglichst

nachvollziehbare – und damit menschähnliche – Zielbildung zu definieren, auf deren Grundlage

Fahrerhandlungen modelliert werden können. In den folgenden Abschnitten werden die beiden

Fahrmodi Homöostase (Abschnitt 4.1.2) und Manöver (Abschnitt 4.1.3) ausführlich beschrieben.

Ein weiteres Konzept, welches in die Modellierung miteinbezogen wird, ist das des menschlichen

Fehlers. Basierend auf einer Taxonomie, die jedem der Schritte der menschlichen Informations-

verarbeitung spezifische Fehlertypen zuweist, können Fehler im Fahrverhalten erzeugt werden

bzw. entstehen als Konsequenz der Modellierung (Abschnitt 4.1.4). Abschließend wird die

Modellierung inter- und intraindividueller Unterschiede in Abschnitt 4.1.5 betrachtet.

164

4.1 Modell menschähnlicher Fahrhandlungen

4.1.2 Homöostase

Die Handlung „Fahren“ kann, wie in Abbildung 4.3 dargestellt, in zwei Hauptzustände unterteilt

werden: Homöostase und Manöver. Der Zustand der Homöostase ist als der Grundzustand

anzusehen. Dies basiert auf der Annahme, dass in den Phasen, in denen keine manöverauslösende

Situation aktiv ist, nur wenige kognitive Ressourcen für die Fahraufgabe verwendet werden und

die Handlungen zum Großteil aus Sensumotorik bestehen. Er lehnt sich an den biologischen

Begriff eines Gleichgewichtszustands bzw. an den Wilde’schen Begriff der Risikohomöostase

[

Wil82

] an, hier jedoch mit dem Bestreben nach möglichst geringer Veränderung und einem

entspannten, unangestrengten Fahren. Mit dieser Beschreibung der Homöostase geht auch eine

entsprechend geringe Aufgabenschwierigkeit einher. Der Zustand der Homöostase ist für die

Mehrzahl der Fahrertypen als Ideal- bzw. Zielzustand anzusehen.

Im Gegensatz zu einem Manöver folgt der Fahrer in der Homöostasephase nicht bewusst bestimm-

ten Sollwerten. Vielmehr kann das Handlungsziel während der Homöostase als das Verbleiben

innerhalb einer vom Fahrer akzeptierte Abweichung von einem bestimmten Sollwert betrachtet

werden, dies wird nachfolgend als impliziter Sollwert bezeichnet. Ein impliziter Sollwert

besteht demnach aus einem 4-Tupel:

Si= [Gmin,Hmin,Hmax,Gmax]

wobei

Gmin

die untere Situationsgrenze,

Hmin

die untere Handlungsgrenze,

Hmax

die obere Hand-

lungsgrenze und

Gmax

die obere Situationsgrenze definieren. Solange sich der wahrgenommene

aktuelle Ist-Wert

Istwahr

innerhalb der Handlungsgrenzen befindet, wird keine Korrekturhand-

lung durchgeführt. Mit Hilfe dieses Konzeptes können beispielsweise Toleranzen des Fahrers

bezüglich Wahrnehmung oder Fahrstil abgebildet werden. Fahrerhandlungen finden somit nur

dann statt, wenn das Verlassen des „Nichthandlungsbereichs“ wahrgenommen wird. Davon

zu unterscheiden ist die maximal akzeptierte Abweichung (die Situationsgrenze): Sobald eine

Überschreitung dieser in eine Richtung zu erkennen ist, wird die Homöostase beendet, eine ma-

növerauslösende Situation erkannt und letztendlich ein entsprechendes Manöver durchgeführt:

Handlung des Fahrers :











keine, wenn Hmin <=Istwahr <=Hmax

Korrektur, wenn Gmin <=Istwahr <Hmin

Korrektur, wenn Hmax <Istwahr <=Gmax

Manöver, wenn Istwahr <Gmin

Manöver, wenn Istwahr >Gmax

Die Handlungs- sowie Situationsgrenzen werden von fahrertypabhängigen sowie situativen

Parametern beeinflusst, beispielsweise Straßenbeschaffenheit, aktueller Geschwindigkeit oder

Ähnlichem. Implizite Sollwerte sind immer mit dem Zustand „Homöostase“ verknüpft. Das

165

4 Menschähnlichkeit und ihre Modellierung

Konzept ist an das „Action-Point-Model of the Driver Vehicle System“ angelehnt, welches

auf Wahrnehmungsschwellen für Geschwindigkeitsdifferenzen basiert und ein Fahrverhalten

beschreibt, in dem der Fahrer in Folgefahrt um einen Wunschabstand pendelt (Todosiev [

Tod63

]).

Verhaltensänderungen treten nur an den „Action Points“ auf – also den Punkten einer wahrge-

nommenen Geschwindigkeitsänderung zuzüglich Reaktionszeit.

Längshomöostase

Im Zustand der Längshomöostase versucht der Fahrer, längsdynamische

Sollwerte einzustellen bzw. konstant zu halten. Es existieren zwei Modi der Längshomöostase:

Folgefahrthomöostase und Freie-Fahrt-Homöostase (vgl. Abschnitt 3.5.1.2). Sie unterscheiden

sich durch die für die Homöostase relevanten impliziten Sollwerte. Für die Folgefahrthomöostase

kann beispielsweise eine Zeitlücke

tgap

verwendet werden, für die Freie-Fahrt-Homöostase

eine Wunschgeschwindigkeit

vwunsch

. In Abbildung 4.5 ist der Ablauf schematisch dargestellt:

Zu beachten ist, dass sich die Wahrnehmung sowie die damit einhergehende Interpretation

des Istwertes innerhalb der Homöostase befindet. Damit soll angedeutet werden, dass eine

sensumotorische Regelung immer auch die Wahrnehmung des zu regelnden Wertes beinhaltet, es

handelt sich somit um zumeist unbewusst aufgenommene Informationen.

Wahrnehmung tgap <St

v<Sv

tgap >Ht

v>HvKorrekturhandlung

Manöver

Längshomöostase

nein

Abbildung 4.5:

Ablauf Längshomöostase: Solange die wahrgenommene Geschwindigkeit

in-

nerhalb der Handlungsgrenzen

[Hmin,Hmax]

liegt, wird nicht gehandelt. Liegt

hingegen zwischen

und

, wird eine Handlung innerhalb der Längshomöosta-

se durchgeführt. Ist

hingegen größer als die Situationsgrenze

, so wird der

Zustand Längshomöostase verlassen und eine Situation beginnt. Dies gilt analog

für die Folgefahrt und die erkannte Zeitlücke tgap

Die impliziten Sollwerte für die Folgefahrthomöostase ergeben sich aus:

166

4.1 Modell menschähnlicher Fahrhandlungen

Handlung des Fahrers :











Manöver wenn tgap <Gmin (1)

Korrektur wenn Gmin <=tgap <Hmin (2)

keine wenn Hmin <=tgap <=Hmax (3)

Korrektur wenn Hmax <tgap <Gmax (4)

neue Fahrsituation wenn Gmax <tgap (5)

Fall

(1)

bedeutet, dass dem vorausfahrenden Fahrzeug zu nah gekommen wird und ein (Brems-)

Manöver eingeleitet werden muss. Alternativ kann auch ein Ausweichmanöver gefahren werden.

Die Fälle

(2)

und

(4)

beschreiben die normalen Korrekturmanöver, die – im Allgemeinen mittels

Gaspedal – vorgenommen werden müssen, um die gewünschte Zeitlücke einzuhalten. In Fall

(3)

muss der Fahrer keine Handlungen ausführen, das Konstanthalten des Gaspedals stellt in

diesem Kontext keine Handlung dar. In Fall

(5)

wird der Abstand zum vorausfahrenden Fahrzeug

zu groß, der Fahrer befindet sich nicht mehr im Modus „Folgefahrt“. Dies kann dazu führen,

dass in die Freie Fahrt gewechselt oder z.B. ein Beschleunigungsmanöver durchgeführt wird –

die Folgefahrthomöostase wird jedoch zunächst verlassen. In Abbildung 4.6 sind die impliziten

Sollwerte für die Folgefahrthomöostase grafisch dargestellt.

Im Gegensatz zur optisch wahrgenommenen Zeitlücke kann die Fahrzeuggeschwindigkeit (als

Sollwert während der Freien Fahrt) mit Hilfe unterschiedlicher Informationen wahrgenommen

werden. Eine genaue Bestimmung findet jedoch über das Ablesen des Tachometers statt. Die

impliziten Sollwerte sowie die Situations- und Handlungsgrenzen für die Längshomöostase

während der Freien Fahrt ergeben sich somit als:

Handlung des Fahrers:











Manöver wenn v<Gmin (1)

Korrektur wenn Gmin <v<Hmin (2)

keine wenn Hmin <=v<=Hmax (3)

Korrektur wenn Hmax <v<Gmax (4)

neue Fahrsituation wenn Gmax <v(5)

Fall

(1)

führt zu einem Beschleunigungsmanöver. Die Fälle

(2)−(4)

können analog zur Fol-

gefahrthomöostase interpretiert werden. Im Gegensatz zur Folgefahrthomöostase zieht Fall

(1)

nicht zwangsläufig

ein Brems- oder Ausweichmanöver nach sich. Der Fahrer hat jedoch

wahrgenommen, dass er zu schnell fährt und kann basierend auf dieser Erkenntnis weitere

Entscheidungen treffen (z.B. ein Bremsmanöver einleiten oder das Fahrzeug ausrollen lassen).

Die impliziten Sollwerte sind in Abbildung 4.7 grafisch dargestellt.

Der Fahrer hat immer die Option einer Nicht-Handlung. Dies würde für Fall

(1)

bei Folgefahrthomöostase jedoch

höchstwahrscheinlich zu einem Kontakt mit dem vorausfahrenden Fahrzeug führen.

167

4 Menschähnlichkeit und ihre Modellierung

Folgefahrt-Homöostase

verlassen

Korrekturhandlung

keine Handlung

Korrekturhandlung

Manöver

Gmin

Hmin

Hmax

Gmax

Abbildung 4.6:

Implizite Sollwerte während der Längshomöostase (Folgefahrt): Der Zustand

der Längshomöostase ist aktiv, solange sich die wahrgenommene Zeitlücke

tgap

innerhalb der Situationsgrenzen

[Gmin,Gmax]

befindet. Innerhalb der Hand-

lungsgrenzen

[Hmin,Hmax]

handelt der Fahrer nicht, außerhalb dieser werden

Korrekturhandlungen durchgeführt. Außerhalb der Situationsgrenzen wird ent-

weder ein Brems- bzw. Ausweichmanöver vorgenommen (

tgap <Gmin)

oder

der Zustand der Folgefahrthomöostase zugunsten der Freie-Fahrt-Homöostase

verlassen (tgap >Gmax).

Querhomöostase

Während der Querhomöostase versucht der Fahrer, einen bestimmten Be-

reich auf der Fahrbahn nicht zu verlassen. Der Bereich definiert sich analog zur allgemeinen

Beschreibung der während einer Homöostasephase vorhandenen und für den Fahrer zu beachten-

den Größen:

Handlung des Fahrers :











Manöver wenn qist <Slinks (1)

Korrektur wenn Slinks <=qist <Hrechts (2)

keine wenn Hlinks <=qist <=Hrechts (3)

Korrektur wenn Hrechts <qist <Srechts (4)

Manöver wenn Srechts <qist (5)

Der Bereich, in dem keine Handlung notwendig ist – der Nichthandlungsbereich – wird auf der in

Fahrtrichtung linken Seite durch die linke Handlungsgrenze

Hlinks

und auf der rechten Seite durch

die rechte Handlungsgrenze

Hrechts

begrenzt. Der linke Handlungsbereich erstreckt sich zwischen

168

4.1 Modell menschähnlicher Fahrhandlungen

Beschleunigungsmanöver

Korrekturhandlung

keine Handlung

Korrekturhandlung

Manöver

Gmin

Hmin

Vsoll Hmax Gmax

Abbildung 4.7:

Implizite Sollwerte während der Längshomöostase (Freie Fahrt): Der Zustand

der Längshomöostase ist aktiv, solange sich die wahrgenommene Geschwin-

digkeit innerhalb der Situationsgrenzen

Gmin

und

Gmax

befindet: Falls sich die

aktuell wahrgenommene Geschwindigkeit zusätzlich innerhalb der Handlungs-

grenzen

[Hmin,Hmax]

befindet, so findet keine Handlung statt, ansonsten wird eine

Korrekturhandlung vorgenommen, um die gewünschte Geschwindigkeit

Vsoll

zu erreichen. Die Korrekturhandlungen beschränken sich auf die Verwendung

des Gaspedals. Falls die wahrgenommene Geschwindigkeit kleiner als

Gmin

ist,

so wird ein Beschleunigungsmanöver durchgeführt, falls diese größer als

Gmax

ist, so muss entschieden werden, ob ein Bremsmanöver durchgeführt oder die

Geschwindigkeit durch Ausrollen verringert werden soll.

Hlinks

und linker Situationsgrenze

Slinks

, der rechte Handlungsbereich dementsprechend zwischen

Hrechts

und rechter Situationsgrenze

Srechts

. Wird eine der Situationsgrenzen überschritten

(1)

bzw.

(5)

, so wird der Zustand der Querhomöostase verlassen und ein Manöver eingeleitet.

Korrekturhandlungen werden bei

(2)

bzw.

(4)

vorgenommen, falls

(3)

aktiv ist, wird keine

Lenkhandlung durchgeführt (vgl. auch Abbildung 4.9).

Dies ist schematisch in Abbildung 4.8 dargestellt. Zu beachten ist, dass der Übergang zwischen

Querhomöostase und einem Manöver nur eine Möglichkeit beschreibt, die Querhomöostase auf

Grund von Verhaltensweisen innerhalb dieses Zustands zu verlassen. Es gibt eine Vielzahl von

Kausalitäten außerhalb der Querhomöostase, die zum Verlassen des Homöostasezustands führen,

beispielsweise neu gebildete Ziele, unvorhergesehenes Verhalten anderer Verkehrsteilnehmer

oder des eigenen Fahrzeugs.

169

4 Menschähnlichkeit und ihre Modellierung

Wahrnehmung q<=∆Sq>∆HHandlung

durchführen

Manöver

Querhomöostase

nein

Abbildung 4.8:

Ablauf Querhomöostase: Solange die wahrgenommene Querabweichung

in-

nerhalb der Handlungsgrenzen

∆H

liegt, wird nicht gehandelt. Liegt

hingegen

zwischen

und

, wird eine Handlung innerhalb der Querhomöostase durch-

geführt, ist

jedoch größer als die Situationsgrenze

, so wird der Zustand

Querhomöostase verlassen.

4.1.3 Manöver

Im Modellkontext bezeichnet ein Manöver eine Fahr-Handlung, die mit Hilfe bestimmter Be-

dienelemente durchgeführt werden kann und eine (geplante oder erzwungene) Zustandsänderung

des Fahrzeugs bewirkt. Eine solche Zustandsänderung bezieht sich entweder auf die Relation

des Fahrzeugs zur Fahrbahn bzw. zu anderen Verkehrsteilnehmern oder direkt auf das eigene

Fahrzeug. Wenn es – basierend auf den in Abschnitt 3.5.1 beschriebenen Merkmalen – zu einer

Veränderung der subjektiven Verkehrssituation kommt, so kann dies ein Manöver auslösen.

Solange der Fahrer „zufrieden“ mit den dynamischen Verhältnissen zwischen dem eigenen und

den Fremdfahrzeugen sowie dem eigenen Fahrzeugs bezüglich der Fahrbahn ist, hat dieser keine

Veranlassung, ein Manöver einzuleiten. Durch Handlungen der anderen Verkehrsteilnehmer kön-

nen diese Verhältnisse jedoch geändert werden, so dass eine Notwendigkeit zur Durchführung

eines Manövers entsteht. Diese existiert zeitlich betrachtet ab dem Zeitpunkt, an dem der Fahrer

eine manöverauslösende Situation erkennt. Er hat nun mehrere Möglichkeiten, diese M-Situation

mittels unterschiedlicher Fahr-Handlungen zu verlassen, um den Zustand der Homöostase für

sich zurückzugewinnen. Eine M-Situation ist für den Fahrer solange aktiv, bis entweder ein

geplantes Manöver zu Ende geführt wird oder durch Handlungen anderer Verkehrsteilnehmer

oder Änderungen der Umgebung die Ausgangsbedingung für das Eintreten der Situation auflösen

bzw. diese als aufgelöst erkannt wird.

Damit eine M-Situation aktiv wird, muss der Fahrer zunächst eine Diskrepanz (bzw. eine Kombi-

nation aus Diskrepanzen) eines Ist- und eines Sollwertes feststellen. Das Vorhandensein einer

solchen Ist-Soll-Diskrepanz (kurz: ISD) stellt daher eine notwendige Bedingung für die Ausfüh-

rung eines Manövers dar. Weiterhin muss die ISD die persönlich akzeptierte Toleranzschwelle

des Fahrers überschreiten, um als aktive Diskrepanz zu gelten. Ist dies der Fall, so ist ab diesem

170

4.1 Modell menschähnlicher Fahrhandlungen

Manöver Manöver

Korrekturhandlung

links

Korrekturhandlung

rechts

keine

Handlung

Hlinks Hrechts

linke

Fahrbahngrenze

rechte

Fahrbahngrenze

Slinks Srechts

Abbildung 4.9:

Implizite Sollwerte während der Querhomöostase: Der Zustand der Querhomöo-

stase ist aktiv, solange sich die wahrgenommene Querabweichung innerhalb

der Situationsgrenzen befindet. Lenkhandlungen finden nur innerhalb des Hand-

lungsbereichs statt.

Zeitpunkt ein Manöverwunsch vorhanden. Ein Manöver kann jedoch erst durchgeführt werden,

wenn weitere Bedingungen, zumeist bezüglich verschiedener Sicherheitsaspekte, erfüllt werden.

Einem Manöver

können somit zunächst eine ISD

sowie weitere Bedingungen

zugeordnet

werden.

Anders als bei homöostatische Fahrhandlungen, die theoretisch unbegrenzt andauern können,

sind Manöver durch ein klar definiertes Ziel definiert und dauern im Regelfall (falls es nicht

zu einer Unterbrechung des Manövers kommt) solange an, bis dieses Ziel erreicht wird. Ein

solches Ziel wird als expliziter Sollwert formuliert. Ein expliziter Sollwert beschreibt einen

vom Fahrer bewusst angestrebten Zielwert innerhalb einer gewissen Toleranz. Im Gegensatz

zur Homöostase, in der das Ziel das Nichtverlassen eines bestimmten Akzeptanzkorridors ist

(dessen sich der Fahrer nicht unbedingt bewusst sein muss), existiert während eines Manövers

ein aktiver Wunsch des Fahrers zur Erfüllung des definierten Ziels der entsprechenden Vorgabe.

Im Kontext der Fahraufgabe können im Allgemeinen nur je ein expliziter Sollwert für die Längs-

sowie Querführungsaufgabe zeitgleich aktiv sein. Eine aktive M-Situation hat somit immer zur

Folge, dass mindestens ein expliziter Sollwert für das entsprechende Manöver generiert wird.

Eine genaue Ausregelung des expliziten Sollwerts ist zumeist nicht nötig – oder auch aufgrund

der „menschlichen“ Messungenauigkeiten gar nicht möglich. Somit werden jedem expliziten

Sollwert „Zufriedenheitsgrenzen“ zugeordnet, die bestimmen, ob ein Sollwert als „erreicht“

aufgefasst wird. Diese beschreiben gleichzeitig die Bedingungen zum Verlassen der M-Situation.

Ein expliziter Sollwert Sebesteht aus einem 3-Tupel:

Eine ISD muss sich nicht zwangsläufig auf einen Wert beziehen. Sie kann ebenso aus beliebigen logischen

Verknüpfungen von durch den Fahrer wahrnehmbare Informationen bestehen.

171

4 Menschähnlichkeit und ihre Modellierung

Se= [Gmin,S,Gmax]

wobei

Gmin

und

Gmax

die untere bzw. obere Zufriedenheitsgrenze beschreiben. Sobald sich der

wahrgenommene Istwert innerhalb der Zufriedenheitsgrenze befindet, gilt der Sollwert

als

erreicht (vgl. auch Abbildung 4.10). Die Formulierung „expliziter Sollwert“ bedeutet nicht, dass

ein Sollwert genau eingeregelt wird. Der Bereich ∆S=Gmax −Gmin kann vergleichsweise groß

ausfallen (z.B. bei einem Überholmanöver und sehr breiten Fahrbahnen). Einem expliziten

Sollwert fehlt im Gegensatz zu einem impliziten Sollwert der „Nichthandlungsbereich“ – wäh-

rend eines Manövers versucht der Fahrer, den Bereich

∆S

zu erreichen, wohingegen er in der

Homöostase bestrebt ist, den Bereich ∆H=Hmax −Hmin nicht zu verlassen.

Ein Manöver Mkann demnach als 3-Tupel definiert werden:

M= [IM,BM,SM]

Die ISD

kann aus beliebig logisch verknüpften Ist-Soll-Diskrepanzen

IM1...IMn

bestehen,

sobald der verknüpfte Wert WAHR ist, ist die Manövereingangsbedingung erfüllt und der

Manöverwunsch aktiv. Ähnliches gilt für

: Die Bedingungen

BM1...BMn

müssen (jedoch

UND - verknüpft) WAHR sein, um das Manöver beginnen zu können. Falls das Manöver aus

mehreren Teilmanövern besteht, kann der explizite Sollwert

als eine Menge nacheinander

geltender Sollwerte

[SM1...SMn]

dargestellt werden. Ein einzelner expliziter Sollwert

SMi

besteht

entweder aus einem Tupel [Slong,Slat]mit

SM:









[Slong,/0]wenn Längsmanöver

[/0,Slat]wenn Quermanöver

[Slong,Slat]wenn kombiniertes Manöver

Zeitlich kann ein Manöver wie folgt beschrieben werden: Nachdem eine M-Situation erkannt

wurde, wird zuerst geprüft, ob eine eventuell höher priorisierte M-Situation aktiv ist. Falls dies

nicht der Fall ist, wird ein Manöver ausgewählt, um die M-Situation aufzulösen. Ein stattfindendes

Manöver kann jederzeit während der Durchführung abgebrochen bzw. durch Handlungen anderer

M-Situationen ersetzt werden. Wenn beispielsweise während eines Querführungsmanövers

mit dem Ziel, die Mitte der Fahrbahn zu erreichen (z.B. bei erkannter Situation „Fahrzeug

hat Fahrbahn unbeabsichtigt verlassen“), eine neue M-Situation erkannt wird, beispielsweise

„Hindernis auf der Fahrbahn“, dann kann die aktuelle M-Situation verlassen und das aktuelle

Manöver durch eines, welches in der Lage ist, die neue M-Situation aufzulösen, ersetzt werden.

Eine Priorisierung von M-Situationen hängt stark von den individuellen Eigenschaften und

Vorlieben des Fahrers ab, so können beispielsweise M-Situationen, die durch Motivationen wie

172

4.1 Modell menschähnlicher Fahrhandlungen

„Komfort“ oder „schnelles Erreichen des Ziels“ entstehen, je nach Fahrer stark unterschiedlich

gewichtet werden.

Sollbereich

um Slat herum

Slinks Srechts

Slat

Abbildung 4.10:

Explizite Sollwerte während eines (Teil-)Quermanövers: Sobald der Sollbe-

reich

[Smin,Smax]

um den lateralen Sollwert

Slat

herum erreicht wird, wird das

(Teil-)Manöver abgeschlossen.

In Tabelle 4.2 wird eine Situationspriorisierung vorgeschlagen: Die höchste Priorität erhalten

Situationen, in denen eine Gefahr für Leib und Leben für den Fahrer oder Passagiere erkannt

wird, gefolgt von ähnlichen Gefahren für andere Verkehrsteilnehmer (in diesem Fall stellt zumeist

das eigene Fahrzeug die Gefahr dar). Weitere, für den Fahrer vergleichsweise hoch priorisierte

Manöver stellen solche dar, die aufgrund von starken Motivationen oder Emotionen zustande

kommen (besondere Eile oder Angst führt oft zum Übertreten von Verkehrsregeln). Das Einhalten

von Verkehrsregeln bzw. der Spur kommt im Kontext einer durchschnittlichen Fahrt recht häufig

vor und ist bezüglich seiner Priorität unter den bisher beschriebenen Motivationen für Manöver

anzusiedeln – falls das Nichteinhalten von Verkehrsregeln subjektiv als gefährlich eingestuft

wird, ändert sich somit automatisch auch die Priorität der erkannten Situation.

Manöver lassen sich qualitativ in drei Arten unterteilen: Längsmanöver,Quermanöver sowie

kombinierte Manöver. Längsmanöver beschreiben Handlungen, welche ausschließlich mittels

Manipulation der Längsdynamik des Fahrzeugs ausgeführt werden, analog werden Quermanöver

definiert. Kombinierte Manöver hingegen erfordern zwingend die gleichzeitige bzw. aufeinander

abgestimmte Veränderung von längs- und querdynamischen Zuständen des Fahrzeugs. Des Wei-

teren kann zwischen Manövern, die allein aufgrund der Straßengeometrie durchgeführt werden

müssen und solchen, die aufgrund dynamischer Veränderungen der Umgebung durchgeführt

werden müssen, unterschieden werden (vgl. Beispiele in Tabelle 4.3). Inhaltlich unterscheiden

sich die Sollwerte der Manöver abhängig von deren Ursache: So werden „Permanentmanöver“,

wie beispielsweise das Befahren einer sehr engen Straße (die Fahrbahngrenzen befinden sich

innerhalb der Homöostasegrenzen) so lange durchgeführt, bis die Ursache für das Manöver

nicht mehr vorhanden ist. Der Fahrer weiß also zu Manöverbeginn noch nicht, wie lange das

173

4 Menschähnlichkeit und ihre Modellierung

Priorität Vorkommen Kategorie Beispiel Handlung

höchste

extrem selten

Lebensgefahr

für Fahrer

oder Insassen

Hindernis auf

Fahrbahn

Ausweichen,

Bremsen,

Beschleunigen

hohe selten Lebensgefahr

für andere Verkehrs-

teilnehmer

anderer Verkehrs-

teilnehmer auf

Fahrbahn

Ausweichen,

Bremsen,

Beschleunigen

erhöht gelegentlich hohe Motivation Eile

mehr Überhol- und

Beschleunigungs-

manöver

erhöht selten starke Emotion Wut, Angst

mehr Überhol- und

Beschleunigungs-

manöver

mittlere sehr häufig Einhalten von

Verkehrsregeln

Geschwindigkeits-

begrenzung

Anhalten

mittlere sehr häufig Einhalten von

Sollvorgaben

Spur verlassen Querregelung

niedrige häufig Komfortaspekte fragile Ladung weniger Manöver

(modifizierte

Sollwerte)

Tabelle 4.2: Vorschlag einer Situationspriorisierung

Manöver auszuführen ist und überprüft die Existenz der Manöverursache fortwährend. Ein

solches Manöver ergibt sich somit direkt aus den aktuellen Fahrumständen, eine Planung oder

Entscheidungsfindung findet in diesem Fall nicht statt. Im Gegensatz dazu wird während Manö-

vern mit eindeutig definiertem Manöverziel („Überholen von Fahrzeug x“, „Stehenbleiben an

Position y“) überprüft, ob das Manöverziel erreicht wurde, die kausale Ursache für das Manöver

spielt im weiteren Verlauf hingegen keine Rolle.

4.1.4 Fehler

Eine wichtige Eigenschaft eines menschähnlichen Fahrermodells ist dessen Möglichkeit, mensch-

liches Fehlverhalten simulieren zu können. Angelehnt an die in Abschnitt 3.5.2 beschriebenen

Fehlerkategorien nach Zimmer [

Zim01

] bzw. Rasmussen [

Ras82

] beim Fahren wird folgend ein

Konzept, welches ebenso auf die Fahrmodi Homöostase und Manöver eingeht, eingeführt.

4.1.4.1 Fehler während der Homöostase

Der Zustand der Homöostase zeichnet sich durch das Nichtvorhandensein starker Korrektur-

maßnahmen aus, da lediglich sensumotorische Regelungsprozesse aktiv sind. Fehlhandlungen

innerhalb der Homöostase können daher zum Verlassen des Zustands führen. Wie in den Abbil-

dungen 4.5 bzw. 4.8 ersichtlich ist, kommen für auftretende Fehler während der Homöostase

174

4.1 Modell menschähnlicher Fahrhandlungen

Manöver

aktiv?

Teilmanöver

(längs)

aktiv?

Teilmanöver (längs)

durchführen

Teilziel (längs)

erreicht?

nein

Teilmanöver

(quer)

aktiv?

Teilmanöver (quer)

durchführen

Teilziel (quer)

erreicht?

nein

Längsmanöver

Quermanöver

Abbildung 4.11:

Schema Teilmanöver: Ein Manöver kann aus mehreren Teilmanövern bestehen.

Längs- und Quer(teil)manöver können hierbei parallel ausgeführt werden

nur die Module „Wahrnehmung“ sowie „Handlungsdurchführung“ in Frage. Somit stellen auf

der einen Seite die wahrgenommenen Istwerte, die mit impliziten Sollwerten verglichen wer-

den und auf der anderen Seite die ausgeführten Handlungen mögliche Fehlerquellen dar. Die

Zielbildung bezüglich der Homöostasephasen geschieht implizit bzw. unbewusst, somit können

keine Fehler auftreten, die mit der Zielbildung konnotiert sind. Bezüglich der Fehlerkategorien

(vgl. Abbildung 4.12) können während der Homöostase Informations- sowie Handlungsfehler

auftreten.

Längshomöostase

Die Längshomöostase wird durch das 4-Tupel des impliziten Sollwerts

Sl= [Gmin,Hmin,Hmax,Gmax]

definiert. Für den Fall der Freien Fahrt kann die eigene Fahrzeug-

geschwindigkeit

fehlerhaft eingeschätzt werden: Je nach Implementierung der menschlichen

Wahrnehmung kann ein Fehler durch einen zu großen Zeitabschnitt zwischen der letzten genauen

Messung (mittels Tachometer) und der aktuell wahren Fahrzeuggeschwindigkeit liegen, jedoch

können auch andere Gründe zur Fehleinschätzung führen. Für den Fall der Folgefahrt kann die

Zeitlücke

falsch interpretiert werden. Entsprechend Tabelle 4.4 können fehlerhafte Informatio-

nen entweder zu vorzeitigem oder zu verzögertem Verlassen der Homöostase führen. Letzteres

175

4 Menschähnlichkeit und ihre Modellierung

Längsmanöver Quermanöver kombinierte

Manöver

Straße Abbremsen

(Kreuzung, Schilder)

„Permanentmanöver“

(Baustelle, Tunnel)

Abbiegen

Beschleunigen

(Kreuzung, Schilder)

taktischer Spurwechsel Auf-/Abfahrt

Autobahn

Verkehr

Abbremsen wg. vorausfah-

rendem Fahrzeug

Ausweichen wg.

Hindernis

Überholen

Beschleunigen wg. voraus-

fahrendem Fahrzeug (Ab-

stand halten)

Spurwechsel wg. anderen

Verkehrsteilnehmern

Abbiegen

Tabelle 4.3: Kategorisierung von Manövern bzgl. Fahrzeugdynamik sowie deren Ursachen

kann bei einer entsprechend großen Abweichung zum Betätigen des Bremspedals und somit zu

einer weiteren Reaktion des nachfolgenden Verkehrs führen.

Querhomöostase

Der implizite Sollwert wurde für die Querhomöostase als das 4-Tupel

Sq=

[Slinks,Hlinks,Hrechts,Srechts]

definiert. Die wahrgenommene Querabweichung

stellt somit die

erste mögliche Fehlerquelle dar: Je nach Implementierung der menschlichen Wahrnehmung kann

beispielsweise aufgrund mangelnder Aufmerksamkeit oder schlechter Sichtverhältnisse falsch

eingeschätzt werden. Falls

|qw|<|qist|

ist, so kann die reale Situationsgrenze

erreicht werden

(falls dies erkannt wird) und somit die Homöostase verlassen werden. Ist hingegen |qw|>|qist|,

so wird die Handlungsgrenze

∆H

früher erreicht, was zu einer vorzeitigen Lenkhandlung führt,

aber keine weiteren direkten Konsequenzen nach sich zieht. Eine Ausnahme stellt jedoch der Fall

|qw|>|∆S|

dar: Hier nimmt der Fahrer fälschlicherweise an, die Situationsgrenze überschritten

zu haben, was ebenso zum Verlassen der Homöostasephase führt. Eine zweite Fehlerursache

liegt in der Handlungsausführung: Die Korrekturmanöver können falsch parametriert sein, was

entweder zu einem zu starken oder zu schwachen Lenkmanöver führt. Ersteres kann zu einem

Verlassen der Homöostase führen, für den zweiten Fall gilt dies nicht unmittelbar (vgl. Tabelle

4.4).

4.1.4.2 Fehler während einer M-Situation

Im komplexen Fahrzustand der M-Situation können Fehler – zusätzlich zu denen auch während

der Homöostase auftretenden Informations- und Handlungsfehlern (wie in Abschnitt 4.1.4.1

dargestellt) – in weiteren Stufen der Informationsverarbeitung vorkommen. Eine M-Situation ent-

steht, sobald der Fahrer eine Diskrepanz zwischen einem Ist-und einem Sollwert erkennt, welche

größer ist, als die fahrerspezifische akzeptierte Differenz. Basierend auf dieser Definition können

Diagnosefehler definiert werden, welche allgemein eine fehlerhafte Situationseinschätzung be-

schreiben. Technisch betrachtet kann ein Diagnosefehler entstehen, wenn erstens entweder eine

176

4.1 Modell menschähnlicher Fahrhandlungen

Signaldetektion Wahrnehmung Entscheidung und Reaktionsselektion Reaktionsausführung

WahrnehmungSignaldetektion

Manöver-

auswahl

Manöver-

planung

Situations-

erkennung

Manöver-

durchführung

homöostatische

Handlung

Stufen der Informationsverarbeitung nach Wickens

Informationsfehler Diagnose-

fehler

Methoden-

fehler

Zielsetzungs-

fehler Handlungsfehler

Situation

Homöostase

Abbildung 4.12:

Modellierung von Fehlern abgeleitet aus dem Fehlermodell nach Zimmer

[Zim01] bzw. Rasmussen [Ras82]

Differenz einer wahrgenommenen Information und einem Sollwert (ISD) kleiner oder größer als

die reale Differenz ist; zweitens wenn eine ISD erkannt wird, obwohl der Bezugswert objektiv

nicht vorhanden ist („False Positive“) bzw. drittens wenn eine ISD nicht wahrgenommen wird,

obwohl die Werte objektiv vorhanden sind („Miss“).

Ein Miss wird in diesem Kontext so definiert, dass die Situation aufgrund fehlender Informatio-

nen nicht vom Fahrer erkannt wird (beispielsweise aufgrund von Verdeckungen). False Positives

entstehen durch fehlerhaft eingeordnete Informationen, beispielsweise durch Fehlinterpretationen

von Handlungen anderer Verkehrsteilnehmer. Fehler dieser Art sind innerhalb der beschriebenen

Modellstruktur nur bedingt umsetzbar. Vorstellbar sind fehlerhafte Extrapolationen für Kurse

anderer Verkehrsteilnehmer kombiniert mit plötzlichen Richtungsänderungen dieser aufgrund

anderer Umstände. Die Implementierung von „leichten“ Diagnosefehlern (vgl. Tabelle 4.5) ist

vergleichsweise einfach: Sie ergeben sich zumeist als Fehlerfortpflanzungen von Informations-

fehlern. Die Umsetzung „schwerer“ Diagnosefehler, wie „looked-but-failed-to-see“-Fehlern

kann hingegen nicht ohne eine Modellierung von Situationsbewusstsein bzw. Aufmerksamkeit

geschehen.

Nachdem eine Situation erkannt wurde, können sich weitere Fehler während der Informati-

onsverarbeitung (also der Manöverauswahl, der Zieldefinition und -evaluation) ereignen. Ein

Methodenfehler kann auftreten, wenn während der Manöverauswahl ein solches ausgewählt wird,

177

4 Menschähnlichkeit und ihre Modellierung

|qw|<=|qist| |qw|>|qist|

|qw|<|∆H|Handlung zu spät, Handlung zu früh,

kein Verlassen

der Homöostase

kein Verlassen

der Homöostase

|∆H|<=|qw|<|∆S|Handlung zu spät, Handlung zu früh,

kein Verlassen der Homöostase

obwohl ∆Sevtl. erreicht

kein Verlassen

der Homöostase

|∆S|<=|qist|Handlung zu spät, Handlung zu früh,

zu spätes Verlassen

der Homöostase

unnötiges Verlassen

der Homöostase

Tabelle 4.4: Informationsfehler während der Homöostase und ihre Auswirkung

Diagnosefehler Beispiel

ISDw<ISD

Situation wird zu spät erkannt

→

Manöver wird evtl. zu spät

ausgeführt (leichter Fehler)

ISDw>ISD

Situation wird zu früh erkannt

→

Manöver wird evtl. zu früh

ausgeführt (leichter Fehler)

ISDw∈/0∧ISD /∈/0

(„Miss“)

objektiv vorhandene Situation wird nicht erkannt

→

es wird

kein Manöver geplant (schwerer Fehler)

ISDw/∈/0∧ISD ∈/0

(„False Alarm“)

Situation wird erkannt, obwohl objektiv nicht vorhanden

→

wird ein unnützes Manöver geplant (schwerer Fehler)

Tabelle 4.5: Diagnosefehler in der Situationserkennung und ihre Auswirkung

welches die Situation objektiv nicht aufzulösen imstande ist: Beispielsweise kann ein Brems-

manöver ausgewählt werden, obwohl ein Ausweichmanöver die bessere Alternative dargestellt

hätte. Wenn dies aufgrund zu geringer Ressourcen für die Planung eines Alternativmanövers

geschieht, dann ist das resultierende – einfachere – Manöver als „Heuristik-Manöver“ bzw.

„Reflex-Manöver“ zu interpretieren. Im Unterschied zur ursprünglichen Definition bezieht sich

ein Methodenfehler im Kontext dieser Arbeit nicht ausschließlich auf die (falsche) Wahl eines

Bedienelementes (Lenken vs. Gas/Bremse), sondern auch auf unterschiedliche Manöver. Ein Me-

thodenfehler lässt sich beispielsweise durch persönliche Präferenzen, Emotionen (z.B. Ängste)

oder Motivationen (bestimmte Motivationen erhöhen die Wahrscheinlichkeit, riskantere Manöver

auszuwählen) implementieren.

Die Bestimmung der (expliziten) Sollwerte für ein ausgewähltes Manöver kann ebenso fehlerhaft

erfolgen. Ein solcher Zielsetzungsfehler

entsteht, wenn Sollwerte definiert werden, auf deren

Grundlage das ausgewählte Manöver nicht bzw. nicht optimal durchgeführt werden kann, bei-

4Dieser ist nicht zu verwechseln mit dem in Abschnitt 3.5.2 beschriebenen.

178

4.1 Modell menschähnlicher Fahrhandlungen

spielsweise ein zu spät gewählter Zeitpunkt oder eine zu gering gewählte Pedalstellung für ein

Bremsmanöver.

Die Implementierung von Bedienfehlern wie z.B. das Abrutschen von einem Pedal sind inner-

halb des vorgestellten Modellkonzepts nicht angedacht – die dazu benötigte (physische bzw.

physikalische) Modellierung des Fahrers bzw. der Bedienelemente liegt weit außerhalb der

Modellgrenzen.

Verstöße hingegen, also vorsätzlich begangene „Fehler“ – bzw. von der Straßenverkehrsordnung

nicht legitimiertes Verhalten, welches zu riskanten Situationen oder Unfällen führt, können

ebenfalls mittels Motivationen, Emotionen und fahrertypspezifischen Parametern modelliert

werden.

4.1.5 Modellierung von Einflussfaktoren

In Abschnitt 3.4 wurden unterschiedliche Einflussfaktoren, die auf menschliches Fahrverhalten

wirken, beschrieben. Eine Modellierung aller behandelten Konstrukte ist jedoch weder effizient,

noch notwendig, um menschähnliches Fahrverhalten generieren zu können. Einflussfaktoren auf

das menschliche Fahrverhalten können in statische und dynamische Faktoren unterteilt werden.

Erstere werden als für eine Fahrt konstant angenommen bzw. ändern sich so langsam, dass ihr

direkter Einfluss auf das Fahrverhalten als sehr gering eingeschätzt wird, eine Implementierung

als Parameter bietet sich daher an. Dynamische Faktoren können sich während einer Fahrt ändern

und sind daher in der Lage, das Verhalten wahrnehmbar zu beeinflussen.

Demographie:

Alter, Geschlecht

Persönlichkeit:

Big Five,

Sensation Seeking,

Lebensstil

Fahrerfahrung:

Fähigkeiten

und

Fertigkeiten

Motive:

Eile, Vorsicht

Emotionen:

Ärger, Angst

Entspanntheit

psychophysisch:

Müdigkeit, Stress

statisch

dynamisch

Abbildung 4.13: Statische und Dynamische Einflussfaktoren auf das Fahrverhalten

179

4 Menschähnlichkeit und ihre Modellierung

Betrachtet man die Fahraufgabe aus der Perspektive der möglichen Fahrhandlungen, so beste-

hen diese aus einem – definierten – Pool aus Manövern und homöostatischen Fahrhandlungen.

Beide Formen von Fahrhandlungen können mittels eines Sollwerttupels definiert werden (vgl.

Abschnitte 4.1.2 und 4.1.3). Manöver werden durch eine erkannte Ist-Soll-Diskrepanz eingeleitet.

Persönlichkeitseigenschaften und längerfristige Motive hingegen bestimmen die grundsätz-

liche Parametrierung der Situationserkennung sowie die Art und Weise der auszuführenden

Handlungen. In Abbildung 4.14 wird dies grafisch veranschaulicht: Ein Motiv – beispielswei-

se „Eile“ – parametriert Sollwerte und Ist-Soll-Diskrepanzen mehrerer Situationen im Modul

„Situationserkennung“. Als Beispiel dient eine Überholsituation: Eine notwendige Bedingung

für die Erkennung einer solchen ist gegeben, wenn der Wert der Geschwindigkeitsdifferenz

∆v=vwunsch −vvoraus

größer als eine vom Fahrer maximal akzeptierte Geschwindigkeitsdifferenz

∆vmax

ist. Falls also das Fahrmotiv „Eile“ aktiv ist, so wirken die Parameter

PEile

vwunsch

und

PEile

∆vmax

auf

die Eintrittsbedingung. Die Überholsituation wird früher erkannt, da die vom Fahrer aufgrund

eines langsameren vorausfahrenden Fahrzeugs akzeptierte Geschwindigkeitsdifferenz verringert

wird:

∆vEile

max =PEile

vwunsch ·∆vmax mit PEile

vwunsch <1.

Zusätzlich wird die eigene Wunschgeschwindigkeit erhöht:

vEile

wunsch =vwunsch ·PEile

vwunsch .

Für das Motiv „Eile“ kann weiterhin angenommen werden, dass eine genaue Ausführung von

Manövern negativ mit der Stärke des Motivs einhergeht, somit ergibt sich für den expliziten

Sollwert

SEile = [GEile

min ,S,GEile

max]

mit

GEile

min =PEile

Gmin ·Gmin und GEile

max =PEile

Gmax ·Gmax

und den Parametern

PEile

Gmin <1 und PEile

Gmax <1.

Mit Hilfe dieses Konzepts kann somit manipuliert werden, ob und wann eine Situation erkannt

wird, welches Manöver zur Auflösung dieser ausgewählt wird, wann und wie das Manöver ausge-

führt werden soll und wie lange eine Homöostasehandlung andauern wird. Die Beeinflussung von

Wahrnehmung sowie Handlungsausführung durch Motivationen kann mit Hilfe dieses Ansatzes

ebenso modelliert werden – jedoch kann dies nur im Kontext des verwendeten Modells stattfin-

den. Für die Wahrnehmungsmodellierung ist eine Vielzahl von Modellen vorhanden: Mit Hilfe

von Blicksteuerungsmodellen können die notwendigen Informationen zur Verfügung gestellt

sowie Problemstellungen wie Verdeckung, nutzbares Sichtfeld oder visuelle Aufmerksamkeit

realistisch implementiert werden. Für die Handlungsausführung kann ebenfalls aus vielen unter-

180

4.1 Modell menschähnlicher Fahrhandlungen

schiedlichen Reglermodellen, welche an das Konzept der impliziten und expliziten Sollwerte

angepasst werden können, gewählt werden. Hierbei muss zunächst evaluiert werden, wie ein

solches Modell parametriert werden kann: Vorstellbar sind Veränderungen bei Parametern bzgl.

der Bedienelemente, sowie der Reglerparameter. Des Weiteren wirken Emotionen während der

Fahrhandlung sowohl indirekt über Motive (beispielsweise kann die Emotion „Angst“ das Motiv

„Eile“ verstärken) als auch direkt auf einzelne Module.

Einflussfaktor

Ist-Soll-Diskrepanz

Bedingung

expliziter Sollwert impliziter Sollwert

Abbildung 4.14:

Motiv-Handlungs-Kette: Ein Einflussfaktor wirkt auf eine Menge an Ist-Soll-

Diskrepanzen, aus diesen können Bedingungen gebildet werden, um bestimmte

Manöver auszulösen. Des Weiteren können sowohl explizite als auch implizite

Sollwerte durch Einflussfaktoren parametriert werden.

Die Summe aus statischen Einflussfaktoren bildet die Grundlage für die Beschreibung eines

Fahrertyps. Hierfür werden einige spezifische Parametersätze für die jeweiligen expliziten und

impliziten Sollwerte, als auch für Ist-Soll-Diskrepanzen für die Situationserkennung benötigt.

Aus statistischen Daten kann beispielsweise abgeleitet werden, dass sich durchschnittliche Zeit-

lücken für die Folgefahrt bei Autofahrern einer bestimmten Demografie vom Durchschnittswert

der Grundgesamtheit unterscheiden. Die impliziten Sollwerte für die Folgefahrt können dement-

sprechend um diesen Differenzwert zuzüglich Varianz verändert werden. Mit diesem Ansatz

können für definierte Manöver sowie homöostatische Fahrhandlungen sowohl statische als auch

dynamische Einflussfaktoren verwendet werden, um so einen individuellen Fahrer aus einer

bestimmten Grundgesamtheit abbilden zu können.

Fazit

Es wurde ein Ansatz zur Modellierung der Fahrhandlung vorgestellt, welcher ermög-

lichen soll, menschähnliches Fahren zu modellieren. Dies geschieht durch die Aufteilung der

Fahrhandlung in zwei grundlegend unterschiedlichen Fahrmodi: Manöver und Homöostase.

Diese können mathematisch durch Sollwerttupel beschrieben werden. Parameter können auf die

181

4 Menschähnlichkeit und ihre Modellierung

Sollwerte einwirken und somit das Fahrverhalten verändern. Psychologische Konstrukte wie

Motivation oder Emotion können über diese Parameter ebenfalls auf das Fahrverhalten einwirken.

Auch typisch menschliche Phänomene wie Fahrfehler können mit Hilfe dieses Ansatzes abgebil-

det werden. Fahrertypen, also sich in ihrem Fahrverhalten unterscheidende Gruppen von Fahrern,

können mit Hilfe von ähnlich definierten Parametern erzeugt werden. Teile dieser theoretischen

Ausarbeitung wurden bereits in das in Kapitel 5 vorgestellten Fahrermodell implementiert.

Bezüglich der eingeführten Menschähnlichkeitstypen von Fahrermodellen muss zwischen den

Fahrmodi Homöostase und Manöver unterschieden werden. Fahrhandlungen während der Ho-

möostase sind als sensumotorische Handlungen ohne bewusste kognitive Anstrengungen zu

interpretieren und können daher maximal in die Typ-II-Kategorie eingeordnet werden. Komple-

xere Fahrhandlungen wie Fahrmanöver können – so denn eine Validierung des Sollwertkonzepts

stattgefunden hat – zum Teil in Kategorie III fallen. Die Einordnung kann jedoch auch dann

nur für jeweils einzelne, validierte Manöver vorgenommen werden. Schlussendlich kann das

Modellkonzept als hybrides Typ-II/Typ-III-Modell interpretiert werden, wobei jedoch auf die

Modellierung der Handlungsausführung verzichtet wurde.

4.2 Validierung von Fahrermodellen

Für jeden Modellierungsvorgang stellt sich die Frage, inwiefern die Aussagen, die das Modell

trifft, mit denen aus der Realität gewonnenen übereinstimmen bzw. ob diese ähnlich genug

sind, um ein Modell als valide bezeichnen zu können. Aus dieser Grundproblematik einer jeden

Modellierung leiten sich weitere Fragen ab: Wie ähnlich müssen die Aussagen sein? Ist ein

Modell schon nicht mehr als valide zu betrachten, wenn eine einzige Aussage nicht mit der

Realität übereinstimmt? Gibt es Grade der Modellvalidität? Um auf diese Punkte am Ende

des Abschnitts näher eingehen zu können, wird zunächst das Konzept der Modellvalidierung

aus verschiedenen Standpunkten beleuchtet sowie damit zusammenhängende Begrifflichkeiten

definiert.

Im Umfeld des Begriffs Validierung fällt oft der Terminus Verifikation. Diese bezeichnet den

Prozess für den Nachweis einer formal korrekten Implementierung eines (Computer-)Modells –

nicht mehr und nicht weniger. Validierung hingegen bezieht sich auf den Kontakt des Modells

mit der Wirklichkeit, sie beinhaltet eine Einschätzung, inwiefern dieses für einen bestimmten

Anwendungszweck geeignet ist und weiterhin, wie genau ein Modell der realen Modellvorlage

entspricht bzw. die Realität abbildet. Je nach Kontext und Wissenschaftsfeld variiert die Ge-

wichtung zwischen beiden Interpretationsmöglichkeiten. Für das Erreichen des gewünschten

Modellverhaltens kann ein Modell kalibriert werden, indem Modellanpassungen – zumeist

mittels Parametervariation – vorgenommen werden.

Zunächst ist zu bemerken, dass bisher kein allgemeingültiger Prozess für eine Modellvalidierung

existiert – vielmehr gibt es eine Vielzahl unterschiedlicher Sichtweisen und Prozesse (vgl. auch

182

4.2 Validierung von Fahrermodellen

Viehof & Winner [

VW17

]). Kleindorfer et al. [

KOG98

] beleuchten unterschiedliche philosophi-

sche Denkschulen und bewerten deren Einflüsse auf die Validierung von simulativen Modellen.

Sie kommen zu dem Schluss, dass Validierung als ein ethisches Problem zu betrachten ist, in dem

letztendlich der Anwender auf verantwortliche und professionelle Weise die Berechtigung des

Modells zu vertreten hat, da ein Modell weder als „vollständig validiert“ noch als „vollständig

widerlegt“ betrachtet werden kann.

Nach Klein & Herskovitz [

KH05

] können Modelle analog zu wissenschaftlichen Theorien

behandelt werden, da jedes Modell ebenfalls aus einer Reihe von Aussagen über die Funktions-

weise eines bestimmten Systems besteht. Somit kann jedes Modell anfangs als eine Hypothese

angesehen werden, die besagt, dass das konstruierte Modell innerhalb eines bestimmten Anwen-

dungsrahmens ein zu modellierendes System mit einer angestrebten Genauigkeit abbildet. Diese

Hypothese kann durch den Prozess der Validierung bestätigt oder verworfen werden, wozu u.a.

statistische Methoden verwendet werden können. Das führt zur Schlussfolgerung, dass ein Mo-

dell – je nach Sichtweise – entweder niemals umfassend validiert werden kann, da jede erfolglose

Validierung zum Verwerfen des Modells führen muss und dieses daher bis zu einer solchen nur

als „nicht invalide“ bezeichnet werden kann. Alternativ nimmt man an, dass sich ein Modell auf

einer Nützlichkeitsskala verorten lässt und es sich nach erfolglosen Validierungsversuchen durch

verhältnismäßig kleine Änderungen (Kalibrierungen) „re-validieren“ lässt. Dementsprechend

muss der Ansatz gewählt werden, der mit dem Modellierungsziel weitestmöglich übereinstimmt:

Sollen wissenschaftlich valide Erkenntnisse mittels Extrapolation gewonnen werden, so ist die

falsifikationistische Herangehensweise die zielführendere, bei interpolierenden Modellen – also

bei Modellen, die in Situationen verwendet werden, die den bereits validierten ähnlich sind – ist

eine induktive, verifikationistische Interpretation der Validierung hingegen die sinnvollere.

Die Sichtweise von Law & McComas [

LM01

] ist mit letzterer vergleichbar: Sie bezeichnen ein

Modell als „valide“, wenn es dazu verwendet werden kann, Entscheidungen über ein System zu

treffen, die identisch mit denen sind, die man aus Experimenten mit dem realen System ableiten

würde. „Absolute“ Modellvalidität wird ebenfalls prinzipiell abgelehnt, da diese nur bei Identität

mit dem zu modellierenden System vorliegt und ein Modell sich ja gerade durch Abstraktion und

Vereinfachung der Realität definiert. Dementsprechend kann „absolute“ Modellvalidität weder

Ziel noch Ergebnis einer Modellierung sein.

Konkrete Aussagen über den Validierungsprozess treffen Oberkampf & Trucano [

OT08

]: Sie

fordern, drei Kernaspekte zu berücksichtigen:

1) Bewertung der Modellgenauigkeit durch Vergleich mit Experimentaldaten

2) Interpolation bzw. Extrapolation des Modells für den gedachten Einsatzbereich

3) Entscheidung über die Eignung des Modells für die spätere Benutzung

Sie betonen zusätzlich, dass Experimentaldaten das glaubwürdigste Abbild der Realität zum

Zwecke der Validierung darstellen, dass jedoch auch Fehler- und statistische Unsicherheitsbe-

183

4 Menschähnlichkeit und ihre Modellierung

trachtungen sowohl auf Modellebene, als auch bezüglich der Experimentaldaten durchgeführt

werden müssen.

Kutluay [

Kut13

] fasst die Problemstellung der Modellvalidierung zutreffend zusammen: Wenn

das Computermodell das mathematische Modell gut abbildet (Verifikation) und das mathema-

tische Modell zur Theorie passt (konzeptuelle Validierung), dann bildet das Computermodell

auch die Theorie gut ab. Wenn die Theorie die Realität gut abbildet, dann bildet das Modell diese

ebenfalls gut ab (operationale Validierung), so denn die verwendeten Daten zuverlässig sind

(Datenvalidität).

Nach Sargent [

Sar10

] existiert eine Vielzahl von Validierungsmethoden, die subjektiv oder

objektiv sein können, wobei statistische bzw. mathematische Techniken als „objektiv“ bezeichnet

werden. Wichtiger im Kontext dieser Arbeit erscheinen die „subjektiven“ Methoden:

• Animation, Vergleich mit anderen Modellen

•

Test auf Extremkonditionen (unwahrscheinliche Kombination von Eingabewerten und

Umgebungsvariablen)

• „Augenscheinvalidität“ (Expertenmeinung über nachvollziehbares Systemverhalten)

• interne Validität (Berücksichtigung der internen Stochastik des Modells)

•

Sensitivitätsanalyse (Variation der vorhandenen Parameter, um deren Effekt bewerten zu

können)

• Turing-Tests (Experten müssen zwischen Modell und Realdaten unterscheiden)

Realitätstreue

Ein weiteres Konstrukt, welches bei der Validierung eines Modells nützlich

sein kann, ist dessen Realitätstreue. Buchholz [

Buc19

] definiert diese folgendermaßen: Sei

ein Verhaltensmaß für das Realsystem und

das Verhalten für das simulierte Modell. Dann

bezeichnet

D(VR,VS)

das Maß für die erkennbaren Verhaltensunterschiede zwischen Realsys-

tem und Modell. Ein Modell gilt demnach als „realitätsgetreu“, wenn

D(VR,VS)

unter einem

bestimmten Grenzwert liegt, der abhängig vom Modellierungsziel spezifiziert werden muss.

Eine Kalibrierung des Modells hat nun zum Ziel, die Verhaltensunterschiede

D(VR,VS)

auf ein

gewünschtes Maß zu reduzieren. Zum einen kann dies durch Strukturänderungen des Modells

geschehen, andererseits durch Änderungen der Modellparameter – ohne Änderungen an der

Modellstruktur.

Eine bestimmte Situation – also eine Kombination aus Modellkonfiguration und Zustand der

Simulationsumgebung – kann als ein Punkt in einem „Situationsraum“ interpretiert werden (vgl.

Abbildung 4.15). Zunächst ist davon auszugehen, dass innerhalb dieses Raumes ein Bereich G

existiert, in dem das Modell valide Modellausgaben generiert und dementsprechend auch ein

Bereich

¬G

, in dem dies nicht so ist. Weiterhin existieren Situationen K, die kalibrierte und

somit validierte Modellkonfigurationen darstellen, die in G liegen. Testet man nun mit einer

(validen) Modellkonfiguration eine unbekannte Situation E, so kann das Ergebnis dieses Tests

184

4.2 Validierung von Fahrermodellen

Abbildung 4.15:

Situationsraum mit Kalibriersituation Kinnerhalb eines Gültigkeitsbereichs

und Experimentalsituation Eaus Buchholz [Buc19]

entweder positiv – dann hat man eine neue validierte Situation gefunden – oder negativ ausfallen.

In beiden Fällen besteht der Erkenntnisgewinn aus neu gewonnenen Informationen über G. Eine

Neukalibrierung des Modells, welche dazu führt, dass E in G läge, würde jedoch dazu führen,

dass vorherige Informationen über G ihre Gültigkeit verlören.

Allgemein kann die Aussage getroffen werden, dass das Modellverhalten bei komplexen Model-

len prinzipiell unbekannt ist und Aussagen über Validität – basierend auf Verhalten in bekannten

Situationen – in unbekannten Situationen schwierig zu treffen sind. Bei sehr ähnlichen Situa-

tionen ist es zwar wahrscheinlicher, dass sich ein Modell in unbekannten Situationen, die sich

„nahe“ an validierten Situationen befinden, ebenfalls valide verhält – mit Sicherheit kann dies

jedoch nicht angenommen werden. Somit steigt zwar das Vertrauen in ein Modell mit der Anzahl

der validen Situationen, dies erhöht jedoch in ähnlichem Maße die Kosten. Ein Kompromiss

zwischen Validierungsaufwand und Modellqualität sollte daher, basierend auf der Zielstellung

der Modellierung, gefunden werden.

Validierung sollte daher als ein Prozess betrachtet werden, der dazu dient einerseits das Modell-

vertrauen des (späteren) Benutzers zu erhöhen, zusätzlich jedoch auch während der Modellierung

Fehler aufzudecken. Balci [

Bal97

] beschreibt drei Fehlertypen, die bei der Modellierung auftreten

können und unbedingt zu vermeiden sind:

•

Typ-I-Fehler treten auf, wenn die Simulationsergebnisse als unbefriedigend interpretiert

werden, obwohl diese durchaus glaubwürdig sind („Risiko des Modellierers“).

•

Typ-II-Fehler beschreiben den gegenteiligen Effekt – die Akzeptanz von objektiv unglaub-

würdigen Simulationsergebnissen („Risiko des Anwenders“ bzw. „’one run looks ok, so

the model is correct’ syndrome“).

185

4 Menschähnlichkeit und ihre Modellierung

•

Typ-III- Fehler hingegen sind bei Modellen zu finden, die „zweckentfremdet“ eingesetzt

werden und deren Ergebnisse somit nicht zu gebrauchen sind.

Sind die Folgen eines Typ-I-Fehlers noch überschaubar (im schlimmsten Fall erhöhen sich die

Entwicklungskosten des Modells), so können Typ-II- und Typ-III-Fehler dramatische Konse-

quenzen nach sich ziehen.

Aus den bisher zusammengefassten theoretischen Betrachtungen zum Thema Modellvalidierung

lassen sich einige Fragen bezüglich des in dieser Arbeit vorgestellten Modells menschlicher

Fahrhandlungen ableiten, auf die folgend eingegangen wird.

Validierung und Menschähnlichkeit: Welche Aussagen können allgemein über die Validie-

rung von menschähnlichen Fahrermodellen (auch in Zusammenhang mit ihrer Menschähn-

lichkeitsstufe) getroffen werden?

Validierung und Kalibrierung des Modells: Wie und mittels welcher Methodik kann

das vorgestellte Modell validiert werden? Wie und für welche Fahrer(-typen) kann das

vorgestellte Modell kalibriert werden?

Schlussfolgerungen: Welche Aussagen können mit Hilfe des Modells nach einer Validie-

rung bzw. ohne Validierung getroffen werden und welche nicht?

4.2.1 Validierung und Menschähnlichkeit

Bevor auf die Frage eingegangen wird, ob und wie sich das vorgestellte Fahrermodell vali-

dieren lässt, können einige allgemeine Aussagen über die unterschiedlichen Möglichkeiten

der Validierung eines Fahrermodells abhängig von seiner Menschähnlichkeitsstufe getroffen

werden. So könnte ein Typ-I-Modell anhand aufgezeichneter Fahrzeugdaten (Position, Ausrich-

tung, Geschwindigkeit, Beschleunigung usw.) validiert werden. D.h. es müssten Datensätze

von Realfahrern aufgezeichnet werden und mit den Simulationsergebnissen des Fahrermodells

verglichen werden. Die Aufzeichnung dieser Daten ist heutzutage problemlos möglich (z. B. mit-

tels hochgenauem GPS). Für ein Typ-II-Modell müssten die Fahreroutputs (Lenkrad/Pedalerie)

ein bestimmtes Ähnlichkeitsmaß erfüllen. Die Aufzeichnung der entsprechenden Signale ist

technisch ebenfalls möglich. Bei Typ-III-Modellen wäre der Nachweis bestimmter kognitiver

Konstrukte in der Gedankenwelt des Fahrers für eine Validierung des Modells nötig – dies

erscheint sowohl mit dem heutigen Stand der Forschung als auch zukünftig kaum realisierbar.

Zwar können mittels EEG einfache Aktivierungsaktivitäten in bestimmten Hirnarealen, die

beispielsweise eine gewünschte Richtung betreffen, erkannt werden. Eine weitere Verfeinerung

solcher Verfahren hin zur Erfassung von Intentionen bzw. Gedanken erscheint jedoch sowohl

physisch unmöglich, als auch ethisch nicht vertretbar. Somit kann eine rein datengetriebene

Validierung für Typ-III-Modelle ausgeschlossen werden.

Weiterhin kann die Aussage getroffen werden, dass eine „Abwärtsvalidität“ verlangt werden

kann, d.h. dass ein Typ-III-Modell sowohl Typ-II- als auch Typ-I-valide sein und ein Typ-II-

186

4.2 Validierung von Fahrermodellen

Modell dementsprechend alle Bedingungen für Typ-I-Validität erfüllen muss. Für eine mögliche

Validierung des vorgestellten Fahrermodells gilt daher, dass zum einen Typ-I-Validität nachge-

wiesen werden muss, was in diesem Fall bedeutet, dass sich das modellierte Fahrzeugverhalten

im Straßenverkehr so oder so ähnlich beobachten lassen muss. Eine Typ-II-Validität hingegen ist

für das vorgestellte Modell unerheblich, da sich dieses nicht konkret mit menschlichen Fahrhand-

lungen beschäftigt, sondern mit deren kognitiven Ursachen. Diese könnten validiert werden, falls

sich psychologisch nachweisen ließe, dass Konzepte wie Längs- und Querhomöostase während

des Führens eines Fahrzeugs vorhanden sind – dann wäre Typ-III-Validität für dieses Modell

erreichbar.

4.2.2 Validierung und Kalibrierung des Fahrermodells

Zunächst muss definiert werden, was „Validierung“ im Kontext des vorgestellten Modells be-

deutet: Sie soll hier als Prozess verstanden werden, der Aufschluss geben soll, inwiefern eine

realitätsnahe Abbildung bestimmter zu modellierender Eigenschaften erfolgreich durchgeführt

wurde. D. h. die Aussage, dass es sich um ein „valides“ Modell handelt, bedeutet, dass das Modell

nachvollziehbare Ausgaben generiert, welche so oder so ähnlich auch von einem menschlichen

Fahrer hätten produziert werden können. Das impliziert, dass sich das Modell gerade nicht im

Popper’schen Sinne als wissenschaftliche Theorie versteht und somit nicht für die mit einer

gegebenen Sicherheit vorhandenen Vorhersage von menschlichem Verhalten in unbekannten

Situationen verwendet werden kann. Vielmehr soll das Modell einen bestimmten, definierten

Situationsraum abdecken – die Validität des Modells (hier interpretiert als Größe des Gültig-

keitsbereichs) stellt sich somit proportional zur Anzahl von erfolgreich kalibrierten Situationen

dar.

Neben der Validierung mittels Kalibrierung von Situationen können weitere Argumente für eine

Modellvalidität angeführt werden: So stützt sich das Modell der Längs- und Querhomöostase

auf bekannte Konzepte aus der Literatur (vgl. Abschnitt 4.1), womit ebenfalls eine konzeptu-

elle Validität angenommen werden kann. Da eine Implementierung bisher nicht vollständig

stattgefunden hat, stehen sowohl Verifikation der Implementierung als auch der Vergleich mit

Experimentaldaten aus.

Eine Kalibrierung des Modells, um dieses an einen bestimmten Fahrer bzw. Fahrertyp anzupas-

sen, könnte mit Hilfe der Modellparameter vorgenommen werden. Diese bestehen aus dem Tupel

[Si,Se]

mit

Se= [Gmin,S,Gmax]

und

Si= [Gmin,Hmin,Hmax,Gmax]5

und beschreiben die Situations-

und Handlungsgrenzen des Fahrers. Für eine solche Kalibrierung müssten Daten von real existie-

renden Fahrern vorhanden sein, d. h. zunächst müsste eine Untersuchung durchgeführt werden,

um das Vorhandensein dieser internen Grenzwerte belegen zu können. Des Weiteren müssten

diese Werte ermittelt und bei entsprechender Verfügbarkeit geclustert werden, um Gemeinsam-

Identische Parameterbezeichnungen für die einzelnen Handlungsgrenzen bezeichnen unterschiedliche Parameter

für Siund Se.

187

4 Menschähnlichkeit und ihre Modellierung

keiten für bestimmte Fahrertypen herausarbeiten zu können. Die Probleme sind offensichtlich:

Zum einen erscheint eine solche Untersuchung aufwändig, vor allem jedoch stellt sich die Frage,

ob bzw. wie solch interne Verhaltensparameter erfasst werden können, da eine Verbalisierung

dieser teilweise während subbewusster Fahrzustände stattzufinden hat. Schlussendlich ist nicht

klar, ob die postulierten Parameter existieren bzw. „ausgelesen“ werden können. Ist das gesamte

Modell daher zu verwerfen? Diese Frage kann ebenfalls nur abhängig vom Anwendungskontext

beantwortet werden: Wenn das Modell „menschähnliches“ Fahrverhalten erzeugt, dann hat es

eine Daseinsberechtigung auch ohne wissenschaftliche Validierung, im besten Fall kann es für

eine Vielzahl von Situationen und Fahrertypen kalibriert werden und somit für die Simulation

menschähnlichen Verhaltens verwendet werden.

Abschließend soll noch einmal auf den Unterschied zwischen „formalen

“ und „nichtforma-

len“ Modellen und den Zusammenhang zur Validierbarkeit eines Modells eingegangen werden:

Jürgensohn [

Jür01

] unterscheidet die zwei Modelltypen u.a. bezüglich ihrer Validierbarkeit: For-

male Modelle sind validierbar bzw. überprüfbar, nichtformale jedoch höchstens „einschätzbar“.

Das hier vorgestellte Modell kann insgesamt als „formal“ bezeichnet werden, da mathemati-

sche Abhängigkeiten formuliert wurden und dementsprechend eine Simulation durchführbar

ist. Dennoch existieren nichtformale Komponenten (z. B. Situations- oder Handlungsgrenzen),

deren Modellierung und Parametrierung zuvorderst auf den Vorstellungen des Modellierers

basieren. Da diese Komponenten eben nicht auf objektiv validierbaren Parametern, sondern

auf vom Modellierer angenommenen motivationalen und emotionalen Zuständen fußen, ist

eine Validierung dieser Komponenten zumindest problematisch, wenn nicht unmöglich bzw.

nach Jürgensohn „reine Spekulation“. Somit kann ein solches Modell nicht valide im Sinne der

korrekten Abbildung der Realität sein, sondern nur im Sinne der Erfüllung des Modellauftrags –

eine solche Validierung steht noch aus.

6Ein formales Modell ist im Gegensatz zu einem nichtformalen Modell berechenbar, wohingegen in letzteren eher

vage Zusammenhänge vorkommen (z.B. in deskriptiven Modellen).

188

5 Rahmenmodell für die Erzeugung

parametrierbarer menschähnlicher

Fahrermodelle

„Das beste Modell für eine Katze ist eine Katze. Möglichst dieselbe Katze.“

Norbert Wiener

Basierend auf den Grundlagen der menschlichen Informationsverarbeitung (Kapitel 3), den

Gedanken zu Menschähnlichkeit bzw. einem Konzept der Modellierung menschähnlichen Fahr-

verhaltens (Kapitel 4) wird folgend die Entwicklung eines Rahmenmodells für menschähnliche

Fahrermodelle für unterschiedliche Einsatzgebiete beschrieben. Mit dem Wissen, dass – wie

es vielfach von Entwicklerseite gewünscht wird – die Entwicklung eines allgemeingültigen

Fahrermodells, welches alle denkbaren Thematiken abdeckt, praktisch unmöglich ist, wurde ein

Konzept entwickelt, welches es ermöglicht, spezifische, auf einen bestimmten Anwendungs-

zweck hin optimierte, aus dem Rahmenmodell abgeleitete Fahrermodellinstanzen zu erzeugen.

Kern des Rahmenmodells ist eine Struktur, die die Nachbildung typischer, anwendungsgetriebe-

ner Funktionalitäten menschlichen Verhaltens im Auto erlaubt. Die Rahmenstruktur ermöglicht

das Einbinden von Modulen, die jeweils eine Teilfunktionalität abbilden. Beispielhaft können

Module, die die Querregelaufgabe lösen, die Reaktionen auf Verkehr im Kreuzungsbereich

oder das Bremsverhalten vor Ampeln bei Vorhandensein von Fahrzeugen voraus nachbilden,

angeführt werden. Dabei werden die Module nur dann in die Simulation eingebunden, wenn

es die Aufgabenstellung verlangt. In vielen Anwendungen (z.B. zur Abbildung von individuel-

lem Fremdverkehr in der Simulation) wird von dem Fahrermodell nur eingeschränkt variables

oder intelligentes Verhalten verlangt. Dementsprechend kann das Verhalten des Modells von

menschähnlich-variabel bis hin zu deterministisch-technisch konfiguriert werden.

Folgende vier Designziele sind maßgeblich für die Entwicklung des Fahrerrahmenmodells:

Das Rahmenmodell soll die Entwicklung von dynamischen Modellen des menschlichen

Verhaltens als Führer eines Automobils in prinzipiell beliebigen Verkehrssituationen

erlauben.

Aus dem Rahmenmodell abgeleitete Fahrermodelle müssen sich leicht in dynamische

Simulationsumgebungen (z.B. in Verbindung mit Fahrzeugmodellen oder Fahrsimulatoren)

integrieren lassen.

189

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Die aus dem Rahmenmodell abgeleiteten Fahrermodelle müssen nach Vorgabe des An-

wendungszwecks mit geringem Aufwand erweitert oder modifiziert werden können.

Die aus dem Rahmenmodell abgeleiteten Fahrermodelle dürfen aus modellökonomischen

Gründen nicht mehr „können“, als die Simulationsaufgabe verlangt.

Aus der Anforderung 1) ergibt sich, dass das Rahmenmodell sowohl Längs- und Querrege-

lung beinhalten muss, als auch Verhaltensstrukturen, die Entscheidungsprozesse im Verkehr

abbilden können. In Verbindung mit Forderung 2) ergeben sich Implikationen an das Implemen-

tierungsmittel: Für die Implementierung des Rahmenmodells wird als Programmierumgebung

Simulink sowie Stateflow gewählt, um Echtzeitanforderungen bzw. eine Integration in eine

Hardware-in-the-Loop(HiL)-Simulation zu gewährleisten. Aus der Forderung 3) resultiert das

im Rahmenmodell umgesetzte Baukastenprinzip. Teilfunktionalitäten der mit dem Rahmenmo-

dell implementierten Fahrermodelle werden in Modulen realisiert. Für eine Weiterentwicklung

werden je nach Maßgabe des Einsatzzweckes entweder bestehende Module angepasst oder

neu erstellt. Auf diese Weise lassen sich nach Forderung 4) Fahrermodelle zusammenstellen,

die unterschiedlich komplex sind und klar definierte Fähigkeiten zur Bewältigung spezifischer

Aufgaben besitzen.

5.1 Aufbau und Struktur des Rahmenmodells

Ein Fahrermodell mit typisch menschlichem Verhalten muss in der Lage sein, die grundsätzli-

chen menschlichen und für die Fahraufgabe relevanten Verarbeitungs- und Handlungsprozesse

abbilden zu können. Ein Fahrer nimmt seine Umwelt wahr, er erkennt Situationen und äußere

Umstände, verarbeitet diese, wobei am Ende dieses Prozesses eine Entscheidung steht, welche

zu einer Handlung führt. Diese prinzipielle Struktur ist im Modell durch die Hauptmodule Wahr-

nehmen,Erkennen,Entscheiden und Handeln abgebildet. Weiterhin beeinflussen Informationen

aus den Modulen Motivation/Emotion und Gedächtnis die Prozesse innerhalb der Hauptmodule.

Diese sind zunächst nur leere Hüllen, die allein durch ihre Struktur definiert sind. Im Prozess

der konkreten Fahrermodellbildung werden innerhalb dieser Hauptmodule Teilmodule imple-

mentiert und eingebunden, die jeweils die Nachbildung einer bestimmten Fähigkeit realisieren,

wobei diese Fähigkeiten so elementar wie möglich definiert werden. Letztendlich dient die

Strukturierung vor allem der Übersichtlichkeit und Nachvollziehbarkeit des Informationsflusses

– weder sollen bestimmte Bereiche des menschlichen Gehirns abgebildet werden, noch eine

physische oder anders geartete Abgeschlossenheit der einzelnen Module impliziert werden. Des

Weiteren beeinflussen unterschiedliche Einflussfaktoren die Ausführung der Fahraufgabe. Wie in

Abschnitt 4.1.5 beschrieben, kann zwischen statischen und dynamischen Einflussfaktoren unter-

schieden werden. Diese Einflussfaktoren können als Parameter interpretiert werden, welche die

Ausführung einer oder mehrerer Fähigkeiten beeinflussen. Mehrere Parameter können zeitgleich

auf eine Fähigkeit wirken, technisch werden diese Parameter multiplikativ verknüpft.

190

5.1 Aufbau und Struktur des Rahmenmodells

Fahrermodell

Wahrnehmung Situationserkennung Entscheidung Ausführung

Fähigkeitsparameter

externe Zustände Performanzparameter interne Zustände

Informationen aus

Umwelt und

Fahrzeug

Modellausgaben

(Stellgrößen)

Motivationen

(Eile, Thrill)

Emotionen (Wut, Angst)

energetischer Zustand

(schläfrig, wach)

„In-the-Loop“

Alter, Geschlecht

Persönlichkeit

Wetter

(Nebel/Regen)

Uhrzeit

(Tag/Nacht)

- Fähigkeit

- Parameter

Umwelt:

Fremdverkehr

Verkehrsschilder, Ampeln

Straßengeometrie, Kreuzungen

Fahrzeug:

eigene Position, Geschwindigkeit,

Position der Stellgrößen, Status FAS

Stellgrößen:

Lenkradwinkel

Gas/Bremse

Beleuchtung/Blinker

Betätigung FAS

wahrgenommene

Informationen über

Umwelt und Fahrzeug

aktuell erkannte Situationen

Längsführung:

Abstand zu gering/zu groß

Geschwindigkeit

zu gering/zu groß

Querführung:

Spurabweichung zu groß

falsche Spur

Sollvorgaben für Ausführung

basierend auf Manöverauswahl

bei aktiver M-Situation:

Manöverauswahl + ex-

plizite Sollwerte für

Längs- und Querführung

bei Homöostase:

implizite Sollwerte für

Längs- und Querführung

Abbildung 5.1:

Struktur des Rahmenmodells: Der Kern des Fahrermodells beinhaltet die

Hauptmodule „Wahrnehmung“, „Situationserkennung“,

„Entscheidung“ und „Ausführung“, die durch Fähigkeitsparameter beeinflusst werden (dargestellt durch die roten Punkte). Diese

werden aus Performanzparametern, externen sowie internen Zustandsparametern berechnet.

191

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Fähigkeiten

Im Kontext des Fahrermodells bezeichnet der Begriff „Fähigkeit“ die algorithmi-

sche Implementierung eines Vermögens zur Erfüllung einer spezifischen Aufgabe. Ein Fähig-

keitsmodul besteht somit aus Eingabedaten, einer mathematischen Verknüpfung dieser sowie

Ausgabedaten. Eine wichtige Rolle spielen Fähigkeitsparameter: Diese parametrieren bestimm-

te Aspekte des entsprechenden Fähigkeitsalgorithmus, um unterschiedliche Abstufungen der

Ausführung der entsprechenden Fähigkeit abbilden zu können – Sinn und Zweck dieser Struktu-

rierung ist die Abbildung unterschiedlichen menschlichen Verhaltens. Fähigkeiten existieren in

jedem der beschriebenen Hauptmodule und bilden die Basisbausteine des Modells. In Abbildung

5.2 ist eine prototypische Fähigkeit dargestellt.

Fähigkeit

Fähigkeitsparameter

Eingabedaten Ausgabedaten

Abbildung 5.2:

Struktur einer Fähigkeit: Zumeist sind Fähigkeiten als endliche Automaten im-

plementiert, Fähigkeitsparameter beeinflussen die Ausführung der Fähigkeit.

Parameter und Zustände

Die Durchführung einer Fähigkeit kann ausschließlich mittels der

ihr zugeordneten Fähigkeitsparameter beeinflusst werden. Die Ausgaben eines Fähigkeitsmoduls

hängen somit einerseits von der Algorithmusstruktur und andererseits von (zunächst) zeitinvari-

anten, reellwertigen Parametern, zusätzlich jedoch von zeitveränderlichen Zustandswerten ab.

Durch Variation der Parameter können Unterschiede zwischen Individuen einer Fahrermodellspe-

zies, mit Hilfe der Zustände können zeit- und situationsveränderliche Abhängigkeiten abgebildet

werden. Folgende Zustandswerte bzw. Parameter finden im Modell Anwendung:

Fähigkeitsparameter: Fähigkeitsparameter

sind notwendig vorhandene bzw. vor einer

Simulation festzulegende Parameter, die jeweils einer bestimmten Fähigkeit zugeordnet

werden. Eine Fähigkeit, welche ohne Fähigkeitsparameter definiert wurde, kann ihr Ver-

halten nicht verändern. Bei der Konstruktion eines Fähigkeitsparameters ist daher schon

die jeweilige Schnittstelle zur Fähigkeit zu berücksichtigen. Vereinfacht ausgedrückt be-

schreibt ein Fähigkeitsparameter wie die entsprechende Fähigkeit ausgeführt wird – er ist

als ein Meta-Parameter zu betrachten, der durch andere Parameter bzw. Zustandswerte

selbst parametriert wird, jedoch ebenfalls als einzelner Wert definiert werden kann. Eine

Fähigkeit kann durch mehrere Fähigkeitsparameter beeinflusst werden.

192

5.1 Aufbau und Struktur des Rahmenmodells

Performanzparameter: Performanzparameter

beschreiben verhaltensbestimmende Para-

meter, die messbare physiologische oder psychologische Eigenschaften des menschlichen

Fahrers umreißen. Beispiele sind „maximale Kraft beim Lenken“, „Sehschärfe“ oder

„Konzentrationsvermögen“, aber auch „Fahrerfahrung“ oder „Alter“. Diese bestimmen

ebenfalls das Verhalten des Fahrermodells, sind aber nicht nur einem Modul zugeordnet,

sondern wirken modulübergreifend. Die Performanzparameter unterscheiden sich von den

Fähigkeitsparametern insbesondere dadurch, dass sie wenig vom Kontext der Aufgabe

abhängen und durch physiologische Messung oder psychologische Tests ermittelbar sind.

Damit sind sie besonders gut geeignet, Fahrertypen zu definieren.

Interne Zustände: Interne Zustände

sind vom Fahrer selbst erzeugte bzw. als Reaktion

auf bestimmte äußere Einflussfaktoren generierte zeitveränderliche Größen, die abhängig

vom entsprechenden internen Zustand auf einen oder mehrere Fähigkeitsparameter wirken.

Typisch menschliche Einflüsse wie Stress oder Müdigkeit, aber auch emotionale oder

motivationale Zustände fallen in diese Kategorie.

Externe Zustände: Externe Zustände

bezeichnen durch den Fahrer nicht zu beein-

flussende von außen einwirkende Einflüsse auf das Fahren. Im Gegensatz zu internen

Zuständen sind diese für andere Verkehrsteilnehmer zu erkennen. Als Beispiele können

Wetter, Tageszeit oder Fahrbahnbeschaffenheit angeführt werden.

Jeder auf eine Fähigkeit wirkende Fähigkeitsparameter

ergibt sich als mathematische Ver-

knüpfung aus Performanzparametern

, interner und externer Zustände

und

. Die Anzahl

der so verknüpften Parameter aus einer Parameterklasse ist nicht begrenzt, so können beispiels-

weise mehrere Motivationen gleichzeitig eine Fähigkeit beeinflussen. Ein Fähigkeitsparameter

wirkt konkret auf eine oder mehrere Variablen einer Fähigkeit. Daher ist aus Gründen der

Übersichtlichkeit und der einfachen mathematischen Implementierung der Zahlenbereich von

als

P∈[−1;1]

definiert. So bewirkt ein Fähigkeitsparameter

P<0

, dass eine parametrierte

Variable in die mathematisch kleinere Richtung beeinflusst wird, diese Beeinflussung erreicht

ihr Maximum für

P=−1

. Analog dazu beschreibt

P=1

eine maximale Abweichung in die

mathematisch größere Richtung. Für

P=0

wird die Fähigkeit nicht beeinflusst und zeigt somit

Standardverhalten

. Für einen Fähigkeitsparameter

, der aus

Performanzparametern

internen Zuständen PIsowie NEexternen Zuständen PEerzeugt wird, gilt dann:

∑

i=1

(PPi)+

∑

i=1

(PIi)+

∑

i=1

(PEi)mit Pmin =−1 und Pmax =1

Für jeden Fähigkeitsparameter

existiert eine Funktion

fP:[−1;1]7−→ R

, die den Einfluss

des Parameters auf die Fähigkeit mathematisch beschreibt. Diese Transformationsfunktion

muss vom Modellierer für jede Fähigkeit

definiert werden. Das Ergebnis dieser Funktion ist

1im Sinne von: vom Modellierer eingestelltes Verhalten ohne den Einfluss von Parametern

193

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

und beschreibt den die Fähigkeit parametrierenden Wert, der innerhalb der Fähigkeit mit dieser

mathematisch verknüpft wird. Bestimmte Elemente eines Fähigkeitsparameters können sich

während der Simulation ändern, diese Informationen über die Parameter entstammen entweder

der Simulationsumgebung (z.B. Umweltbedingungen, Straßenbeschaffenheit usw.) oder müssen

modellintern mitberechnet werden (vgl. Abschnitt 5.6).

Neben der Festlegung eines Parameters auf einen (mehr oder weniger willkürlich gewählten)

Wert kann dieser auch als Zufallsvariable definiert werden, um bei einer größeren Fahrermo-

dellpopulation oder Wiederholungen eine variable Komponente zu beinhalten. In diesem Fall

wird ein Parameter während der Simulation fortwährend mit einer festzulegenden Streuung

modifiziert, so dass auch intraindividuelle Unterschiede bzw. nichtdeterministisches Verhalten

modelliert werden können.

Beispiel Parameterkonzept

Als Beispiel soll hier die beliebig ausgewählte Fähigkeit „Schät-

zen des Bremswegs“ dienen. Der Wert des aus der Faustformel

s=v2

100

geschätzten Bremswegs

kann auf unterschiedliche Arten und Weisen vom Fahrer beeinflusst werden: Er könnte entweder

das Ergebnis direkt verändern (hier:

), Variablen der Formel beeinflussen (hier:

) oder eine

Kombination beider Beeinflussungsmöglichkeiten bilden. In diesem Fall soll angenommen wer-

den, dass das Ergebnis der Schätzung zwischen

0.5

s und

1.5

s liegen soll. Dies bedeutet für die

Transformationsfunktion:

fP:[−1;1]7−→ [0.5;1,5]

, beispielsweise

fP(P) = P

2+1

. Ein externer

Zustandsparameter für „besonders guten Grip“ könnte so definiert werden:

Grip =−0,2

. Zusätz-

lich kann eine Motivation vorhanden sein, die den Fahrer ein höheres Risiko eingehen lässt (z.B.

„Eile“) und die dazu führt, dass sich der akzeptierte Bremsweg aufgrund eines „Risikoaufschlags“

verringert:

Eile =−0,4

. Die Summe aller Teilparameter ergibt für dieses Beispiel

P=−0,6

somit ergibt sich für

ein Wert von

0,7

. Ein „eiliger“ Fahrer auf einer „griffigen“ Fahrbahn

würde einen um 10% höheren Bremsweg akzeptieren, als ein Durchschnittsfahrer auf normaler

Fahrbahn

. In Abbildung 5.3 ist dies grafisch dargestellt: Links ist die Transferfunktion

abgebildet, rechts die unparametrierte Fähigkeit (rot) sowie die mit dem Fähigkeitsparameter

P=−0,6 parametrierte Fähigkeit (blau).

5.2 Wahrnehmung

Die möglichst realitätsnahe Modellierung der Informationen, welche ein Fahrer zum Führen

eines Fahrzeugs benötigt, stellt eine notwendige Bedingung für eine akkurate Nachbildung

menschlichen Fahrverhaltens dar. Hierbei muss jedoch beachtet werden, dass sich die „Wirklich-

keiten“ unterschiedlicher Menschen unterscheiden, es existiert kein gemeinsames, objektives

Wissen um die objektive Realität. Jeder Fahrer kann sich mittels der ihm zu Verfügung stehenden

Sensorik seine eigene Rekonstruktion der Welt sowie seine eigenen mentalen Modelle der wahr-

2Die verwendeten Werte sind fiktiv und dienen ausschließlich zur Veranschaulichung des Parameterkonzepts

194

5.2 Wahrnehmung

−2−1 1 2

0.5

1.5

20 40 60 80 100 120 140

100

200

300

400

Abbildung 5.3:

Parametereinfluss anhand der Beispielfähigkeit „Schätzen des Bremswegs“.

Links: Transferfunktion

, rechts: unparametrierte Fähigkeit (rot) sowie mit

P=−0,6 parametrierte Fähigkeit (blau).

genommenen Objekte und Situationen erzeugen. Konkret bedeutet dies für die Modellierung,

dass je nach Anwendungszweck eine entsprechend gewählte Granularität der Modellierung

des Wahrnehmungsapparats des Menschen implementiert werden muss. Die Teilmodule des

Hauptmoduls „Wahrnehmung“ können in „Informationen aus der Umwelt“ und „Informationen

aus dem eigenen Fahrzeug“ untergliedert werden. Die Blätter des in Abbildung 5.4 dargestellten

„Fähigkeitenbaums“ stellen jeweils eine eigene zu implementierende Fähigkeit dar.

Die mittels Wahrnehmungsfähigkeiten aufgenommenen Informationen dienen nun als Grundlage

für die Erkennung von bestimmten Situationen und Zuständen auf deren Basis der Fahrer

Entscheidungen trifft, um bestimmte Handlungen auszuführen.

Eine Wahrnehmungsfähigkeit, ohne die ein Fahrermodell im Allgemeinen nicht auskommt, ist

die Fähigkeit „Geschwindigkeitswahrnehmung“. Für die Umsetzung der Regelung der Fahrge-

schwindigkeit ist es für ein Fahrermodell (wie auch für den Menschen) unerlässlich, die eigene

momentane Geschwindigkeit mit einer von dem Kontext abhängenden Genauigkeit zu kennen.

Für viele Anwendungsfälle von Fahrermodellen genügt es anzunehmen, dass das Modell die

Geschwindigkeit exakt kennt. Die Fähigkeit „Geschwindigkeitswahrnehmung“ besteht in diesem

Fall nur aus einer Signalleitung aus dem Fahrzeugmodell. Wenn es aber darum geht, beispiels-

weise typisch menschliche Regelvorgänge bei der Folgefahrt abzubilden, die sich aus Spezifika

des Wahrnehmungsapparates ergeben, muss der Vorgang des Schätzens von Geschwindigkeiten

differenzierter nachgebildet werden. Ein weiteres Beispiel, bei dem ebenfalls eine umfangreicher

ausgearbeitete Fähigkeit der Geschwindigkeitswahrnehmung benötigt wird, ist die Fahrerassis-

tenzsystementwicklung. Wenn das FAS für seine Bedienung eine entsprechende Blickzuwendung

benötigt, kann ein Fahrer in der Zeit weder die Geschwindigkeit durch Ablesen des Tachos noch

durch Ableiten aus dem optischen Fluss oder perspektivischen Größenänderungen gewinnen.

195

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Wahrnehmung

Umwelt

Straße

physikalisch

Krümmung Steigung Reibwert

logisch

Spur

Anzahl Richtung Breite

Kreuzung

Typ Vorfahrt

Objekte

Fahrzeug

dynamisch

Geschwindigkeit Position

Abbildung 5.4: Exemplarische Struktur der Fähigkeiten des Hauptmoduls „Wahrnehmung“

Um dies im Modell abbilden zu können, müssen die Mechanismen von Blickzuwendungszeiten,

Blickressourcenallokation und Ablesezeiten realisiert sein. Die Detailtiefe und Genauigkeit in

der Realisierung hängt wiederum sehr stark von den Anforderungen der Gesamtaufgabenstellung

ab. Allein für die Teilfunktionalität der Blickressourcenallokation gibt es aus der Grundlagen-

forschung sehr detaillierte Modelle, die in der Regel wesentlich spezifischer sind, als für die

Mehrzahl der Anwendungen benötigt. In Abbildung 5.5 ist ein Beispiel des Ablaufschemas einer

Fähigkeit zur Geschwindigkeitswahrnehmung abgebildet.

5.3 Situationserkennung

Die aus der Wahrnehmung aufgenommenen Informationen dienen dem Fahrer dazu, sich ein

Bild der aktuellen Situation zu verschaffen. An dieser Stelle muss jedoch noch einmal auf

den Situationsbegriff eingegangen werden. Im Abschnitt 3.5.1 wurde eine M-Situation als

ein manöverauslösender Zustand definiert – im Gegensatz zur umgangssprachlichen Deutung

des Wortes „Situation“ für die Gesamtheit der aufgenommenen und interpretierten Informa-

tionen des Fahrers. Das Hauptmodul „Situationserkennung“ fungiert nun gewissermaßen als

aggregierendes und interpretierendes Element, dessen Hauptaufgabe darin besteht, bestimmten

Konglomeraten von Informationen eine neue Bedeutung zuzuweisen. Hier werden alle imple-

mentierten M-Situationen auf Aktivierung geprüft und die entsprechenden Informationen an

das Entscheidungsmodul weitergeleitet. Dementsprechend kann eine Vielzahl unterschiedlicher

196

5.3 Situationserkennung

Blick auf Tachometer

Ausgabe:

abgelesene Geschwindigkeit

Blick nach vorn

Ausgabe:

ungefähre Geschwindigkeit

basierend auf peripherer

Wahrnehmung

Blick woandershin

Ausgabe:

letzte bekannte Geschwin-

digkeit

Wahrnehmung Fahrzeuggeschwindigkeit

Wahrnehmung über Tachometer

Wahrnehmung ohne Tachometer

Tachoblick abgeschlossen

Schild erkannt

Längsmanöver beendet

Start

Nebenhandlung Nebenhandlung

beendet

Abbildung 5.5:

Vereinfachte Statechart-Darstellung der Wahrnehmungsfähigkeit „Geschwindig-

keitswahrnehmung“

M-Situationen gleichzeitig aktiv sein, jedoch können nicht alle gleichzeitig (durch ein Manöver)

aufgelöst werden. Der Umgang mit mehreren aktiven M-Situationen wird im Modul „Entschei-

dung“ beschrieben. Aus der Kenntnis, in welcher M-Situation (bzw. in welchem Manöver) sich

der Fahrer gerade befindet sowie basierend auf den aktuellen Wahrnehmungsinformationen und

denen aus dem Arbeitsgedächtnis kann der Fahrer sich in einer oder mehreren M-Situationen

verorten. Anders formuliert ist eine M-Situation immer dann aktiv, wenn ein bestimmter Sollwert

eine bestimmte Differenz vom zugeordneten Istwert überschreitet.

Als Beispiel für eine Situationsfähigkeit dient die in Abbildung 5.6 dargestellte M-Situation

„Erkennung zu hoher Eigengeschwindigkeit“. Der zur M-Situation gehörende Sollwert

VSoll

entspricht der wahrgenommenen Geschwindigkeitsbegrenzung

VErlaubt

, die – multipliziert mit

dem Fähigkeitsparameter

FVSoll

– die für den Fahrer geltende Zielgeschwindigkeit darstellt. Bei

einer positiven Geschwindigkeitsdifferenz

VDi f f

aus aktuell wahrgenommener Geschwindigkeit

VEgo

und einer Grenzgeschwindigkeit

VGrenz

wird die M-Situation „Geschwindigkeitsreduzierung

wegen Geschwindigkeitsbegrenzung“ aktiviert. Die Grenzgeschwindigkeit

VGrenz

beschreibt

hierbei jene Geschwindigkeit, die der Fahrer bei einer bestimmten aktuellen Fahrzeuggeschwin-

digkeit noch akzeptiert, ohne eine Handlung zur Geschwindigkeitsbegrenzung durchzuführen.

VGrenz

wird als abhängig von der aktuellen Fahrzeuggeschwindigkeit sowie vom Fähigkeitspara-

meter

FVGrenz

angenommen. Wenn nun

Vdi f f >0

, so ist die Bedingung für die Aktivierung der

gleichnamigen M-Situation erfüllt. Dies bedeutet jedoch mitnichten, dass der Fahrer unweiger-

197

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

lich ein Manöver initiiert, um diese M-Situation aufzulösen. Vielmehr stellt die beschriebene

Kondition lediglich eine notwendige Bedingung für ein geschwindigkeitsveränderndes Manöver

dar. Dementsprechend wird der Fahrmodus Homöostase bereits aufgrund des Vorhandenseins

einer als „aktiv“ beurteilten M-Situation verlassen.

Geschwindigkeit ok

Eingabe:

VEgo,VSoll,VGrenz

Ausgabe:

keine M-Situation

Geschwindigkeit zu hoch

Eingabe:

VEgo,VSoll,VGrenz

Ausgabe:

M-Situation aktiv

aktuelle Geschwindigkeitsgrenze

Eingabe:

VSoll,FVGrenz

VGrenz =VSoll ·FVGrenz

Ausgabe:

VGrenz

VDi f f >VGrenz VDi f f ≤VGrenz

Erkennung zu hoher Eigengeschwindigkeit

Situation aktiv?

Abbildung 5.6:

Vereinfachte Statechart-Darstellung der Situationsfähigkeit „Erkennung zu hoher

Eigengeschwindigkeit“

5.4 Entscheidung

Die Aufgabe des Entscheidungsmoduls besteht zum einen darin, festzulegen, ob ein oder mehrere

Manöver eingeleitet werden und zum anderen darin, Vorgaben für auszuführende Handlungen zu

generieren. Ein Manöver bezeichnet in diesem Kontext eine Handlung, deren Ziel darin besteht,

eine M-Situation aufzulösen. Ein Manöver kann somit einer oder mehreren M-Situationen zuge-

ordnet werden, ebenso können mehrere M-Situationen durch ein einziges Manöver aufgelöst

werden (n:n-Beziehung). Als Beispiel dient die bereits erwähnte M-Situation „Erkennung zu

hoher Eigengeschwindigkeit“. Dieser M-Situation sind die Manöver „Geschwindigkeitsreduzie-

rung durch Bremsen“ sowie „Geschwindigkeitsreduzierung durch Gaswegnehmen“ zugeordnet

(weitere sind denkbar). Das Manöver „Geschwindigkeitsreduzierung durch Bremsen“ ist ebenso

weiteren M-Situationen, beispielsweise „Time-To-Collision zum vorausfahrenden Fahrzeug zu

gering“ oder „Anhalten wegen Stoppschild“ zugeordnet. Im Entscheidungsmodul wird also

a) festgelegt, welche M-Situationen aufgelöst werden und b) wie dies geschieht. Ein Manöver

muss nicht explizit ein Fahrmanöver sein, auch das Einschalten des Abblendlichts, die Wahl

eines Radiosenders oder weitere fahrfremde Tätigkeiten können unter dem Manöverbegriff

198

5.4 Entscheidung

subsumiert werden. Fahrmanöver sind jedoch elementar für ein Fahrermodell und besitzen daher

eine höheren Stellenwert in der Implementierung. Allgemein gilt, dass nur je ein Fahrmanöver

für Längs- und Querdynamik gleichzeitig aktiv sein kann. Ein Priorisierungsmodul überwacht,

welche M-Situationen aktiv sind und bestimmt bei mehreren gleichzeitig aktiven M-Situationen

anhand der ihr zugewiesenen Prioritätsklasse, welche M-Situation mittels eines Manövers zuerst

aufgelöst werden soll. Dies geschieht zumeist parallel für Längs- und Querdynamikmanöver,

bestimmte Manöver benötigen jedoch die gleichzeitige Kontrolle über Längs- und Querdynamik

(z. B. Überholmanöver), so dass in diesen Fällen nur dieses eine Manöver gefahren werden kann.

Falls aktuell kein Manöver aktiv ist, so werden Vorgaben für die Homöostasefahrt generiert. Die

Ausgaben des Entscheidungsmoduls bestehen dementsprechend aus Sollvorgaben für Längs-

und Querregelung des Fahrzeugs sowie für eventuell zu verwendende Fahrerassistenzsysteme.

In Abbildung 5.7 ist dies schematisch für eine beliebige Manöverfähigkeit dargestellt: So-

lange keine M-Situation erkannt wurde, befindet sich der Fahrer im Fahrmodus Homöostase.

Falls nun im Modul „Situationserkennung“ eine M-Situation erkannt wird und keine weiteren

M-Situationen aktiv sind, wird ein passendes Manöver ausgewählt (vgl. Abbildung 5.8) und

ausgeführt. Während der Ausführung dieses Manövers wird regelmäßig überprüft, ob eventuell

M-Situationen mit höherer Priorität erkannt wurden. Wenn dies der Fall ist, wird das Manöver

abgebrochen und ein höher priorisiertes Manöver gestartet (ein Beispiel ist ein Notbremsmanöver,

welches eine höhere Priorität besitzt als ein Beschleunigungsmanöver zum schnellen Erreichen

einer gewünschten Sollgeschwindigkeit). Falls nach dem Abschluss eines Manövers keine aktive

M-Situation erkannt wird, wechselt der Fahrer zurück in den Homöostase-Modus.

In Abbildung 5.8 wird mittels eines Statechart-Diagramms dargestellt, wie die Manöverauswahl

bei einer aktiven M-Situation (hier: „Erkennung zu hoher Eigengeschwindigkeit“) erfolgt: In

diesem Fall soll die Eigengeschwindigkeit reduziert werden, was mittels der Manöverfähigkeit

„Geschwindigkeitsreduzierung“ erreicht werden kann. Als Fähigkeitsparameter kann hier die

gewünschte Verzögerung

FaWunsch

die Durchführung des Manövers beeinflussen. Bei einer sehr

hohen gewünschten Verzögerung (z. B. bei einem Notbremsmanöver) wird die Geschwindigkeits-

reduzierung mittels Bremspedalregelung als Default-Methode gewählt, bei einer vergleichsweise

geringen gewünschten Verzögerung wird zunächst Gas weggenommen, falls dies jedoch nicht

dazu führt, die gewünschte Verzögerung zu erreichen, wird im Bremsmodus operiert. Falls ein

Manöver ohne Bremsbetätigung geplant ist („kleine“ Verzögerung), so erzeugt die Manöverfähig-

keit so lange Sollvorgaben für das Gaspedal, bis die Differenz aus Soll- und Istwert der aktuellen

Verzögerung eine maximale akzeptierte Differenz

übersteigt. Falls dies der Fall ist, wird in

den Bremspedalmodus gewechselt und dementsprechend eine Sollvorgabe für das Bremspedal

generiert.

199

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Homöostase M-Situation

erkannt?

mehr als eine

aktiv?

M-Situation nach

Priorität auswählen

passendes

Manöver auswählen

Manöver abbrechen

höchste

Priorität?

Manöver

beendet?

nein

Abbildung 5.7:

Schema Entscheidungsmodul: Bei Vorhandensein einer oder mehrerer M-

Situationen wird das zugehörige Manöver ausgewählt

5.5 Ausführung

Das Ausführungsmodul beinhaltet die Regler, um die im Entscheidungsmodul generierten

Sollvorgaben mittels den zur Verfügung stehenden Bedienelementen (diese sind abhängig vom

verwendeten Fahrzeugmodell, bestehen jedoch zumeist aus Gas- und Bremspedal sowie Lenkrad)

umzusetzen. Längs- und Querdynamik werden hierbei getrennt voneinander behandelt. Je nach

gewünschter Menschähnlichkeit der Modellierung bzw. Anforderungen an die Hardware können

unterschiedlich komplexe Regelungsalgorithmen verwendet werden. Besonderen Einfluss auf die

Art und Weise der Umsetzung der Sollvorgaben haben die Performanzparameter, mit deren Hilfe

physikalische Beschränkungen (z.B. maximale Lenkradgeschwindigkeit und -beschleunigung

des Fahrers) abgebildet werden können. Beim Durchführen eines Manövers entstammen die

Sollvorgaben aus der Entscheidungsebene aus den entsprechenden Manöverfähigkeiten. Falls

keine M-Situation aktiv ist, befindet sich der Fahrer im Homöostasezustand, die Sollvorgaben

kommen dann aus den Modulen „Längshomöostase“ und „Querhomöostase“, die parallel zur

Entscheidungsebene angeordnet sind.

200

5.6 Motivations- und Emotionskomponenten

Geschwindigkeitsreduzierug

mittels Gaspedal

Eingabe:

AIst,AWunsch

Ausgabe:

Gaspedalregelung

aktiv

Geschwindigkeitsreduzierung

mittels Bemspedal

Eingabe:

AIst,AWunsch

Ausgabe:

Bremspedalregelung

aktiv

AIst >(AWunsch +δ)

∧Gaspedal == 0

AIst ≤(AWunsch −δ)

Geschwindigkeitsreduzierung

Awunsch klein Awunsch groß

Abbildung 5.8:

Vereinfachte Statechart-Darstellung der Manöverfähigkeit „Geschwindigkeitsre-

duzierung“

In Abbildung 5.9 ist beispielhaft die Ausführungsfähigkeit „Regelung der Fahrzeuggeschwin-

digkeit“ dargestellt: Solange kein aktives Manöver vorhanden ist, wird die Geschwindigkeit

des eigenen Fahrzeugs mittels Gaspedal im Modus der Längshomöostase geregelt. Falls ein

Beschleunigungs- oder Bremsmanöver (oder ein kombiniertes Längs- und Quermanöver) aktiv

ist, ändern sich der entsprechende Parametersatz der Ausführungsfähigkeit sowie der Sollwerttyp

(vgl. Abschnitte 4.1.2 und 4.1.3). Befindet sich der Fahrer im Zustand der Längshomöostase,

werden implizite Sollvorgaben für die Gaspedalregelung verwendet, während eines Längsma-

növers sind die entsprechenden Sollvorgaben hingegen als explizite Sollwerte zu verstehen.

Eine Geschwindigkeitsregelung mittels Bremspedal ist immer einem Manöver zur Geschwin-

digkeitsbegrenzung zugeordnet, da die Benutzung des Bremspedals im Normalfall (vorstellbar

ist eine Geschwindigkeitsregelung in starkem Gefälle mittels Bremspedalregelung) nicht dem

Homöostasefahren zugeordnet wird.

5.6 Motivations- und Emotionskomponenten

Zusätzlich zu den statischen Einflussgrößen (Fähigkeitsparameter, Performanzparameter) sowie

variablen externen Einflussgrößen (externe Zustände) können sich gewisse Fähigkeitsparameter

auch während der Fahrt ändern. Psychologisch betrachtet sind dafür Motivationen und Emotio-

nen zuständig (vgl. Abschnitte 3.4.4 und 3.4.5). Im Modell ist dies folgendermaßen realisiert:

Motivationen werden nicht aus sich heraus erzeugt, sondern haben eine außerhalb des reinen Fah-

rermodells liegende Ursache. Beispielsweise entsteht die Motivation „Eile“ aus einem gewissen

Zeitdruck heraus, der zwar während der Fahrt entstehen kann, jedoch nur in Zusammenhang mit

einem extern generierten Zielwert (z.B. einem Termin). Mittels Motivations-Aktions-Ketten (vgl.

Abschnitt 4.1.5) können die Auswirkungen einer solchen Motivation auf das Modellverhalten

beschrieben werden. Ähnliches gilt für Fahrverhalten, welches durch bestimmte Emotionen

beeinflusst wird. Diese können jedoch – je nach Fahrertyp – durch die aktuelle Verkehrssituation

201

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Gaspedalregelung

Verwendung

impliziter Sollvorgaben

Ausgabe:

Gaspedalstellung

Gaspedalregelung

Verwendung

expliziter Sollvorgaben

Ausgabe:

Gaspedalstellung

Bremspedalregelung

Verwendung

expliziter Sollvorgaben

Ausgabe:

Bremspedalstellung

Regelung Fahrzeuggeschwindigkeit

Manöver

Homöostase

Längsmanöver abgeschlossen

Start Längsmanöver

Bremspedal-

vorgabe

aktiv

keine aktive

Bremspedal-

vorgabe

Abbildung 5.9:

Vereinfachte Statechart-Darstellung der Ausführungsfähigkeit „Regelung der

Fahrzeuggeschwindigkeit“

hervorgerufen, aber ebenfalls durch Motivationen beeinflusst werden. Beispielsweise kann ei-

ne aggressive Stimmung des Fahrers auftreten, wenn dieser a) einem aggressiveren Fahrertyp

zugeordnet werden kann (also eine nicht durch kausale Ursachen nachvollziehbare höhere Grun-

daggressivität besitzt), b) durch bestimmte Motivationen die aggressionssteigernden Auslöser

verändert werden, so dass diese früher eintreten oder c) eine Fahrsituation auftritt, die Potential

für aggressionssteigerndes Verhalten bietet.

Da aggressives Fahrverhalten in vielen fahrerischen Ausprägungen einem „eiligen“ Fahrer

ähnelt (größere Wunschgeschwindigkeit, geringere akzeptierte Abweichungen von dieser etc.),

ist in Abbildung 5.10 als Beispiel für den Einfluss einer Emotion auf das Fahrverhalten ein

entspannter emotionaler Zustand des Fahrers dargestellt: Eine modellierte Motivation bzw.

Emotion besteht aus einem Parametersatz

bzw.

, in dem für jede zu beeinflussende Fähigkeit

eine Vielzahl von Fähigkeitsparametern definiert werden muss. Für die Wahrnehmungsfähigkeit

„Wahrnehmung der Fahrzeuggeschwindigkeit“ ist dies jeweils der Parameter

tNebenhandlung

, der

die Zeit beeinflusst, in der sich der Fahrer stochastisch mit Nebenhandlungen beschäftigt. Hat es

der Fahrer besonders eilig, ist er fokussierter auf die Fahraufgabe, fährt er entspannter, lässt er

sich leichter ablenken. Für die Situationsfähigkeit „zu geringe Fahrzeuggeschwindigkeit“ kann

der Parameter

δv

die Differenz aus Soll- und Istgeschwindigkeit beeinflussen, so dass bei aktiver

Motivation „Eile“ auch kleinere Differenzen dazu führen, die M-Situation zu aktivieren. Analog

dazu verhindert die Emotion “Entspannung“ dies durch ein größeres

δV

. Im Entscheidungsmodul

202

5.6 Motivations- und Emotionskomponenten

Wahrnehmung

Situationserkennung

Entscheidung

Ausführung

Wahrnehmung

Fahrzeuggeschwindigkeit

W.-Fähigkeit A W.-Fähigkeit B

Erkennung zu geringer

Fahrzeuggeschwindigkeit

S.-Fähigkeit A S.-Fähigkeit B

Manöver

Geschwindigkeitserhöhung

E.-Fähigkeit A E.-Fähigkeit B

Regelung

Geschwindigkeit

W.-Fähigkeit A W.-Fähigkeit B

Motivation: Eile

Parameter:

Wahrnehmung:

tNebenhandlung ↓

Situationserkennung:

δv↓

Entscheidung:

Priorität Beschleunigungs-

manöver ↑

Ausführung:

vmax

Gas ↑;amax

Gas ↑

Emotion: Entspannung

Parameter:

Wahrnehmung:

tNebenhandlung ↑

Situationserkennung:

δv↑

Entscheidung:

Priorität Beschleunigungs-

manöver ↓

Ausführung:

vGaspedal ↓;aGaspedal ↓

Abbildung 5.10:

Beeinflussung des Fahrermodellverhaltens durch Motivationen/Emotionen an-

hand einer Motivations-(bzw. Emotions-)-Aktions-Kette für die Längsführung

durch die Motivation „Eile“ bzw. die Emotion „Entspannung“

können Emotionen/Motivationen ebenfalls die Priorität von Manövern für bestimmte Situationen

verändern. Als Beispiel kann eine erkannte „gelbe“ Ampel dienen: Ein hoher „Eile“-Wert

führt dazu, unter bestimmten Umständen ein Beschleunigungsmanöver durchzuführen, ein

entspannter Fahrer würde in dieser Situation ein Bremsmanöver durchführen. Die abgebildete

Ausführungsfähigkeit „Regelung der Geschwindigkeit“ wird ebenso beeinflusst: Maximale

Gaspedalgeschwindigkeiten (

vmax

Gas

) und -beschleunigungen (

amax

Gas

) erhöhen sich bei Eile, bei

entspanntem Fahren werden diese verringert.

Mit Hilfe dieses Konzeptes können beliebige Motivationen bzw. Emotionen so implementiert

werden, dass die Wirkung auf das Fahrverhalten sowohl nachvollziehbar als auch ersichtlich und

– bei Vorhandensein entsprechender Daten – psychologisch valide ist. Möglichst heterogenes

Fahrverhalten, welches nachvollziehbar und menschähnlich sein soll, ist ohne die Einflussnahme

von Motivationen sowie Emotionen auf das Fahrverhalten kaum möglich.

203

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

5.7 Arbeitsgedächtnis

Ein weiterer Baustein, um menschliches (Fahr-)Verhalten realistisch beschreiben und somit

simulieren zu können besteht aus der menschlichen Fähigkeit zur Abstraktion, zur Vereinfachung

und Zusammenfassung bestimmter Wahrnehmungen zu einer einfachen und dem jeweiligen

Kontext angepassten Information. Die Ergebnisse eines solchen Prozesses sind Informationen,

ohne die eine Tätigkeit wie „Fahren“, nicht abgebildet werden kann. Die Mehrzahl der für das

Fahren notwendigen Informationen wird visuell aufgenommen und befindet sich in Fahrtrichtung

des Fahrzeugs. Wenn also der Blick des Fahrers auf die zukünftig zu befahrene Strecke gerichtet

ist, so sind die so aufgenommenen Informationen über Strecke und Fremdverkehr zumeist ausrei-

chend für die Fahrzeugführung. In komplexeren Situationen kommen jedoch weitere Faktoren

hinzu: So spielen Fahrzeuge neben und hinter dem eigenen Fahrzeug eine Rolle, weiterhin gelten

je nach Ort unterschiedliche „Spielregeln“ für die Fahraufgabe (Geschwindigkeitsbegrenzungen,

Vorfahrtsregelungen). Ein Speicher für solcherlei Informationen muss demnach vorhanden sein,

um einen situationsbewussten Fahrer modellieren zu können – die Alternativen wären entweder

ein allwissender Fahrer (alle Sensorinformationen sind immer gleichzeitig vorhanden – dies ist

aufgrund physikalischer Beschränkungen unrealistisch) oder ein Fahrer, der nur basierend auf

aktuell wahrnehmbaren Reizen agiert. Letzterer wäre jedoch ausschließlich für das Abfahren

von Strecken zu verwenden, eine komplexe Interaktion mit anderen Verkehrsteilnehmern wäre

auf diese Art und Weise nicht realisierbar.

Ego

vornvorn links vorn rechts

links rechts

hintenhinten links hinten rechts

Abbildung 5.11: 3x3-Matrix des zu beachtenden Fremdverkehrs

Ein Gedächtnismodul muss demnach derartige Informationen beinhalten, die für den Fahrer

momentan nicht wahrzunehmen sind, jedoch weiterhin eine gewisse Relevanz für die Fahrauf-

gabe besitzen. Dies sind vor allem Informationen über andere Verkehrsteilnehmer: Dies kann

in einer matrixartigen Darstellung abgespeichert bzw. vom Fahrer sprachlich definiert werden

204

5.7 Arbeitsgedächtnis

(vgl. Abbildung 5.11). Da sich der Fahrer im Allgemeinen auf einer durch Fahrspuren aufge-

teilten Straße bewegt, werden die anderen Verkehrsteilnehmer die sich in die gleiche Richtung

bewegen, ebenfalls anhand dieser Spuren kategorisiert. Dem vorausfahrenden Fahrzeug wird

hierbei die größte Bedeutung zugemessen: Es dient für bestimmte Fahrphasen (z.B. Folgefahrt)

als grundlegende Informationsquelle bzw. Bezugspunkt – aktuelle Informationen sind daher

sicherheitsrelevant und möglichst oft zu aktualisieren. In einigen Situationen kann auch ein

Fahrzeug, das sich ein oder mehrere Fahrzeuge vor dem vorausfahrenden Fahrzeug befindet,

relevant für das Fahrverhalten sein – z.B. bei sich stauendem Verkehr aufgrund eines langsamen

LKW oder vergleichbare Szenarien. Ähnliches gilt für Fahrzeuge mehrere Positionen hinter dem

eigenen Fahrzeug: Nähert sich ein LKW beispielsweise schnell einem Stauende, so stellt dies

eine genauso wichtige Information dar. Ebenfalls gibt es Situationen, in denen Fahrzeuge, die

sich auf der übernächsten Spur befinden, wichtig für die Manöverplanung sind: Falls ein Spur-

wechsel beabsichtigt wird, so muss abgesichert werden, dass nicht ein weiteres Fahrzeug einen

Spurwechsel auf die eigene Zielspur vollziehen möchte. Fahrzeuge neben dem eigenen Fahrzeug

sind erst von Interesse, wenn ein Spurwechsel beabsichtigt wird, Informationen über Fahrzeuge

in den Positionen schräg vor dem eigenen Fahrzeug werden vor allem bei Überholmanövern be-

nötigt (vor allem die Position vorn links). Die sich schräg hinter dem Ego-Fahrzeug befindenden

Positionen (vor allem auf der linken Seite) werden benötigt, um sich schnell nähernde Fahrzeuge

zu erkennen, die zu einem Konflikt bei einem Überholvorgang führen können.

Für viele Fahrsituationen genügen die Informationen über Fahrzeuge an den erwähnten Po-

sitionen. Je nach Fahrermodell kann es ausreichen, ausschließlich die Information über die

Belegung der entsprechenden Position zu verwenden, mit zunehmender Dynamik gewinnen wei-

tere Informationen wie Abstand, Geschwindigkeit, Beschleunigung und Typ des entsprechenden

Objekts an Bedeutung. Je nach Komplexität der Blickmodellierung kann so mit dem Wissen

über nicht vorhandene Informationen eine Kopf-/Blickbewegung ausgelöst werden, um an die

entsprechende Information zu gelangen. Eine wichtige Eigenschaft einer jeden Information im

so modellierten „Arbeitsgedächtnis“ ist die Verbleibensdauer. So kann die Information über ein

sich neben dem Ego-Fahrzeug befindenden Fahrzeug während des Wartens vor einer Ampel als

so lange gültig angesehen werden, bis die Fahrt fortgesetzt wird – während einer Autobahnfahrt

ist eine solche Information nur von vergleichsweise kurzer Gültigkeit, da sich der dynamische

Zustand der Verkehrsteilnehmer innerhalb weniger Sekunden ändern kann. Im Gegensatz dazu

sind Verkehrsregeln jeweils so lange gültig, bis diese durch andere Verkehrsregeln aufgehoben

bzw. geändert werden (nach der Wahrnehmung einer Geschwindigkeitsbegrenzung ist die In-

formation über diese so lange im Arbeitsgedächtnis zu speichern, bis diese durch ein weiteres

Verkehrszeichen entweder komplett aufgehoben oder geändert wird). In Tabelle 5.1 sind bisher

implementierte Informationen sowie ihre Gültigkeit zusammengefasst.

205

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Information Gültigkeit Überprüfung Wahr-

nehmung

Verkehrsregeln:

aktuelle

Geschwindigkeits-

begrenzung

bis durch anderes Verkehrszei-

chen aufgehoben oder Gültig-

keitsbereich verlassen

einmalig bewusst

Vorfahrtsregeln bis Kreuzung überfahren einmalig

unbewusst

Straßeninformationen:

Anzahl der

Fahrspuren

bis Änderung wahrgenommen permanent

unbewusst

Kurvenradius in

Vorausschau

bis Kurve durchfahren permanent

unbewusst

Information ob

andere Spur frei ist

mehrere Sekunden mehrmals vor

Manöver

bewusst

Information ob

eigene Spur frei

bis Änderung wahrgenommen permanent

unbewusst

eigene Position bis Änderung wahrgenommen permanent

unbewusst

Informationen über

andere Verkehrsteil-

nehmer:

Fzg. vor Ego bis Änderung wahrgenommen permanent

unbewusst

Fzg. links oder

rechts neben Ego

bis zum nächsten Blick einmalig bewusst

Fzg. hinter Ego bis zum nächsten Blick mehrmals vor

Manöver

bewusst

Fzg. vorn links bis Änderung wahrgenommen permanent

unbewusst

Fzg. vorn rechts bis Änderung wahrgenommen permanent

unbewusst

Fzg. hinten links bis zum nächsten Blick bzw.

Manöverende

mehrmals vor

Manöver

bewusst

Fzg. hinten rechts bis zum nächsten Blick bzw.

Manöverende

mehrmals vor

Manöver

bewusst

Tabelle 5.1: Informationen im Arbeitsgedächtnis des Fahrermodells und ihre Gültigkeiten

206

5.8 Fahrertypen

Für die Simulation ist die Verwendung von unterschiedlich parametrierten Fahrermodellen

wünschenswert. Mit Hilfe des vorgestellten Ansatzes lassen sich einzelne Fahrer durch Fähig-

keitsparameter so konfigurieren, dass ein gewünschtes Fahrverhalten abgebildet werden kann.

Eine Parametrierung alleinig über Fähigkeitsparameter ist zwar möglich, erscheint jedoch als

wenig intuitiv. Des Weiteren beeinflussen externe und interne Zustände, sowie Performanzpara-

meter das modellierte Fahrverhalten. Externe Zustände bezeichnen hierbei fahrertypunabhängige

äußere Gegebenheiten und können daher nicht als Parameter für bestimme Fahrertypen herhalten.

Interne Zustände modellieren vor allem menschliche Emotionen und Motivationen. Auch diese

sind als universell anzusehen und kommen daher ebenfalls nicht in Betracht. Performanzparame-

ter hingegen wirken in der Regel auf mehrere Fähigkeitsparameter und verschlanken dadurch den

Parameterraum für die Einstellung des Verhaltens. Für eine Fahrermodellspezies – welche durch

ein bestimmtes Set von Fähigkeiten definiert werden kann – repräsentiert eine Konfiguration

der Performanzparameter ein Fahrermodellindividuum. Auf diese Weise sind unterschiedliche

Fahrertypen für das Modellverhalten realisierbar. Ein Fahrertyp bezeichnet dementsprechend ei-

ne Umgebung im Koordinatensystem der Performanzparameter und eine entsprechende Auswahl

von Fähigkeitsmodulen. Ein Fahrertyp kann somit als n-dimensionale Punktwolke im Koordina-

tensystem der

Performanzparameter interpretiert werden. Die Zugehörigkeit eines Fahrers zu

einem bestimmten Fahrertyp kann durch den Abstand des den Fahrer repräsentierenden n-Tupels

zum Mittelpunkt der Fahrertypen-Punktwolke ermittelt werden (vgl. Abbildung 5.12). Die so

definierten Fahrertypen sind zunächst nur abstrakt über ihre Parameterkonstellation beschrieben.

Für den praktischen Einsatz können die Typen mit einem Label wie „erfahrener Fahrer“, „junger

aggressiver Fahrer“ belegt werden bzw. können Parametersätze entsprechend der gewünschten

Charakterisierung zusammengestellt werden.

5.9 Validierung des Rahmenmodells

Für die Validierung des Rahmenmodells können Argumente ähnlich zu denen in Abschnitt 4.2

beschriebenen angeführt werden. Wie schon Salvucci in [

Sal06

] formulierte, kann, da es keine

einzelne Methode oder Maßnahme gibt, die ausreichend ist, um menschliches Fahrverhalten zu

verstehen, dementsprechend auch kein solches Validierungsmaß existieren. Es können zumeist

nur einzelne Subsysteme in bestimmten Szenarien validiert werden. Jedoch kann aus erfolgreich

validierten Submodellen nicht abgeleitet werden, dass das Gesamtmodell ebenfalls als „validiert“

zu betrachten ist.

Zum Einen kann in diesem Fall das Modell als solches keine Validierung erfahren, da es

sich um ein Rahmenmodell handelt. Dementsprechend können nur spezielle Konfigurationen

bzw. Parametrierungen des Modells einer Validierung unterzogen werden. Wichtiger in diesem

Kontext wäre eine Überprüfung der verwendeten Modellparameter: Einzelne könnten im Rahmen

207

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Fahrertyp T1

Fahrertyp T2

Abbildung 5.12:

Beispiel für den Raum der Performanzparametern für

N=3

. Eine Kugel de-

finiert einen Fahrertypenraum, ein schwarzer Punkt dessen Mittelpunkt (bzw.

den „typischen“ Fahrer eines Fahrertyps). Kleine rote Punkte stehen für einen

bestimmten Fahrer innerhalb dieses Raums.

psychologischer Untersuchungen validiert werden – wobei auch hier letztendlich maximal

festgestellt werden kann, dass die entsprechende Parametrierung „nicht unrealistisch“ erscheint.

Auf eine wie auch immer geartete „Korrektheit“ kann auch auf diese Art und Weise nicht getestet

werden. Das Verhalten, das mittels der Module des Rahmenmodells generiert wird, hängt sowohl

von einzelnen modellierten Abhängigkeiten innerhalb des Modells als auch und vorrangig von

dessen Parametrierung ab. Dementsprechend kann mit Sicherheit gesagt werden, dass mittels

dieses Modellierungsansatzes eine schier unüberschaubare Menge an Verhaltensvariationen

abgebildet werden kann, von denen die meisten als „nicht menschähnlich“ bezeichnet werden

können. Es gilt also, die Parameter so zu setzen, dass ein als „menschähnlich“ zu bezeichnendes

Fahrverhalten erzeugt wird. Diese Entscheidung ist kaum zu objektivieren und hängt somit stark

von den subjektiven Vorstellungen des Modellierers bzw. Nutzers ab.

Eine fiktive Validierungsstudie für eine Modellkonfiguration muss daher dynamische Abhängig-

keiten zwischen Parametern unberücksichtigt lassen und kann nur validieren, ob die verwendete

Konfiguration ein zu bestimmendes Ähnlichkeitsmaß zu Daten eines bestimmten Fahrers auf-

weist. Selbst eine Ähnlichkeit von beispielsweise Lenkwinkeldaten bedeutet im Umkehrschluss

nicht, dass die motivationalen und emotionalen Abhängigkeiten korrekt umgesetzt sind – die

Übereinstimmung kann durchaus zufällig zustande gekommen sein. Wenn man dies außer Acht

ließe, bestünde eine solche Validierungssituation aus einem Parametersatz, einer Menge von

208

5.10 Zusammenfassung & Ausblick

verwendeten Modulen, einem klar definierten Umgebungsszenario und einem Datensatz einer

Person aus einer identischen Situation als „Eichmaß“. Bei Miteinbeziehung der motivationalen

und emotionalen Komponenten ergäben sich schon aufgrund der sowohl inter- als auch intraindi-

viduellen Unterschiede nicht auflösbare Probleme, die eine zufriedenstellende Validierung nicht

zuließen.

Weiterhin ist fraglich, inwiefern die Möglichkeit besteht, valide Vergleichsdaten über die erwähn-

ten psychologischen Konstrukte zu erhalten. Zum einen lassen sich Daten über subbewusste

psychologische Zustände kaum erheben, des Weiteren ist die Formalisierung der ebenfalls teil-

weise subbewusst vorhandenen Einflüsse auf das Fahrerhalten schwierig. Abschließend kann

gesagt werden, dass eine Validierung im klassischen Sinne für das vorgestellte Rahmenmodell,

dessen Konfigurationen jeweils hybride Fahrermodelle sind, die sowohl aus psychologischen als

auch ingenieurwissenschaftlich modellierten Komponenten bestehen, nicht bzw. nur für singuläre

Situationen durchgeführt werden kann.

5.10 Zusammenfassung & Ausblick

Ein aus dem Rahmenmodell abgeleitetes Fahrermodell besteht aus einer Anzahl von in Modulen

implementierten Fähigkeiten, sowie aus Parametern, (interne sowie externe Zustände und Perfor-

manzparameter), die zusammen als Fähigkeitsparameter das Verhalten des Modells beeinflussen

können. Eingangsgrößen in das Fahrermodell sind Informationen aus Umwelt und Fahrzeug,

die als Signale aus der Simulationsumgebung empfangen werden. Dazu gehören neben den für

die reine Fahrtätigkeit notwendigen reellwertigen Informationen wie momentane Querabwei-

chung, Krümmung der Straße in Höhe des Schwerpunkts oder Abstand zum Vorderfahrzeug

auch diskrete Informationen, wie der Zustand der Lichtsignalanlage an der nächsten Kreuzung

oder momentan gültige Geschwindigkeitsbeschränkungen. Die Handlungen des Fahrermodells,

(der Modell-Output) sind Veränderungen der Stellgrößen bzw. Benutzerschnittstellen des Fahr-

zeugs. Dies können Lenkbewegungen, Betätigung der Bremse bzw. des Gaspedals, aber auch

Handhabung des Blinkers, des Radio-Lautstärkereglers oder eines Fahrerassistenzsystems sein.

Abbildung 5.1 zeigt die Grundstruktur des Rahmenmodells.

Die bisher beschriebene theoretische Struktur eines Rahmenmodells für Fahrermodelle wurde

bereits erfolgreich – wenn auch in nicht in allen Hauptmodulen in hochkomplexer Form –

implementiert und in einer echtzeitfähigen Simulatorumgebung eingesetzt. Informationen, wie

beispielsweise die Anzahl der Fahrspuren, deren Breite, sowie vorhandene Beschilderung und

Lichtsignale können aus der Straßenrepräsentation

erhalten werden. Unterschiedliche aus dem

Rahmenmodell generierte Fahrermodelle wurden bisher sowohl in Autobahnumgebungen, als

auch in Landstraßen- und Innenstadtszenarien verwendet.

3Eine Schnittstelle zum OpenDrive-Format ist vorhanden.

209

5 Rahmenmodell für die Erzeugung parametrierbarer Fahrermodelle

Mit dem Rahmenmodell für menschähnliche Fahrermodelle ist eine Struktur geschaffen worden,

die die Entwicklung von sehr unterschiedlichen Fahrermodellen ermöglicht. Eine Besonderheit

ist der Fokus auf möglichst hohe Menschähnlichkeit der Modelle. Dies wird gewährleistet,

da die einzelnen Module auf beobachtbaren und teilweise bereits modellierten menschlichen

Verhaltensweisen basieren. Mittels des Rahmenmodells realisierte Fahrermodelle sind daher vor

allem für die Entwicklung und Erprobung von Fahrerassistenzsystemen geeignet. Ebenfalls sind

diese für den Einsatz als intelligente Fahrer in einer Simulatorumgebung prädestiniert.

Zukünftige Modellierungsarbeiten betreffen vor allem die Entwicklung und Implementierung

weiterer spezifischer Module: Im Wahrnehmungsmodul kann eine komplexere Kopf- bzw. Blicks-

teuerung umgesetzt werden. Das Modul für die Situationserkennung kann um ein umfassendes

Arbeitsgedächtnismodell ergänzt werden. Im Entscheidungsmodul kann das im Kapitel 4 vorge-

stellte Modell implementiert werden. Weitere Fahrregler für spezifische Fahrverhalten können im

Ausführungsmodul realisiert werden. Weiterhin können Laboruntersuchungen zur Generierung

von Parametern zur Validierung einzelner Module durchgeführt werden.

210

Literaturverzeichnis

[Aas95] AASMAN, Jannes: Modelling driver behaviour in Soar. (1995)

[AAz16]

ABUALI, Najah ; ABOU-ZEID, Hatem: Driver Behavior Modeling: Developments

and Future Directions. In: International Journal of Vehicular Technology (2016)

[AB15]

ABENDROTH, Bettina ; BRUDER, Ralph: Die Leistungsfähigkeit des Menschen für

die Fahrzeugführung. In: WINNER, Hermann (Hrsg.) ; HAKULI, Stephan (Hrsg.) ;

LOTZ, Felix (Hrsg.) ; SINGER, Christina (Hrsg.): Handbuch Fahrerassistenzsyste-

me. Springer Vieweg, 2015, S. 3–16

[ABB+04]

ANDERSON, John R. ; BOTHELL, Daniel ; BYRNE, Michael D. ; DOUGLASS,

Scott ; LEBIERE, Christian ; QIN, Yulin: An Integrated Theory of the Mind. In:

Psychological Review 111 (2004), Nr. 4, S. 1036–1060

[AC09]

AMANTINI, A. ; CACCIABUE, P. C.: A simple simulation predicting driver behavior,

attitudes and errors. In: Proceedings of 13th International Conference on Human

Computer Interaction (HCI 2009), 19-24 July 2009, San Diego, CA, 2009, S.

345–354

[Ahm99]

AHMED, K. I.: Modeling Drivers’ Acceleration and Lane Changing Behavior,

Massachusetts Institute of Technology, Diss., 1999

[AL98] ANDERSON, John R. ; LEBIERE, Christian J.: The atomic components of thought.

Lawrence Erlbaum Associates Publishers, 1998

[ALK01]

AKYOL, Suat ; LIBUDA, Lars ; KRAISS, Karl-Friedrich: Multimodale Benutzung

adaptiver Kfz-Bordsysteme. In: JÜRGENSOHN, Thomas (Hrsg.) ; TIMPE, Klaus-

Peter (Hrsg.): Kraftfahrzeugführung. Springer, 2001, S. 137–154

[AM11]

AUTHIÉ, Colas N. ; MESTRE, Daniel R.: Optokinetic nystagmus is elicited by

curvilinear optic flow during high speed curve driving. In: Vision Research 51

(2011), Nr. 16, S. 1791–1800

[And01]

ANDERSON, John R. ; GRAF, Ralf (Hrsg.) ; GRABOWSKI, Joachim (Hrsg.): Ko-

gnitive Psychologie. Spektrum Akademischer Verlag, 2001

[AOF97]

ARNETT, Jeffrey J. ; OFFER, Daniel ; FINE, Mark A.: Reckless driving in adole-

scence: ’State’ and ’trait’ factors. In: Accident Analysis & Prevention 29 (1997),

Nr. 1, S. 57–63

211

Literaturverzeichnis

[AS68]

ATKINSON, Richard C. ; SHIFFRIN, Richard M.: Human memory: A proposed

system and its control processes. In: Psychology of learning and motivation 2

(1968), Nr. 4, S. 89–195

[ASM01]

AL-SHIHABI, T. ; MOURANT, R. R.: A Framework for Modeling Human-like Dri-

ving Behaviors For Autonomous Vehicles in Driving Simulators. In: Proceedings

of 5th International Conference on Autonomous Agents, 2001, S. 286–291

[ASM03]

AL-SHIHABI, T. ; MOURANT, R. R.: Toward More Realistic Driving Behavior Mo-

dels for Autonomous Vehicles in Driving Simulators. In: Transportation Research

Record 1843 (2003), Nr. 1, S. 41–49

[Bab75]

BABKOV, Valerij F.: Road conditions and traffic safety. In: Mir Publishers (1975)

[Bad00]

BADDELEY, Alan: The episodic buffer: a new component of working memory? In:

Trends in cognitive sciences 4 (2000), Nr. 11, S. 417–423

[Bal97]

BALCI, O.: Verification, Validation and Testing. In: BANKS, Jerry (Hrsg.): Hand-

book of Simulation: Principles, Methodology, Advances, Applications, and Practice.

John Wiley & Sons, New York, 1997, S. 335–393

[Bar04]

BARTHENHEIER, Thomas: Potenzial einer fahrertyp- und fahrsituationsabhängi-

gen Lenkradmomentgestaltung, Technische Universität Darmstadt, Diss., 2004

[Bau11]

BAUER, Colin: A Driver-Specific Maneuver Prediction Model Based on Fuzzy

Logic, Freie Universität Berlin, Diss., 2011

[BBD75]

BERGER, Hermann-Josef ; BLIERSBACH, Gerhard ; DELLEN, Rolf G.: Fahrformen

und Erlebensentwicklungen bei der Teilnahme am Straßenverkehr. In: Buchreihe

der Arbeits-und Forschungsgemeinschaft für Straßenverkehr und Verkehrssicher-

heit, Institut an der Universität zu Köln (1975), Nr. 25

[BBGV15]

BUBB, Heiner ; BENGLER, Klaus ; GRÜNEN, Rainer E. ; VOLLRATH, Mark:

Automobilergonomie. Springer-Verlag, 2015

[BBMG06]

BELLET, T. ; BAILLY, B. ; MAYENOBE, P. ; GEORGEON, O.: Cognitive Modelling

and Computational Simulation of Drivers Mental Activities. In: CARLO CAC-

CIABUE, P. (Hrsg.): Modelling Driver Behaviour in Automotive Environments.

Springer, 2006, S. 315–345

[BCC+05]

BARCELÓ, Jaume ; CODINA, Esteve ; CASAS, J. ; FERRER, J. L. ; GARCÍA, D.:

Microscopic traffic simulation: A tool for the design, analysis and evaluation of

intelligent transport systems. In: Journal of Intelligent and Robotic Systems 41

(2005), Nr. 2-3, S. 173–203

[BD06]

BRAESS, H. ; DONGES, E.: Technologien zur aktiven Sicherheit von Personen-

kraftwagen – „Konsumierbare“ oder echte Verbesserungen? In: Tagung „Aktive

Sicherheit durch Fahrerassistenz“, Garching, 2006

212

Literaturverzeichnis

[Bel98]

BELLET, Thierry: Modélisation et simulation cognitive de l’opérateur humain:

une application à la conduite automobile, Paris Université V, Diss., 1998

[Ben04]

BENMIMOUN, A.: Der Fahrer als Vorbild für Fahrerassistenzsysteme? Ein Fah-

rermodellbasierter Ansatz zur Entwicklung von situationsadaptiven FAS. In: 13.

Aachener Kolloquium Fahrzeug- und Motorentechnik, 2004, S. 1–17

[Ber70]

BERNOTAT, Rainer: Anthropotechnik in der Fahrzeugführung. In: Ergonomics 13

(1970), Nr. 3, S. 353–377

[Ber12]

BERUSCHA, Frank: Nutzerorientierte Gestaltung haptischer Signale in der Len-

kung: Zum Einsatz direktionaler Lenkradvibrationen in Fahrerassistenzsystemen,

Technische Universität Ilmenau, Diss., 2012

[BFK08]

BAUMANN, M. ; FRANKE, Thomas ; KREMS, Josef F.: The effect of experience,

relevance and interruption duration on drivers mental representation of a traffic

situation. In: Human Factors for assistance and automation (2008), S. 141–152

[BGR10]

BAUER, Colin ; GONTER, Mark ; ROJAS, Raul: Fahrerspezifische Analyse des

Fahrverhaltens zur Parametrierung aktiver Sicherheitssysteme. In: Sicherheit durch

Fahrerassistenz 73 (2010), S. 74

[BGSL12]

BI, Luzheng ; GAN, Guodong ; SHANG, Junxing ; LIU, Yili: Queuing network

modeling of driver lateral control with or without a cognitive distraction task.

In: IEEE Transactions on Intelligent Transportation Systems 13 (2012), Nr. 4, S.

1810–1820

[BH74]

BADDELEY, Alan D. ; HITCH, Graham: Working memory. In: Psychology of

learning and motivation 8 (1974), S. 47–89

[BH98]

BOER, Erwin ; HOEDEMAEKER, Marika: Modeling Driver Behavior with different

Degrees of Automation: A Hierarchical Decision Framework of Interacting Mental

Models. In: 17th European Annual Conference on Human Decision Making and

Manual Control, 1998, S. 63–72

[Bie84]

BIEDERMANN, Bodo: Straßentrassierung auf der Grundlage von Geschwindigkei-

ten aus Sehfelduntersuchungen, Technische Hochschule Darmstadt, Diss., 1984

[BL88] BOFF, Kenneth R. ; LINCOLN, Janet E.: Engineering Data Compendium. Human

Perception and Performance. Harry G. Armstrong Aerospace Medical Research

Lab, Wright-Patterson Airforce Base, Ohio, 1988

[BL97]

BEALL, Andrew C. ; LOOMIS, Jack M.: Optic flow and visual analysis of the

base-to-final turn. In: The International Journal of Aviation Psychology 7 (1997),

Nr. 3, S. 201–223

[Ble10]

BLECH, Christine: Komplexes Problemlösen in Situationen mit Zielkonikt, Univer-

sität Heidelberg, Diss., 2010

213

Literaturverzeichnis

[BM99]

BRACKSTONE, Mark ; MCDONALD, Mike: Car-following: a historical review. In:

Transportation Research Part F: Traffic Psychology and Behaviour 2 (1999), Nr. 4,

S. 181–196

[BMB+12]

BELLET, Thierry ; MAYENOBE, Pierre ; BORNARD, Jean-Charles ; GRUYER, Do-

minique ; CLAVERIE, Bernard: A computational model of the car driver interfaced

with a simulation platform for future Virtual Human Centred Design applications:

COSMO-SIVIC. In: Engineering Applications of Artificial Intelligence 25 (2012),

Nr. 7, S. 1488–1504

[BN96]

BAJCSY, R. ; NAGEL, H. H.: Descriptive and Prescriptive Languages for Mobility

Tasks: Are They Different? In: Advances in Image Understanding (1996), S.

280–300

[BO93a]

BALL, Karlene ; OWSLEY, Cynthia: The useful field of view test: a new technique

for evaluating age-related declines in visual function. In: Journal of the American

Optometric Association 64 (1993), Nr. 1, S. 71–79

[BO93b]

BOOTSMA, Reinoud J. ; OUDEJANS, Raôul R.: Visual Information About Time-

To-Collision Between Two Objects. In: Journal of Experimental Psychology 19

(1993), Nr. 5, S. 1041–1052

[Bol91]

BOLTE, Uwe: Das aktive Stellteil – ein ergonomisches Bedienkonzept. In:

Fortschritt-Berichte VDI, Reihe 17. VDI Verlag, Düsseldorf, 1991

[Bor07]

BOROS, I.: Ein Spurführungs-Lenkregler in SIMPACK – Lane Control Module in

SIMPACK. In: SIMPACK User Meeting 2007, Bonn, 2007

[BR71]

BHISE, V. D. ; ROCKWELL, T. H.: Role of peripheral vision and time-sharing in

driving. In: Proceedings: American Association for Automotive Medicine Annual

Conference Bd. 15, 1971, S. 320–341

[Bör13]

BÖRGER, Joachim: Fahrerintentionserkennung und Kursprädiktion mit erweiterten

Maschinellen Lernverfahren, Universität Ulm, Diss., 2013

[Bro58]

BROADBENT, D.: Perception and Communication. London: Pergamon Press, 1958

[Bös91] BÖSCH:Der Fahrer als Regler, Technische Universität Wien, Diss., 1991

[BSB74]

BURNHAM, G. ; SEO, Jinbom ; BEKEY, G.: Identification of human driver models

in car following. In: IEEE transactions on Automatic Control 19 (1974), Nr. 6, S.

911–915

[BSB16]

BORNARD, Jean-Charles ; SASSMAN, Matthew ; BELLET, Thierry: Use of a

computational simulation model of drivers cognition to predict decision making

and behaviour while driving. In: Biologically Inspired Cognitive Architectures 15

(2016), S. 41–50

214

Literaturverzeichnis

[BSHJ09]

BOYRAZ, P. ; SATHYANARAYANA, A. ; HANSEN, J. L. ; JONSSON, E.: Driver

behavior modeling using hybrid dynamic systems for driver-aware active vehicle

safety. In: Proceedings of the 21st International Technical Conference on the

Enhanced Safety Of Vehicles, 2009

[BT07]

BREZILLON, Juliette ; TIJUS, Charles: New representation of GADGET’s matrix

for a driver typology. In: Driving Simulation Conference, 2007

[Bub01]

BUBB, Heiner: Haptik im Kraftfahrzeug. In: JÜRGENSOHN, Thomas (Hrsg.) ;

TIMPE, Klaus-Peter (Hrsg.): Kraftfahrzeugführung. Springer, 2001, S. 155–164

[Buc19]

BUCHHOLZ, Peter: Modellgestützte Analyse und Optimierung / Technische Uni-

versität Dortmund. 2019. – Skript

[Bun18]

BUNDESAMT, Statistisches: Verkehr. In: Verkehrsunfälle Fachserie 8 Reihe 7

(2018)

[BWWL15]

BI, Luzheng ; WANG, Mingtao ; WANG, Cuie ; LIU, Yili: Development of a driver

lateral control model by integrating neuromuscular dynamics into the queuing

network-based driver model. In: IEEE Transactions on Intelligent Transportation

Systems 16 (2015), Nr. 5, S. 2479–2486

[Byr01]

BYRNE, Michael D.: ACT-R/PM and menu selection: Applying a cognitive archi-

tecture to HCI. In: International Journal of Human-Computer Studies 55 (2001),

Nr. 1, S. 41–84

[Car07]

CARSTEN, Oliver: From Driver Models to Modelling the Driver: What do We

Really Need to Know about the Driver? In: Proceedings of the International

Workshop on Modelling Driver Behaviour in Automotive Environments, 2007, S.

93–101

[CC01]

CAVALLO, V. ; COHEN, A.: Perception. In: BARJONET, Pierre-Emmanuel (Hrsg.):

Traffic psychology today. Springer Science & Business Media, 2001, S. 63–89

[CC10]

CACCIABUE, Pietro C. ; CARSTEN, Oliver: A simple model of driver behaviour to

sustain design and safety assessment of automated systems in automotive environ-

ments. In: Applied ergonomics 41 (2010), Nr. 2, S. 187–197

[CEST13]

CACCIABUE, Pietro C. ; ENJALBERT, Simon ; SÖDERBERG, Håkan ; TAPANI,

Andreas: Unified Driver Model simulation and its application to the automotive,

rail and maritime domains. In: Transportation research part F: traffic psychology

and behaviour 21 (2013), S. 315–327

[Cha03]

CHATZIASTROS, Astros: Visuelle Kontrolle der Lokomotion, Justus-Liebig-

Universität Gießen, Diss., 2003

[CL88]

CAVALLO, Viola ; LAURENT, Michel: Visual information and skill level in time-

to-collision estimation. In: Perception 17 (1988), S. 623–632

215

Literaturverzeichnis

[Coh76]

COHEN, A.: Augenbewegungen des Autofahrers beim Vorbeifahren an unvorher-

sehbaren Hindernissen und auf freier Strecke. In: Zeitschrift für Verkehrssicherheit

22 (1976), Nr. 2, S. 68–76

[Cow08]

COWAN, Nelson: What are the differences between long-term, short-term, and

working memory? In: Progress in brain research 169 (2008), S. 323–338

[CRM06]

CACCIABUE, P. C. ; RE, Cristina ; MACCHI, Luigi: Simple simulation of driver

performance for prediction and design analysis. In: CARLO CACCIABUE, P. (Hrsg.):

Modelling Driver Behaviour in Automotive Environments. Springer, 2006, S. 346–

375

[CRNR06]

CONCHILLO, Angela ; RECARTE, Miguel A. ; NUNES, Luis ; RUIZ, Trinidad:

Comparing Speed Estimations from a Moving Vehicle in Different Traffic Scenarios:

Absence Versus Presence of Traffic Flow. In: The Spanish Journal of Psychology 9

(2006), Nr. 1, S. 32–37

[CV95]

CUTTING, James E. ; VISHTON, Peter M.: Perceiving layout and knowing distances:

The integration, relative potency, and contextual use of different information about

depth. In: Handbook of perception and cognition, Vol. 5: Perception of space and

motion. W. Epstein and S. Rogers, 1995, S. 69–117

[Dam94]

DAMASIO, Antonio R.: Descartes’ Irrtum: Fühlen, Denken und das menschliche

Gehirn. Ullstein, 1994

[Deu05]

DEUTSCHLE, S.: Wer fährt? – Der Fahrer oder das System? In: SVR Straßenver-

kehrsrecht 6 (2005), S. 201–206

[Dil73]

DILLING, J.: Fahrverhalten von Kraftfahrzeugen auf kurvigen Strecken. In:

Straßenbau und Straßenverkehrstechnik 151 (1973), S. 1–25

[DMRK05]

DAHLEN, Eric R. ; MARTIN, Ryan C. ; RAGAN, Katie ; KUHLMAN, Myndi M.:

Driving anger, sensation seeking, impulsiveness, and boredom proneness in the

prediction of unsafe driving. In: Accident Analysis & Prevention 37 (2005), Nr. 2,

S. 341–348

[DN96]

DONGES, E. ; NAAB, K.: Regelsysteme zur Fahrzeugführung und -stabilisierung in

der Automobiltechnik. In: Automatisierungstechnik 44 (1996), Nr. 5, S. 226–236

[DN09]

DEML, Barbara ; NEUMANN, Hendrik: Menschmodelle und Verhaltenssimulati-

on – Eine Methode zur Gestaltung von Mensch-Maschine-Schnittstellen. In: 9.

Magdeburger Maschinenbau-Tage, 2009, S. 121–130

[Don68]

DONDERS, Frans C.: Die Schnelligkeit psychischer Prozesse. In: Reicherts’s &

Dubois Archiv für Anatomie, Physiologie und Wissenschaftliche Medizin (1868), S.

657–681

216

Literaturverzeichnis

[Don77]

DONGES, Edmund: Experimentelle Untersuchung und regelungstechnische Model-

lierung des Lenkverhaltens von Kraftfahrern bei simulierter Straßenfahrt, Techni-

sche Hochschule Darmstadt, Diss., 1977

[Don78]

DONGES, Edmund: A two-level model of driver steering behavior. In: Human

Factors 20 (1978), Nr. 6, S. 691–707

[Don82]

DONGES, Edmund: Aspekte der aktiven Sicherheit bei der Führung von Personen-

kraftwagen. In: Automob-Ind 27 (1982), Nr. 2

[Don15]

DONGES, Edmund: Fahrerverhaltensmodelle. In: WINNER, Hermann (Hrsg.)

; HAKULI, Stephan (Hrsg.) ; (Hrsg.) ; LOTZ, Felix (Hrsg.) ; SINGER, Christina

(Hrsg.): Handbuch Fahrerassistenzsysteme. Springer Vieweg, 2015, S. 3–16

[Dör89]

DÖRNER, Dietrich: Die Logik des Misslingens: Strategisches Denken in komplexen

Situationen. Rowohlt Verlag GmbH, 1989

[DR02]

DAGLI, Ismail ; REICHARDT, Dirk: Motivation-based approach to behavior predic-

tion. In: Intelligent Vehicle Symposium, 2002. IEEE Bd. 1, 2002, S. 227–233

[DS98]

DÖRNER, Dietrich ; SCHAUB, Harald: Das Leben von PSI. Über das Zusammen-

spiel von Kognition, Emotion und Motivation – oder: Eine einfache Theorie für

komplizierte Verhaltensweisen. 1998

[DS01]

DELORME, Delphine ; SONG, Bongsob: Human Driver Model for SmartAHS

/ Institute of Transportation Studies, University of California, Berkeley. 2001. –

California PATH Research Report

[Düs10]

DÜSER, Tobias: X-in-the-Loop – ein durchgängiges Validierungsframework für

die Fahrzeugentwicklung am Beispiel von Antriebsstrangfunktionen und Fahreras-

sistenzsystemen. IPEK, 2010

[DTC72]

DARWIN, Christopher J. ; TURVEY, Michael T. ; CROWDER, Robert G.: An

Auditory Analogue of the Sperling Partial Report Procedure: Evidence for Brief

Auditory Storage. In: Cognitive Psychology 3 (1972), S. 255–267

[DW96]

DEWAARD, Dick: The measurement of drivers’ mental workload, University of

Groningen, Traffic Research Center, Diss., 1996

[DWH12]

DEWINTER, JCF ; HAPPEE, Riender: Modelling driver behaviour: a rationale for

multivariate statistics. In: Theoretical Issues in Ergonomics Science 13 (2012), Nr.

5, S. 528–545

[Ebe06]

EBERSBACH, Dirk: Entwurfstechnische Grundlagen für ein Fahrerassistenzsystem

zur Unterstützung des Fahrers bei der Wahl seiner Geschwindigkeit, Technische

Universität Dresden, Diss., 2006

[Ede00] EDELMANN, Walter: Lernpsychologie. Beltz, 2000

217

Literaturverzeichnis

[Ehm01]

EHMANNS, D.: Simulationsmodell des menschlichen Spurwechselverhaltens. In:

Der Fahrer im 21. Jahrhundert, VDI Verlag GmbH, Düsseldorf, 2001, S. 203–216

[Eig10]

EIGEL, Thomas: Integrierte Längs- und Querführung von Personenkraftwagen

mittels Sliding-Mode-Regelung, Technische Universität Carolo-Wilhelmina zu

Braunschweig, Diss., 2010

[EK95]

ERICSSON, K. A. ; KINTSCH, Walter: Long-term working memory / University

of Colorado, Boulder, Institute of Cognitive Science. 1995 (2). – ICS Technical

Report 94-01

[Ekm92]

EKMAN, Paul: An argument for basic emotions. In: Cognition & emotion 6 (1992),

Nr. 3-4, S. 169–200

[EM10a]

EILERS, Mark ; MÖBUS, Claus: Learning of a Bayesian Autonomous Driver

Mixture-of-Behaviors (BAD MoB) Model. In: KARWOWSKI, W. (Hrsg.) ; SAL-

VENDY, G. (Hrsg.): 1st International Conference On Applied Digital Human

Modeling, 17-20 July, 2010, Intercontinental, Miami Florida, USA, 2010

[EM10b]

EILERS, Mark ; MÖBUS, Claus: Lernen eines modularen Bayesian Autonomous

Driver Mixture-of-Behaviors (BAD MoB) Modells. In: KOLREP, H. (Hrsg.) ; JÜR-

GENSOHN, Th. (Hrsg.): Fahrermodellierung – Zwischen kinematischen Menschmo-

dellen und dynamisch-kognitiven Verhaltensmodellen. Düsseldorf : VDI-Verlag,

2010 (Fortschritt-Berichte VDI Reihe 22 32), S. 61–74

[EM13]

EILERS, Mark ; MÖBUS, Claus: Discriminative Learning of a Probabilistic Dri-

ver Model Representing the Human Driving Behavior on Virtual Highways. In:

JÜRGENSOHN, Thomas (Hrsg.) ; KOLREP, Harald (Hrsg.): Fahrermodellierung in

Wissenschaft und Wirtschaft Bd. 35. Düsseldorf : VDI Verlag, 2013 (Fortschritt-

Berichte VDI 22), S. 10–25

[End95]

ENDSLEY, Mica R.: Toward a theory of situation awareness in dynamic systems.

In: Human factors 37 (1995), Nr. 1, S. 32–64

[Enk66]

ENKE, K.: Überlegungen zum Zusammenwirken von Fahrzeuglenker und Automo-

bil. In: Automobil-Industrie 1 (1966), S. 37–44

[ESS00]

ENDSLEY, Mica R. ; SOLLENBERGER, Randy ; STEIN, Earl: Situation awareness:

A comparison of measures. In: Proceedings of the human performance, situation

awareness and automation: user-centered design for the new millennium (2000), S.

15–19

[Fär15]

FÄRBER, Berthold: Kommunikationsprobleme zwischen autonomen Fahrzeugen

und menschlichen Fahrern. Springer Vieweg, Berlin, Heidelberg, 2015. – 127–146

218

Literaturverzeichnis

[Fas95]

FASTENMEIER, Wolfgang: Autofahrer und Verkehrssituation. Neue Wege zur

Bewertung von Sicherheit und Zuverlässigkeit moderner Strassenverkehrssysteme.

In: Mensch – Fahrzeug – Umwelt. Verlag TÜV Rheinland GmbH, 1995 (33)

[FBEV11]

FISCHER, Rainer ; BUTZ, Torsten ; EHMANN, Martin ; VOCKENHUBER, Mario:

Fahrermodell zur virtuellen Regelsystementwicklung. In: Automobiltechnische

Zeitschrift 113 (2011), Nr. 12, S. 946–949

[Fec05]

FECHER, Norbert: Analyse des stationären Folgeverhaltens von PKW Fahrzeug-

führern unter Berücksichtigung von Nässe und einhergehender Sichtbehinderung,

Technische Universität Darmstadt, Diss., 2005

[FG92]

FASTENMEIER, Wolfgang ; GSTALTER, Herbert: Driving Tasks and New Informa-

tion Technologies. In: University of Lund: Bulletin (1992), S. 21–32

[FHKR95]

FORBES, Jeff ; HUANG, Timothy ; KANAZAWA, Keiji ; RUSSELL, Stuart: The

BATmobile: Towards a Bayesian Automated Taxi. In: IJCAI Bd. 95, 1995, S.

1878–1885

[Fia67]

FIALA, E.: Die Wechselwirkungen zwischen Fahrzeug und Fahrer. In: Automobil-

technische Zeitschrift 69 (1967), Nr. 10, S. 345–348

[Fia06] FIALA, Ernst: Mensch und Fahrzeug. Vieweg + Teubner Verlag, 2006

[Fil02]

FILZEK, Björn: Abstandsverhalten auf Autobahnen – Fahrer und ACC im Vergleich,

Technische Universität Darmstadt, Diss., 2002

[FL05]

FRENZ, Harald ; LAPPE, Markus: Absolute travel distance from optic flow. In:

Vision Research 45 (2005), Nr. 13, S. 1679–1692

[För92]

FÖRSTER, H.-J.: Der Fahrzeugführer, ein Homo Instrumentalis. In: VDI-Berichte

948 (1992), S. 379–443

[Ful84]

FULLER, Ray: A conceptualization of driving behaviour as threat avoidance. In:

Ergonomics 27 (1984), Nr. 11, S. 1139–1155

[Ful05]

FULLER, Ray: Control and Affect: Motivational Aspects of Driver Decision-

Making. In: Proceedings of the International Workshop on Modelling Driver

Behaviour in Automotive Environments, 2005, S. 45–52

[Fun06]

Kapitel Komplexes Problemlösen. In: FUNKE, Joachim: Enzyklopädie der Psy-

chologie, Themenbereich C: Theorie und Forschung, Serie II: Kognition, Band 8:

Denken und Problemlösen. Hogrefe Verlag, 2006, S. 375–446

[FZ94]

FRESE, Michael ; ZAPF, Dieter: Action as the core of work psychology: A German

approach. In: Handbook of industrial and organizational psychology 4 (1994), S.

271–340

[GAA+12]

GASSER, Tom M. ; ARZT, Clemens ; AYOUBI, Mihiar ; BARTELS, Arne ; BÜRKLE,

Lutz ; EIER, Jana ; FLEMISCH, Frank ; HÄCKER, Dirk ; HESSE, Tobias ; HUBER,

219

Literaturverzeichnis

Werner u.a.: Rechtsfolgen zunehmender Fahrzeugautomatisierung. In: Berichte

der Bundesanstalt für Straßenwesen. Unterreihe Fahrzeugtechnik (2012), Nr. 83

[GBCM35]

GREENSHIELDS, B. D. ; BIBBINS, J. R. ; CHANNING, W. S. ; MILLER, H. H.: A

study of traffic capacity. In: Proceedings of the Highway Research Board Bd. 14

National Research Council (USA), 1935, S. 448–477

[GBD10]

GINDELE, Tobias ; BRECHTEL, Sebastian ; DILLMANN, Rüdiger: A probabilistic

model for estimating driver behaviors and vehicle trajectories in traffic environ-

ments. In: Proceedings of 13th International IEEE Conference on Intelligent

Transportation Systems (ITSC), 2010, S. 1625–1631

[GC38]

GIBSON, James J. ; CROOKS, Laurence E.: A theoretical field-analysis of

automobile-driving. In: The American journal of psychology 51 (1938), Nr. 3,

S. 453–471

[Geg15] GEGENFURTNER, Karl R.: Gehirn und Wahrnehmung. Fischer Kompakt, 2015

[Gei85]

GEISER, G.: Mensch-Maschine-Kommunikation im Kraftfahrzeug. In: Automobil-

technische Zeitung 87 (1985), Nr. 2

[GGC87]

GRÜSSER, O. J. ; GRÜSSER-CORNEHLS, U.: Gesichtssinn. In: SCHMID, R.F.

(Hrsg.) ; THEWS, G (Hrsg.): Physiologie des Menschen. Springer, 1987, S. 249–290

[GHR61]

GAZIS, Denos C. ; HERMAN, Robert ; ROTHERY, Richard W.: Nonlinear follow-

the-leader models of traffic flow. In: Operations research 9 (1961), Nr. 4, S.

545–567

[Gib50]

GIBSON, James J. ; CARMICHAEL, Leonard (Hrsg.): The Perception of the Visual

World. The Riverside Press, Cambridge, 1950

[Gil99]

GILLET, G.: Ergonomische Optimierung eines aktiven Stellteils, Technische Uni-

versität München, Diss., 1999

[GK09]

GRATTENTHALER, H. ; KRÜGER, H.-P.: Bedeutung der Fahrpraxis für den Kom-

petenzerwerb beim Fahrenlernen. In: Berichte der Bundesanstalt für Straßenwesen,

Mensch und Sicherheit, Heft M 201. Bremerhaven:Wirtschaftsverlag NW, 2009

[GMB84]

GODTHELP, H. ; MILGRAM, P. ; BLAAUW, G. J.: The Development of a Time-

Related Measure to Describe Driving Strategy. In: Human Factors 26 (1984), Nr.

3, S. 257–268

[GMR92]

GARTNER, N. ; MESSER, C. J. ; RATHI, A. K.: Traffic Flow Theory: A State-of-

the-Art Report / Transportation Research Board, Washington, DC. 1992. – Revised

Monograph on Traffic Flow Theory

[Gol07]

GOLDSTEIN, E. B. ; IRTEL, Hans (Hrsg.): Wahrnehmungspsychologie. Spektrum

Akad. Verlag, 2007

220

Literaturverzeichnis

[GR98]

GRAY, R. ; REGAN, D.: Accuracy of Estimating Time to Collision using Binocular

and Monocular Information. In: Vision research 38 (1998), Nr. 4, S. 499–512

[Grü05]

GRÜNDL, Martin: Fehler und Fehlverhalten als Ursache von Verkehrsunfällen

und Konsequenzen für das Unfallvermeidungspotenzial und die Gestaltung von

Fahrerassistenzsystemen, Universität Regensburg, Diss., 2005

[Grz09]

GRZESIK, A.: Physiologiebasierte Simulation des Bremsverhaltens von Fahrzeug-

führern, Technische Universität Ilmenau, Diss., 2009

[GSF98]

GOODRICH, Michael A. ; STIRLING, Wynn C. ; FROST, Richard L.: A theory of

satisficing decisions and control. In: IEEE Transactions on Systems, Man, and

Cybernetics-Part A: Systems and Humans 28 (1998), Nr. 6, S. 763–779

[Gug97]

GUGERTY, Leo J.: Situation Awareness During Driving: Explicit and Implicit

Knowledge in Dynamic Spatial Memory. In: Journal of Experimental Psychology

3 (1997), Nr. 1, S. 42–66

[Hac73]

HACKER, Winfried: Allgemeine Arbeits- und Ingenieurpsychologie. Psychische

Struktur und Regulation von Arbeitstätigkeiten. VEB Deutscher Verlag der Wissen-

schaften, 1973

[Hac98]

HACKER, Winfried: Allgemeine Arbeitspsychologie: Psychische Regulation von

Arbeitstätigkeiten. H. Huber, 1998

[Hac99]

Kapitel Regulation und Struktur von Arbeitstätigkeiten. In: HACKER, W.: Arbeits-

und Organisationspsychologie. Psychologie Verlags Union, 1999, S. 385–397

[Har07]

HARDING, Jochen: Modellierung und mikroskopische Simulation des Autobahn-

verkehrs, Ruhr-Universität Bochum, Lehrstuhl für Verkehrswesen, Fakultät für

Bauingenieurwesen, Diss., 2007

[HB02]

HEISSING, B. ; BRANDL, H. J.: Subjektive Beurteilung des Fahrverhaltens. Vogel

Buchverlag, Würzburg, 2002

[HBBR00]

HILDRETH, Ellen C. ; BEUSMANS, Jack M. H. ; BOER, Erwin R. ; ROYDEN,

Constance S.: From Vision to Action: Experiments and Models of Steering Control

during Driving. In: Journal of Experimental Psychology: Human Perception and

Performance 26 (2000), Nr. 3, S. 1106–1132

[HC86]

HUGHES, PK ; COLE, Barry L.: What attracts attention when driving? In: Ergono-

mics 29 (1986), Nr. 3, S. 377–391

[Hec89] HECKHAUSEN, H.: Motivation und Handeln. Springer, 1989

[Hei16]

HEINRICH, Daniel: Modellierung des Fahrerverhaltens zur Ermittlung von Bau-

teilbelastungen im Fahrzeugantriebsstrang, Karlsruher Institut für Technologie

(KIT), Diss., 2016

221

Literaturverzeichnis

[Hen04]

HENZE, R.: Beurteilung von Fahrzeugen mit Hilfe von Fahrermodellen, TU

Braunschweig, Diss., 2004

[Hen06]

HENNING, Bianca: Analyse und Vergleich von Muskelmodellen zum Einsatz in der

Mehrkörperdynamiksimulation, TU Darmstadt, Diplomarbeit, 2006

[Hie11]

HIESGEN, Gregor: Effiziente Entwicklung eines menschzentrierten Querführungs-

assistenzsystems mit einem Fahrsimulator, Universität Duisburg-Essen, Diss., 2011

[Hil38]

HILL, Archibald V.: The heat of shortening and the dynamic constants of muscle.

In: Proc. R. Soc. Lond. B 126 (1938), Nr. 843, S. 136–195

[HM90]

HESS, RA ; MODJTAHEDZADEH, A.: A control theoretic model of driver steering

behavior. In: Control Systems Magazine, IEEE 10 (1990), Nr. 5, S. 3–8

[HM94]

HOFFMANN, Errol R. ; MORTIMER, Rugolf G.: Drivers’ estimates of time to

collision. In: Accident Analysis & Prevention 26 (1994), Nr. 4, S. 511–520

[HNL03]

HOLLNAGEL, Erik ; NÅBO, Arne ; LAU, I.: A Systemic Model for Driver-in-

Control. In: 2nd International Driving Symposium on Human Factors in Driver

Assessment, Training and Vehicle Design, 2003, S. 86–91

[Hol93] HOLLNAGEL, Erik: Human reliability analysis. In: Context and control (1993)

[Hol94]

HOLTE, Hardy: Kenngrößen subjektiver Sicherheitsbewertung. In: Berichte der

Bundesanstalt für Straßenwesen. Unterreihe Mensch und Sicherheit (1994), Nr. 33

[Hol02]

HOLLNAGEL, Erik: Cognition as control: A pragmatic approach to the modelling

of joint cognitive systems. In: IEEE Journal of Systems, Man and Cybernetics

(2002)

[Hol12]

HOLTE, Hardy: Einflussfaktoren auf das Fahrverhalten und Unfallrisiko junger

Fahrerinnen und Fahrer, Rheinische Friedrich-Wilhelms-Universität, Bonn, Diss.,

2012

[Hri09]

HRISTOV, Borislav: Untersuchung des Blickverhaltens von Kraftfahrern auf Auto-

bahnen, Technische Universität Dresden, Diss., 2009

[HS70]

HABER, R. ; STANDING, L.: Direct measures of visual short-term visual storage.

In: Quarterly Journal of Experimental Psychology 21 (1970), S. 216–229

[Hug88]

HUGUENIN, R. D.: Fahrerverhalten im Straßenverkehr. In: Faktor Mensch im

Verkehr 37 (1988)

[HY12]

HERMANNSTÄDTER, Peter ; YANG, Bin: Identification and validation of lateral

driver models on experimentally induced driving behavior. In: IEEE International

Conference on Systems, Man and Cybernetics (SMC), 2012, S. 1165–1170

[Igu59]

IGUCHI, M.: A Study of Manual Control. In: Journal of mechanic Society of Japan

62 (1959)

222

Literaturverzeichnis

[III15]

ITOH, Makoto ; ISHIKAWA, Ryo ; INAGAKI, Toshiyuki: Evaluating Body Move-

ments of a Drowsy Driver with Pressure Distribution Sensors. In: FAST-zero’15:

3rd International Symposium on Future Active Safety Technology Toward zero

traffic accidents, September 9-11, 2015 Gothenburg, Sweden, 2015, S. 267–272

[Irm01a]

IRMSCHER, M.: Modellierung von Individualität und Motivation im Fahrerver-

halten. In: JÜRGENSOHN, Thomas (Hrsg.) ; TIMPE, Klaus-Peter (Hrsg.): Kraft-

fahrzeugführung. Springer, 2001, Kapitel Multimodale Benutzung adaptiver Kfz-

Bordsysteme, S. 137–154

[Irm01b]

IRMSCHER, Marita: Modellierung und Simulation von Motivationseinflüssen auf

das Fahrerverhalten. In: Fortschritt-Berichte VDI Reihe 22 Nr. 6. VDI Verlag

GmbH, Düsseldorf, 2001

[JBGS18]

JÜRGENSOHN, Thomas ; BÖHM, Sandra ; GARDAS, Dorota ; STEPHANI, Tilman:

Entwicklung der Fahr- und Verkehrskompetenz mit zunehmender Fahrerfahrung.

In: Mensch und Sicherheit Heft M 280. Bundesanstalt für Straßenwesen, 2018

[JE00]

JONES, Debra G. ; ENDSLEY, Mica R.: Overcoming representational errors in

complex environments. In: Human Factors 42 (2000), Nr. 3, S. 367–378

[JJW97]

JÜRGENSOHN, T. ; JUNG, R. ; WILLUMEIT, H.-P.: Die Handschrift des Lenkens.

In: Automobiltechnische Zeitschrift 99 (1997), Nr. 9, S. 216–219

[JK08]

JÜRGENSOHN, T. ; KUPSCHICK, S.: Parametergeregelte Fahrermodelle für Stan-

dardmanöver. In: Fahrermodellierung in Wissenschaft und Wirtschaft Bd. 28,

VDI-Verlag, 2008 (Fortschritt-Berichte VDI 22), S. 15–34

[JLO89]

JOHNSON-LAIRD, Philip N. ; OATLEY, Keith: The language of emotions: An

analysis of a semantic field. In: Cognition and emotion 3 (1989), Nr. 2, S. 81–123

[JNW89]

JUERGENSOHN, T. ; NECULAU, M. ; WILLUMEIT, H. P.: Visual Scanning Pattern

in Curve Negotiation. In: GALE, A. G. et a. (Hrsg.): Proceedings of the 3rd Vision

in Vehicles, 1989, S. 171–178

[Jür97]

JÜRGENSOHN, T.: Hybride Fahrermodelle, Technische Universität Berlin, Diss.,

1997

[Jür01]

JÜRGENSOHN, T.: Nichtformale Konstrukte in quantitativen Fahrermodellen. In:

JÜRGENSOHN, T. (Hrsg.) ; TIMPE, K. P. (Hrsg.): Kraftfahrzeugführung. Springer,

2001, S. 95–117

[Jür07]

JÜRGENSOHN, Thomas: Control Theory Models of the Driver. In: CACCIABUE,

P. C. (Hrsg.): Proceedings of the International Workshop on Modelling Driver

Behaviour in Automotive Environments, 2007, S. 37–42

[JRV03]

JOOS, M. ; RÖTTING, M. ; VELICHKOVSKY, B. M.: Bewegungen des menschlichen

Auges: Fakten, Methoden und innovative Anwendungen. In: RICKHEIT, Gert

223

Literaturverzeichnis

(Hrsg.) ; HERRMANN, Theo (Hrsg.) ; DEUTSCH, Werner (Hrsg.): Psycholinguistik.

de Gruyter Verlag, 2003, S. 142–168

[JWSD11]

JIANG, Wenjuan ; WIT, Carlos C. ; SENAME, Olivier ; DUMON, Jonathan: A new

mathematical model for car drivers with spatial preview. In: 18th IFAC World

Congress (IFAC WC 2011), August 2011, Milan, Italy, 2011

[KA04]

KUMAGAI, Toru ; AKAMATSU, Motoyuki: Modeling and Prediction of Driving Be-

havior. In: 2nd International Symposium on Measurement, Analysis and Modeling

of Human Functions, June 14-16, 2004, Genova, Italy, 2004, S. 357–361

[Kah73]

KAHNEMAN, Daniel: Attention and Effort. Englewood Cliffs, NJ: Prentice Hall,

1973

[KB83]

KARSH, R. ; BREITENBACH, F. W.: Looking at looking: The amorphous fixation

measure. In: GRONER, R. (Hrsg.) ; MENZ, C. (Hrsg.) ; FISHER, D. F. (Hrsg.) ;

MONTY, & R. A. (Hrsg.): Eye movements and psychological functions: Internatio-

nal views. Hillsdale, NJ: Lawrence Erlbaum Associates, Inc, 1983, S. 53–64

[KC06]

KEEN, Steven D. ; COLE, David J.: Steering control using model predictive control

and multiple internal models. In: 8th Symposium on Advanced Vehicle Control,

August 20-24, 2006, Taipei, Taiwan, 2006, S. 599–604

[KE17]

KLIMKE, Jens ; ECKSTEIN, Lutz: Driver Modelling. In: Towards a Common

Software/Hardware Methodology for Future Advanced Driver Assistance Systems

(2017), S. 45

[Kee08]

KEEN, Steven D.: Modeling Driver Steering Behavior using Multiple-Model

Predictive Control, University of Cambridge, Diss., 2008

[KH05]

KLEIN, Esther E. ; HERSKOVITZ, Paul J.: Philosophical Foundations of Computer

Simulation Validation. In: Simulation & Gaming 36 (2005), Nr. 3, S. 303–329

[KKE15]

KLIMKE, Jens ; KLAS, Christoph ; ECKSTEIN, Lutz: Konzept zur Strukturie-

rung eines generischen Fahrermodells anhand des realen Informationsflusses. In:

Fahrermodellierung in Wissenschaft und Wirtschaft Bd. 36, VDI-Verlag, 2015

(Fortschritt-Berichte VDI 22), S. 43–56

[Kle82]

KLEBELSBERG, Dieter: Analyse des Verkehrsverhaltens. In: Verkehrspsychologie.

Springer, 1982, S. 23–134

[KN05] KIENCKE, U. ; NIELSEN, L.: Automotive Control Design. Springer, 2005

[Kön08]

KÖNIG, Lars: Ein virtueller Testfahrer für den querdynamischen Grenzbereich.

expert verlag, 2008

[KOG98]

KLEINDORFER, George B. ; O’NEILL, Liam ; GANESHAN, Ram: Validation

in Simulation: Various Positions in the Philosophy of Science. In: Management

Science 44 (1998), Nr. 8, S. 1087–1099

224

Literaturverzeichnis

[KOK+05]

KIM, J.H. ; OKUMA, S. ; KIM, Y.W. ; HWANG, D.H. ; KIM, M.H. ; KIM, D.H.:

Modeling of Human Driving Behavior Based on Piecewise Linear Model. In:

Proceedings of the IEEE International Symposium on Industrial Electronics, ISIE

2005. (2005), S. 25–30

[Kon53]

KONDO, M.: Directional stability (when steering is added). In: Journal of the

Society of Automotive Engineers of Japan (JSAE) 7 (1953), Nr. 5-6

[KP03]

KEMENY, Andras ; PANERAI, Francesco: Evaluating perception in driving simula-

tion experiments. In: Trends in Cognitive Sciences 7 (2003), Nr. 1, S. 31–37

[Kra05]

KRAJZEWICZ, Daniel: A Cognitive Driver Model / German Aerospace Centre,

Institute for Transportation Research. 2005. – Forschungsbericht

[Kra11]

KRATZSCH, Claudia: Entwicklung eines Modells zur fahrerzentrierten Beschrei-

bung der Integralen Fahrzeugsicherheit. Fallstudie: Car-to-Car und Car-to-

Infrastructure Kommunikation, Technische Universität Ilmenau, Diss., 2011

[Kra12] KRAUS, Sven B.: Fahrverhaltensanalyse zur Parametrierung situationsadaptiver

Fahrzeugführungssysteme, Technische Universität München, Diss., 2012

[Kru08]

KRUMM, John: A Markov Model for Driver Turn Prediction. In: SAE 2008 World

Congress, April 14-17, 2008, Detroit, MI USA, 2008

[KSH89]

KAYSER, Hans J. ; SANDERS, A. F. ; HESS, M.: Das Wahrnehmungsverhalten

des Kraftfahrers in Abhängigkeit von der gefahrenen Geschwindigkeit und der

Straßenraumgestaltung. In: Forschung Straßenbau und Straßenverkehrstechnik

(1989), Nr. 557

[KT99]

KIM, Nam-Gyoon ; TURVEY, M. T.: Eye movements and a rule for perceiving

direction of heading. In: Ecological Psychology 11 (1999), Nr. 3, S. 233–248

[Kup59]

KUPFMÜLLER, K.: Informationsverarbeitung durch den Menschen. In: Nachrich-

tentechnische Zeitschrift 12 (1959), Nr. 2, S. 68–74

[Kut13]

KUTLUAY, Emir: Development and Demonstration of a Validation Methodology for

Vehicle Lateral Dynamics Simulation Models, Technische Universität Darmstadt,

Diss., 2013

[KW02]

KRAJZEWICZ, Daniel ; WAGNER, Dr. P.: ACME (A Common Mental Environment)

- Driver. In: Proceedings of the 16th European Simulation Multi-conference on

Modelling and Simulation, 2002, S. 689–693

[KW04]

KRAJZEWICZ, D. ; WAGNER, P.: Ansätze zur kognitiven Simulation eines Auto-

fahrers. In: MMI-Interaktiv 7 (2004), S. 84–97

[KYSL00]

KUGE, Nobuyuki ; YAMAMURA, Tomohiro ; SHIMOYAMA, Osamu ; LIU, Andrew:

A Driver Behavior Recognition Method Based on a Driver Model Framework. In:

SAE transactions 109 (2000), S. 469–476

225

Literaturverzeichnis

[Lac06]

LACHENMAYR, B.: Gesichtsfeld und Verkehr. In: Der Ophthalmologe 103 (2006),

Nr. 5, S. 373–381

[Lan01]

LAND, M. F.: Does Steering a Car Involve Perception of the Velocity Flow Field?

In: ZANKER, J. M. (Hrsg.) ; J.ZEIL (Hrsg.): Motion Vision – Computational, Neural,

and Ecological Constraints. Springer, 2001, S. 227–235

[Lan06]

LAND, M. F.: Eye movements and the control of actions in everyday life. In:

Progress in retinal and eye research 25 (2006), Nr. 3, S. 296–324

[Lap14]

LAPPI, Otto: Future path and tangent point models in the visual control of locomo-

tion in curve driving. In: Journal of vision 14 (2014), Nr. 12, S. 1–22

[Laz91] LAZARUS, Richard S.: Emotion and Adaptation. Oxford University Press, 1991

[LBv99]

LAPPE, Markus ; BREMMER, Frank ; VAN DEN BERG, A. V.: Perception of

self-motion from visual flow. In: Trends in Cognitive Sciences 3 (1999), Nr. 9, S.

329–336

[Lee76]

LEE, David N.: A theory of visual control of braking based on information about

time-to-collision. In: Perception 5 (1976), Nr. 4, S. 437–459

[Lee80]

LEE, David N.: The Optic Flow Field: The Foundation of Vision. In: Philosophical

Transactions of the Royal Society of London B: Biological Sciences 290 (1980), Nr.

1038, S. 169–179

[Leo12]

LEONTJEW, Aleksej N.: Tätigkeit–Bewusstsein–Persönlichkeit. Bd. 40. Lehmanns

Media, 2012

[Leu74]

LEUTNER, R.: Fahrraum und Fahrverhalten, Technische Hochschule Karlsruhe,

Diss., 1974

[Lew01]

LEWIS, Richard: Cognitive Theory, SOAR. In: International Encyclopedia of the

Social and Behavioural Sciences. Amsterdam: Pergamon (Elsevier Science), 2001

[Lew14]

LEWANDOWITZ, Lars: Markenspezifische Auswahl, Parametrierung und Gestal-

tung der Produktgruppe Fahrerassistenzsysteme, Karlsruher Institut für Technolo-

gie (KIT), Diss., 2014

[LFT06]

LIU, Yili ; FEYEN, Robert ; TSIMHONI, Omer: Queueing Network-Model Human

Processor (QN-MHP): A computational architecture for multitask performance in

human-machine systems. In: ACM Transactions on Computer-Human Interaction

(TOCHI) 13 (2006), Nr. 1, S. 37–70

[LGB+00]

LAPPE, Markus ; GRIGO, Antje ; BREMMER, Frank ; FRENZ, Harald ; BERTIN,

Rene J. V. ; ISRAËL, Isabelle: Perception of Heading and Driving Distance from

Optic Flow. In: Proceedings of the Driving Simulation Conference DSC 2000,

Paris, France, 2000, S. 25–31

226

Literaturverzeichnis

[LL94]

LAND, M. F. ; LEE, D. N.: Where we look when we steer. In: Nature 369 (1994),

Nr. 6483, S. 742–744

[LLR09]

LANGLEY, Pat ; LAIRD, John E. ; ROGERS, Seth: Cognitive architectures: Research

issues and challenges. In: Cognitive Systems Research 10 (2009), Nr. 2, S. 141–160

[LM01]

LAW, Averill M. ; MCCOMAS, Michael G.: How to Build Valid and Credible

Simulation Models. In: Prceedings of the 2001 Winter Simulation Conference

IEEE, 2001, S. 3947

[LNR87]

LAIRD, John E. ; NEWELL, Allen ; ROSENBLOOM, Paul S.: Soar: An architecture

for general intelligence. In: Artificial Intelligence 33 (1987), Nr. 1, S. 1–64

[Lon80]

LONG, Gerald: Iconic Memory: A Review and Critique of the Study of Short-Term

Visual Storage. In: Psychological Bulletin 88 (1980), S. 785–820

[Lor71]

LORENZ, Hans: Trassierung und Gestaltung von Straßen und Autobahnen. Bau-

verlag GmbH, Wiesbaden, Berlin, 1971

[LP98]

LIU, Andrew ; PENTLAND, Alex: Towards a Real-time Recognition of Driver

Intentions. In: IEEE Conference on Intelligent Transportation Systems, ITSC’97,

1998, S. 236–241

[LS01]

LIU ; SALVUCCI: Modeling and Prediction of Human Driver Behavior. In: 9th

International Conference on Human-Computer Interaction, New Orleans, LA,

August 2001, 2001, S. 1479–1483

[LW03]

LIU, Yanfei ; WU, Zhoughui: Urgent Driver Behavior Modeling in Cognitive

Architecture. In: 18th ICTCT workshop, 2003, S. 201–220

[MA70a]

MCKNIGHT, A. J. ; ADAMS, B. B.: Volume I: Task Descriptions. In: Driver

Education Task Analysis. Human Resources Research Organization, Alexandria,

Va., 1970

[MA70b]

MCKNIGHT, A. J. ; ADAMS, B. B.: Volume II: Task Analysis Methods. In: Driver

Education Task Analysis. Human Resources Research Organization, Alexandria,

Va., 1970

[Mac65]

MACKWORTH, Norman H.: Visual noise causes tunnel vision. In: Psychonomic

Science 3 (1965), Nr. 1-12, S. 67–68

[Mac76]

MACKWORTH, Norman. H.: Stimulus density limits the useful field of view. In:

Eye movements and psychological processes (1976), S. 307–321

[Mac01]

MACADAM, C.: Development of a Driver Model for Near/At-Limit Vehicle

Handling / The University of Michigan, Transportation Research Institute, 290 1

Baxter Road, Ann Arbor, Michigan 48109. 2001. – Final Report

[Mac03]

MACADAM, C.: Understanding and Modeling the Human Driver. In: Vehicle

System Dynamics 40 (2003), Nr. 1-3, S. 101–134

227

Literaturverzeichnis

[Mai17]

MAI, Marcus: Fahrerverhaltensmodellierung für die prospektive, stochastische

Wirksamkeitsbewertung von Fahrerassistenzsystemen der Aktiven Fahrzeugsicher-

heit, Technische Universität Dresden, Diss., 2017

[MC91]

MITSCHKE, Manfred ; CHEN, Zhenfu: Der Fahrer als adaptiver Regler. In: FAT-

Schriftenreihe 91. Forschungsvereinigung Automobiltechnik, 1991

[McC79]

MCCLELLAND, James L.: On the Time Relations of Mental Processes: An Exami-

nation of Systems of Processes in Cascade. In: Psychological review 86 (1979), Nr.

4, S. 287–330

[ME08]

MÖBUS, C. ; EILERS, M.: First Steps Towards Driver Modelling According to the

Bayesian Programming Approach. In: Symposium Cognitive Modeling. KogWis,

2008

[Mes06]

MESKEN, Jolieke: Determinants and Consequences of Drivers’ Emotions, Rijksu-

niversiteit Groningen, Diss., 2006

[MEZG09]

MÖBUS, Claus ; EILERS, Mark ; ZILINSKI, Malte ; GARBE, Hilke: Mixture of

Behaviors in a Bayesian Autonomous Driver Model. In: LICHTENSTEIN, A. (Hrsg.)

; STÖSSEL, C. (Hrsg.) ; CLEMENS, C. (Hrsg.): Der Mensch im Mitelpunkt techni-

scher Systeme: 8. Berliner Werkstatt – Mensch-Maschine-Systeme. Düsseldorf :

VDI Verlag GmbH, Oktober 2009 (22 29), S. 221–226

[MG65]

MCRUER, D. ; GRAHAM, D.: Human pilot dynamics in compensatory systems.

Theory, models and experiments with controlled element and forcing function

variations. In: Wright-Patterson AFB (OH): Air Force Flight Dynamics Laboratory

AFFDL-TR 65-15 (1965)

[MGM+01]

MEYER, David E. ; GLASS, Jennifer M. ; MUELLER, Shane T. ; SEYMOUR,

Travis L. ; KIERAS, David E.: Executive-process interactive control: A unified

computational theory for answering 20 questions (and more) about cognitive ageing.

In: European Journal of Cognitive Psychology 13 (2001), Nr. 1-2, S. 123–164

[MGP60]

MILLER, George A. ; GALANTER, Eugene ; PRIBRAM, Karl H.: Plans and the

structure of behavior. Holt, Rinehart and Winston, 1960

[MH71a]

MCKNIGHT, A. J. ; HUNDT, A. G.: Volume III: Instructional Objectives. In: Driver

Education Task Analysis. Human Resources Research Organization, Alexandria,

Va., 1971

[MH71b]

MCKNIGHT, A. J. ; HUNDT, A. G.: Volume IV: The Development of Instructional

Objectives. In: Driver Education Task Analysis. Human Resources Research

Organization, Alexandria, Va., 1971

[Mic63]

MICHAELS, RM: Perceptual factors in car-following. In: Proceedings of 2nd

ISTTF (London) (1963), S. 44–59

228

Literaturverzeichnis

[Mic85]

MICHON, J. A.: A Critical View of Driver Behavior Models: What Do We Know,

What Should We Do? In: EVANS, L. (Hrsg.) ; SCHWING, R. C. (Hrsg.): Human

behavior and traffic safety. Plenum Press, 1985, S. 485–520

[Mil56]

MILLER, George A.: The Magical Number Seven, Plus or Minus Two: Some

Limits on Our Capacity for Processing Information. In: Psychological review 63

(1956), Nr. 2

[Mil10]

MILIˇ

CI ´

C, Nataša: Sichere und ergonomische Nutzung von Head-Up Displays im

Fahrzeug, Technische Universität München, Diss., 2010

[Miu86]

MIURA, T.: Coping with situational demands: A study of eye movements and

peripheral vision performance. In: Vision in Vehicles 1 (1986), S. 205–216

[Moo87] MOOK, Douglas G.: Motivation: The Organization of Action. Norton, 1987

[Mut90]

MUTHIG, K.-P.: Informationsaufnahme und Informationsverarbeitung. In: HOYOS,

C. Graf & B. Z. (Hrsg.): Ingenieurpsychologie. Enzyklopädie der Psychologie.

Göttingen: Hogrefe, 1990, S. 92–120

[MWB97]

MCDONALD, Mike ; WU, Jianping ; BRACKSTONE, Mark: Development of a

fuzzy logic based microscopic motorway simulation model. In: IEEE Conference

on Intelligent Transportation Systems, ITSC’97, 1997, S. 82–87

[ND11]

NEUMANN, H. ; DEML, B.: The two-point steering model - new empirical evidence.

In: DUFFY, V.G. (Hrsg.): Digital Human Modeling. Springer, 2011, S. 493–502

[NE91]

NAGEL, H. ; ENKELMANN, W.: Generic Road Traffic Situations and Driver Support

Systems. In: Proceedings of the 5th PROMETHEUS Workshop, 1991, S. 76–85

[Neg07]

NEGELE, Hans J.: Anwendungsgerechte Konzipierung von Fahrsimulatoren für die

Fahrzeugentwicklung, Technische Universität München, Diplomarbeit, 2007

[New94] NEWELL, Allen: Unified theories of cognition. Harvard University Press, 1994

[NG79]

NAVON, D. ; GOPHER, D.: On the economy of the human processing system. In:

Psychological Review 86 (1979), S. 214–255

[Nor83]

NORMAN, Donald A.: Some observations on mental models. In: Mental Models

Bd. 7. Hillsdale„ USA, 1983, S. 7–14

[NS72] NEWELL, A. ; SIMON, H. A.: Human Problem Solving. Prentice Hall, 1972

[NS74]

NÄÄTÄNEN, Risto ; SUMMALA, Heikki: A model for the role of motivational

factors in drivers’ decision-making. In: Accident Analysis & Prevention 6 (1974),

Nr. 3-4, S. 243–261

[NS76]

NÄÄTÄNEN, Risto ; SUMMALA, Heikki: Road-user behaviour and traffic accidents.

In: North-Holland Publishing Company (1976)

229

Literaturverzeichnis

[NS92]

NAGEL, Kai ; SCHRECKENBERG, Michael: A cellular automaton model for freeway

traffic. In: Journal de physique I 2 (1992), Nr. 12, S. 2221–2229

[OCC90]

ORTONY, Andrew ; CLORE, Gerald L. ; COLLINS, Allan: The cognitive structure

of emotions. Cambridge university press, 1990

[OED+10]

OPPENHEIM, Ilit ; ENJALBERT, Simon ; DAHYOT, Rudy ; PICHON, Marianne ;

OUEDRAOGO, Abel ; LÜTZHÖFT, Margareta ; CARSTEN, Oliver ; HJÄLMDAHL,

Magnus ; CACCIABUE, Carlo u. a.: Description of Unified Model of Driver beha-

viour (UMD) and definition of key parameters for specific application to different

surface transport domains of application / ITERATE Consortium. 2010. – ITERA-

TE deliverable

[ÖLC+06]

ÖZKAN, Türker ; LAJUNEN, Timo ; CHLIAOUTAKIS, Joannes E. ; PARKER, Dianne

; SUMMALA, Heikki: Cross-cultural differencies in driving skills: A comparison of

six countries. In: Accident Analysis & Prevention 38 (2006), S. 1011–1018

[OP00]

OLIVER, Nuria ; PENTLAND, Alex P.: Graphical Models for Driver Behavior

Recognition in a SmartCar. In: Proceedings of the IEEE Intelligent Vehicles

Symposium, 2000, S. 7–12

[OSC+10]

OPPENHEIM, Ilit ; SHINAR, D. ; CARSTEN, Oliver ; BARNARD, Yvonne ; LAI,

Frank ; VANDERHAEGEN, F. ; POLET, P. ; ENJALBERT, S. ; PICHON, M. ; HA-

SEWINKEL, H. u. a.: Critical review of models and parameters for Driver models

in different surface transport systems and in different safety critical situations /

ITERATE Consortium. 2010. – ITERATE deliverable

[OT08]

OBERKAMPF, William L. ; TRUCANO, Timothy G.: Verification and Validation

Benchmarks. In: Nuclear engineering and Design 238 (2008), Nr. 3, S. 716–743

[Oza99]

OZA, N.: Probabilistic Models of Driver Behavior. In: Proceedings of Spatial

Cognition Conference, Berkeley, CA, 1999

[PBP07]

PANOU, Maria ; BEKIARIS, Evangelos ; PAPAKOSTOPOULOS, Vassilis: Modelling

driver behaviour in European Union and international projects. In: Modelling driver

behaviour in automotive environments. Springer, 2007, S. 3–25

[PC03] PICK, A. J. ; COLE, D. J.: Neuromuscular dynamics and the vehicle steering task.

In: The Dynamics of Vehicles on Roads and on Tracks 41 (2003), S. 182–191

[PC06]

PICK, A. J. ; COLE, D. J.: Neuromuscular dynamics in the driver-vehicle system.

In: Vehicle System Dynamics 44 (2006), S. 624–631

[Pic95] PICARD, Rosalind W.: Affective Computing. The MIT Press, 1995

[Pip53]

PIPES, Louis A.: An operational analysis of traffic dynamics. In: Journal of applied

physics 24 (1953), Nr. 3, S. 274–281

230

Literaturverzeichnis

[PKH03]

PERÄAHO, M. ; KESKINEN, E. ; HATAKKA, M.: Driver competence in a hierar-

chical perspective; implications for driver education / University of Turku, Traffic

Research. 2003. – Report to Swedish Road Administration

[PKS14]

PAPE, Hans-Christian ; KURTZ, Armin ; SILBERNAGL, Stefan: Physiologie. Georg

Thieme Verlag, 2014

[Plö07]

PLÖCHL, M.: Driver models in automobile dynamics application. In: Vehicle

System Dynamics 45 (2007), Nr. 7, S. 699–741

[PMS+12]

PROKOP, Günther ; MAI, Marcus ; SCHLAG, B. ; WELLER, G. ; GRUBER, C. ;

TOMASCH, Ernst ; WIMMER, Peter: Effektivitätsbewertung warnender Fahrerassis-

tenzsysteme durch Fahrerverhaltensmodelle. In: 28. VDI-VW-Gemeinschaftstagung

Fahrerassistenz und Integrierte Sicherheit, VDI Verlag, 2012

[Pöp97]

PÖPPEL, Ernst: Grenzen des Bewußtseins: Wie kommen wir zur Zeit und wie

entsteht Wirklichkeit? Insel-Verlag, 1997

[PPK13]

PLATHO, Christina ; PIETREK, Anna ; KOLREP, Harald: Erfassung der Fahrermü-

digkeit. In: Berichte der Bundesanstalt für Straßenwesen. Unterreihe Fahrzeug-

technik (2013), Nr. 89

[Ran94]

RANNEY, Thomas A.: Models of driving behavior: a review of their evolution. In:

Accident Analysis & Prevention 26 (1994), Nr. 6, S. 733–750

[Ras82]

RASMUSSEN, Jens: Human errors. A taxonomy for describing human malfunction

in industrial installations. In: Journal of occupational accidents 4 (1982), Nr. 2-4,

S. 311–333

[Ras83]

RASMUSSEN, Jens: Skills, rules, and knowledge; signals, signs, and symbols,

and other distinctions in human performance models. In: IEEE Transactions on

Systems, Man and Cybernetics Bd. 13, IEEE, 1983, S. 257–266

[Rau09]

RAUCH, Nadja: Ein verhaltensbasiertes Messmodell zur Erfassung von Situati-

onsbewusstsein im Fahrkontext, Julius-Maximilians-Universität Würzburg, Diss.,

2009

[Rea90] REASON, James: Human error. Cambridge university press, 1990

[Rei83]

REID, L. D.: A survey of recent driver steering behavior models suited to accident

studies. In: Accident Analysis & Prevention 15 (1983), Nr. 1, S. 23–40

[Rei01]

REICHART, G.: Menschliche Zuverlässigkeit beim Führen von Kraftfahrzeugen,

Technische Universität München, Diss., 2001

[Ren01]

RENSKI, Andrzej: Identification of Driver Model Parameters. In: International

Journal of Occupational Safety and Ergonomics 7 (2001), S. 79–92

[Reu50]

REUSCHEL, A.: Fahrzeugbewegungen in der Kolonne. In: Österreichisches

Ingenieur Archiv 4 (1950), S. 193–215

231

Literaturverzeichnis

[RG99]

RANTANEN, Esa M. ; GOLDBERG, Joseph H.: The effect of mental workload on

the visual field size and shape. In: Ergonomics 42 (1999), Nr. 6, S. 816–834

[Rib]

RIBBECK, Erich: Subjektiv gesehen objektiv.

https://www.youtube.com/

watch?v=YEhkGZGXKQY

[RL82]

RASMUSSEN, Jens ; LIND, Morten: A model of human decision making in complex

systems and its use for design of system control strategies. In: American Control

Conference IEEE, 1982, S. 270–276

[RM05]

RAKOTONIRAINY, Andry ; MAIRE, Frederic D.: Context-Aware Driving Beha-

vioural Model. In: Proceedings of the 19th International Technical Conference on

the Enhanced Safety of Vehicles, 2005

[Rot92]

ROTHERY, R. W.: Car following models. In: GARTNER, N. (Hrsg.) ; MESSER, C. J.

(Hrsg.) ; RATHI, A. K. (Hrsg.): Traffic flow theory: A state-of-the-art report. Trans-

portation Research Board, Special Report, 1992, Kapitel Car following models, S.

1–42

[RPFR98]

REICHLE, Erik D. ; POLLATSEK, Alexander ; FISHER, Donald L. ; RAYNER, Keith:

Toward a model of eye movement control in reading. In: Psychological review 105

(1998), Nr. 1, S. 125–157

[RR75]

ROHMERT, Walter ; RUTENFRANZ, Joseph: Arbeitswissenschaftliche Beurteilung

der Belastung und Beanspruchung an unterschiedlichen industriellen Arbeitsplät-

zen. Der Bundesminister für Arbeit und Sozialordnung, 1975

[RS40]

RIEKERT, P. ; SCHUNCK, T. E.: Zur Fahrmechanik des gummibereiften Kraftfahr-

zeugs. In: Archive of Applied Mechanics 11 (1940), Nr. 3, S. 210–224

[RS09]

RAKOTONIRAINY, Andry ; STEINHARDT, Dale: In-vehicle Technology Functional

Requirements for Older Drivers. In: Proceedings of the 1st international conference

on automotive user interfaces and interactive vehicular applications ACM, 2009,

S. 27–33

[RSB81]

REID, L. D. ; SOLOWKA, E. N. ; BILLING, A. M.: A systematic study of driver

steering behaviour. In: Ergonomics 24 (1981), Nr. 6, S. 447–462

[RSJ90]

ROSEMAN, Ira J. ; SPINDEL, Martin S. ; JOSE, Paul E.: Cognitive aspects of

emotion and emotional behavior. In: Journal of Personality and Social Psychology

59 (1990), Nr. 5, S. 899–915

[Rüh78]

RÜHMANN, Heinzpeter: Untersuchung über den Einfluss der mechanischen Eigen-

schaften von Bedienelementen auf die Steuerleistung des Menschen bei stochasti-

schen Rollschwingungen. Dokumentationszentrum d. Bundeswehr, 1978

[Rus80]

RUSSELL, James A.: A circumplex model of affect. In: Journal of personality and

social psychology 39 (1980), Nr. 6, S. 1161–1178

232

Literaturverzeichnis

[Sac75] SACHSENWEGER, Rudolf: Neuroophthalmologie. G. Thieme, 1975

[SAFA06]

SENDLER, J. ; AUGSBURG, K. ; FETTER, R. ; AULER, F.: Analyse des Gewöh-

nungsverhaltens von Normalfahrern in Bezug auf die Bremspedalcharakteristik. In:

brake.tech 2006, München, 7.-8. Dezember 2006 (2006)

[Sal01]

SALVUCCI, Dario D.: An integrated model of eye movements and visual encoding.

In: Cognitive Systems Research 1 (2001), Nr. 4, S. 201–220

[Sal06]

SALVUCCI, Dario D.: Modeling driver behavior in a cognitive architecture. In:

Human Factors 48 (2006), S. 362–380

[Sar10]

SARGENT, Robert G.: Verification and Validation of Simulation Models. In:

Proceedings of the 2010 Winter Simulation Conference IEEE, 2010, S. 166–183

[SB93] SCHMIDTKE, Heinz ; BERNOTAT, Rainer: Ergonomie. Hanser München, 1993

[SBL01]

SALVUCCI, Dario D. ; BOER, Erwin ; LIU, Andrew: Toward an Integrated Model of

Driver Behavior in a Cognitive Architecture. In: Transportation Research Record

1779 (2001), S. 9–16

[SBM00]

SEKULER, A. ; BENNETT, P. ; MAMELAK, M.: Effects of aging on the useful field

of view. In: Experimental aging research 26 (2000), S. 103–120

[Sch75]

SCHMIDT, Richard A.: A schema theory of discrete motor skill learning. In:

Psychological review 82 (1975), Nr. 4, S. 225–260

[Sch99]

SCHULZE, Horst: Lebensstil, Freizeitstil und Verkehrsverhalten 18-bis 34jähriger

Verkehrsteilnehmer. In: Berichte der Bundesanstalt für Straßenwesen,.Unterreihe

Mensch und Sicherheit (1999), Nr. 103

[Sch02]

SCHWEIGERT, Manfred: Fahrerblickverhalten und Nebenaufgaben, Technische

Universität München, Diss., 2002

[Sch04]

SCHAEFER, Frank R.: Generalized Feedback Control and Application to Vehicle

Path Following Control, Technische Universität Berlin, Diss., 2004

[Sch09]

SCHNEIDER, Henning: Modellierung und Erkennung von Fahrsituationen und

Fahrmanövern für sicherheitsrelevante Fahrerassistenzsysteme, Technische Univer-

sität Chemnitz, Diss., 2009

[Sch10]

SCHIMMEL, Christian: Entwicklung eines fahrerbasierten Werkzeugs zur Ob-

jektivierung subjektiver Fahreindrücke, Technische Universität München, Diss.,

2010

[Sch11]

SCHREIBER, Michael: Konzeptionierung und Evaluierung eines Ansatzes zu

einer manöverbasierten Fahrzeugführung im Nutzungskontext Autobahnfahrten,

Technische Universität Darmstadt, Diss., 2011

233

Literaturverzeichnis

[Sch12]

SCHULZ, Ralph: Blickverhalten und Orientierung von Kraftfahrern auf Landstra-

ßen, Technische Universität Dresden, Diss., 2012

[SCM+11]

SALEH, Louay ; CHEVREL, Philippe ; MARS, Franck ; LAFAY, Jean-François ;

CLAVEAU, Fabien u.a.: Human-like cybernetic driver model for lane keeping.

In: Proceedings of the 18th World Congress of the International Federation of

Automatic Control, 2011, S. 4368–4373

[SDCP+14]

SADIGH, Dorsa ; DRIGGS-CAMPBELL, Katherine ; PUGGELLI, Alberto ; LI, Wen-

chao ; SHIA, Victor ; BAJCSY, Ruzena ; SANGIOVANNI-VINCENTELLI, Alberto L.

; SASTRY, S. S. ; SESHIA, Sanjit A.: Data-driven probabilistic modeling and

verification of human driver behavior. In: Formal Verification and Modeling in

Human-Machine Systems (2014)

[SDK+08]

SCHIEBEN, Anna ; DAMBÖCK, Daniel ; KELSCH, Johann ; RAUSCH, Herbert ;

FLEMISCH, Frank: Haptisches Feedback im Spektrum von Fahrerassistenz und

Automation. In: 3. Tagung Äktive Sicherheit durch Fahrerassistenz", 7.-8. April

2008, Garching, 2008

[SDV00]

SONG, Bongsob ; DELORME, Delphine ; VANDERWERF, Joel: Cognitive and

hybrid model of human driver. In: Proceedings of the IEEE ntelligent Vehicles

Symposium, IV, 2000, S. 1–6

[Sei12]

SEIDL, M.: Entwicklung einer Modellstruktur des Fahrerverhaltens für eine

bestehende Simulationsumgebung zur Bewertung warnender und empfehlender

Fahrerassistenzsysteme, Technische Universität Dresden, Diplomarbeit, 2012

[SG83]

SWAIN, Alan D. ; GUTTMANN, Henry E.: Handbook of human-reliability ana-

lysis with emphasis on nuclear power plant applications / Sandia National Labs.,

Albuquerque, NM (USA). 1983. – Final report

[SG04]

SALVUCCI, Dario D. ; GRAY, R.: A two-point visual control model of steering. In:

Perception 33 (2004), Nr. 10, S. 1233–1248

[SHK+04]

SHIRAISHI, Tomoyoshi ; HANABUSA, Hisatomo ; KUWAHARA, Masao ; CHUNG,

Edward ; TANAKA, Shinji ; UENO, Hideki ; OHBA, Yoshikazu ; FURUKAWA, Ma-

koto ; HONDA, Ken ; MARUOKA, Katsuyuki u.a.: Development of a Microscopic

Traffic Simulation Model for Interactive Traffic Environment. In: Proceedings of

11th World Congress on Intelligent Transport Systems and Services (ITSWC 2004),

Nagoya, Japan, 2004

[SHN76]

SPELKE, E. ; HIRST, W. ; NEISSER, U.: Skills of divided attention. In: Cognition

4 (1976), S. 215–230

[Sie03]

SIEDERSBERGER, K.H.: Komponenten zur automatischen Fahrzeugführung in

sehenden (semi-) autonomen Fahrzeugen, Universität der Bundeswehr München,

Diss., 2003

234

Literaturverzeichnis

[Sil12] SILBERNAGL, Stefan: Taschenatlas Physiologie. Georg Thieme Verlag, 2012

[Siv96]

SIVAK, Michael: The information that drivers use: is it indeed 90% visual? In:

Perception 25 (1996), Nr. 9, S. 1081–1089

[SK06]

SCHMIDT, Klaus H. ; KLEINBECK, Uwe: Führen mit Zielvereinbarung. Hogrefe

Verlag, 2006

[SL02]

SALVUCCI, Dario D. ; LIU, A.: The time course of a lane change: Driver control

and eye-movement behavior. In: Transportation Research Part F: Psychology and

Behaviour 5 (2002), Nr. 2, S. 123–132

[SLH07]

SCHMIDT, Robert F. ; LANG, Florian ; HECKMANN, Manfred: Physiologie des

Menschen. Springer, 2007

[SO11]

SHINAR, David ; OPPENHEIM, Ilit: Review of models of Driver Behaviour and

development of a Unified Driver Behaviour model for driving in safety critical

situations. In: Human Modelling in Assisted Transportation. Springer, 2011, S.

215–223

[Som13]

SOMMER, Kerstin C.: Vorausschauendes Fahren – Erfassung, Beschreibung und

Bewertung von Antizipationsleistungen im Straßenverkehr, Universität Regensburg,

Diss., 2013

[SOTA03]

SAKAGUCHI, Yasuo ; OKUWA, Masayuki ; TAKIGUCHI, Kenichiro ; AKAMATSU,

Motoyuki: Measuring and Modeling of Driver for Detecting Unusual Behavior for

Driving Assistance. In: Proceedings of 18th International Conference on Enhanced

Safety of Vehicles, 2003

[SRJ01]

SEIFERT, Katharina ; RÖTTING, Matthias ; JUNG, Raphael: Registrierung von

Blickbewegungen im Kraftfahrzeug. In: JÜRGENSOHN, Thomas (Hrsg.) ; TIMPE,

Klaus-Peter (Hrsg.): Kraftfahrzeugführung. Springer, 2001, S. 137–154

[SST89a]

SIVAK, Michael ; SOLER, José ; TRÄNKLE, Ulrich: Cross-Cultural Differences in

Driver Risk-Perception. In: Accident Analysis & Prevention 21 (1989), Nr. 4, S.

355–362

[SST89b]

SIVAK, Michael ; SOLER, José ; TRÄNKLE, Ulrich: Cross-Cultural Differences

in Driver Risk-Taking. In: Accident Analysis & Prevention 21 (1989), Nr. 4, S.

363–369

[SST89c]

SIVAK, Michael ; SOLER, José ; TRÄNKLE, Ulrich: Cross-Cultural Differences in

Driver Self-Assessment. In: Accident Analysis & Prevention 21 (1989), Nr. 4, S.

371–375

[Suk97]

SUKTHANKAR, R.: Situation Awareness for Tactical Driving, Carnegie Mellon

University, Diss., 1997

235

Literaturverzeichnis

[Tay64]

TAYLOR, D. H.: Drivers’ galvanic skin response and the risk of accident. In:

Ergonomics 7 (1964), Nr. 4, S. 439–451

[Tim01]

TIMPE, K. P.: Fahrzeugführung: Anmerkungen zum Thema. In: JÜRGENSOHN, T.

(Hrsg.) ; TIMPE, K. P. (Hrsg.): Kraftfahrzeugführung. Springer, 2001, S. 95–117

[TJK02]

TIMPE, K. P. ; JÜRGENSOHN, T. ; KOLREP, H.: Mensch-Maschine-Systemtechnik.

Konzepte, Modellierung, Gestaltung. symposion, 2002

[TKBA03]

TOLEDO, T. ; KOUTSOPOULOS, H. N. ; BEN-AKIVA, M.: Integrated driving

behavior modeling. In: Transportation Research Part C: Emerging Technologies

15 (2003), Nr. 2, S. 96–112

[TL03]

TSIMHONI, O. ; LIU, Y.: Modeling Steering Using the Queueing Network –

Model Human Processor (QN-MHP). In: Proceedings of the Human Factors

and Ergonomics Society Annual Meeting Bd. 47 SAGE Publications, 2003, S.

1875–1879

[Tod63]

TODOSIEV, Ernest P.: The action point model of the driver-vehicle system, The

Ohio State University, Diss., 1963

[Tod80]

TODA, Masano: Emotion and Decision Making. In: Acta Psychologica 45 (1980),

Nr. 1–3, S. 133–155

[Töl96]

TÖLLE, Winfried: Ein Fahrmanöverkonzept für einen maschinellen Kopiloten,

Universität Düsseldorf, Diss., 1996

[Tom83]

TOMASKE, Winfried: Einfluß der Bewegungsinformation auf das Lenkregelver-

halten des Fahrers sowie Folgerungen für die Auslegung von Fahrsimulatoren,

Hochschule der Bundeswehr Hamburg, Diss., 1983

[Tre99]

TRESILIAN, James R.: Visually timed action: time-out for ’tau’? In: Trends in

cognitive sciences 3 (1999), Nr. 8, S. 301–310

[Tre07]

TREEDE, Rolf-Detlef: Das somatosensorische System. In: SCHMIDT, Robert F.

(Hrsg.) ; LANG, Florian (Hrsg.) ; HECKMANN, Manfred (Hrsg.): Physiologie des

Menschen. Springer, 2007, S. 297–323

[Tri15]

TRIMMEL, Michael: Einführung in die Psychologie. Bd. 2. LIT Verlag Münster,

2015

[TSS13]

TOKUTAKE, Hiroshi ; SUGIMOTO, Youichi ; SHIRAKATA, Tetsuro: Real-time

identification method of driver model with steering manipulation. In: Vehicle

System Dynamics 51 (2013), Nr. 1, S. 109–121

[Tus47]

TUSTIN, A.: The Nature of the Operator’s Response in Manual Control and its

Implications for Controller Design. In: Journal of the Institution of Electrical

Engineers-Part IIA: Automatic Regulators and Servo Mechanisms 94 (1947), S.

190–202

236

Literaturverzeichnis

[TVBPC96]

TATTEGRAIN-VESTE, Hélène ; BELLET, Thierry ; PAUZIÉ, Annie ; CHAPON,

André: Computational driver model in transport engineering: COSMODRIVE. In:

Transportation Research Record: Journal of the Transportation Research Board

(1996), Nr. 1550, S. 1–7

[UCB+03]

UNDERWOOD, Geoffrey ; CHAPMAN, Peter ; BROCKLEHURST, Neil ; UNDER-

WOOD, Jean ; CRUNDALL, David: Visual attention while driving: sequences of eye

fixations made by experienced and novice drivers. In: Ergonomics 46 (2003), Nr. 6,

S. 629–646

[Ull02]

ULLEBERG, Pål: Personality subtypes of young drivers. Relationship to risk-

taking preferences, accident involvement, and response to a traffic safety campaign,

Psykologisk institutt, Fakultet for samfunnsvitenskap og teknologiledelse, Norges

tekninsk-naturvitenskapelige universitet, NTNU, Trondheim, Diss., 2002

[Une95] UNEMA, Pieter J. A.: Eye movements and mental effort. Shaker Verlag, 1995

[UP05]

UNGOREN, A. Y. ; PENG, H.: An adaptive lateral preview driver model. In: Vehicle

System Dynamics 43 (2005), Nr. 4, S. 245–259

[Vaa03]

VAA, Truls: Survival or deviance? A model for driver behaviour / Oslo, Institute of

Transport Economics. 2003 (TØI report 666/2003). – Final report

[Vaa05]

VAA, Truls: Modelling Driver Behaviour on Basis of Emotions and Feelings:

Intelligent Transport Systems and Behavioural Adaptations. In: Proceedings of the

International Workshop on Modelling Driver Behaviour in Automotive Environ-

ments, 2005, S. 53–62

[Vel96]

VELÁSQUEZ, Juan D.: Cathexis–a computational model for the generation of

emotions and their influence in the behavior of autonomous agents, Massachusetts

Institute of Technology, Diss., 1996

[VK11]

VOLLRATH, Mark ; KREMS, Josef: Verkehrspsychologie. Ein Lehrbuch für Psy-

chologen, Ingenieure und Informatiker. Kohlhammer, 2011

[Vol74]

VOLPERT, W.: Handlungsstrukturanalyse als Beitrag zur Qualifikationsforschung.

Pahl-Rugenstein, Köln, 1974

[Vol83]

VOLPERT, Walter: Das Modell der hierarchisch-sequentiellen Handlungsorganisa-

tion. In: Kognitive und motivationale Aspekte der Handlung (1983), S. 38–58

[Vol00] VOLZ, H-P: Kognitive Prozesse – eine Einführung. Springer, 2000. – 9–49 S.

[von08]

VON VIETINGHOFF, Anne: Nichtlineare Regelung von Kraftfahrzeugen in querdy-

namisch kritischen Fahrsituationen, Universität Karlsruhe, Diss., 2008

[VRMW78]

VOLKMANN, F. C. ; RIGGS, L. A. ; MOORE, R. K. ; WHITE, K. D.: Central and

peripheral determinants of saccadic suppression. In: J.W. SENDERS, D. F. Fisher

237

Literaturverzeichnis

& R. A. M. (Hrsg.): Eye movements and the higher psychological functions. John

Wiley & Sons, 1978, S. 35–53

[VSP97]

VELICHKOVSKY, Boris M. ; SPRENGER, Andreas ; POMPLUN, Marc: Auf dem

Weg zur Blickmaus: Die Beeinflussung der Fixationsdauer durch kognitive und

kommunikative Aufgaben. In: Software-Ergonomie. Vieweg, 1997, S. 317–327

[VT03]

VOLLRATH, Mark ; TOTZKE, Ingo: Möglichkeiten der Nutzung unterschiedlicher

Ressourcen für die Fahrer-Fahrzeug-Interaktion. In: VDI-Berichte (2003), S. 47–58

[VW17]

VIEHOF, Michael ; WINNER, Hermann: Stand der Technik und der Wissenschaft:

Modellvalidierung im Anwendungsbereich der Fahrdynamiksimulation / Techni-

sche Universität Darmstadt. 2017. – resreport

[WA92]

WIERDA, Marcel ; AASMAN, Jans: Seeing and driving: computation, algorithms

and implementation. Traffic Research Centre, University of Groningen, The Net-

herlands, 1992

[WB78]

WOLF, James D. ; BARRETT, M. F.: Driver-vehicle Effectiveness Model. National

Highway Traffic Safety Administration, 1978

[WBFL03]

WINNER, Hermann ; BARTHENHEIER, Thomas ; FECHER, Norbert ; LUH, Steffen:

Fahrversuche mit Probanden zur Funktionsbewertung von aktuellen und zukünf-

tigen Fahrerassistenzsystemen. In: Fahrversuche mit Probanden, Nutzwert und

Risiko. Darmstädter Kolloquium Mensch & Fahrzeug. Fortschrittsberichte, VDI

Reihe Bd. 12, 2003, S. 1–25

[WC05]

WU, B. F. ; CHANG, S. M.: Lateral Steering Control System with FWLA Algorithm

for FWS Vehicles. In: Proceedings of 2005 CACS Automatic Control Conference,

2005

[WCB02]

WALLIS, Guy ; CHATZIASTROS, Astros ; BÜLTHOFF, Heinrich: An Unexpected

Role for Visual Feedback in Vehicle Steering Control. In: Current Biology 12

(2002), S. 295–299

[WE92] WIELAND-ECKELMANN, Rainer: Kognition, Emotion und psychische Beanspru-

chung. In: Theoretische und empirische Studien zu informationsverarbeitenden

Tätigkeiten. Göttingen: Hogrefe (1992)

[Wer10]

WERLING, M.: Ein neues Konzept für die Trajektoriengenerierung und-

stabilisierung in zeitkritischen Verkehrsszenarien. KIT Scientific Publishing, 2010

[WGLL98]

WICKENS, Christopher D. ; GORDON, Sallie E. ; LIU, Yili ; LEE, John: An

introduction to human factors engineering. Longman New York, 1998

[WH00]

WICKENS, Christopher D. ; HOLLANDS, Justin G.: Engineering psychology &

human performance. Prentice-Hall, 2000

238

Literaturverzeichnis

[Wic02]

WICKENS, Christopher D.: Multiple resources and performance prediction. In:

Theoretical Issues in Ergonomics Science 3 (2002), Nr. 2, S. 159–177

[Wic08]

WICKENS, Christopher D.: Multiple resources and mental workload. In: Human

factors 50 (2008), Nr. 3, S. 449–455

[Wie74]

WIEDEMANN, R.: Simulation des Straßenverkehrsflusses. In: Institut für Verkehrs-

wesen, Universität Karlsruhe, Schriftenreihe des IfV 8 (1974)

[Wil82]

WILDE, Gerald J. S.: The theory of risk homeostasis: implications for safety and

health. In: Risk analysis 2 (1982), Nr. 4, S. 209–225

[Win15]

WINNER, Hermann: Quo vadis, FAS? In: WINNER, Hermann (Hrsg.) ; HAKULI,

Stephan (Hrsg.) ; LOTZ, Felix (Hrsg.) ; SINGER, Christina (Hrsg.): Handbuch

Fahrerassistenzsysteme. Springer Vieweg, 2015, S. 1167–1185

[WJ97] WILLUMEIT, H.-P. ; JÜRGENSOHN, T.: Fahrermodelle – ein kritischer Überblick.

In: Automobiltechnische Zeitschrift 99 (1997), Nr. 9, S. 424–428

[WL00]

WANN, J. ; LAND, M.: Steering with or without the flow: is the retrieval of heading

necessary? In: Trends in cognitive sciences 4 (2000), Nr. 8, S. 319–324

[WM70]

WEIR, D. H. ; MCRUER, D. T.: Dynamics of Driver Vehicle Steering Control. In:

Automatica 6 (1970), S. 87–98

[Wol09]

WOLF, Hagen J.: Ergonomische Untersuchung des Lenkgefühls an Personenkraft-

wagen, Technische Universität München, Diss., 2009

[WP05]

WEGSCHWEIDER, M ; PROKOP, Günther: Modellbasierte Komfortbewertung von

Fahrerassistenzsystemen. In: VDI-Berichte (2005), Nr. 1900

[WS00]

WANN, John P. ; SWAPP, David K.: Why you should look where you are going. In:

Nature neuroscience 3 (2000), Nr. 7, S. 647–648

[WW03]

WILKIE, Richard ; WANN, John: Controlling Steering and Judging Heading:

Retinal Flow, Visual Direction, and Extraretinal Information. In: Journal of Experi-

mental Psychology 29 (2003), Nr. 2, S. 363–378

[WWPK17]

WITT, M. ; WANG, L. ; PROKOP, G. ; KOMPASS, K.: Kognitive Fahrerverhal-

tensmodellierung in der virtuellen Bewertung von Fahrerassistenzsystemen unter

Berücksichtigung der Ausprägungen menschlichen Fahrens. In: 8. Tagung Fah-

rerassistenz, München, 2017

[WXC14]

WANG, Wenshuo ; XI, Junqiang ; CHEN, Huiyan: Modeling and Recognizing

Driver Behavior Based on Driving Data: A Survey. In: Mathematical Problems in

Engineering (2014)

[YK96]

YANG, Qi ; KOUTSOPOULOS, Haris N.: A microscopic traffic simulator for

evaluation of dynamic traffic management systems. In: Transportation Research

Part C: Emerging Technologies 4 (1996), Nr. 3, S. 113–129

239

Literaturverzeichnis

[YS75]

YOUNG, Laurence R. ; SHEENA, David: Survey of eye movement recording

methods. In: Behavior research methods & instrumentation 7 (1975), Nr. 5, S.

397–429

[Zen07]

ZENNER, Hans-Peter: Der Gleichgewichtssinn und die Bewegungs- und Lageemp-

findung des Menschen. In: SCHMIDT, Robert F. (Hrsg.) ; LANG, Florian (Hrsg.)

; HECKMANN, Manfred (Hrsg.): Physiologie des Menschen. Springer, 2007, S.

297–323

[ZFB+99]

ZAPF, Dieter ; FRESE, Michael ; BRODBECK, Felix C. ; HOYOS, C G. ; FREY,D;

STAHLBERG, D: Fehler und Fehlermanagement. In: Arbeits-und Organisations-

psychologie (1999)

[Zim92]

ZIMBARDO, Philip G. ; HOPPE-GRAFF, Siegfried (Hrsg.) ; KELLER, Barbara

(Hrsg.): Psychologie. Springer, 1992

[Zim01]

ZIMMER, Alf: Wie intelligent darf/muss ein Auto sein? Anmerkungen aus inge-

nieurpsychologischer Sicht. In: JÜRGENSOHN, Thomas (Hrsg.) ; TIMPE, Klaus-

Peter (Hrsg.): Kraftfahrzeugführung. Springer, 2001, Kapitel Multimodale Benut-

zung adaptiver Kfz-Bordsysteme, S. 137–154

[Zöl15]

ZÖLLER, Ilka M.: Analyse des Einflusses ausgewählter Gestaltungsparameter

einer Fahrsimulation auf die Fahrerverhaltensvalidität, Technische Universität

Darmstadt, Diss., 2015

[Zuc94]

ZUCKERMAN, Marvin: Behavioral expressions and biosocial bases of sensation

seeking. Cambridge university press, 1994

240