202309 AAAFTS Driver Takeover Summary
原始资料：../evidence/industry-reports/202309-AAAFTS-Driver-Takeover-Summary.pdf
资料层级：evidence/industry-reports。
资料类型：PDF report summary。
状态：已用 pdftotext 抽取并索引。
基本信息
- 标题：Measuring and Predicting Drivers’ Takeover Readiness and Supporting Takeover Transitions in Automated Driving
- 类型：AAA Foundation for Traffic Safety technical report summary
- 日期：2023-09
- 技术报告引用：Han, D., Liu, J., Zhou, F., Tilbury, D., Robert, L., Molnar, L., & Yang, X. J. (2023)
- 页数：2 页 summary
研究内容
该 summary 概述了两个 Level 3 自动驾驶 takeover transition 相关研究：
- Part 1：研究 takeover readiness，即哪些驾驶员行为、生理指标和其他因素能预测成功接管表现。
- Part 2：研究 gaze guidance system 是否能帮助驾驶员在接管时把注意力转向潜在风险区域。
实验设置
Part 1：
- 32 名参与者，平均年龄 26 岁。
- 固定基座驾驶模拟器。
- 三个显示器显示虚拟世界。
- 模拟 Level 3 automation，系统处理纵向、横向控制和导航。
- 自动驾驶状态下，参与者玩 Tetris，以促成 eyes-off-road 和 hands-off-wheel 状态。
- 参与者遇到多次 automation limit / takeover situations，需要恢复控制。
监测信号包括：
- eye glance and pupil data。
- galvanic skin response。
- heart rate。
Part 2：
- 12 名参与者，平均年龄 26 岁。
- 使用高/低显著性的 gaze guidance 系统。
- 当潜在风险车辆即将进入盲区时，用红色 bounding box 高亮侧后视镜区域。
关键发现
Part 1 的关键发现：
- 在实时分析驾驶员生理数据时，Random Forest（RF）模型预测效果最好。
- takeover 前 9 到 14 秒 measurement windows 表现最好，RF 模型在 11 秒处达到峰值。
- GSR indices 是预测驾驶员表现最重要的指标，其次是 heart rate indices。
- personalized models，也就是能学习并适应个体驾驶员的模型，对提升真实世界实现中的准确性和实用性有很大潜力。
Part 2 的关键发现：
- 高显著性的 gaze guidance 系统能降低接管过程中与 secondary hazard 碰撞的可能性。
- attentional support 是接管事件中值得继续研究和创新的方向。
对四阶段图的证据价值
强支持：
- AAA Foundation 2023 确实讨论 takeover readiness。
- summary 明确支持 RF、9-14 秒窗口、11 秒峰值。
- summary 明确支持 GSR 指标最重要，HR 指标次之。
- summary 明确支持 personalized models 的潜力。
需要修正：
- 四阶段图写“RF + 11 秒滑窗 + GSR/HR/视觉 + 个性化”基本方向成立，但应避免说成“已量产方法论”。
- 该 PDF 是 2 页 report summary，不是完整 technical report；完整方法、模型指标、特征重要性细节仍需下载技术报告全文。
- 它支撑的是 takeover readiness / DSM 算法启发，不直接证明通用 DMS/OMS 产业已经工程化落地。
相关主题：