Building Trust Profiles in Conditionally Automated Driving

要約

自動運転車（AV）の安全性、セキュリティ、および普及を確保するには信頼が不可欠であり、信頼が欠けている場合、ドライバーや一般の人々は自動運転車を利用したがらない可能性があります。
この研究は、AV のドライバーにパーソナライズされたエクスペリエンスを作成するために、信頼プロファイルを調査することを目的としています。
この手法は、ドライバーの動的な信頼をペルソナの観点からより深く理解するのに役立ちます。
この研究は運転シミュレーターで実施され、参加者は制御条件、誤報条件、ミス条件を含む 3 つの条件で自動運転から制御を引き継ぐよう要求され、異なるシナリオで 8 つの引き継ぎ要求 (TOR) が行われました。
ドライバーの性質的な信頼、初期に学習された信頼、動的な信頼、性格、感情が測定されました。
K 平均法クラスタリング モデルを使用して、3 つの信頼プロファイル (つまり、信者、発振者、および不信者) を特定しました。
このモデルを検証するために、SHAP Explainer に基づいて、F1 スコア 0.90、精度 0.89 で信頼プロファイルを予測するために最も重要な特徴を選択した多項ロジスティック回帰モデルを構築しました。
また、さまざまな個々の要因が信頼プロファイルにどのような影響を与えるかについても議論し、ペルソナの観点から信頼のダイナミクスをより深く理解するのに役立ちました。
私たちの発見は、自動運転の安全性と経験を向上させるためにドライバーの信頼レベルを調整するためのパーソナライズされた車載の信頼監視および調整システムの設計に重要な意味を持ちます。

要約(オリジナル)

Trust is crucial for ensuring the safety, security, and widespread adoption of automated vehicles (AVs), and if trust is lacking, drivers and the public may not be willing to use them. This research seeks to investigate trust profiles in order to create personalized experiences for drivers in AVs. This technique helps in better understanding drivers’ dynamic trust from a persona’s perspective. The study was conducted in a driving simulator where participants were requested to take over control from automated driving in three conditions that included a control condition, a false alarm condition, and a miss condition with eight takeover requests (TORs) in different scenarios. Drivers’ dispositional trust, initial learned trust, dynamic trust, personality, and emotions were measured. We identified three trust profiles (i.e., believers, oscillators, and disbelievers) using a K-means clustering model. In order to validate this model, we built a multinomial logistic regression model based on SHAP explainer that selected the most important features to predict the trust profiles with an F1-score of 0.90 and accuracy of 0.89. We also discussed how different individual factors influenced trust profiles which helped us understand trust dynamics better from a persona’s perspective. Our findings have important implications for designing a personalized in-vehicle trust monitoring and calibrating system to adjust drivers’ trust levels in order to improve safety and experience in automated driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google