Automated vehicles (AV) can exhibit diverse driving behaviors that deviate from driver expectations. More research is needed to understand drivers’ preferred driving styles when navigating safety-critical situations as well as their responses to unexpected AV driving behaviors. Forty-eight participants experienced simulated automated driving scenarios where an AV navigated a construction zone while exhibiting four different predefined driving styles that varied in terms of cautiousness and efficiency. After each trial, participants provided feedback to adjust the AV’s driving style toward their preferences, which was successfully implemented in 80% cases. Drivers’ trust, workload, voluntary takeover decisions, eye movements, and skin conductance were measured. Overall, participants preferred driving styles balancing cautiousness and efficiency. When AV behavior matched driver preferences, they reported higher trust and more stable visual scanning patterns, while unexpected behaviors were associated with broader ocular scanning. Findings can inform the development of adaptive systems that intelligently modify AV behaviors.
خودروهای خودران (AV) می‌توانند رفتارهای رانندگی متنوعی از خود نشان دهند که ممکن است با انتظارات رانندگان متفاوت باشد. پژوهش‌های بیشتری برای درک سبک‌های رانندگی ترجیحی رانندگان در موقعیت‌های بحرانی ایمنی و همچنین واکنش‌های آنان به رفتارهای غیرمنتظره خودروهای خودران مورد نیاز است. چهل‌وهشت شرکت‌کننده سناریوهای شبیه‌سازی‌شده رانندگی خودکار را تجربه کردند که در آن خودرو خودران از یک منطقه ساخت‌وساز عبور می‌کرد و چهار سبک رانندگی از پیش تعیین‌شده با سطوح مختلف احتیاط و کارایی را به نمایش می‌گذاشت. پس از هر آزمون، شرکت‌کنندگان بازخوردهایی برای تنظیم سبک رانندگی خودرو مطابق با ترجیحات خود ارائه دادند که در ۸۰٪ موارد با موفقیت اجرا شد. اعتماد رانندگان، بارکاری، تصمیمات داوطلبانه برای در دست گرفتن کنترل، حرکات چشمی و هدایت الکتریکی پوست اندازه‌گیری شد. به طور کلی، شرکت‌کنندگان سبک‌های رانندگی متعادل میان احتیاط و کارایی را ترجیح دادند. زمانی که رفتار خودرو با ترجیحات راننده مطابقت داشت، اعتماد بیشتری گزارش شد و الگوهای اسکن بصری پایدارتری مشاهده گردید، در حالی که رفتارهای غیرمنتظره با اسکن چشمی گسترده‌تر همراه بود. یافته‌ها می‌تواند به توسعه سامانه‌های تطبیقی که رفتار خودروهای خودران را به‌صورت هوشمندانه تعدیل می‌کنند، کمک نماید.
To enhance traffic safety, automated vehicles (AVs) are usually programmed to operate more smoothly and follow traffic rules better. Whether these operational characteristics achieve their intended safety benefits, however, also depends on how non-human-like AVs influence nearby human drivers. Using three real-world datasets of Lyft and Waymo driverless AVs and adaptive cruise control-driven vehicles, we assess their safety impacts in car-following scenarios. Unlike previous studies, we align car-following events by similarities in lead-vehicle speed profiles and conduct quasi-experiments. Lyft AVs exhibit smoother and safer car-following, with longer time-headways and higher time-to-collision than human drivers when following aligned manual vehicles. Paradoxically, human drivers behave more riskily, with shorter time-headways and smaller time-to-collision when following aligned Lyft AVs versus manual vehicles, partly due to AV leaders’ greater stability. Similar changes appear in the other two datasets. Our work provides an in-depth understanding of how AVs influence traffic safety. Yueying Chu, Ying Gao and colleagues analyze three real-world datasets of automated vehicles using a quasi-experimental design that aligns lead-vehicle speed profiles in car-following scenarios. They found that automated vehicles drive more smoothly and safely but paradoxically induce riskier car-following behavior in human followers.
برای ارتقای ایمنی ترافیک، وسایل نقلیه خودران (AVs) معمولاً به گونه‌ای برنامه‌ریزی می‌شوند که روان‌تر عمل کنند و بهتر از قوانین ترافیکی پیروی نمایند. با این حال، تحقق مزایای ایمنی مورد نظر این ویژگی‌های عملیاتی، همچنین به این بستگی دارد که وسایل نقلیه خودران غیرانسانی چگونه بر رانندگان انسانی اطراف خود تأثیر می‌گذارند. با استفاده از سه مجموعه‌داده واقعی از وسایل نقلیه خودران Lyft و Waymo و وسایل نقلیه دارای کنترل تطبیقی سرعت، تأثیرات ایمنی آن‌ها را در سناریوهای دنبال‌کردن خودرو ارزیابی می‌کنیم. برخلاف پژوهش‌های پیشین، رویدادهای دنبال‌کردن خودرو را بر اساس شباهت در پروفایل‌های سرعت خودروی پیشرو هم‌تراز می‌کنیم و آزمایش‌های شبه‌تجربی انجام می‌دهیم. وسایل نقلیه خودران Lyft رفتار دنبال‌کردن خودرو را روان‌تر و ایمن‌تر نشان می‌دهند، با فاصله زمانی طولانی‌تر و زمان تا برخورد بالاتر نسبت به رانندگان انسانی هنگام دنبال‌کردن وسایل نقلیه دستی هم‌تراز. به طور متناقض، رانندگان انسانی رفتار پرخطرتر از خود نشان می‌دهند، با فاصله زمانی کوتاه‌تر و زمان تا برخورد کمتر هنگام دنبال‌کردن وسایل نقلیه خودران Lyft هم‌تراز در مقایسه با وسایل نقلیه دستی، که بخشی از آن به دلیل پایداری بیشتر رهبران خودران است. تغییرات مشابهی در دو مجموعه‌داده دیگر نیز مشاهده می‌شود. این پژوهش درک عمیقی از نحوه تأثیرگذاری وسایل نقلیه خودران بر ایمنی ترافیک ارائه می‌دهد. Yueying Chu، Ying Gao و همکاران سه مجموعه‌داده واقعی از وسایل نقلیه خودران را با استفاده از طراحی شبه‌تجربی که پروفایل‌های سرعت خودروی پیشرو را در سناریوهای دنبال‌کردن خودرو هم‌تراز می‌کند، تحلیل کردند. آن‌ها دریافتند که وسایل نقلیه خودران روان‌تر و ایمن‌تر رانندگی می‌کنند اما به طور متناقض رفتار دنبال‌کردن خودرو پرخطرتر را در دنبال‌کنندگان انسانی القا می‌کنند.
