Interazione utente-veicoloinfrastruttura-ambiente: Tecnologie e Metodologie per la Valutazione

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "Interazione utente-veicoloinfrastruttura-ambiente: Tecnologie e Metodologie per la Valutazione"

Pietro Tonelli
5 anni fa
Visualizzazioni

1 Interazione utente-veicoloinfrastruttura-ambiente: Tecnologie e Metodologie per la Valutazione Daniele Ruscio Politecnico di Milano Dipartimento di Meccanica Corso di Formazione Permanente Primo dicembre 2016 Obiettivo Sicurezza Stradale. Dalla progettazione funzionale alla manutenzione: analisi, soluzioni e interventi in ambito urbano ed extraurbano

2 Tecnologia e Strumentazioni Advanced Driver Assistance Systems (ADAS) Self Driving Cars & V2V + V2I Smart Cars & Smart Cities Eyetrackingsystem: Commerciali: Tobii, SMI, Eyelink Ricerca: Smart Eye Simulatori di guida e simulazioni Dekstop Simulations Station (es. SIDA) Full Simulators «Interactive simulations»

3 e Metodologie Indici di misurazione indiretta Osservazione Etnografica Interviste e questionari Mappe cognitive Tracce comportamentali Indici di misurazione diretta Attenzione e percezione Comportamenti e Cognizioni Indici Fisiologici [EKG + EDA] Centri di ricerca interdisciplinari Protocolli di ricerca HF Soluzioni ad hoc Strumenti e conoscenze

per predire la distribuzione dell attenzione

delle aree di interesse (AOI) alla guida

4 Esempio Tecnologia: Eyetracking Caso: Intersezione stradale appena rifatta: Come in realtà viene usata dai cittadini? Con quali rischi? Quasi possibili soluzioni > esempio esplorazione dopo training Esplorazione visiva per predire la distribuzione dell attenzione usare il SEEV model per anticipare la salienza delle aree di interesse (AOI) alla guida Applicazioni per misurare distrazione da cellulare Novice Experienced P(AOI) = S*Ex*(R*P) Ef

Esempio Metodo: Tempi di reazione Guida semi assistita (ADAS)

segnale Surprise e Incongruenza Workload Cognitivo RT Mentale, no

364 Cartelli stradali Posizionamento ideale Aspettative e

5 Esempio Metodo: Tempi di reazione Guida semi assistita (ADAS) Interazione con ADAS: Generazione di aspettative Elaborazione segnale Surprise e Incongruenza Workload Cognitivo RT Mentale, no motoria F(4,21) = p <.000 η2 =.364 Cartelli stradali Posizionamento ideale Aspettative e incongruenze RT in guida assistita: con e senza cartelli * * F(4,21) = p <.000 η2 =.364

attraversamenti pedonali Possibilità di fare modifiche in ambiente

utenti della strada Distrazione, Stanchezza, Allerta, Vigilanza

6 Nel concreto, quali possibilità? Ricostruzione virtuale di scenari reali Intersezioni, attraversamenti pedonali Possibilità di fare modifiche in ambiente virtuale Migliorare Efficienza e Usabilità Testare effetti sugli utenti della strada Distrazione, Stanchezza, Allerta, Vigilanza Avvistamento pedone Novara Permettere valutazione del cambiamento Training, Valutazione idoneità

Sviluppi e sfide future per la Valutazione

Stranieri, Giovani, Anziani Traning Test

Nuove Tecnologie Warning Systems V2V & V2I

7 Sviluppi e sfide future per la Valutazione 1. Utenti vulnerabili della strada Stranieri, Giovani, Anziani Traning Test idoneità Conoscenza Fiducia 2. Nuove Tecnologie Warning Systems V2V & V2I Smart cars Intrattenimento Distrazione Sicurezza 3. Infrastructure design Self Explanatory Intersections and Safety Aspettativa Simulazioni Accettazione Abitudine 4. Self Driving Cars Adaptation Control Automation

Grazie dell attenzione CONTATTI E RIFERIMENTI: F. Biassoni, D. Ruscio, M.R. Ciceri, (2016). Limitations and automation.

How does a collision warning system shape driver's brake response time? The influence of expectancy and automation complacency on real life emergency braking.

Comparison of Novice and Experienced Drivers Using the SEEV Model to Predict Attention Allocation at Intersections During Simulated Driving.

Does driving experience in video games count? Hazard anticipation and visual exploration of male gamers as function of driving experience.

8 Grazie dell attenzione CONTATTI E RIFERIMENTI: F. Biassoni, D. Ruscio, M.R. Ciceri, (2016). Limitations and automation. The role of information about device specific features in ADAS acceptability. Safety Science, Vol 85, June 2016, Pages D. Ruscio, M.R. Ciceri, F Biassoni (2015).How does a collision warning system shape driver's brake response time? The influence of expectancy and automation complacency on real life emergency braking. Accident Analysis & Prevention, Volume 77, April 2015, Pages A. Bos, D. Ruscio, N. Cassavaugh, J. Lach, P. Gunarathe, R. Backs (2015). Comparison of Novice and Experienced Drivers Using the SEEV Model to Predict Attention Allocation at Intersections During Simulated Driving. International Driving Symposium on Human Factors in Driver Assessment, Training and Vehicle Design, Salt Lake City, June M.R. Ciceri, D. Ruscio (2014). Does driving experience in video games count? Hazard anticipation and visual exploration of male gamers as function of driving experience. Transportation Research Part F: Traffic Psychology and Behaviour, Volume 22, January 2014, Pages Daniele Ruscio, Ph.D. idrive Dipartimento di Meccanica Politecnico di Milano Unità di Ricerca Psicologia del Traffico Università Cattolica del Sacro Cuore, Milano CMU DEER Center Central Michigan University / daniele.ruscio@polimi.it

Documenti analoghi

Esperienza vs Expertise

Esperienza vs Expertise come diventare driver esperti? M.R. CICERI UNITÀ DI RICERCA IN PSICOLOGIA DEL TRAFFICO QUALE ESPERIENZA? MR CICERI UNITÀ DI RICERCA PSICOLOGIA DEL TRAFFICO UNIVERSITÀ CATTOLICA