Traffic accidents usually occur due to environmental factors, vehicle factors and human factors, or multiple interactions among these factors. To prevent these factors, a lot of driving assistance system (DAS) has been developed. The usual approach of driving assistance system is to support drivers from confronting dangerous situations by controlling their vehicles or notifying them of the current vehicle informations through warning alarms. But these systems still have some problems and limitations even though they have many merits to detect dangerous situations, or to control a vehicle actively while a driver cannot recognize dangers ahead of time.
1. They do not perceive the current situations or states of a vehicle and driver, such as distracting and abnormal situations because of inaccurate information pertaining to the observed situations which can confuse drivers.
2. They do not discern the intention of driver, as both difficulty of detecting human intention and these systems mostly handled vehicles dynamics.
3. They cannot arrange the priority of informations and the proper time to deliver decisive infor-mations.
These issues are mainly caused by a dearth of understanding about human factors. So, more attention is being paid to human factors besides many efforts for driving assistance system are being made to enhance the safety performance of vehicles and detect the road objects or surrounding environment to reduce traffic accidents. A typical human factor would be excessive driving workload resulting from driving distractions or others. Also a falling-off in driving workload make a improper driving conditions such as boredom and fa-tigue to cause a traffic accident. Thus in order to prevent traffic accidents, research is needed to measure and keep proper the driving workload caused by driving disturbance.
In this research, we focus on how to quantify and keep the driving workload of driver. In order to es-timate the mental workload of driver, we utilized driving signals and electroencephalogram (EEG) signals to classify and investigate the effect of the non-driving task which can cause driver’s attentional distraction over a view of Human-Vehicle Interaction. And we present a driving workload evaluation model (DWEM) con-sisted of driving patterns using Hidden Markov Models (HMM), driving curvature, and operating jerk value by driving signals. It can be compared with another DWEM by EEG(Electroencephalogram) Signals. From proposed DWEM. we can understand driver’s driving workload using only ego-driving signals except addi-tional external sensors and estimate the driver’s present state and performance of driving. Finally, the pro-posed model can guide and deliver various interaction with proper timing and approach from agent to driver.
교통사고는 보통 환경적 요인들, 차량 요인들, 사람 요인들이나 이 요인들의 복합 상호작용으로 인해 발생한다. 이러한 요인들을 막기위해, 많은 운전 보조 장치가 개발되고 있다. 보통 운전 보조 장치의 접근법은 위험한 상황의 직면으로부터 차량을 조종하거나 현재 차량의 정보를 알람을 통해 알려 운전자를 지원하는 것이다. 그러나 이러한 장치들은 위험한 상황을 찾거나 운전자가 위험한 상황을 인식하기 전에 능동적으로 차량을 조종하는 점에서 많은 이점들이 있음에도 불구하고 몇가지 문제점과 한계점을 갖고 있다.
1. 현재 운전자에게 혼란을 줄 수 있는 관측된 상황들과 관련된 부정확한 정보들 때문에 부주의한 그리고 비정상 상황과 같은 차량과 운전자의 상황 또는 상태를 인식하지 못한다.
2. 운전자의 의도를 찾는 어려움과 이 장치가 전반적으로 차량 동역학을 다루기 때문에 운전자의 의도를 이해하지 못한다.
3. 정보들의 우선순위와 중요한 정보들을 전달하는 적절한 시간을 배열하지 못한다.
이러한 이슈들은 주로 사람 요인의 결핍과 관련되어 있다. 그래서 운전 보조 장치에 대한 많은 노력이 교통 사고를 줄이기 위해 차량의 안전 성능 향상과 장애물 및 주변 환경에 대한 관측 강화로 진행되지만 운전자 요인이 더 많은 주목을 받고 있다. 중요한 운전자 요인은 운전 부주의함들 또는 다른 것의 결과인 과도한 운전 부하이다. 또한 운전 부하의 감소는 교통 사고를 유발하는 피곤함 지루함과 같은 부적절한 운전 조건을 만들게 된다. 따라서 교통 사고를 막기위해서 운전 방해 요소들로부터 유발되는 운전 부하를 측정하고 적절하게 유지하는 연구가 필요하다.
이 연구에서는 어떻게 운전자의 운전 부하를 정량화하고 유지하는지에 주목한다. 운전자의 인지 부하를 측정하기 위해, 사람-자동차 상호작용의 관점에서 운전자의 주의 부주의를 유발하는 비운전작업의 효과를 분류 조사하는 것으로 운전 신호와 뇌파 신호를 사용하였다. 그리고 히든 마르코프 모델을 사용한 운전 양식과 운전 곡률, 조작 저크로 구성된 운전 부하 평가 모델을 제시하였다. 이 것은 뇌파 신호를 사용한 다른 운전부하 평가모델과 비교할 수 있다. 제안된 모델로부터, 운전자의 운전 부하를 추가적인 외부의 센서 없이 자차량 신호만으로 이해할 수 있고 운전자의 현재 상태 및 운전 수행도를 추정할 수 있다. 최종적으로 이 제안된 모델은 에이전트로부터 운전자에게 적절한 시간과 접근법으로 다양한 상호작용을 안내하고 전달할 수 있다.
