Analyzing the take-over performance in an automated vehicle in terms of cognitive control modes

Résumé Fr En

Plusieurs études ont montré que des différences interindividuelles pouvaient exister dans la façon dont les conducteurs interagissent avec un véhicule automatisé. S’inscrivant dans la lignée de ces travaux, cet article vise à identifier différentes classes de conducteurs à l’aide de méthodes de clustering et propose d’interpréter ces classes en termes de « mode de contrôle cognitif ». Ce concept a été défini par Hollnagel (1993, 2002). Cet auteur a distingué des modes de contrôle allant des plus réactifs aux plus proactifs et a montré qu’ils étaient associés à différents niveaux de performance.Cette étude repose sur des données recueillies sur simulateur de conduite, auprès de 36 participants ayant expérimenté la conduite d’un véhicule de niveau SAE 3 (SAE J3016, 2018). Les participants étaient invités à jouer sur une tablette de jeu pendant la phase de conduite automatisée, puis devaient reprendre le contrôle du véhicule en mode manuel dans une situation de changement de voie. Les participants disposaient de 10 secondes pour reprendre le contrôle. L’étude porte sur une condition dans laquelle les conducteurs utilisaient un affichage tête haute présentant des informations en réalité augmentée. Plusieurs types de données ont été analysés afin de catégoriser les participants et d’expliquer les classes résultantes ; il s’agit de données véhicule (actions du conducteur et trajectoire du véhicule), de données oculaires et de verbatims recueillis lors d’entretiens d’explicitation.Des méthodes de clustering ont été utilisées pour analyser les données véhicule. Elles ont permis d’identifier trois classes de comportement. La classe 1 est associée à des actions de contrôle du véhicule qui peuvent être qualifiées de « fluides » et à une expérience utilisateur positive ; les participants appartenant à cette classe ont passé plus de temps à regarder la scène de conduite que les autres. La classe 2 est également caractérisée par des actions de contrôle « fluides » mais l’expérience utilisateur des participants est plus mitigée. La classe 3 est opposée aux deux premières. Elle est associée à des actions de freinage brusques, un changement de voie plus rapide, une expérience utilisateur négative, des fixations oculaires sur la tablette de jeu qui persistent après la demande de reprise en main ; au sein de cette classe, la majorité des participants mentionnent qu’ils ont rencontré des difficultés à comprendre les informations affichées en réalité augmentée.Ces classes de comportements ont été interprétées en termes de différents modes de contrôle cognitif : un mode de contrôle « tactique » mis en œuvre lorsque les conducteurs se sont donnés suffisamment de temps pour analyser la situation, un mode de contrôle « erratique » ou « opportuniste » dans le cas contraire.

Several studies have pointed out that inter-individual differences could exist in the way drivers interact with an automated vehicle. Some of them revealed that drivers can be classified into different groups according to their behaviour. In line with these studies, the present paper aims at identifying different classes of drivers using clustering methods, according to their behaviour after a Take-Over Request (TOR). It uses the concept of “cognitive control modes” to interpret them.This concept was defined by Hollnagel (1993, 2002) who distinguished different modes of cognitive control, from the most reactive to the most proactive. These modes are associated with different kinds of performance (pattern of actions), which are more or less efficient.This study relies on data collected in a driving simulator experiment, during which 36 participants experienced automated driving at SAE level 3 (SAE J3016, 2018). They were invited to play a game on a tablet placed under the windscreen. The TOR took place in a lane-changing situation. Participants had 10 s to resume control and afterwards had to perform a lane change. The study focused on a condition in which the drivers used an Augmented Reality Head Up Display which aimed to help them build a satisfying awareness of the situation quickly by drawing their attention to the most important features of the driving scene, and to facilitate their understanding. Several kinds of data were considered in order to classify the participants and to explain the resulting classes, these were: drivers’ reactions using in-vehicle data (related to driver control and vehicle movement), eye-tracking data, and verbal data from post-activity interviews.Clustering methods were used to process in-vehicle data. They helped to identify three patterns of data, or “behavioural classes”. Class 1 is related to smooth actions, a positive user experience; participants in this class spent more time looking at the driving scene compared with other classes. Also characterised by smooth actions, Class 2 is related to a more mitigated experience. On the other hand, Class 3 is associated with: abrupt braking actions, a faster lane change, negative user experience; with eye fixations on the game tablet persisting after the TOR, as well as with difficulties in understanding the information displayed.These classes of behaviours have been interpreted in terms of different cognitive control modes: a “tactical” control mode implemented when drivers give themselves enough time to analyse the situation, a “scrambled” or “opportunistic” control mode when they do not.