[論文レビュー] Improving Driver Satisfaction with a Driving Function Learning from Implicit Human Feedback -- a Test Group Study

Robin Schwager, Andrea Anastasio+7 more|arXiv (Cornell University)|Feb 14, 2026

Human-Automation Interaction and Safety被引用数 0

ひとこと要約

論文は、 driver の介入を用いて Predictive Longitudinal Driving Function (PLDF) を個人化する反復的 Speed Profile Adjustment Algorithm (SPAA) を提示し、運転シミュレータ研究で満足度の向上と介入の削減を示す。

ABSTRACT

During the use of advanced driver assistance systems, drivers frequently intervene into the active driving function and adjust the system's behavior to their personal wishes. These active driver-initiated takeovers contain feedback about deviations in the driving function's behavior from the drivers' personal preferences. This feedback should be utilized to optimize and personalize the driving function's behavior. In this work, the adjustment of the speed profile of a Predictive Longitudinal Driving Function (PLDF) on a pre-defined route is highlighted. An algorithm is introduced which iteratively adjusts the PLDF's speed profile by taking into account both the original speed profile of the PLDF and the driver demonstration. This approach allows for personalization in a traded control scenario during active use of the PLDF. The applicability of the proposed algorithm is tested in a driving simulator-based test group study with 43 participants. The study finds a significant increase in driver satisfaction and a significant reduction in the intervention frequency when using the proposed adaptive PLDF. Additionally, feedback by the participants was gathered to identify further optimization potentials of the proposed system.

研究の動機と目的

• PLDF の ODD 内でドライバー起点の介入を活用して運転機能の個人化を動機づける。
• ベースの PLDF の速度プロファイルとドライバのデモンストレーションを組み合わせて好みを学習する反復的 SPAA を提案する。
• SPAA がドライバーの満足感を高め、シミュレータ研究で介入頻度を減少させるかを評価する。
• 現実車展開と長期評価のための限界点と展望を探る。

提案手法

• Predictive Longitudinal Driving Function (PLDF) を説明し、速度制限と道路曲率を尊重する方法を説明する。
• ドライバー介入をペダル調整または設定速度の調整として定義し、それらを SPAA 内での記録と利用方法を説明する。
• SPAA の詳細、次の要点を含む：介入プロファイルを α=0.5 の係数で伸長、ドライバープロファイルと整合、Savitzky–Golay 平滑化を適用、v_mean(d) = (v_PLDF(d) + v_prepro(d))/2 を形成。
• 調整された速度プロファイルが以後の走行の新しい PLDF 基準になる反復的な学習を説明する。
• ペダル介入（PLDF プロファイルと統合）と設定速度介入（直接取得）を SPAA で区別する。
• テスト群のシミュレーター設定、コース、参加者、ベースライン PLDF (System A) と SPAA を用いる適応 PLDF (System B) の比較手順を説明する。

実験結果

リサーチクエスチョン

• RQ1 SPAA を用いた適応 PLDF はベースライン PLDF と比較してドライバーの満足度を向上させるか。
• RQ2 SPAA は PLDF を用いたドライビング中のドライバー介入頻度を減らすか。
• RQ3 ドライバーは速度プロファイルをどう認知しており、速度プロファイルのどの側面が最も改善されていると感じるか。
• RQ4 適応システムの伝達性と学習性について、参加者の定性的な観察はあるか。
• RQ5 現実車展開と介入の仲裁に関する限界点と今後の方向性は。

主な発見

• System B は System A より総合的な満足度が高い（平均 4.27 対 3.69、p = 3.85e-5（対応の t 検定））。
• 速度プロファイルの満足度は System B が System A より高い（平均 4.14 対 3.06、p = 3.83e-9（Wilcoxon））。
• 介入率の総和が System A の 54.68% から System B の 22.97% に低下（p = 4.55e-13（Wilcoxon））。
• ペダル介入率が System A の 22.32% から System B の 12.04% に低下（p = 9.78e-8（t 検定））。
• 設定速度介入率が System A の 39.76% から System B の 12.42% に低下（p = 1.38e-7（Wilcoxon））。
• SPAA の1 回の反復で介入率はすでに有意に低下するが、研究期間内に 0% への完全収束は観測されなかった。