[논문 리뷰] Improving Driver Satisfaction with a Driving Function Learning from Implicit Human Feedback -- a Test Group Study

Robin Schwager, Andrea Anastasio외 7명|arXiv (Cornell University)|2026. 02. 14.

Human-Automation Interaction and Safety인용 수 0

한 줄 요약

본 논문은 운전자의 암묵적 개입을 이용하여 Predictive Longitudinal Driving Function(PLDF)을 개인화하는 반복적 Speed Profile Adjustment Algorithm(SPAA)를 제시하고, 운전 시뮬레이터 연구에서 만족도 증가 및 개입 감소를 보였다.

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.

연구 동기 및 목표

• PLDF의 ODD 내에서 운전자가 시작한 개입을 활용하여 운전 함수의 개인화를 추진한다.
• 기본 PLDF 속도 프로파일과 운전자 시연을 결합해 선호를 학습하는 반복적 SPAA를 제안한다.
• SPAA가 운전자 만족도를 높이고 시뮬레이터 연구에서 개입 빈도를 감소시키는지 평가한다.
• 실 운전 배치 및 장기 평가를 위한 한계점 탐구 및 향후 방향 제시를 모색한다.

제안 방법

• Predictive Longitudinal Driving Function(PLDF)과 그것이 속도 제한과 도로 곡률을 준수하는 방식을 설명한다.
• 운전자 개입을 페달 조작 또는 설정 속도 조정으로 정의하고 SPAA 내에서의 기록 및 활용을 설명한다.
• SPAA의 상세 내용으로: alpha=0.5인 계수로 개입 프로파일을 늘려 적용하고, 운전자 프로파일과의 정렬, Savitzky-Golay 스무딩 적용, v_mean(d) = (v_PLDF(d) + v_prepro(d))/2 형성.
• 조정된 속도 프로파일이 이후 주행의 새로운 PLDF 기준선이 되는 반복 학습을 설명한다.
• SPAA에서 페달 개입(PLDF 프로파일과 합쳐짐)과 설정 속도 개입(직접 취함)을 구분한다.
• 기준 그룹 시뮬레이터 설정, 트랙, 참여자 및 SPAA를 사용하는 적응형 PLDF(System B)과 기본 PLDF(System A)를 비교하기 위한 절차를 설명한다.

실험 결과

연구 질문

• RQ1 적응형 PLDF와 SPAA가 기본 PLDF에 비해 운전자 만족도를 높이는가?
• RQ2 SPAA가 PLDF를 주행하는 동안 운전자 개입 빈도를 감소시키는가?
• RQ3 운전자는 속도 프로파일을 어떻게 인식하며, 속도 프로파일의 어떤 측면이 가장 개선되었는가?
• RQ4 적응 시스템의 커뮤니케이션과 학습성에 대한 참가자의 질적 관찰은 무엇인가?
• RQ5 실 운전 배치 및 개입의 중재에 대한 한계점과 향후 방향은 무엇인가?

주요 결과

• System B가 일반 만족도에서 System A보다 높게 나타났으며(평균 4.27 대 3.69), p = 3.85e-5(쌍 t-검정).
• 속도 프로파일 만족도는 System B가 System A보다 높다(평균 4.14 대 3.06), p = 3.83e-9(Wilcoxon).
• 개입률 합계가 System A의 54.68%에서 System B의 22.97%로 감소했고 p = 4.55e-13(Wilcoxon).
• 페달 개입률이 System A의 22.32%에서 System B의 12.04%로 감소했고 p = 9.78e-8(t-검정).
• 설정 속도 개입률이 System A의 39.76%에서 System B의 12.42%로 감소했고 p = 1.38e-7(Wilcoxon).
• SPAA의 한 차례 반복만으로도 개입률이 유의하게 감소하지만, 연구 기간 내에 0%로의 완전 수렴은 관찰되지 않았다.