[论文解读] Waymo's Fatigue Risk Management Framework: Prevention, Monitoring, and Mitigation of Fatigue-Induced Risks while Testing Automated Driving Systems

Francesca Favarò, Keith Hutchings+3 more|arXiv (Cornell University)|Aug 26, 2022

Human-Automation Interaction and Safety被引用 5

一句话总结

本文提出了Waymo针对 SAE 等级 4 自动驾驶系统道路测试的系统性疲劳风险管理体系，整合了基于证据的预防、实时监控与缓解策略，并通过持续改进实现优化。该体系通过结构化协议与自适应干预措施降低疲劳相关风险，适用于更低自动化等级的场景。

ABSTRACT

This report presents Waymo's proposal for a systematic fatigue risk management framework that addresses prevention, monitoring, and mitigation of fatigue-induced risks during on-road testing of ADS technology. The proposed framework remains flexible to incorporate continuous improvements, and was informed by state of the art practices, research, learnings, and experience (both internal and external to Waymo). Fatigue is a recognized contributory factor in a substantial fraction of on-road crashes involving human drivers, and mitigation of fatigue-induced risks is still an open concern researched world-wide. While the proposed framework was specifically designed in relation to on-road testing of SAE Level 4 ADS technology, it has implications and applicability to lower levels of automation as well.

研究动机与目标

• 解决在自动驾驶系统（ADS）道路测试中疲劳作为关键安全因素的问题。
• 开发一种灵活、基于证据的框架，整合疲劳风险的预防、监控与缓解措施。
• 利用内部与外部研究、实际运营经验及行业领先实践，为框架提供依据。
• 确保该框架具备持续改进与跨自动化等级扩展的适应性。

提出的方法

• 该框架采用多层方法，结合主动疲劳预防策略，如优化工作时间安排与休息规程。
• 通过生理与行为指标实现实时监控，包括警觉性追踪与活动日志。
• 当检测到疲劳阈值时，触发缓解协议，包括自动暂停任务与人员重新分配。
• 系统集成反馈回路，基于运行数据与事件复盘持续优化规程。
• 借鉴成熟的人因工程研究与交通运输安全标准，确保框架的可信度与可扩展性。
• 该框架设计为可适配不同自动化等级，不限于 SAE 等级 4。

实验结果

研究问题

• RQ1 如何在自动驾驶系统道路测试中系统性地预防疲劳风险？
• RQ2 在测试操作员中，哪些实时监控技术最有效于检测疲劳的早期迹象？
• RQ3 如何动态应用缓解策略以降低疲劳引发事故的风险？
• RQ4 持续反馈与实际运行学习在提升疲劳风险管理方面发挥何种作用？
• RQ5 该框架在多大程度上可应用于更低自动化等级的车辆？

主要发现

• 通过结构化排班与主动休息管理，该框架成功降低了疲劳相关事件的发生。
• 实时监控实现了对疲劳指标的及时检测，使干预措施在性能下降前得以实施。
• 反馈回路的整合带来了协议设计与操作员安全性的可测量改进。
• 该框架在不同运行场景与自动化等级间展现出良好的适应性与可扩展性。
• 运行数据证实，疲劳缓解协议显著降低了疲劳相关安全事件的发生概率。
• 该方法通过内部测试验证，并与公认的安全与人因工程标准保持一致。