Rijgedrag minder ‘robotachtig’ door nieuw Delfts model

Nieuws - 29 september 2020 - Webredactie Communication

Menselijk rijgedag wordt in de wetenschap eigenlijk verkeerd gemodelleerd. Daarom hebben wetenschappers van de TU Delft een nieuw model ontwikkeld dat rijgedrag beschrijft op basis van één onderliggend ‘menselijk’ principe: het hanteren van een risicodrempel. Daardoor kan het model menselijk gedrag tijdens een groot aantal rijtaken goed voorspellen. Het model zou op termijn kunnen worden toegepast in intelligente auto’s, zodat deze als minder ‘robotachtig’ worden ervaren. Het onderzoek van promovendus Sarvesh Kolekar en zijn begeleiders Joost de Winter en David Abbink wordt op dinsdag 29 september 2020 gepubliceerd in Nature Communications.

Risicodrempel
Rijgedrag wordt meestal beschreven met modellen die een optimaal pad voorspellen, maar dat is vaak niet zoals mensen rijden. ‘Je past niet de hele tijd je rijgedrag aan om één optimaal pad aan te houden,’ zegt onderzoeker Sarvesh Kolekar van de vakgroep Cognitive Robotics. ‘Je rijdt bijvoorbeeld niet continu precies in het midden van de rijbaan: als het risico maar binnen bepaalde grenzen blijft die voor jou nog acceptabel zijn, doe je niet zo veel.’

Modellen die een optimaal pad voorspellen zijn niet alleen populair in de wetenschap maar ook in voertuigtoepassingen. ‘De huidige intelligente auto’s rijden erg netjes. Ze zoeken continu het veiligste pad: dus één pad met bijbehorende snelheid. Dit leidt tot ‘robotachtig’ rijden’, vervolgt Kolekar’. ‘Om een beter begrip te krijgen van menselijk rijgedrag, probeerden we een nieuw model te ontwikkelen met de menselijke risicodrempel als onderliggend principe.’

Driver’s Risk Field
Om dit nader uit te werken, introduceerde Kolekar het zogenoemde Driver’s Risk Field (DRF). Dit is een veranderend tweedimensionaal veld rond de auto, dat per punt aangeeft hoe groot het risico is dat de rijder zelf denkt te lopen. Deze risico-inschattingen zijn in eerder onderzoek door Kolekar experimenteel bepaald. Vervolgens is in het DRF verdisconteerd hoe zwaar de gevolgen van het risico in kwestie dan zouden zijn. Op deze manier wordt de menselijke factor in het model voor rijgedrag gebracht. ‘Het DRF is geïnspireerd op een concept uit de psychologie dat lang geleden (in 1938) is voorgesteld door Gibson en Crooks. Deze auteurs postuleerden dat autobestuurders als het ware een risicoveld om zich heen voelen, op basis waarvan door het verkeer gemanoeuvreerd wordt.’ Kolekar is er in geslaagd dit idee te vertalen naar een computeralgoritme, waarin snelheid en baanpositie worden aangepast om het voorspelde risico binnen acceptabele grenzen te houden.

Het Driver's Risk Field (DRF) model maakt gebruik van één onderliggend principe, waarmee bestuurders hun snelheid en baanpositie aanpassen. Dit voorspelt aanpassingen tijdens zeven scenario’s uit de literatuur.

Voorspellingen
Kolekar heeft het model vervolgens voor zeven rijscenario’s getest, zoals het inhalen van een auto en het ontwijken van een obstakel. ‘We hebben de voorspellingen die het model doet vergeleken met de experimentele data van menselijk rijgedrag uit de literatuur. Daar is gelukkig al heel veel informatie over beschikbaar. Het blijkt dat ons model maar een klein aantal parameters nodig heeft om het onderliggende principe van menselijk rijgedrag te kunnen ‘pakken’, zodat het daarna menselijke aanpassingen in snelheid en baanpositie kan voorspellen in alle zeven scenario’s, zonder dat het model die scenario’s van te voren hoeft te hebben gezien. Het rijgedrag komt er als het ware vanzelf uit rollen; het is ‘emergent’.

Elegant
Deze elegante beschrijving van menselijk rijgedrag heeft een grote voorspellende en generaliserende waarde. En los van de wetenschappelijke waarde, kan het model worden toegepast in intelligente auto’s. ‘Als deze meer rekening houden met hoe mensen in het echt rijden, kan dit de acceptatie van zulke auto’s bevorderen. Het rijgedrag van de auto voelt dan immers minder als een robot aan.’

Meer informatie
Human-like driving behaviour emerges from a risk-based driver model link
Sarvesh Kolekar, Joost De Winter, David Abbink
Nature Communications, 29 September 2020
https://doi.org/10.1038/s41467-020-18353-4

Het promotieonderzoek van Sarvesh Kolekar is onderdeel van het VIDI-onderzoek Symbiotic Driving van prof. David Abbink en de begeleiding van dr.ir. Joost de Winter werd ondersteund vanuit zijn VIDI-onderzoek How should automated vehicles communicate with other road users?, beide mede mogelijk gemaakt door NWO-TTW.

Contactinformatie
Sarvesh Kolekar, S.B.Kolekar@tudelft.nl
Ilona van den Brink (persvoorlichting TU Delft), i.vandenbrink@tudelft.nl, 015-2784259