Der Einfluss von Müdigkeit auf das Fahr- Blick- & Sprachverhalten unter der Betrachtung verschiedener methodischer Ansätze und die Konsequenz für die Entwicklung von Müdigkeitsassistenzsystemen

In vorliegender Arbeit wird der Fahrerzustand Müdigkeit in empirischen Fahrversuchen im Labor und Realität auf Landstraßen und Autobahnen quasi-experimentell untersucht. Unterschiedliche Müdigkeitszustände werden induziert und die Auswirkungen auf das Fahr- Blick- und Sprachverhalten analysiert. Es zeigt sich, dass sowohl das Lenkverhalten, die Spurhaltung und das Geschwindigkeitsverhalten sensitiv auf Müdigkeit reagieren. Diese Effekte zeigen sich in der realen und simulierten Fahrumgebung sowie auf Landstraßen und Autobahnen. Grundlegend lenkt der Fahrer mit zunehmender Müdigkeit weniger, fährt mehr in der Spurmitte, und erhöht seine Geschwindigkeit. In der Realität sind diese Effekte und die Varianz vieler Fahrparameter kleiner als im Fahrsimulator. Insgesamt zeigen diese Ergebnisse, dass es nicht "den einen" Müdigkeitsparameter gibt, sondern wie relevant es ist, unterschiedliche Versuchssettings und Straßentypen detailliert zu analysieren. Für die Müdigkeitsdetektion kann nachgewiesen werden, dass der müde Fahrer relativ gut, sowohl mit Fahr- als auch mit Blick- und Sprachdaten erkannt werden kann. Der wache Fahrer ist allerdings schwer zu detektieren. Durch die Einführung einer Baseline können die Erkennungsraten für den wachen Fahrer nicht erhöht werden, nur durch Blick- und Sprachdaten gelingt es, die wachen Fahrer sicherer zu erkennen. Insgesamt kann durch die Arbeit ein Beitrag zum besseren Verständnis von Müdigkeit im Straßenverkehr geleistet werden. Was diese Arbeit ebenfalls aufzeigt ist, dass das Erkennen des wachen Fahrers eine der größten Herausforderungen ist. Erst wenn dies zuverlässig gelingt, können Fehlalarme von Assistenzsystemen vermieden werden und so zu einer Erhöhung der Akzeptanz von Müdigkeitswarnsystemen führen. Neue technologische Entwicklungen im Fahrzeug (Blickmessung, Sprachbedienung,…) könnten dazu genutzt werden, einen größeren Datenpool bereitzustellen und dadurch die Erkennung des jeweiligen Fahrerzustands zu verbessern.