TY - THES A1 - Mühlbacher, Dominik T1 - Die Pulksimulation als Methode zur Untersuchung verkehrspsychologischer Fragestellungen T1 - The multi-driver simulation as a method to investigate research issues in traffic psychology N2 - Fahr- und Verkehrssimulation sind neben Studien mit realen Fahrzeugen die gängigen Methoden der empirischen Verkehrswissenschaft. Während sich die Fahrsimulation mit dem Erleben und Verhalten von Fahrern beschäftigt, untersucht die Verkehrssimulation das gesamte Verkehrssystem. Der Bereich zwischen diesen Polen „Fahrer“ und „Verkehr“, in dem Fahrer aufeinander treffen und miteinander interagieren, ist angesichts der Bedeutung sozialer Prozesse für das Erleben und Verhalten ein wichtiger Aspekt. Allerdings wurde dieser Bereich in der Verkehrswissenschaft bisher nur unzureichend abgebildet. Auch in der Fahr- und Verkehrssimulation wurde dieser Aspekt bislang weitgehend vernachlässigt. Um diese Lücke zu schließen, wurde mit der Pulksimulation eine neue Versuchsumgebung entwickelt. Sie besteht aus miteinander vernetzten Fahrsimulatoren und ermöglicht es, Interaktionsfragestellungen zu untersuchen. Jedoch bringt die Anwendung der Pulksimulation neue Anforderungen an den Untersucher mit sich, die bei der Fahr- bzw. Verkehrssimulation nicht notwendig sind und für die Pulksimulation neu entwickelt werden müssen. Das Ziel der vorliegenden Arbeit ist, diese Methode zur Untersuchung verkehrspsychologischer Fragestellungen weiterzuentwickeln, zu prüfen und zu etablieren. In ersten Untersuchungsansätzen werden in acht Teilstudien die grundlegenden methodischen Besonderheiten der Pulksimulation am Beispiel des Folgefahrens und des Kreuzens betrachtet. Hierbei wird auch stets der Vergleich zu den bisher genutzten Versuchsumgebungen Einzelfahrsimulation und Verkehrssimulation gezogen. Folgende Fragstellungen wurden im Rahmen dessen beantwortet: (1) Wie unterscheidet sich eine Pulkfahrt von einer Einzelfahrt? (2) Welchen Einfluss haben nachfolgende Fahrzeuge im Pulk? (3) Welche Effekte haben Positionierungen im Pulk? (4) Wie unterscheiden sich reale Fahrer und Modelle im Pulk? (5) Wie wirkt sich die Einführung einer Nebenaufgabe auf den Pulk aus? (6) Wie wirken sich verschiedene Abstandsinstruktionen aus? (7) Mit welchen Parametern kann der Pulk beschrieben werden? (8) Wie kann das Verhalten des Pulks an Kreuzungen untersucht werden? Schließlich werden zwei Anwendungsbeispiele der Pulksimulation zu aktuell relevanten Themen aufgezeigt. In der ersten Untersuchung wird ein Gefahrenwarner evaluiert, der vor Bremsungen vorausfahrender Fahrzeuge warnt. Während Fahrer direkt hinter dem bremsenden Fahrzeug vom System nicht profitieren, steigt der Nutzen des Systems mit zunehmender Positionierung im Pulk an. In einer zweiten Studie wird ein Ampelphasenassistent untersucht. Dieser informiert den Fahrer während der Annäherung an eine Ampel über die optimale Geschwindigkeit, mit der diese Ampel ohne Halt bei Grün durchfahren werden kann. Um die Auswirkungen des Systems auf den nicht-assistierten Umgebungsverkehr bestimmen zu können, werden verschiedene Ausstattungsraten innerhalb des Pulks eingeführt. Mit diesem Untersuchungsansatz können gleichzeitig Effekte des Systems auf die assistierten Fahrer (z. B. Befolgungsverhalten), die nicht-assistierten Fahrer (z. B. Ärger) sowie das Verkehrssystem (z. B. Verkehrsfluss) bestimmt werden. Der Ampelphasenassistent resultiert in einem ökonomischeren Fahrverhalten der assistierten Fahrer, erhöht aber gleichzeitig in gemischten Ausstattungsraten den Ärger der nicht-assistierten Fahrer im Verkehrssystem. Erst bei Vollausstattung entwickelt sich dieser negative Effekt zurück. Die in den Anwendungsbeispielen berichteten Phänomene sind durch Untersuchungen in einer Einzelfahrsimulation oder Verkehrssimulation nicht beobachtbar. Insbesondere für die Untersuchung von Fragen, in denen soziale Interaktionen mit anderen Fahrern eine Rolle spielen, zeichnet sich die Pulksimulation in besonderer Weise aus. Hierfür liefert die Anwendung in der Pulksimulation zusätzliche Informationen und zeigt somit, dass die Pulksimulation das Methodeninventar in der Verkehrswissenschaft effektiv ergänzt. Sie stellt zum einen eine Erweiterung der Fahrsimulation um den Faktor „Verkehr“ und zum anderen eine Erweiterung der Verkehrssimulation um den Faktor „Mensch“ dar und wird so zu einem zentralen Bindeglied beider Versuchsumgebungen. Darüber hinaus erlaubt die Pulksimulation die Modellierung von Interaktionsverhalten im Straßenverkehr, was bisher nicht bzw. nur unter größtem Aufwand realisierbar war. Hierdurch können die Modelle der Fahr- und Verkehrssimulation weiterentwickelt werden. Mit den in dieser Arbeit neu entworfenen Parametern werden Kenngrößen zur Verfügung gestellt, die Variationen bezüglich Quer- und Längsführung auch auf Ebene des Pulks abbilden können. Weitere neu entwickelte Parameter sind in der Lage, Interaktionen über den Zeitverlauf zu beschreiben. Diese Parameter sind notwendig für den Einsatz der Pulksimulation in zukünftigen Untersuchungen. Zusammenfassend wurde in der vorliegenden Arbeit die Methodik der Pulksimulation für den gesamten Anwendungsprozess von der Fragestellung bis hin zur Interpretation der Ergebnisse weiterentwickelt. Der Mehrwert dieser Methode wurde an aktuellen und bisher nicht untersuchbaren Fragestellungen belegt und somit die Validität der Pulksimulation gestärkt. Die vorgestellten Untersuchungen zeigen das große Potenzial der Pulksimulation zur Bearbeitung von Fragen, die auf der Interaktion verschiedener Verkehrsteilnehmer basieren. Hierdurch wird erstmals die Möglichkeit geschaffen, soziale Interaktionen über den Zeitverlauf in die Fahrermodelle der Verkehrssimulation zu integrieren. Damit ist der Brückenschlag von der Fahr- zur Verkehrssimulation gelungen. N2 - Beside studies in real traffic, driving simulation and traffic simulation are the most common methods in traffic sciences. Driving simulation deals with mental functions and behavior of drivers. Traffic simulation analyzes the whole traffic system. Between these poles “driver” and “traffic”, several drivers meet each other and interact. These interactions are a significant aspect due to the importance of social effects regarding mental functions and behavior. However, interactions are displayed insufficiently in driving simulation and traffic simulation. The multi-driver simulation is a new tool to fill in this gap. It consists of several driving simulators which are connected. The connection enables to investigate interactions in traffic. However, using a multi-driver simulation emerges new requirements which are not necessary in driving simulation or traffic simulation. Therefore, this work aims at developing and testing a new methodology for the multi-driver simulation. First, eight studies investigate the basic methodological specialties of the multi-driver simulation on the example of car following (i.e. driving in a platoon) and intersecting. These results are compared always with driving simulation and traffic simulation. In this section, the following issues are addressed: (1) What are the differences between driving alone and driving in a platoon? (2) What is the effect of succeeding vehicles while driving in a platoon? (3) What is the effect of the position in a platoon? (4) What are the differences between real drivers and models in driving in a platoon? (5) What is the effect of a secondary task while driving in a platoon? (6) What is the effect of different car following instructions? (7) What are parameters to describe a platoon? (8) How it is possible to analyze driving behavior at intersections? The next chapter of the work shows two application examples for the multi-driver simulation. The first study evaluates a hazard warning system which warns of braking maneuvers of preceding drivers. Drivers straight behind the braking vehicle do not benefit from the system. Instead, the gain of the system increases with the position of the driver in the platoon. The second study investigates a traffic light assistant. While approaching a traffic light, this system informs the driver about the optimal speed to pass while the lights are green. Various penetration rates are realized to analyze the effect of the system on the non-equipped surrounding traffic. By means of this study design, system effects can be determined on assisted drivers (e.g. system usage), on non-assisted drivers (e.g. annoyance) and on the whole traffic system (e.g. traffic flow). On the one hand, assisted drivers show a higher economic driving behavior. One the other hand, non-assisted drivers are annoyed in a higher extent in mixed penetration rates. This negative effect decreases in a 100% penetration rate. The application examples show effects which cannot be investigated with driving simulation or traffic simulation. In particular, research questions concerning social interactions between drivers can be investigated in the multi-driver simulation. Therefore, the multi-driver simulation is a useful supplement for the methodology in traffic psychology: On the one hand, it enhances driving simulation with the factor “traffic”. On the other side, it enhances the traffic simulation with the factor “human”. Therefore, the multi-driver simulation becomes the link between these methods. Additionally, the multi-driver simulation enables modelling of interactions in traffic which is not possible with other methods. These new interaction models are able to enhance driving simulation and traffic simulation. In this work, several parameters were developed to describe lateral and longitudinal control of a group of drivers. Further parameters can describe interactions between drivers. These parameters are necessary for the application of the multi-driver simulation in future research. To sum up, this work developed a methodology for the multi-driver simulation. The added value was demonstrated in relevant application examples which cannot be investigated with other methods. The studies show a high potential of the multi-driver simulation in research issues which address interactions between several drivers. By means of this method, social interactions can be integrated in the driver models of traffic simulation. This enables the link between driving simulation and traffic simulation. KW - Verkehrspsychologie KW - Fahrsimulation KW - Methodik KW - traffic psychology KW - driving simulation KW - methodology KW - Fahrsimulator Y1 - 2013 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-90051 ER - TY - THES A1 - Schmitz, Marcus T1 - Simulationsgestützte Kompetenzfeststellung von Triebfahrzeugführern - Entwicklung und Anwendung eines Verhaltensmarkersystems T1 - Simulation-based competence assessment of train drivers - Development and application of a behavioural marker system N2 - Diese Arbeit beschreibt die Entwicklung und Anwendung einer simulationsgestützten Methode zur Kompetenzfeststellung von Triebfahrzeugführern (Tf) der Deutschen Bahn AG unter Anwendung eines Verhaltensmarkersystems. Diese Methode wurde als ein erweitertes Konzept zur Bewertung eines Tf im Rahmen einer jährlich stattfindenden Überwachungsfahrt entwickelt. Diese Überwachungsfahrt besteht aus einer etwa 45-minütigen Prüfungsfahrt, mit deren Hilfe die Handlungssicherheit eines Tf erhöht sowie dessen Leistung und Leistungsfähigkeit beschrieben und bewertet wird. Die Überwachungsfahrt wird von geschulten Instruktoren durchgeführt. Während der Simulatorfahrt werden unregelmäßige Ereignisse eingespielt, die der Tf unter Anwendung der vorgeschriebenen Sollverhaltensweisen bewältigen muss. Ziel ist es, keinen sicherheitsrelevanten Mangel zu verursachen. Grundlage des eingeführten Verhaltensmarkersystems ist ein Datenkonzept, das auf den in den Regelwerken beschriebenen Fahrtereignissen und den entsprechenden Sollverhaltensweisen beruht. Die Überwachungsfahrt wird aus diesen Einzelereignissen zusammengestellt und somit entspricht auch das während der Überwachung zu zeigende Verhalten dem in den Regelwerken beschriebenen Sollverhalten. Um Abweichungen vom vorgeschriebenen Verhalten besser erkennen und bewerten zu können, werden sog. Verhaltensmarker eingeführt. Hierbei handelt es sich um objektive und nachprüfbare Indikatoren, die etwas über den Grad der Erfüllung des Sollverhaltens Auskunft geben. Zentral für die Bewertung sind somit die Erfassung möglicher Sollverhaltensabweichungen und die Frage nach der Festlegung der Schwere dieser Abweichung im Sinne eines Fehlers. Um Art und Stärke der Abweichungen vom Sollverhalten wurden objektive Fahrdaten aus dem Simulator herangezogen. Zusätzlich wurde ein standardisiertes Beobachtungsverfahren für die Instruktoren entwickelt. In einem zweiten Schritt wurden die über beide Verfahren erfassten Abweichungen vom Sollverhalten auf der Basis von Expertenurteilen entsprechend der potentiellen Auswirkungen gewichtet. Diese Gewichtung reicht in drei Stufen von leichten Fehlern bis hin zu sicherheitsrelevanten Mängeln. Für alle in den Überwachungsfahrten vorkommenden Sollverhaltensweisen wurden mögliche Abweichungen erhoben und in einer Fehlertabelle den Fehlerkategorien „gering“, „mittelschwer“ und „sicherheitsrelevant“ zugeordnet. Die so gewichtete Fehlerbetrachtung führt zu einer Gesamtbewertung des Tf und zu einer detaillierten Analyse seiner Stärken und Schwächen. Insgesamt wurden 1033 Überwachungsfahrten von den Instruktoren auf einem projektspezifischen Bogen protokolliert. Über die an den Simulatoren vorhandenen Datenschnittstellen wurden 1314 Überwachungsfahrten aufgezeichnet. Diese Datenquellen wurden integriert und ausgewertet. Als übergeordnetes Ergebnis lässt sich festhalten, dass die Anwendung der in dieser Arbeit entwickelten Methode nachweislich die Qualität und Genauigkeit der Bewertung verbessern konnte. Die Verhaltensmarker ermöglichen eine differenziertere Bewertung des Leistungsstands eines Tf. So ist es nicht nur möglich, sicherheitskritisches Verhalten („roter Bereich“) und ein optimales, fehlerfreies Verhalten („grüner Bereich“) festzustellen, sondern auch Aussagen über den „gelben Bereich“ dazwischen zu treffen (z.B. Mängel, die in anderen Situationen sicherheitskritisch sein können). N2 - The thesis describes the development and application of a simulation-based method for the competence assessment of train drivers, using a behavioural marker system. This method was developed as an advanced concept for the competence check of a train driver in an existing annual monitoring trip. This trip consists of a 45-minute test drive that should help to increase the overall performance of the drivers. It is carried out by trained driving instructors. During the simulator ride irregular events occur which must be overcome by applying the dedicated regulations. The aim is to cause no safety-related error. Basis of the introduced behaviour marker system is a data concept, which is based on the driving events and the corresponding target behaviour described in the regulations. The monitoring trip is compiled from these individual events and thus also corresponds to the underlying regulations. To identify and assess deviations from the prescribed target behaviour, so-called behavioural markers are introduced. These are objective and verifiable indicators that provide information about the fulfilment of the target behaviour. Central to the evaluation are thus the detection of possible deviations from the target behaviour and the question of determining the severity of this deviation in terms of an error. To assess the nature and severity of the deviations from the desired behaviour, objective driving data from the simulator were used. In addition, a standardized observation method was developed for the instructors. In a second step, the measured deviations were weighted on the basis of expert judgments depending on the potential safety impact. This weighting ranges from minor and medium to safety- relevant errors. The weighted error analysis leads to an overall assessment of the drivers and to a detailed analysis of the strengths and weaknesses. A total of 1033 trips were logged by the instructors on a project-specific protocol sheet. In addition, the objective data from 1314 simulator rides were recorded. The data of both sources were integrated and analysed. As high level result, it can be stated that the application of the method developed in this work could significantly improve the quality and accuracy of the assessment. The behavioural markers enable a more nuanced assessment of the level of performance of an engine driver. So it is not only possible to detect safety-critical behaviour ("red zone") and an optimal, error-free behaviour ("green zone"), but also to take statements about the "yellow zone" in between. KW - Lokomotivführer KW - Ausbildung KW - Leistung KW - Kompetenz KW - Prüfung KW - Kompetenzfeststellung KW - Fahrsimulation KW - Verhaltensmarker KW - Überwachungsfahrt KW - competence check KW - behavioural marker KW - monitoring KW - driving simulation KW - Kompetenz KW - Arbeitsplatz KW - Überwachung KW - Simulator Y1 - 2013 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-82272 ER -