Lösungen – Automotive

Vielleicht die größte Herausforderung bei der Analyse von Fahrexperimenten ist die Komplexität der Daten. Neben Blickdaten werden meist Sensordaten vom Fahrzeug aufgezeichnet wie Lenkradwinkel, Pedalaktivität und Informationen von Abstandssensoren und der Objekterkennung. Hinzu kommen weitere Kanäle wie Logdateien über die Interaktion zwischen dem Fahrer und dem Interieur sowie Kontextinformationen über die jeweilige Verkehrssituation.

Mit Blickshift Analytics analysieren Sie diese Daten mit einer bisher nicht bekannten Effizienz. Sie erhalten einen effizienten Überblick über Ihre Daten, können schnell relevante Bereich finden und identifizieren Probanden, die ein ähnliches Blick- und Fahrverhalten aufweisen. Analyseaufgaben, für die Sie früher Tage oder gar Wochen benötigt haben, können Sie nun in wenigen Stunden erledigen.

In Fahrexperimenten werden meist Nebenaufgaben durchgeführt. Eine typische Analysefrage besteht zum Beispiel darin, ein typisches Blickverhalten vor einem bestimmten „Event“ während der Nebenaufgabe zu identifizieren. Oder es wird ein Aufgabenblock näher untersucht und mit anderen ähnlichen Nebenaufgaben im Experiment verglichen.

Mit dem Konzept der Markierung können Sie Abschnitte in Ihren Daten in Abhängigkeit von Bedingungen selektieren. Beispielweise können Sie sich auf das Blickverhalten vor dem Passieren eines Fußgängerüberwegs konzentrieren, der unter einem bestimmten Namen in den Daten hinterlegt ist. Anschließend können Sie sich auf diesen Bereich konzentrieren.

Wahrnehmungsmodelle sind die Basis für Fahrassistenzsysteme. Ein wichtiger Schritte bei der Entwicklung von Wahrnehmungsmodellen ist das Finden der optimalen Modellparameter. Beispielsweise werden für die korrekte Wahrnehmung eines Fußgängers mehrere Fixationen benötigt. Die exakte Anzahl wird in einem Fahrexperiment bestimmt.

Für die Parametrisierung eines Wahrnehmungsmodells können Sie eine Kombination aus verschiedenen Visualisierungstechniken einsetzen und diese mit automatischen Komponenten kombinieren. Hierfür müssen Sie lediglich existierende Komponenten in Blickshift Analytics miteinander verbinden. Damit können Sie den Zeitaufwand für das Finden der optimalen Parameter erheblich reduzieren.

Die Vielzahl heutiger KI-Algorithmen lernen auf Basis von manuell oder semiautomatisch erzeugten Trainingsmengen. Im Gegensatz zur Erzeugung von Trainingsmengen auf Basis von Bilddaten, ist die Erzeugung von Zeitreihen erheblich komplexer. Der Kategorie der Zeitreihen werden auch Blickdaten und Sensordaten vom Fahrzeug sowie Kontextinformationen über die Verkehrssituation zugeordnet.

Blickshift Analytics bietet für die Erzeugung von Trainingsmengen eine der effizientesten Lösungen am Markt. Dabei besticht der Workflow durch Einfachheit: Sie markieren Abschnitte in Ihren Daten, weisen diesen passende Labels zu und exportieren diese Label mit den dazu gehörenden Sensor- und Blickdaten als Trainingsmenge. Dazu stehen Ihnen zwei Modi zur Verfügung: die manuelle Markierung einzelner Abschnitte oder der Einsatz von automatischen Komponenten.

• Suche nach typischem Blickverhalten in definierten Situationen
• Analyse der Aufmerksamkeit (Level 2)
• Typisches Blickverhalten bei der Übergabe (Level 3)
• Erstellung von Fahrerprofilen
• Ermittlung des typischen Sichtfeldes
• Unterschiede im Blickverhalten finden
• Analyse des Blickverhaltens von Motorradfahrern, Fahrradfahrern und Fußgängern
• Kombinierte Analyse von Eye-Tracking und mentaler Aktivität (zum Beispiel mit EEG-Datenströmen)
• Berechnung von AOI-Statistiken in Abhängigkeit einer Nebenaufgabe
• Zusammenhang zwischen Gesten und Blickverhalten untersuchen
• Korrelation zwischen GPS-Position und Blickverhalten analysieren

• Optimierung eines Interaktionskonzepts
• Validierung von ISO-Normen
• Explorative Formulierung von Hypothesen in Fahrexperimenten
• Wahrnehmung von Werbung im Straßenverkehr oder im Fahrzeug
• Entwicklung und Evaluation von Modellen zur Aufmerksamkeitssimulation
• Entwicklung von Modellen zur automatischen Vitalanalyse
• Validierung und Kalibration von Eye-Tracking-Systemen
• Vergleich von Realfahrten und Simulatorfahrten
• Optimierung des Studiendesigns
• Manuelles Labeling von Verkehrssituationen
• „Schließen“ von Lücken in den Datenströmen durch manuelle Interpolation
• Manuelle Definition von Verkehrsabschnitten mit bestimmten Eigenschaften

• Integration von Blickshift Analytics in eine existierende Softwareumgebung
• Anpassung von vorhandener Software für eine optimale Auswertung mit Blickshift Analytics
• Entwurf und Implementierung von Komponenten auf Basis des Blickshift-Frameworks für die Auswertung von kundenspezifischen Fragestellungen
• Entwurf und Implementierung von Fahrermodellen
• Parametrisierung von Fahrermodellen durch Blickshift
• Entwicklung von kundenspezifischen Softwarelösungen zur Fahrerbeobachtung
• Beratungsleistungen zum Design und zur Durchführung von Nutzerexperimenten
• Auswertung von bereits erhobenen Daten in Nutzerexperimenten mit Hilfe von Blickshift Analytics