Im Auftrag der Kommission Kraftfahrt Schadenverhütung des GDV hat die Unfallforschung der Versicherer (UDV) in den Jahren 2007 bis 2010 das Projekt „Fahrerassistenzsysteme“ (FAS) bearbeitet. Dieses Projekt sollte Erkenntnisse zum Sicherheitspotenzial ausgewählter FAS liefern. Es sollten erstmalig auch Pkw-Unfälle mit (nur) Sachschaden untersucht werden. Grundsätzlich zeigte sich über alle Systeme hinweg, dass moderne FAS in der Lage sind, das untersuchte Schadenbzw. Unfallgeschehen (Unfälle mit Personenschaden und einem Schadenaufwand von 15.000 € und mehr) positiv zu beeinflussen. Die (generischen) FAS lieferten für Pkw-Unfälle theoretische Sicherheitspotenziale von 2 % (Totwinkelwarner) bis knapp 45 % (Notbremssystem). Im Lkw-Bereich bewegte sich der ermittelte Nutzen zwischen 2 % (Spurverlassenswarner) und 12 % (Notbremsassistent), für Busse ergaben sich Potenziale von knapp 1 % (Spurverlassenswarner) bis 15 % (Notbremsassistent). Die Pkw-Unfälle mit nur Sachschaden (Kraftfahrzeug- Haftpflicht- (KH) und Fahrzeug-Vollversicherung (VK)) wurden im Hinblick auf den Nutzen von Ein-/Ausparkassistenten und Bremsassistenten untersucht. Die entsprechenden Analysen zeigten, dass mit einem intelligenten Parkassistenten 31 % der Pkw-Sachschäden in KH vermieden werden könnten, weitere 22 % mit einem Bremsassistenten. Für VK-Schäden zeigten sich geringere, aber immer noch beachtliche Sicherheitspotenziale der beiden Systeme. / From 2007 to 2010, the German Insurers Accident Research carried out the project “Advanced Driver Assistance Systems“ (ADAS) on behalf of the GDV Motor Insurance Loss Prevention Commission. The goal of this project was to provide findings regarding the safety potential of selected ADAS. For the first time, it was also aimed to analyse car accidents with (only) material damage. In general it could be shown for all analysed systems that modern ADAS are capable to influence the loss occurrence, respectively the accident occurrence, (accidents involving personal injury and at least € 15,000 total claim value) in a positive way. For accidents involving passenger cars, the analysed (generic) ADAS had a theoretical safety potential that ranges between 2 % (Blind Spot Detection System) and just under 45 % (Collision Mitigation Braking System). The safety potential determined for truck accidents ranged between 2 % (Lane Departure Warning System) and 12 % (Autonomous Braking System). The analyses further revealed a benefit potential between 1 % (Lane Departure Warning System) and 15 % (Autonomous Braking System) for busses and coaches. Passenger car accidents with only material damage (motor vehicle third party liability damage and motor vehicle fully comprehensive coverage) were analysed regarding the benefit potential of a Parking Assistance System and of an Autonomous Braking System. The analyses revealed that an intelligent Parking Assistance System could avoid 31 % of all car damages caused during a parking manoeuvre. Further 22 % of the damage losses could be avoided by an Autonomous Braking System. For the fully comprehensive coverage section of the insurers, the analyses revealed that the two analysed systems reach lower but still considerable benefit potentials.

Inspired by the idea of vision zero, there is a lot of work that needs to be done in the field of advance driver assistance systems to develop more safer systems. Driver intention detection with a prediction of upcoming behavior of the driver is one possible solution to reduce the fatalities in road traffic. Driver intention detection provides an early warning of the driver's behavior to an Advanced Driver Assistance Systems (ADAS) and at the same time reduces the risk of non-essential warnings. This will significantly reduce the problem of warning dilemma and the system will become more safer. A driving maneuver prediction can be regarded as an implementation of driver's behavior. So the aim of this thesis is to determine the driver's intention by early prediction of a driving maneuver using Controller Area Network (CAN) bus data. The focus of this thesis is to optimize and further develop an algorithm for driver intention detection with fuzzy logic and edit distance method. At first the basics concerning driver's intention detection are described as there exists different ways to determine it. This work basically uses CAN bus data to determine a driver's intention. The algorithm overview with the design parameters are described next to have an idea about the functioning of the algorithm. Then different implementation tasks are explained for optimization and further development of the algorithm. The main aim to execute these implementation tasks is to improve the overall performance of the algorithm concerning True Positive Rate (TPR), False Positive Rate (FPR) and earliness values. At the end, the results are validated to check the algorithm performance with different possibilities and a test drive is performed to evaluate the real time capability of the algorithm. Lastly the use of driver intention detection algorithm for an ADAS to make it more safer is described in details. The early warning information can be feed to an ADAS, for example, an automatic collision avoidance or a lane change assistance ADAS to further improve safety for these systems.

This work provides an in-depth-view of driver motivational aspects when driver assistance Systems (DAS) are considered. Thereby, the role of driver actual experience with DAS use was also identified and highlighted. A central outcome of this thesis is the STADIUM model describing the interplay of motivational factors that determine the engagement in secondary activities while taking actual DAS use experience into account. The role of motives in showing attentive behaviour depending on DAS (the navigation system) could also be underlined. The relevance, enrichment and need of combining qualitative and quantitative approaches when the effects of safety countermeasures on driver behaviour are investigated could also be shown. The results are discussed in terms of hierarchical driver behaviour models, the theory of planned behaviour and its extended versions and the strengths of the introduced studies and limitations. Implications for traffic safety are provided and future research issues are recommended. / Diese Arbeit liefert einen gründlichen Einblick, welche Rolle motivationale Aspekte spielen, wenn Fahrerassistenzsysteme (FAS) genutzt werden. Dabei wurde auch die Funktion der tatsächlichen Erfahrung mit FAS identifiziert und hervorgehoben. Ein zentrales Ergebnis dieser Arbeit ist das STADIUM Modell, welches das Zusammenspiel motivationaler Faktoren in Abhängigkeit von der tatsächlichen Erfahrung mit FAS erklärt, die wiederum bestimmen, inwieweit und ob andere Aktivitäten während des Fahrens ausgeführt werden. Außerdem konnte unterstrichen werden, welche Rolle Motive spielen, aufmerksames Verhalten in Abhängigkeit von der Nutzung von FAS (dem Navigationssystem) zu zeigen. Zusätzlich konnte dargestellt werden, wie relevant, bereichernd und nützlich es ist, qualitative und quantitative Methoden zu kombinieren, wenn die Effekte von FAS auf das FahrerInnenverhalten untersucht werden. Die Ergebnisse werden diskutiert indem auf hierarchische Fahrerverhaltensmodelle, auf die Theorie des geplanten Verhaltens und ihre erweiterten Versionen und auf die Stärken und Schwächen der Studien Bezug genommen wird. Es werden Implikationen dargestellt und zukünftige Forschungsfragen und Problemstellungen empfohlen.

Inspired by the idea of vision zero, there is a lot of work that needs to be done in the field of advance driver assistance systems to develop more safer systems. Driver intention detection with a prediction of upcoming behavior of the driver is one possible solution to reduce the fatalities in road traffic. Driver intention detection provides an early warning of the driver's behavior to an Advanced Driver Assistance Systems (ADAS) and at the same time reduces the risk of non-essential warnings. This will significantly reduce the problem of warning dilemma and the system will become more safer. A driving maneuver prediction can be regarded as an implementation of driver's behavior. So the aim of this thesis is to determine the driver's intention by early prediction of a driving maneuver using Controller Area Network (CAN) bus data. The focus of this thesis is to optimize and further develop an algorithm for driver intention detection with fuzzy logic and edit distance method. At first the basics concerning driver's intention detection are described as there exists different ways to determine it. This work basically uses CAN bus data to determine a driver's intention. The algorithm overview with the design parameters are described next to have an idea about the functioning of the algorithm. Then different implementation tasks are explained for optimization and further development of the algorithm. The main aim to execute these implementation tasks is to improve the overall performance of the algorithm concerning True Positive Rate (TPR), False Positive Rate (FPR) and earliness values. At the end, the results are validated to check the algorithm performance with different possibilities and a test drive is performed to evaluate the real time capability of the algorithm. Lastly the use of driver intention detection algorithm for an ADAS to make it more safer is described in details. The early warning information can be feed to an ADAS, for example, an automatic collision avoidance or a lane change assistance ADAS to further improve safety for these systems.

Over the last years, bicycles have been addressed in newly developed driver assistance systems for passenger cars on a voluntary basis, and beginning with the blind spot assist systems, this tendency has been picked up by vehicle regulations and systems are made mandatory. This paper intends to give a detailed summary of which vehicle regulations are currently addressing bicycles, when they come into force and if they will be mandatory in the EU. Also, the performance of already available active safety systems for bicycles (not covered by regulatory requirements) and their technological potential will be included.

Durch das I-FAS der TU Chemnitz wurde im Rahmen des AKTIV-Projektes eine Probandenstudie zur Akzeptanz von Systemausprägungen einer Aktiven Gefahrenbremsung (AGB) bei PKW durchgeführt. Unter Verwendung eines stehenden Hindernisses wurden sechs Systemausprägungen verglichen, die von den AGB-Partnern in zwei Versuchsträger implementiert wurden. Die sechs Systemausprägungen werden nahezu identisch bewertet, solange Probanden keine Vergleichsmöglichkeit zu anderen Systemausprägungen haben. Wenn es zu einem Fahrereingriff kommt, ist der Eingriffszeitpunkt des Fahrers unabhängig von der gefahrenen Systemausprägung.

Dieser Beitrag untersucht Potenziale des Einsatzes von MBE-Ansätzen bei der Validierung von Fahrerassistenzsystemen. Ziel ist die Untersuchung der Machbarkeit des Aufbaus einer Validierungsumgebung zur Automatisierung von Tests im Rahmen der kontinuierlichen Validierung von Fahrerassistenzsystemen. [... aus der Einleitung]

Der Schienengüterverkehr ist eines der wesentlichen Standbeine des europäischen Binnenmarktes. Studien sagen für den Zeitraum bis 2050 ein weiteres Wachstum des Schienengüterverkehrsaufkommens voraus. Um den dadurch bestehenden Bedarf decken zu können, ist es nötig, die Kapazität des Schienennetzes zu steigern bzw. die vorhandene Kapazität besser auszunutzen. Als kostengünstige Möglichkeit bieten sich daher Echtzeitbetriebsmanagementsysteme an, zu deren Komponenten auch Konfliktlösungs- und Fahrerassistenzsysteme gehören. Die Arbeit befasst sich mit der Verknüpfung von Konfliktlösungs- und Fahrerassistenzsystemen mit dem Ziel die Nutzung der Potenziale beider Systeme zu ermöglichen. Nach einer Betrachtung des Standes der Technik auf beiden Gebieten mit Fokus auf angewandten Algorithmen sowie möglichen Datenstrukturen für Schnittstellen wird das Konzept des Zuglaufoptimierungsplans als Menge von Zugfahrtkorridoren entwickelt. Zudem wird in einer Vorbetrachtung untersucht, welche Modelle und Algorithmen sich für Fahrdynamikrechnungen beider Systeme eignen, um durch unterschiedliche Algorithmik bedingte Abweichungen zwischen den Berechnungen beider Systeme zu minimieren. Daraufhin wird eine Schnittstellenlösung entwickelt, die Eingaben von Konfliktlösungssystemen nutzt und energieoptimierte Zuglaufoptimierungspläne berechnet. Damit sollen Zugfahrtkorridore so gestaltet werden können, dass sie sich für den Versand an Fahrerassistenzsysteme eignen. Dann werden die Abläufe der Gleisbelegung und die daraus entstehenden zeitlichen und räumlichen Einschränkungen für die Zugfahrten mit einem Constraint-Programm modelliert und mit dem Matlab-nonlinear-Constraint-Löser optimiert. Das Verfahren läuft in drei Schritten ab: - Vorverarbeitung; Berechnung der Fahrzeiten nach dem zuvor beschriebenen Algorithmus sowie der Energieverbräuche; - Berechnung der optimalen Zugpfade als Durchfahrzeitpunkte und Geschwindigkeiten nach Fahrplantreue, Energieverbrauch und Mindestgeschwindigkeit: - Ermitteln der optimalen Zuglaufkorridore aus den Zugpfaden. Es werden Möglichkeiten zur Reduktion der Rechenzeit des Verfahrens diskutiert und implementiert. In einer Fallstudie werden anhand zweier Szenarien europäischer Bahnkorridore die Einflüsse der verschiedenen Modellierungsvarianten auf Lösungsgüte und Rechengeschwindigkeit untersucht. Dabei wird deutlich, dass die vorgeschlagenen Modellvereinfachungen zu besserer Lösungsgüte bei gleichzeitiger Reduktion der Rechenzeit führen. Um uneingeschränkte Echtzeitfähigkeit zu erreichen, ist jedoch eine weitere Reduktion der Rechenzeit zu empfehlen. Diese kann beispielsweise durch den Einsatz spezialisierter Lösungsverfahren oder durch das Nutzen eines (noch zu entwickelnden) analytischen Zusammenhangs zwischen Fahrzeiten und Energieverbräuchen erreicht werden.:1 Einführung 2 Nichtlineare Optimierung in Konfliktlösungssystemen und Fahrerassistenzsystemen 3 Zuglaufrechnung als Voraussetzung für Interoperabilität 4 Modellierung des Schienenverkehrs zur Berechnung von Fahrzeit-Geschwindigkeit-Korridoren 5 Dreistufiges Verfahren zur Berechnung von Fahrzeit-Geschwindigkeit-Korridoren 6 Fallstudie zur Verknüpfung von Konfliktlösungssystemen mit Fahrerassistenzsystemen 7 Zusammenfassung und Ausblick

This work provides an in-depth-view of driver motivational aspects when driver assistance Systems (DAS) are considered. Thereby, the role of driver actual experience with DAS use was also identified and highlighted. A central outcome of this thesis is the STADIUM model describing the interplay of motivational factors that determine the engagement in secondary activities while taking actual DAS use experience into account. The role of motives in showing attentive behaviour depending on DAS (the navigation system) could also be underlined. The relevance, enrichment and need of combining qualitative and quantitative approaches when the effects of safety countermeasures on driver behaviour are investigated could also be shown. The results are discussed in terms of hierarchical driver behaviour models, the theory of planned behaviour and its extended versions and the strengths of the introduced studies and limitations. Implications for traffic safety are provided and future research issues are recommended.:Table of Content ACKNOWLEDGEMENTS III LIST OF INCLUDED PUBLICATIONS III SUMMARY VII ZUSAMMENFASSUNG XIII TABLE OF CONTENT XXI LIST OF FIGURES XXVII LIST OF TABLES XXXI 1. INTRODUCTION 1 1.1. Outline 2 1.2. Theoretical Background 3 1.2.1. Understanding driver behaviour: models and approaches that aim at describing driver behaviour. 3 1.2.2. Motivation and driving. 13 1.2.3. The role of motivation in behavioural adaptation due to driver assistance system use. 15 1.2.3.1. Driver assistance systems 15 1.2.3.2. Actual DAS use experience 24 1.2.4. Relevant motivational influence factors based on the Theory of Planned Behaviour. 25 1.2.4.1. Perceived risk 29 1.2.4.2. Perceived behavioural control 30 1.2.4.3. Norms 32 1.2.4.4. Attitudes towards reckless driving 33 1.2.4.5. Attitudes towards DAS 34 1.2.4.6. The intention to carry out concurrent activities to the driving tasks 35 1.2.5. Applying qualitative or quantitative methods when effects of DAS use on driver behaviour are investigated? 37 1.3. Objectives 41 2. STUDY I - ON THE INTERPLAY OF ACTUAL DAS USE EXPERIENCE AND MOTIVATIONAL FACTORS DETERMINING DRIVERS’ ENGAGEMENT IN SECONDARY ACTIVITIES – A THEORETICAL MODEL 45 2.1. Introduction 46 2.2. Methods 49 2.2.1. Focus group discussions. 49 2.2.2. Participants. 49 2.2.3. Procedure. 51 2.2.4. Data analysis. 54 2.3. Findings and Model Development 55 2.3.1. Perceived risk while driving. 55 2.3.2. Perceived behavioural control. 57 2.3.3. Safety-related beliefs concerning DAS: attitudes towards-, and norms concerning-, DAS. 59 2.4. Discussion 65 2.4.1. The STADIUM model. 65 2.4.2. Strengths and limitations. 66 3. STUDY IIA – THE STADIUM MODEL: SECONDARY ACTIVITY ENGAGEMENT DEPENDING ON THE INFLUENCE OF DAS USE EXPERIENCE ON MOTIVATIONAL FACTORS 69 3.1. Introduction 70 3.2. Methods 72 3.2.1. Participants. 72 3.2.2. Questionnaire. 73 3.2.2.1. DAS use experience 74 3.2.2.2. Motivational factors 75 3.2.2.3. Target behaviour: Intentions to carry out secondary activities while driving 76 3.2.3. Data analysis. 76 3.3. Results 78 3.3.1. DAS use experience: Chi-Squares and correlations. 78 3.3.2. Item analysis. 78 3.3.3. Correlations and Partial correlations. 79 3.3.4. The path analysis. 80 3.4. Discussion 82 3.4.1. Strengths and limitations. 87 4. STUDY IIB – THE ROLE OF DRIVER ASSISTANCE EXPERIENCE, SYSTEM FUNCTIONALITY, GENDER, AGE AND SENSATION SEEKING IN ATTITUDES TOWARDS THE SAFETY OF DRIVER ASSISTANCE SYSTEMS 91 4.1. Introduction 92 4.1.1. System functionality. 93 4.1.2. Driver characteristics. 94 4.1.2.1. Actual DAS use experience 94 4.1.2.2. Gender 96 4.1.2.3. Sensation seeking & age 97 4.1.3. Objectives & hypotheses. 98 4.2. Methods 98 4.2.1. Participants. 98 4.2.2. Questionnaire. 99 4.2.2.1. DAS use experience 99 4.2.2.2. Attitudes towards DAS 99 4.2.3. Data analysis. 100 4.3. Results 101 4.3.1. Gender differences. 106 4.3.2. Sensation seeking. 108 4.3.3. Age. 108 4.3.4. Actual DAS use experience. 110 4.4. Discussion 111 5. STUDY III – LOOK WHERE YOU HAVE TO GO! A FIELD STUDY COMPARING GLANCE BEHAVIOUR AT URBAN INTERSECTIONS USING A NAVIGATION SYSTEM OR A PRINTED ROUTE INSTRUCTION 117 5.1. Introduction 118 5.1.1. Behavioural effects of navigation system use. 119 5.1.2. Errors in visual attention allocation: The looked but failed to see phenomenon. 121 5.1.3. The navigation task and hierarchical models of driver behaviour. 122 5.1.4. Objectives. 124 5.1.5. Hypotheses. 124 5.2. Methods 126 5.2.1. Participants. 127 5.2.2. Standardised test drives. 127 5.2.3. Materials. 128 5.2.4. Data analysis procedure. 129 5.3. Results 132 5.3.1. Results from the descriptive, qualitative observation analysis. 132 5.3.2. Quantitative results. 135 5.3.2.1. Drivers’ reactions to pedestrians and/or cyclists who intend to cross 135 5.3.2.2. Driving Speed 136 5.3.2.3. Number of Glances 139 5.3.2.3.1. Areas of interest 139 5.3.2.4. Time looking to the areas of interest 142 5.3.2.4.1. Areas of interest: distribution of glances 142 5.3.2.4.2. Proportionate time looking to the areas of interest related to intersection passing duration 142 5.3.3. Summary of results from the qualitative and the quantitative analyses. 145 5.4. Conclusion 146 5.4.1. Driving speed. 147 5.4.2. Glance behaviour 147 5.4.3. Drivers’ reactions to pedestrians and cyclists. 150 5.4.4. Overall safety effect of type of route guidance 151 5.5. Discussion 152 5.5.1. Field drives: internal and external validity. 152 5.5.2. Experienced navigation system users. 154 5.5.3. Combination of qualitative and quantitative research. 154 5.5.4. Areas of interest. 156 5.5.5. Look but failed to see. 156 5.5.6. Presence of pedestrians and/ or cyclists. 157 5.5.7. Transition towards higher levels of automation. 157 6. FINAL DISCUSSION AND OVERALL CONCLUSION 161 6.1. Looking back, looking ahead 162 6.2. Hierarchical driver behaviour models: Be motivated to pay attention 163 6.3. The STADIUM model 166 6.3.1. Comparison with the Theory of Planned Behaviour. 167 6.3.2. The STADIUM model and its relevance for understanding driver behaviour. 168 6.4. Applying qualitative or quantitative methods when effects of DAS use on driver behaviour are investigated? 169 6.5. Limitations of this research 171 6.6. Implications 175 6.6.1. Individual & DAS. 175 6.6.2. Society & DAS. 177 6.7. Outline: Recommendations for future research 179 7. REFERENCES 183 8. ANNEX: OVERVIEW OF STUDIES THAT INVESTIGATED DRIVER BEHAVIOUR 209 EIDESSTATTLICHE ERKLÄRUNG 219 CURRICULUM VITAE 220 Personal Details 220 Scientific Education 221 Professional Experience in Science 222 Awards & Fellowship 223 Publications 224 Journal Paper 224 Book Chapter 225 Conferences 226 / Diese Arbeit liefert einen gründlichen Einblick, welche Rolle motivationale Aspekte spielen, wenn Fahrerassistenzsysteme (FAS) genutzt werden. Dabei wurde auch die Funktion der tatsächlichen Erfahrung mit FAS identifiziert und hervorgehoben. Ein zentrales Ergebnis dieser Arbeit ist das STADIUM Modell, welches das Zusammenspiel motivationaler Faktoren in Abhängigkeit von der tatsächlichen Erfahrung mit FAS erklärt, die wiederum bestimmen, inwieweit und ob andere Aktivitäten während des Fahrens ausgeführt werden. Außerdem konnte unterstrichen werden, welche Rolle Motive spielen, aufmerksames Verhalten in Abhängigkeit von der Nutzung von FAS (dem Navigationssystem) zu zeigen. Zusätzlich konnte dargestellt werden, wie relevant, bereichernd und nützlich es ist, qualitative und quantitative Methoden zu kombinieren, wenn die Effekte von FAS auf das FahrerInnenverhalten untersucht werden. Die Ergebnisse werden diskutiert indem auf hierarchische Fahrerverhaltensmodelle, auf die Theorie des geplanten Verhaltens und ihre erweiterten Versionen und auf die Stärken und Schwächen der Studien Bezug genommen wird. Es werden Implikationen dargestellt und zukünftige Forschungsfragen und Problemstellungen empfohlen.:Table of Content ACKNOWLEDGEMENTS III LIST OF INCLUDED PUBLICATIONS III SUMMARY VII ZUSAMMENFASSUNG XIII TABLE OF CONTENT XXI LIST OF FIGURES XXVII LIST OF TABLES XXXI 1. INTRODUCTION 1 1.1. Outline 2 1.2. Theoretical Background 3 1.2.1. Understanding driver behaviour: models and approaches that aim at describing driver behaviour. 3 1.2.2. Motivation and driving. 13 1.2.3. The role of motivation in behavioural adaptation due to driver assistance system use. 15 1.2.3.1. Driver assistance systems 15 1.2.3.2. Actual DAS use experience 24 1.2.4. Relevant motivational influence factors based on the Theory of Planned Behaviour. 25 1.2.4.1. Perceived risk 29 1.2.4.2. Perceived behavioural control 30 1.2.4.3. Norms 32 1.2.4.4. Attitudes towards reckless driving 33 1.2.4.5. Attitudes towards DAS 34 1.2.4.6. The intention to carry out concurrent activities to the driving tasks 35 1.2.5. Applying qualitative or quantitative methods when effects of DAS use on driver behaviour are investigated? 37 1.3. Objectives 41 2. STUDY I - ON THE INTERPLAY OF ACTUAL DAS USE EXPERIENCE AND MOTIVATIONAL FACTORS DETERMINING DRIVERS’ ENGAGEMENT IN SECONDARY ACTIVITIES – A THEORETICAL MODEL 45 2.1. Introduction 46 2.2. Methods 49 2.2.1. Focus group discussions. 49 2.2.2. Participants. 49 2.2.3. Procedure. 51 2.2.4. Data analysis. 54 2.3. Findings and Model Development 55 2.3.1. Perceived risk while driving. 55 2.3.2. Perceived behavioural control. 57 2.3.3. Safety-related beliefs concerning DAS: attitudes towards-, and norms concerning-, DAS. 59 2.4. Discussion 65 2.4.1. The STADIUM model. 65 2.4.2. Strengths and limitations. 66 3. STUDY IIA – THE STADIUM MODEL: SECONDARY ACTIVITY ENGAGEMENT DEPENDING ON THE INFLUENCE OF DAS USE EXPERIENCE ON MOTIVATIONAL FACTORS 69 3.1. Introduction 70 3.2. Methods 72 3.2.1. Participants. 72 3.2.2. Questionnaire. 73 3.2.2.1. DAS use experience 74 3.2.2.2. Motivational factors 75 3.2.2.3. Target behaviour: Intentions to carry out secondary activities while driving 76 3.2.3. Data analysis. 76 3.3. Results 78 3.3.1. DAS use experience: Chi-Squares and correlations. 78 3.3.2. Item analysis. 78 3.3.3. Correlations and Partial correlations. 79 3.3.4. The path analysis. 80 3.4. Discussion 82 3.4.1. Strengths and limitations. 87 4. STUDY IIB – THE ROLE OF DRIVER ASSISTANCE EXPERIENCE, SYSTEM FUNCTIONALITY, GENDER, AGE AND SENSATION SEEKING IN ATTITUDES TOWARDS THE SAFETY OF DRIVER ASSISTANCE SYSTEMS 91 4.1. Introduction 92 4.1.1. System functionality. 93 4.1.2. Driver characteristics. 94 4.1.2.1. Actual DAS use experience 94 4.1.2.2. Gender 96 4.1.2.3. Sensation seeking & age 97 4.1.3. Objectives & hypotheses. 98 4.2. Methods 98 4.2.1. Participants. 98 4.2.2. Questionnaire. 99 4.2.2.1. DAS use experience 99 4.2.2.2. Attitudes towards DAS 99 4.2.3. Data analysis. 100 4.3. Results 101 4.3.1. Gender differences. 106 4.3.2. Sensation seeking. 108 4.3.3. Age. 108 4.3.4. Actual DAS use experience. 110 4.4. Discussion 111 5. STUDY III – LOOK WHERE YOU HAVE TO GO! A FIELD STUDY COMPARING GLANCE BEHAVIOUR AT URBAN INTERSECTIONS USING A NAVIGATION SYSTEM OR A PRINTED ROUTE INSTRUCTION 117 5.1. Introduction 118 5.1.1. Behavioural effects of navigation system use. 119 5.1.2. Errors in visual attention allocation: The looked but failed to see phenomenon. 121 5.1.3. The navigation task and hierarchical models of driver behaviour. 122 5.1.4. Objectives. 124 5.1.5. Hypotheses. 124 5.2. Methods 126 5.2.1. Participants. 127 5.2.2. Standardised test drives. 127 5.2.3. Materials. 128 5.2.4. Data analysis procedure. 129 5.3. Results 132 5.3.1. Results from the descriptive, qualitative observation analysis. 132 5.3.2. Quantitative results. 135 5.3.2.1. Drivers’ reactions to pedestrians and/or cyclists who intend to cross 135 5.3.2.2. Driving Speed 136 5.3.2.3. Number of Glances 139 5.3.2.3.1. Areas of interest 139 5.3.2.4. Time looking to the areas of interest 142 5.3.2.4.1. Areas of interest: distribution of glances 142 5.3.2.4.2. Proportionate time looking to the areas of interest related to intersection passing duration 142 5.3.3. Summary of results from the qualitative and the quantitative analyses. 145 5.4. Conclusion 146 5.4.1. Driving speed. 147 5.4.2. Glance behaviour 147 5.4.3. Drivers’ reactions to pedestrians and cyclists. 150 5.4.4. Overall safety effect of type of route guidance 151 5.5. Discussion 152 5.5.1. Field drives: internal and external validity. 152 5.5.2. Experienced navigation system users. 154 5.5.3. Combination of qualitative and quantitative research. 154 5.5.4. Areas of interest. 156 5.5.5. Look but failed to see. 156 5.5.6. Presence of pedestrians and/ or cyclists. 157 5.5.7. Transition towards higher levels of automation. 157 6. FINAL DISCUSSION AND OVERALL CONCLUSION 161 6.1. Looking back, looking ahead 162 6.2. Hierarchical driver behaviour models: Be motivated to pay attention 163 6.3. The STADIUM model 166 6.3.1. Comparison with the Theory of Planned Behaviour. 167 6.3.2. The STADIUM model and its relevance for understanding driver behaviour. 168 6.4. Applying qualitative or quantitative methods when effects of DAS use on driver behaviour are investigated? 169 6.5. Limitations of this research 171 6.6. Implications 175 6.6.1. Individual & DAS. 175 6.6.2. Society & DAS. 177 6.7. Outline: Recommendations for future research 179 7. REFERENCES 183 8. ANNEX: OVERVIEW OF STUDIES THAT INVESTIGATED DRIVER BEHAVIOUR 209 EIDESSTATTLICHE ERKLÄRUNG 219 CURRICULUM VITAE 220 Personal Details 220 Scientific Education 221 Professional Experience in Science 222 Awards & Fellowship 223 Publications 224 Journal Paper 224 Book Chapter 225 Conferences 226

Moderne Fahrerassistenzsysteme basieren auf der Verarbeitung von Informationen, welche durch die Umfeldwahrnehmung mit unterschiedlicher Sensorik erfolgt. Neben den Informationen aus dem eigenen Fahrzeug ergeben sich durch unterschiedliche Kommunikationsmöglichkeiten (Car2Car, Car2X, ...) erweiterte Umfeldwahrnehmungen (siehe Abb. 1). Diese Daten gilt es aufbereitet und zielorientiert einer Anwendung zur Verfügung zu stellen, was mit Hilfe einer Local Dynamic Map (LDM) erfüllt werden kann. Die vorliegende Veröffentlichung beschreibt den Aufbau, Verwendungszweck und Eigenschaften einer entwickelten LDM und geht auf einige Applikationen ein, die mit Hilfe dieser realisiert wurden.