Automatisiertes Fahren wird als Zukunft der Mobilität gesehen. Es wird erwartet, dass dadurch die Leistungsfähigkeit des Verkehrs gesteigert und die Zahl der Straßenverkehrsopfer reduziert wird sowie Emissionen und Staus zurückgehen werden. Dies wird mehr ein mehrdimensionaler, schrittweiser Übergangsprozess als ein schneller Wandel sein. Die neue Technologie wird dabei sowohl im Pkw als auch im Nutzfahrzeug Einzug halten. Nach jetzigem Stand der Technik würde es sich bei den Fahrzeugen um Level 2- oder Level 3-Fahrzeuge handeln, deren automatisierte Fahrfunktion typischerweise nur auf Autobahnen aktiv ist [1]. Mit der Weiterentwicklung der Technologie werden Fahrzeuge mit Fahrfunktionen höherer Automatisierungsstufen und in weiteren Anwendungsbereichen neben der Autobahn schrittweise marktreif. Etwas anders sieht es bei Parkfunktionen aus. Hier könnte die Entwicklung schneller hin zu vollautomatisierten Funktionen verlaufen. Mit Stand heute wird der Verkehr in absehbarer Zukunft durch das Nebeneinander von Fahrzeugen unterschiedlicher Automatisierungsgrade und manuell gesteuerter Fahrzeuge geprägt sein. Diese Entwicklung wird sowohl Pkw als auch Nutzfahrzeuge betreffen.

Automatisiertes Fahren wird als Zukunft der Mobilität gesehen. Es wird erwartet, dass dadurch die Leistungsfähigkeit des Verkehrs gesteigert und die Zahl der Straßenverkehrsopfer reduziert sowie Emissionen und Staus zurückgehen werden. Dies wird mehr ein schrittweiser Übergangsprozess als ein schneller Wandel sein. Die neue Technologie wird dabei sowohl im Pkw als auch im Nutzfahrzeug Einzug halten. Nach jetzigem Stand der Technik würde es sich bei den Fahrzeugen um teil- [Level 2] oder hochautomatisierte [Level 3] Fahrzeuge nach SAE J 3016-Definition handeln, deren automatisierte Fahrfunktion typischerweise nur auf Autobahnen aktiv ist. Mit der Weiterentwicklung der Technologie werden Fahrzeuge mit Fahrfunktionen höherer Automatisierungsstufen schrittweise marktreif. In naher Zukunft ist mit den Entwicklungsstufen des teilund hochautomatisierten Fahrens eine Kontrolle durch den Fahrer und sein jederzeitiges Eingreifen in Problemsituationen vorgesehen. Diese Kontrolle soll er schaffen, obwohl zumindest die Gefahr besteht, dass ihm die Grenzen der Funktionalität nicht bekannt sind und diese sich auch von Fahrzeug zu Fahrzeug unterscheiden. Die Fahrer werden klar verstehen müssen, was ihre Fahrzeuge leisten können und wo ihre Verantwortung liegt. Hier muss der Hersteller durch geeignete technische Maßnahmen sicherstellen, dass der Fahrer die Grenzen der Funktionalität verstehen und einhalten kann. Gemäß heutiger Kenntnis und Prognose wird der Verkehr in absehbarer Zukunft durch das Nebeneinander von Fahrzeugen unterschiedlicher Automatisierungsgrade und manuell gesteuerter Fahrzeuge geprägt sein. Diese Entwicklung betrifft sowohl Pkw als auch Nutzfahrzeuge. Es ist noch ungeklärt, ob dieses Nebeneinander zusätzliche Risiken für die Verkehrssicherheit bedeutet. Zusätzliche Forschung ist dazu erforderlich.

FACTS - Founded in July 2008 - Meanwhile about to 250 employees. The team structure is characterized by a big number of very experienced engineers - AVL Software and Functions GmbH creates prototyping and serial solutions (software and hardware) for different applications in the fields of for example passenger cars, racing, two wheelers, light and heavy duty vehicles - AVL Software and Functions is the globally responsible competence center for software development inside theAVL group. - 100% integrated into the worldwide AVL network

FACTS - Founded in July 2008 - Meanwhile about to 250 employees. The team structure is characterized by a big number of very experienced engineers - AVL Software and Functions GmbH creates prototyping and serial solutions (software and hardware) for different applications in the fields of for example passenger cars, racing, two wheelers, light and heavy duty vehicles - AVL Software and Functions is the globally responsible competence center for software development inside theAVL group. - 100% integrated into the worldwide AVL network

Connected and automated vebicles (CA Vs) will shape traffic patterns in the future and greatly influence urban mobility. A particular challenge for CAVs is to anticipate the movements of other road users. This applies especially to micromobility vehicles (bicycles, smaU electric vehicles), whose traffic behaviour is difficult to predict and shaped from individual behaviour. The increasing coexistence of CAVs and other, conventionally driven modes of transport thus has a growing impact as well as multiple consequences for urban structures and public space. The following fundamental trends will shape the way people live together in cities in the coming years: 1. increasing share of CAVs and micromobility, 2. renaissance ofthe mixed and liveable city, 3. changes in mobility behaviour and the appreciation of public space ( especially due to climate change and the Covid 19-pandemic), as weil as 4. technical upgrading of infrastructure. These parallel developments will lead to both conflicts and opportunities for cities.[from Introduction]

Das automatisierte Fahren hat bereits den Weg auf den kommerziellen Markt geschafft und weiterer Fortschritt kann in naher Zukunft erwartet werden. Das Level 3 des automatisierten Fahrens verspricht steigende Sicherheit, Komfort und Verkehrseffizienz. Für den menschlichen Fahrer sind diese Funktionen und damit einhergehende Nutzerschnittstellen eine neuartige Technologie. Im Bereich Human Factors stehen Forschung und Entwicklung vor zwei Herausforderungen, welche (1) der Entwurf von intuitiven und einfach bedienbaren Nutzerschnittstellen und (2) die Entwicklung von Methoden zur Bewertung ebendieser sind. Bei der Bewertung von Technologie wurde bereits häufig auf die sogenannte Preference-Performance Dissoziation aufmerksam gemacht. Diese beschreibt das Ergebnis von Nutzerstudien, in denen die Präferenz (Selbstbericht) der Nutzer nicht mit deren Leistung (beobachtbares Verhalten) übereinstimmt. Dieses Phänomen stellt eine Gefährdung für die Bewertung von Nutzerschnittstellen beim automatisierten Fahren dar. Aufgrund dessen berichtet die vorliegende Dissertation zunächst Untersuchungen zur Messbarmachung von Präferenz und Leistung. Zudem wurde das Verständnis von automatisierten Systemen (mentales Modell) als ein wichtiger Einflussfaktor zur Entstehung des beobachtbaren Verhaltens angenommen und mit in die Arbeiten eingeschlossen. Mithilfe der gewonnenen Erkenntnisse der Messbarmachung widmete sich der zweite Teil der Dissertation den Faktoren, die einen Einfluss auf das Entstehen von Präferenz und/oder Leistung ausüben. Untersuchte Faktoren waren die Anzahl an Wiederholungen von Anwendungsfällen, Rückmeldung zur Bedienleistung, Nutzerschulung und eine statistische post-hoc Analyse. Um die Ziele der Messbarmachung und Einflussnahme zu erreichen wurden drei Fahrsimulatorstudien mit insgesamt N=225 Probanden durchgeführt. Die Haupterkenntnisse waren (1) die Entwicklung einer differenzierten Empfehlung von Fragebögen zur Erfassung der Nutzerpräferenz. Außerdem (2) wurden Erkenntnisse der Entwicklung von Verhaltensmaßen über die Zeit sowie deren Zusammenhang zu Präferenzmaßen gewonnen. Betreffend der mentalen Modelle (3) zeigte die vorliegende Arbeit, dass es wiederholter Interaktion bedarf, damit diese sich korrekt entwickeln. Außerdem kann das Verständnis durch Blickverhaltensmaße erfasst werden. Zusätzlich (4) zeigte sich, dass Leistungsrückmeldung Präferenz, nicht aber Leistung selbst beeinflussen kann. Im Gegensatz dazu (5) wirkt sich Nutzerschulung positiv auf die Korrektheit mentaler Modelle und nachfolgend der Nutzerleistung selbst aus, lässt aber Präferenzmaße unbeeinflusst. Abschließend zeigte sich, dass (6) Nutzer verschiedener Leistungsstufen ähnliche Präferenzurteile fällen. Der theoretische Beitrag der vorliegenden Arbeit liegt in den Einblicken in die Entstehung der beiden Datenquellen der Preference-Performance Dissoziation wodurch diese erklärt und vorhergesagt werden kann. Der praktische Beitrag liegt in der Anwendung der Arbeit zur Messbarmachung von Variablen und Empfehlung zum Studiendesign hinsichtlich Anzahl an Messwiederholungen und Nutzerschulung. Abschließend betreffen die hier gewonnenen Erkenntnisse nicht nur die Bewertung von Nutzerschnittstellen beim automatisierten Fahren, sondern können auch auf andere Automationsbereiche der Mensch-Maschine Interaktion wie beispielsweise Luftfahrt, Robotik oder Medizintechnik übertragen werden. / Driving automation systems have already entered the commercial market and further advancements will be introduced in the near future. Level 3 automated driving systems are expected to increase safety, comfort and traffic efficiency. For the human driver, these functions and according human-machine interfaces are a novel technology. In the human factors domain, research and development faces two challenges which are (1) the conceptualization of intuitive and easy to use interfaces and (2) the development of a methodological framework to evaluate these interfaces. In technology evaluation, a methodological phenomenon has frequently been reported which is called the preference-performance dissociation. It describes the outcome of studies where users' preference (i.e., self-report) does not match their performance (i.e., interaction behavior). This phenomenon poses a threat to the evaluation of automated vehicle HMIs. Therefore, the present thesis first reports investigations on how to operationalize both performance and preference. Moreover, the understanding (i.e., mental model) of automated vehicle HMIs was hypothesized as an influential precursor of performance and included in the present work. Using the insights of the operationalization part, the second part of the thesis aimed at finding out about factors that exert influence on preference and/or performance. Investigated factors were the number of use case repetitions, feedback on operator performance, user education and a post-hoc statistical analysis. To reach the operationalization and variation aims, three driving simulator studies with a total of N=225 participants were conducted. The main outcomes were that (1) a sophisticated recommendation regarding preference questionnaire application could be given. Furthermore, (2) insights into the development of behavioral measures over time and their relation to a satisfaction measure could be given. Concerning mental models, (3) the present work showed that it takes repeated interaction to evolve accurately and gaze measures could also be used for capturing these processes. In addition, (4) feedback on operator performance was found to influence preference but not performance while (5) user education increased understanding and subsequent performance but did not affect preference. Eventually it showed that (6) users of different performance levels report similar preference. The theoretical contribution of this work lies in insights into the formation of the two sources of data and its potential to both explain and predict the preference-performance dissociation. The practical contribution lies in the recommendation for research methodology regarding how to operationalize measures and how to design user studies concerning the number of use cases and user education approaches. Finally, the results gained herein do not only apply to automated vehicle HMIs but might also be generalized to related domains such as aviation, robotics or health care.

In the near future, more vehicles will have automated functions. The traffic system will probably be a shared space of automated and manually driven vehicles for a long time. During this period of mixed traffic, communication between any types of road users will become an important demand for automated vehicles (AV). This PhD project focuses on vulnerable road users, namely pedestrians, in cooperative situations with AVs to establish comfortable interactions in the future. The first aim is to understand current pedestrian behaviour in cooperative negotiation situations with manual driven cars. Therefore, an observational study was conducted to explore interaction types and parameters that can be used to derive implications for automated driving. In this study, 121 interaction sequences were annotated using the type-building content analyses to identify specific interaction types. Those interaction types were distinguished by means of the parameters head movement and walking behaviour. As a result, three types of interaction (sufficient visual assurance, frequent visual assurance and poor visual assurance) were found. As a conclusion, the role of the parameters head movement and walking behaviour as well as the interaction types were discussed regarding their applicability for communication technologies and algorithms. Further, the AV has to be capable of communicating with pedestrians and therefore has to establish a suitable compensation for current pedestrian-driver communication. The implementation of additional external communication interfaces is supposed to challenge this problem, which leads to the second aim of this thesis: pedestrian needs, and design and assessment criteria for communication interfaces. A focus group discussion (n = 6) addressed the identification of pedestrian needs and concerns when interacting with Human-Machine Interfaces (HMI) in automated driving. Here, several communication interfaces were evaluated in order to implement smooth and comfortable communication. This qualitative approach was followed by an experimental video simulation study (n = 25) based on the results of the focus group discussion regarding design and assessment criteria. For the video simulation study, HMI designs were created with variations in position, type and coding of the message, and technology. These were assessed by 25 subjects according to evaluation criteria concluded from the focus discussion: recognisability, unambiguousness, interaction comfort and intuitive comprehensibility. The results showed that direct instructions to cross the street are preferred over status information about the vehicle, and that large-scale text-based messages from the vehicle to the pedestrian deliver better results. Design recommendations for HMIs for communication between automated vehicles are derived, and the extent to which external HMIs may supplement informal communication strategies such as vehicle movement or braking manoeuvres is discussed. As a conclusion, the third aim of this PhD project addressed whether informal communication cues in terms of vehicle movement could be suitable for pedestrian-AV communication. Therefore, the detection performance of different vehicle movements as well as several parameters such as deceleration rate were brought into focus. To address the applicability of informal pedestrian-AV communication, three experimental studies were carried out within this PhD project. The first study focused on the detection of both vehicle acceleration and deceleration. A video simulation was conducted regarding the independent variables vehicle speed (20 and 40 km/h), daylight (morning, dusk, evening), onset time regarding the change of movement (early, late) and acceleration rate (positive, negative, none) were varied. The task of the participants (n = 33) was to indicate by pressing a button when they detected changes in the approaching car movement. Furthermore, they had to decide what kind of movement it was (deceleration/acceleration). Results showed a bad detection performance for vehicle acceleration, so there were no further inferential analyses on that variable. For vehicle decelerations, significant results were revealed for deceleration rate and vehicle speed. The higher the deceleration rate and the lower the speed, the shorter detection times. The variable daylight did not reveal a significant influence on detection performance. The onset of deceleration showed significant results regarding the 20 km/h speed condition, which is however confounded by the interaction with deceleration rate. The discussion addressed methodological limitations, as well as perceptional constructs, such as the “Tau-Hypothesis” to explain the results. As recommendation, accelerations are probably not a suitable informal communication cue. The detection of deceleration showed better results, thus the subsequent studies focused in more detail on deceleration. The second video simulation study regarding informal communication cues addressed the detection of deceleration using only the lower speed condition (20 km/h). The deceleration rate was adjusted to a continuous variable ranging from -3.5 m/s² to -1.5 m/s². Further, the variable vehicle size (large, medium, and small) and the onset of deceleration (early, late) were varied. Participants (n = 25) had to indicate, when they perceived a deceleration. Results confirmed the significant influence of deceleration rate, as mentioned in the study before. Further, the onset of deceleration as well as an interaction of deceleration rate and onset of deceleration were again found to reveal significant results. Vehicle size also influenced the detection performance in a significant way. Nevertheless, this effect was mainly driven by the large vehicle. As a main conclusion, there is probably no “one-fits-all” solution for the AV deceleration algorithm that is always perceived properly. Limitations of the study as well as aspects of comfortable deceleration from the perspectives of both pedestrians and drivers were taken into account. The third study regarding informal communication addressed a major limitation of the video simulations mentioned above, namely the lack of realism. Therefore, a realistic field study using a vehicle with automated longitudinal control was conducted. The variables vehicle speed (20 km/h, 30 km/h), deceleration rate (-0.7 m/s², -1.4 m/s², -2.1 m/s²) and onset of deceleration (early, late) were manipulated. The participants (n = 23) again had to indicate when they perceived a deceleration manœuvre. Compared to both video simulations, a clear reduction of detection time was revealed, almost regardless of deceleration rate, vehicle speed or onset of deceleration. This result supports the assumption that realistic environments provide more information sources which can be used to detect vehicle deceleration compared to the simulation. Further, the study showed that deceleration was detected reliably (even for very low deceleration rates) and supports the use of this form of vehicle movement as the recommended informal communication cue. For AV technology it can be confirmed that smooth and early deceleration would be suitable for the perception of deceleration which also supports the aim of comfortable interactions both for pedestrians and drivers/passengers.:LIST OF FIGURES 6 LIST OF TABLES 9 LIST OF ABBREVIATIONS 10 ACKNOWLEDGEMENTS 11 SUMMARY 12 ZUSAMMENFASSUNG 15 1 INTRODUCTION 19 2 THEORETICAL BACKGROUND 21 2.1 Pedestrian Behaviour Studies 21 2.1.1 Demographics and Personality 22 2.1.2 Expectations and Past Experiences 23 2.1.3 Abilities 23 2.1.4 Social Factors 26 2.1.5 Environmental Factors 26 2.2 Current Communication and Interaction between Pedestrians and Vehicles 27 2.2.1 Definition of Communication and Interaction in Road Traffic 27 2.2.2 Formal and Informal Communication in Road Traffic 28 2.2.3 Behavioural Characteristics of Informal Communication between Pedestrians and Vehicles 29 2.3 Levels of Vehicle Automation 34 2.4 Communication with Pedestrians in the Context of Automated Driving 35 2.4.1 Explicit Communication between Pedestrians and Automated Vehicles 36 2.4.2 Implicit Communication between Pedestrians and Automated Vehicles 42 3 OVERALL RESEARCH QUESTIONS 45 4 OVERALL METHODOLOGICAL CONSIDERATIONS 48 4.1 Video Recording Session 48 4.2 Simulation Software and Video Editing 50 5 STUDY I: Observation of Interaction between Pedestrians and Vehicles 52 5.1 Aims and Research Questions 52 5.2 Data Collection 52 5.3 Annotation Procedure and Analysis 53 5.4 Results 55 5.4.1 Type: “sufficient frequency of visual assurance” 57 5.4.2 Type: “frequent visual assurance” 57 5.4.3 Type: “poor visual assurance” 58 5.5 Discussion 59 6 STUDY II: HMI Development and Evaluation 62 6.1 Aims and Research Questions 62 6.2 Method Study IIa: Focus Group Discussion 63 6.2.1 Participants 63 6.2.2 Research Design 63 6.2.3 Procedure 64 6.2.4 Material 65 6.3 Results Study IIa: Focus Group Discussion 65 6.3.1 Benefits and Disadvantages for each HMI category 65 6.3.2 General Concerns, Benefits and Design Criteria 66 6.4 Method Study IIb: Video Simulation 67 6.4.1 Participants 67 6.4.2 Research Design 68 6.4.3 Procedure 70 6.4.4 Material 70 6.5 Results Study IIb: Video Simulation 71 6.5.1 HMI Technology 72 6.5.2 Type of Information 72 6.5.3 Position of Information 72 6.5.4 Coding of Information 73 6.5.5 Intuitive Comprehensibility 73 6.5.6 Recognisability 74 6.5.7 Unambiguousness 76 6.5.8 Interaction Comfort 78 6.6 Discussion 80 7 STUDY III: Vehicle Movement as Implicit Communication 85 7.1 Aims and Research Questions 85 7.2 Method 86 7.2.1 Participants 86 7.2.2 Research Design 86 7.2.3 Procedure 87 7.2.4 Material 90 7.3 Results 90 7.3.1 Detection of Deceleration and Acceleration 90 7.3.2 Daylight 91 7.3.3 Vehicle Speed 91 7.3.4 Deceleration Rate 92 7.3.5 Onset of Deceleration 92 7.3.6 Inferential Analyses regarding Vehicle Speed, Deceleration Rate and Onset of Deceleration 93 7.3.7 Exploration of perceived comfort and safety of different deceleration patterns 96 7.4 Discussion 98 8 STUDY IV: Parameter of Braking for Implicit Communication 101 8.1 Aims and Research Questions 101 8.2 Method 101 8.2.1 Participants 101 8.2.2 Research Design 102 8.2.3 Procedure 103 8.2.4 Material 103 8.3 Results 103 8.3.1 Inferential Analysis regarding Vehicle Size, Deceleration Rate and Onset of Deceleration 104 8.4 Discussion 106 9 STUDY V: Field Study 108 9.1 Aims and Research Questions 108 9.2 Method 108 9.2.1 Participants 109 9.2.2 Research Design 109 9.2.3 Procedure 111 9.2.4 Material 112 9.3 Results 114 9.3.1 Inferential Analysis regarding Vehicle Speed, Deceleration Rate and Onset of Deceleration 114 9.4 Discussion 116 10 GENERAL DISCUSSION AND CONCLUSION 118 10.1 Theoretical and Practical Considerations 118 10.2 Limitations and Directions for Future Research 123 REFERENCES 126 APPENDIX 140 CURRICULUM VITAE AND PUBLICATIONS 143 / Bereits heute verfügen Fahrzeuge über hoch entwickelte Technologien und automatisierte Funktionen, die den Fahrer in verschiedensten Verkehrssituationen unterstützen (z.B. Spurhalteassistent). Der Trend zur Fahrzeugautomatisierung wird sich höchstwahrscheinlich fortsetzen und Fahrzeuge mit höheren Automationsgraden bis hin zur vollständigen Automatisierung werden einen bedeutenden Teil des zukünftigen Verkehrssystems repräsentieren. Das Verkehrssystem wird für lange Zeit ein gemeinsamer Raum von automatisierten und nicht-automatisierten Fahrzeugen sein. Während dieser Zeit des gemischten Verkehrs, wird die Kommunikation zwischen allen Arten von Verkehrsteilnehmern eine wichtige Herausforderung für automatisierte Fahrzeuge darstellen. Diese Dissertation konzentriert sich daher auf Kommunikationsszenarien zwischen Fußgänger und zukünftig automatisierten Fahrzeugen, mit dem Anspruch Interaktionen komfortabel zu gestalten. Das erste Ziel der Arbeit besteht darin, das aktuelle Fußgängerverhalten in kooperativen Verhandlungssituationen mit nicht-automatisierten Fahrzeugen zu analysieren. Daher wurde eine Beobachtungsstudie durchgeführt, um Interaktionstypen und Parameter zu untersuchen, die zur Ableitung von Implikationen für das automatisierte Fahren verwendet werden können. In dieser Studie wurden 121 Interaktionssequenzen annotiert und mittels typenbildender Inhaltsanalyse untersucht, um spezifische Interaktionstypen zu identifizieren. Diese Interaktionstypen wurden anhand der Parameter Kopfbewegung und Gehverhalten der Fußgänger unterschieden. Als Ergebnis wurden drei Arten der Interaktion gefunden (ausreichende visuelle Absicherung, häufige visuelle Absicherung und geringe visuelle Absicherung). Als Schlussfolgerung wurde die Rolle der Parameter Kopfbewegung und Gehverhalten sowie die Interaktionstypen bezüglich ihrer Implikationen für Kommunikationstechnologien (z.B. Sensoranforderungen) und Algorithmen für automatisierte Fahrzeuge diskutiert. Ein automatisiertes Fahrzeug muss zukünftig in der Lage sein, Fußgänger nicht nur sicher zu detektieren sondern zudem mit Fußgängern zu kommunizieren. Hierfür muss eine geeignete Kommunikationsschnittstelle (HMI) vorhanden sein, welche Mechanismen der gegenwärtigen Fußgänger-Fahrzeug-Kommunikation adressiert. Die Gestaltung zusätzlicher HMIs zur expliziten Kommunikation stellt das zweite Ziel dieser Arbeit dar. In einer Kombination aus qualitativen und experimentellen Methoden wurden zuerst die Fußgängerbedürfnisse an HMIs exploriert um darauf aufbauend Gestaltungs- und Bewertungskriterien abzuleiten und zu prüfen. Eine Fokusgruppendiskussion (n = 6) befasste sich mit der Identifizierung von Fußgängerbedürfnissen und -problemen bei der Interaktion mit externen HMIs für automatisierte Fahrzeuge. Hier wurden mehrere Kommunikationsschnittstellen recherchiert und evaluiert. Diesem qualitativen Ansatz folgte eine experimentelle Videosimulationsstudie (n = 25), basierend auf den Ergebnissen der Fokusgruppendiskussion zu Design- und Bewertungskriterien. Für die Videosimulationsstudie wurden HMI-Designs mit Variationen in Position (Windschutzscheibe, Kühlergrill, Straße), Inhalt (Anweisung weiter zugehen vs. Statusinformation des Fahrzeugs) und Codierung (Text vs. Symbol) der Nachricht an den Fußgänger und Art des HMIs (LED Lichtleiste, LED Display, Projektionen) erstellt. Diese wurden von 25 Probanden anhand der Kriterien Erkennbarkeit, Eindeutigkeit, Interaktionskomfort und intuitive Verständlichkeit bewertet. Die Ergebnisse zeigten, dass direkte Anweisungen zum Überqueren der Straße den Statusinformationen über das Fahrzeug vorgezogen werden und dass großflächige textbasierte Nachrichten vom Fahrzeug zum Fußgänger bessere Ergebnisse liefern. Es werden Gestaltungsempfehlungen für HMIs zur Kommunikation zwischen automatisierten Fahrzeugen abgeleitet und diskutiert, inwieweit externe HMIs informelle Kommunikationsmechanismen wie das Erkennen von Fahrzeugbremsungen ergänzen. Das dritte Ziel dieser Dissertation besteht darin, zu untersuchen, inwiefern informelle Kommunikationselemente wie Fahrzeugbewegungen für eine komfortable Interaktion zwischen Fußgängern und automatisierten Fahrzeugen genutzt werden könnten. Konkret wurde adressiert, welche Parameter einen Einfluss auf die Erkennung von verschiedenen Fahrzeugbewegungen haben. Dazu wurden im Rahmen dieses Promotionsvorhabens drei experimentelle Studien durchgeführt. Die erste Studie konzentrierte sich auf die Erkennung von Fahrzeugbeschleunigung und – Verzögerungen im Rahmen einer Videosimulation. Es wurden die unabhängigen Variablen Fahrzeuggeschwindigkeit (20 und 40 km/h), Tageslicht (morgens, abends, abends), Initiierungszeitpunkt der Bewegungsänderung (früh, spät) und Beschleunigungsrate (positiv, negativ, keine) manipuliert. Die Aufgabe der Probanden (n = 33) bestand darin, anzuzeigen, wenn sie Veränderungen in der Bewegung eines sich nähernden Fahrzeuges feststellten. Außerdem mussten die Probanden entscheiden, welche Art von Bewegungsänderung sie wahrgenommen haben (Verzögerung/Beschleunigung). Die Ergebnisse zeigten eine schlechte Erkennungsleistung für die Fahrzeugbeschleunigung. Für Fahrzeugverzögerungen wurden signifikante Ergebnisse für die Verzögerungsrate und die Fahrzeuggeschwindigkeit aufgezeigt. Je stärker die Verzögerung und je niedriger die Geschwindigkeit, desto kürzer die Erkennungszeiten. In der Tageslichtlichtbedingung zeigte sich kein signifikanter Einfluss auf die Detektionsleistung. Der Initiierungszeitpunkt der Verzögerung zeigte signifikante Ergebnisse, jedoch nur für die geringere Geschwindigkeitsbedingung. Die Diskussion befasste sich mit methodischen Einschränkungen sowie mit Wahrnehmungskonstrukten wie der „Tau-Hypothese“ zur Erklärung der Ergebnisse. Als Empfehlung kann abgleitet werden, dass Beschleunigungen für die informelle Kommunikation zwischen automatisierten Fahrzeugen und Fußgängern eher ungeeignet sind. Die Detektion der Verzögerungen zeigte insgesamt zuverlässigere Ergebnisse; daher wurden die Folgestudien auf das Erkennen von Abbremsungen limitiert. Die zweite Videosimulationsstudie zur informellen Kommunikation befasste sich mit der Erkennung von Bremsungen in der geringen Geschwindigkeitsbedingung (20 km/h). Die Verzögerungsrate wurde als kontinuierliche, unabhängige Variable im Bereich von -3,5 m/s² bis -1,5 m/s² implementiert. Zudem wurden die variable Fahrzeuggröße (groß, mittel, klein) und der Initiierungszeitpunkt der Verzögerung (früh, spät) als weitere unabhängige Variablen variiert. Die Probanden (n = 25) mussten angeben, wann sie eine Bremsung des Fahrzeugs wahrgenommen haben. Die Ergebnisse bestätigten den signifikanten Einfluss der Verzögerungsrate, wie bereits in der voran gegangenen Studie erwähnt. Die Fahrzeuggröße beeinflusste die Detektionsleistung ebenfalls in signifikanter Weise. Dieser Effekt wurde jedoch hauptsächlich durch das große Fahrzeug bedingt. Als eine zentrale Schlussfolgerung ist abzuleiten, dass es wahrscheinlich keine „one-fits-all“ -Lösung für Algorithmen zur Fahrzeugbewegung gibt. Im Umkehrschluss müssen die Variablen Fahrzeuggeschwindigkeit, -Größe und Verzögerungsrate, sowie deren Interaktionen in die Algorithmenentwicklung einbezogen werden, um zuverlässige Erkennungsleistungen und damit adäquate informelle Kommunikation zwischen Fußgängern und automatisierten Fahrzeugen zu gewährleisten. Um die fehlende Realitätsnähe in den Videosimulationen zu adressieren, wurde ein Feldexperiment zur Erkennung von Abbremsungen durchgeführt. Hierbei kam ein Testfahrzeug mit automatisierter Längsführung auf einer Teststrecke zum Einsatz. Die Variablen Fahrzeuggeschwindigkeit (20 km/h, 30 km/h), Verzögerungsrate (-0,7 m/s², -1,4 m/s², -2,1 m/s²) und Initiierungszeitpunkt der Verzögerung (früh, spät) wurden manipuliert. Die Teilnehmer (n = 23) mussten erneut angeben, wann sie ein Verzögerungsmanöver wahrnahmen. Im Vergleich zu beiden Videosimulationen zeigte sich eine deutliche Reduzierung der Detektionszeit, nahezu unabhängig von der Verzögerungsrate, der Fahrzeuggeschwindigkeit oder dem Beginn der Verzögerung. Dieses Ergebnis deutet darauf hin, dass realistische Umgebungen mehrere Informationsquellen zur Verfügung stellen, anhand derer die Fahrzeugverzögerung im Vergleich zur Simulation ermittelt werden kann. Des Weiteren zeigte die Studie, dass die Verzögerung zuverlässig erkannt wurde (selbst bei sehr niedrigen Verzögerungsraten) und unterstützt die Empfehlung, Abbremsungen als informelle Kommunikationsmöglichkeit einzusetzen.:LIST OF FIGURES 6 LIST OF TABLES 9 LIST OF ABBREVIATIONS 10 ACKNOWLEDGEMENTS 11 SUMMARY 12 ZUSAMMENFASSUNG 15 1 INTRODUCTION 19 2 THEORETICAL BACKGROUND 21 2.1 Pedestrian Behaviour Studies 21 2.1.1 Demographics and Personality 22 2.1.2 Expectations and Past Experiences 23 2.1.3 Abilities 23 2.1.4 Social Factors 26 2.1.5 Environmental Factors 26 2.2 Current Communication and Interaction between Pedestrians and Vehicles 27 2.2.1 Definition of Communication and Interaction in Road Traffic 27 2.2.2 Formal and Informal Communication in Road Traffic 28 2.2.3 Behavioural Characteristics of Informal Communication between Pedestrians and Vehicles 29 2.3 Levels of Vehicle Automation 34 2.4 Communication with Pedestrians in the Context of Automated Driving 35 2.4.1 Explicit Communication between Pedestrians and Automated Vehicles 36 2.4.2 Implicit Communication between Pedestrians and Automated Vehicles 42 3 OVERALL RESEARCH QUESTIONS 45 4 OVERALL METHODOLOGICAL CONSIDERATIONS 48 4.1 Video Recording Session 48 4.2 Simulation Software and Video Editing 50 5 STUDY I: Observation of Interaction between Pedestrians and Vehicles 52 5.1 Aims and Research Questions 52 5.2 Data Collection 52 5.3 Annotation Procedure and Analysis 53 5.4 Results 55 5.4.1 Type: “sufficient frequency of visual assurance” 57 5.4.2 Type: “frequent visual assurance” 57 5.4.3 Type: “poor visual assurance” 58 5.5 Discussion 59 6 STUDY II: HMI Development and Evaluation 62 6.1 Aims and Research Questions 62 6.2 Method Study IIa: Focus Group Discussion 63 6.2.1 Participants 63 6.2.2 Research Design 63 6.2.3 Procedure 64 6.2.4 Material 65 6.3 Results Study IIa: Focus Group Discussion 65 6.3.1 Benefits and Disadvantages for each HMI category 65 6.3.2 General Concerns, Benefits and Design Criteria 66 6.4 Method Study IIb: Video Simulation 67 6.4.1 Participants 67 6.4.2 Research Design 68 6.4.3 Procedure 70 6.4.4 Material 70 6.5 Results Study IIb: Video Simulation 71 6.5.1 HMI Technology 72 6.5.2 Type of Information 72 6.5.3 Position of Information 72 6.5.4 Coding of Information 73 6.5.5 Intuitive Comprehensibility 73 6.5.6 Recognisability 74 6.5.7 Unambiguousness 76 6.5.8 Interaction Comfort 78 6.6 Discussion 80 7 STUDY III: Vehicle Movement as Implicit Communication 85 7.1 Aims and Research Questions 85 7.2 Method 86 7.2.1 Participants 86 7.2.2 Research Design 86 7.2.3 Procedure 87 7.2.4 Material 90 7.3 Results 90 7.3.1 Detection of Deceleration and Acceleration 90 7.3.2 Daylight 91 7.3.3 Vehicle Speed 91 7.3.4 Deceleration Rate 92 7.3.5 Onset of Deceleration 92 7.3.6 Inferential Analyses regarding Vehicle Speed, Deceleration Rate and Onset of Deceleration 93 7.3.7 Exploration of perceived comfort and safety of different deceleration patterns 96 7.4 Discussion 98 8 STUDY IV: Parameter of Braking for Implicit Communication 101 8.1 Aims and Research Questions 101 8.2 Method 101 8.2.1 Participants 101 8.2.2 Research Design 102 8.2.3 Procedure 103 8.2.4 Material 103 8.3 Results 103 8.3.1 Inferential Analysis regarding Vehicle Size, Deceleration Rate and Onset of Deceleration 104 8.4 Discussion 106 9 STUDY V: Field Study 108 9.1 Aims and Research Questions 108 9.2 Method 108 9.2.1 Participants 109 9.2.2 Research Design 109 9.2.3 Procedure 111 9.2.4 Material 112 9.3 Results 114 9.3.1 Inferential Analysis regarding Vehicle Speed, Deceleration Rate and Onset of Deceleration 114 9.4 Discussion 116 10 GENERAL DISCUSSION AND CONCLUSION 118 10.1 Theoretical and Practical Considerations 118 10.2 Limitations and Directions for Future Research 123 REFERENCES 126 APPENDIX 140 CURRICULUM VITAE AND PUBLICATIONS 143