Diese UDV kompakt zeigt einen Ausschnitt aus einem umfangreichen Forschungsprojekt und fasst den ersten Teil dieser zweiteiligen Studie zum Thema Übernahmezeiten und hochautomatisiertes Fahren zusammen. Fahrzeuge in denen der Fahrer Teilstrecken automatisiert fahren kann und die Fahrt nicht mehr überwachen muss, befinden sich derzeit bei vielen Automobilherstellern in der Entwicklung. Wenn diese hochautomatisierten Fahrzeuge Fahraufgaben nicht mehr bewältigen können, muss die Steuerung an den Fahrer zurückgegeben werden. Hierzu ist es notwendig, dem Fahrer einen ausreichenden Zeitraum für die Übernahme der manuellen Kontrolle über das Fahrzeug zur Verfügung zu stellen, damit die Übernahme sicher und komfortabel ablaufen kann. Um die notwendige Dauer für eine sichere Übernahme der manuellen Steuerung durch einen Fahrer zu ermitteln, wurden unterschiedlich komplexe Übernahmeszenarien und Nebenaufgaben entwickelt und in einem statischen Fahrsimulator mit 60 Probanden im Alter von 20 bis 76 Jahren getestet. Dafür wurde eine empirische Studie konzipiert und durchgeführt, die herausfinden sollte, wann eine vollständige motorische und kognitive Kontrolle über ein Fahrzeug nach einer Phase der hochautomatisierten Fahrt wiederhergestellt wurde. Hierbei wurde besonders der Effekt eines Fahrers „out-of-the-loop“ analysiert. Der Fahrer war also zum Zeitpunkt der Übernahmeaufforderung in einigen Versuchsbedingungen vollständig aus der Fahraufgabe genommen und durch eine Nebenaufgabe abgelenkt. Zu beachten ist hierbei, dass die Zeiten in einem Fahrsimulator ermittelt wurden und somit nur als Annäherung an eine Übernahme in einem realen Fahrzeug dienen können. Neuere Studien deuten jedoch darauf hin, dass im Simulator ermittelte Zeiten mit denen im realen UDV Unfallforschung der Versicherer 5 Versuchsdesign Fahrzeug gut übereinstimmen. Weiterhin ist zu beachten, dass alleine die Übernahmezeit kein ausreichendes Maß für die Qualität einer Übernahme bieten kann. Die Zeiten sind immer in Verbindung mit weiteren Maßen für die Übernahmequalität zu sehen, zu denen unter anderem die Qualität der Absicherung der Übernahme sowie die Vollständigkeit des Situationsbewusstseins während der Übernahme zählen. Für die richtige Interpretation der Ergebnisse ist es notwendig, die Definitionen der Automatisierungsstufen zu kennen. Das hochautomatisierte Fahren beschreibt laut Gasser et al. (2012) eine Funktionalität, bei der das Fahrzeug sowohl die Längs- als auch Querführung für einen gewissen Zeitraum übernimmt. Der Fahrer muss dabei nicht dauerhaft überwachen. Vielmehr muss er die Steuerung erst nach Aufforderung mit einer gewissen Zeitreserve übernehmen. Genau diese Zeitreserve gilt es hier zu bestimmen. Damit grenzt sich die hochautomatisierte Fahrfunktion nach unten deutlich von der teilautomatisierten Fahrfunktion ab. Auch hier übernimmt das Fahrzeug die Längs- und Querführung, allerdings muss der Fahrer dabei dauerhaft überwachen und die Steuerung jederzeit übernehmen können. Oberhalb des hochautomatisierten Fahrens schließt sich das vollautomatisierte Fahren an. Dabei übernimmt das Fahrzeug die Längs- und Querführung vollständig und dauerhaft. Der Fahrer ist als Rückfallebene nicht mehr notwendig, da das System bei Ausbleiben einer Fahrerübernahme das Fahrzeug selbständig in einen Zustand bringen kann, bei dem das Risiko eines Unfalls minimiert ist.

Diese UDV kompakt fasst den zweiten Teil des Projektes zum Thema Übernahmezeiten und hochautomatisiertes Fahren zusammen. Die Zusammenfassung des ersten Teils ist bereits als UDV kompakt Nr. 57 erschienen. Bislang zeigen nur wenige Studien, wie die Dauer der Fahrt und die Müdigkeit des Fahrers die Interaktion mit hohen Stufen der Fahrzeugautomatisierung beeinflusst. Es wird vermutet, dass Effekte von Fahrermüdigkeit ihre Relevanz für die Sicherheit im Straßenverkehr auch in teil- oder hochautomatisierten Fahrzeugen nicht verlieren [1], [2]. Solange der Fahrer als Rückfallebene eingesetzt werden soll, wird es Kontrollübergaben vom Fahrzeug an den Fahrer geben. In solchen Situationen ist der Fahrer darauf angewiesen, nicht nur möglichst schnell wieder die Kontrolle über das Fahrzeug zu übernehmen, sondern auch möglichst schnell ein vollständiges Bewusstsein für die Verkehrssituation und den Zustand des Fahrzeugs aufzubauen. Müde oder ermüdete Fahrer nach Phasen einer automatisierten Fahrt könnten in solchen Situationen genauso oder sogar stärker beeinträchtigt sein als Fahrer in herkömmlichen Fahrzeugen. Zusätzlich von Interesse ist die Entwicklung der Müdigkeit des Fahrers in der Interaktion mit der Nutzung von Automation. Erste Hinweise deuten darauf hin, dass Fahrer in Zusammenarbeit mit Automation schneller ermüden und das dauerhafte Aufrechterhalten von Aufmerksamkeit in einer monotonen Fahrumgebung eventuell sogar anstrengender ist als bei einer manuellen Fahrt. Müde Fahrer könnten sich in der Interaktion mit hochautomatisierten Fahrzeugen anders verhalten als Fahrer im wachen Zustand und möglicherweise die Überwachung von Funktionen vernachlässigen oder bestimmte Hinweisreize auf potentiell gefährdende Situationen verpassen. UDV Unfallforschung der Versicherer 5 Versuchsdesign Vor diesem Hintergrund wurde im Jahr 2016 die nachfolgend vorgestellte Fahrsimulator-Studie an der TU Braunschweig durchgeführt, um einige der als relevant identifizierten Parameter gezielt zu untersuchen. Ziel der Studie war eine Quantifizierung der Müdigkeit bei Fahrern in hochautomatisierten Fahrzeugen im Vergleich zu manuellen Fahrern. Jeweils für Fahrer mit leichtem Schlafmangel und für Fahrer ohne Schlafmangel wurde Müdigkeit systematisch gemessen und aufgezeichnet. Außerdem wurden in Abhängigkeit von diesen Variablen Übernahmeaufforderungen an den Fahrer ausgegeben und die Dauer und Qualität der Reaktionen auf Übernahmeaufforderungen und nachfolgende kritische Ereignisse analysiert.

In naher Zukunft werden hochautomatisierte Fahrzeuge (SAE, 2018) eingeführt werden, die zunächst auf der Autobahn automatisch fahren, wobei sich der Fahrer in dieser Zeit mit anderen Dingen beschäftigen kann. Andere Fahrzeuge mit menschlichen Fahrern werden dann diesen hochautomatisierten Fahrzeugen im Verkehr begegnen. Diese werden wahrscheinlich ein für menschliche Fahrer ungewohntes Verhalten zeigen. Deshalb wurde die erste Studie im Fahrsimulator durchgeführt, um zu untersuchen, wie dieses ungewohnte Verhalten in typischen Interaktionssituationen von menschlichen Fahrern erlebt wird und ob sich gerade bei der Interaktion mit diesen Fahrzeugen durch dieses ungewohnte Verhalten Probleme ergeben. In der zweiten Studie wurden dann längere Fahrten mit unterschiedlichen Durchdringungsraten hochautomatisierter Fahrzeuge untersucht. Als Vorbereitung auf diese Studien wurden zunächst Interviews mit Experten von Automobilherstellen und Zulieferern geführt, um relevante Interaktionssituationen im Mischverkehr zu identifizieren und das Fahrverhalten automatisierter Fahrzeuge in diesen Situationen zu spezifizieren. Dabei zeigte sich, dass sich hochautomatisierte Fahrzeuge im Gegensatz zu menschlichen Fahrern wesentlich defensiver und absolut regelkonform verhalten werden. So halten automatisierte Fahrzeuge zum Beispiel große Sicherheitsabstände ein und halten sich genau an die zulässige Höchstgeschwindigkeit. Weiter wurde auch diskutiert, ob hochautomatisierte Fahrzeuge nach außen als solche gekennzeichnet sein sollen. Die erste Studie mit N = 51 Personen untersuchte den Erstkontakt menschlicher Fahrer in vier ausgewählten Fahrszenarien, die im Wesentlichen Fahrstreifenwechselsituationen sowie die Fahrt bei einer Geschwindigkeitsbeschränkung umfassten. Dabei wurde einerseits untersucht, wie menschliche Fahrer auf das typische Verhalten der hochautomatisierten Fahrzeuge in diesen Situationen reagiert, zum anderen, wie hochautomatisierte Fahrzeuge auf menschliches Verhalten reagieren und wie diese Reaktionen wiederum durch menschliche Fahrer bewertet werden. Dabei wurde auch die Kennzeichnung der hochautomatisierten Fahrzeuge variiert. In der zweiten Fahrsimulatorstudie mit N = 51 Probanden fuhren die Testfahrer auf vier Autobahnabschnitten von 35 km Länge mit steigender Durchdringungsrate automatisierter Fahrzeuge (0 %, 25 %, 50 %, 75 %). Auch hier wurde die Art der Kennzeichnung variiert. Zusammenfassend zeigen beide Studien, dass hochautomatisierte Fahrzeuge auf der Autobahn dazu beitragen, die Geschwindigkeiten zu reduzieren und Geschwindigkeitsbegrenzungen besser einzuhalten. Beim Einfädeln, Spurwechsel und Überholen wirkt das Verhalten hochautomatisierter Fahrzeuge für menschliche Fahrer angenehm defensiv und kooperativ. Im Verkehrsfluss werden von menschlichen Fahrern hochautomatisierte Fahrzeuge allerdings als Behinderung erlebt, sodass die prinzipiell sicherheitsfördernde Wirkung der reduzierten Geschwindigkeit durch dabei entstehende sicherheitskritische Sekundenabstände verringert werden könnte. Eine entsprechende Abschätzung der Gesamtwirkung ist auf Basis der vorliegenden Studien allerdings nicht möglich. Eine Kennzeichnung des aktuellen Fahrmodus der hochautomatisierten Fahrzeuge könnte dazu beitragen, dass Fahrer das Verhalten der hochautomatisierten Fahrzeuge besser vorhersehen können, sodass die kleineren Sekundenabstände vermieden werden könnten. Dazu sind aber vermutlich längere Lernprozesse notwendig, die im Rahmen der vorliegenden Studien nicht realisiert werden konnten. Der Eindruck der Behinderung durch hochautomatisierte Fahrzeug wird durch eine solche Kennzeichnung allerdings nicht aufzuheben sein.

Momentan bewegen sich teilautomatisierte Fahrzeuge (SAE Level 2; SAE, 2018) zusammen mit nicht-automatisierten Fahrzeugen (SAE Level 0) und assistierten Fahrzeugen (SAE Level 1) im Straßenverkehr. Beim rein manuellen Fahren liegt die Durchführung der Fahraufgabe sowie die Überwachung der Fahrumgebung beim Fahrer. Bei der Teilautomation fährt das Fahrzeug selbstständig, aber der Fahrer muss ständig die Umgebung und die sichere Fahrt des Fahrzeugs überwachen und bei Abweichungen oder Fehlern eingreifen. Ab dem Automatisierungslevel 3 (hochautomatisiertes Fahren) gibt der menschliche Fahrer die Fahraufgabe temporär an das Fahrzeug ab. Er dient jedoch als Rückfallebene für Systemgrenzen und muss bei Erreichen der Systemgrenzen die Fahraufgabe übernehmen. Die Herausforderung bei diesem Level liegt darin, von der Fahrzeugseite aus hinreichend frühzeitig zu erkennen, dass eine Übernahme notwendig ist und den Fahrer entsprechend früh dazu aufzufordern (Vogelpohl et al., 2016, 2018, 2019). Wenn diese Fahrzeuge in den nächsten Jahren in den Verkehr kommen, bewegen sich neben menschlichen Fahrern auch hochautomatisierte Fahrzeuge im Straßenverkehr, wodurch ein Mischverkehr entsteht. Hochautomatisierte Fahrzeuge (SAE, 2018) werden zunächst auf der Autobahn automatisiert fahren, wobei sich der Fahrer in dieser Zeit mit anderen Dingen beschäftigen kann. Die Fahrzeuge mit hochautomatisierten Fahrfunktionen werden wahrscheinlich ein für menschliche Fahrer ungewohntes Verhalten zeigen. Deshalb wurde die erste Studie im Fahrsimulator durchgeführt, um zu untersuchen, wie dieses ungewohnte Verhalten in typischen Interaktionssituationen von menschlichen Fahrern erlebt wird und ob sich gerade bei der Interaktion mit diesen Fahrzeugen durch dieses ungewohnte Verhalten Probleme ergeben. In der zweiten Studie wurden dann längere Fahrten mit unterschiedlichen Durchdringungsraten hochautomatisierter Fahrzeuge untersucht. Beide Studien sind ausführlich in einem Forschungsbericht beschrieben, auf den diese Unfallforschung kompakt Bezug nimmt (Stange et al. 2020). Als Vorbereitung auf diese Studien wurden zunächst Interviews mit Experten von Automobilherstellern und Zulieferern geführt, um relevante Inteaktionssituationen im Mischverkehr zu identifizieren und das Fahrverhalten automatisierter Fahrzeuge in diesen Situationen zu spezifizieren. Dabei zeigte sich, dass sich hochautomatisierte Fahrzeuge im Gegensatz zu menschlichen Fahrern wesentlich defensiver und absolut regelkonform verhalten werden. So halten automatisierte Fahrzeuge zum Beispiel große Sicherheitsabstände ein und fahren nie schneller als die zulässige Höchstgeschwindigkeit. Weiter wurde auch diskutiert, ob hochautomatisierte Fahrzeuge nach außen als solche gekennzeichnet sein sollen. Aktuell fehlt Autofahrern in Deutschland noch jede Erfahrung im Umgang mit hochautomatisierten Fahrzeugen im Straßenverkehr. Bei den ersten Begegnungen werden damit ganz unterschiedliche Erwartungen an das Verhalten hochautomatisierter Fahrzeuge zu finden sein, die in hohem Maße durch unterschiedlich ausgeprägte Kenntnisstände, Erfahrungen im Umgang mit technischen Systemen sowie Vertrauen in Automation geprägt sind. Längerfristig werden diese Erwartungen dann durch den Vergleich mit der Realität korrigiert. Damit ergeben sich folgende zentrale Fragen: • Welches Fahrverhalten werden hochautomatisierte Fahrzeuge zeigen? • In welchen Situationen auf der Autobahn ist dies von menschlichen Fahrern zu erleben? • Wie reagieren diese menschlichen Fahrer auf hochautomatisierte Fahrzeuge im Mischverkehr auf der Autobahn? Geht man davon aus, dass 2020 tatsächlich die ersten hochautomatisierten Fahrfunktionen verfügbar sein werden, lässt sich die Durchdringungsrate im Verkehr abschätzen. Nach Angaben des Kraftfahrbundesamts liegt der Bestand von zugelassenen Fahrzeugen im Januar 2019 bei etwa 47 Millionen Pkw (Kraftfahrtbundesamt, 2019a). Jährlich werden etwa 3.5 Millionen Pkw neu zugelassen (Kraftfahrtbundesamt, 2019b).

Fahrzeuge in denen der Fahrer Teilstrecken automatisiert fahren kann und die Fahrt nicht mehr überwachen muss befinden sich derzeit bei vielen Automobilherstellern in der Entwicklung. Wenn diese hochautomatisierten Fahrzeuge Systemgrenzen erreichen muss die manuelle Steuerung an den Fahrer zurückgegeben werden. Hierzu ist es notwendig dem Fahrer einen ausreichenden Zeitraum für die Übernahme der manuellen Kontrolle über das Fahrzeug zur Verfügung zu stellen, damit die Übernahme sicher und komfortabel ablaufen kann. Um die notwendige Dauer für eine sichere Übernahme der manuellen Steuerung durch einen Fahrer zu ermitteln wurden zunächst relevante Konzepte der Automationspsychologie vorgestellt und auf den Kontext im Fahrzeug angewendet. Anschließend wurde eine Analyse der bislang veröffentlichten Studien zu der Dauer der Übernahme der Steuerung aus einer hochautomatisierten Fahrt durchgeführt um erste Hinweise auf eine realistische Übernahmezeit zu erhalten. Aufbauend auf der Analyse der Literatur und Interviews mit Automobilherstellern und Zulieferern wurden unterschiedlich komplexe Übernahmeszenarien und Nebenaufgaben entwickelt, die für zukünftige automatisierte Fahrzeuge realistisch und relevant sind. Diese Übernahmeszenarien und Nebenaufgaben wurden in einem statischen Fahrsimulator umgesetzt und mit N = 60 Probanden im Alter von 20 bis 76 (M = 36.0, SD = 15.2) Jahren getestet. Probanden waren nach einer hochautomatisierten Fahrt von ca. 5 Minuten, während der sie durch ein motivierendes Spiel auf einem in den Händen gehaltenen Tablet-PC stark abgelenkt waren, grundsätzlich in der Lage die manuelle Steuerung über das Fahrzeug wieder zu übernehmen. Diese Nebenaufgabe wurde verglichen mit einer vollständig manuellen Fahrt, in der dem Fahrer an der Stelle der Übernahmeaufforderung ein Warnton ausgegeben wurde, mit einer automatisierten Fahrt mit einer anderen Aufgabe auf einem Tablet-PC sowie mit einer vom Fahrer überwachten automatisierten Fahrt. Es zeigte sich, dass 90% der Fahrer nach einer Fahrt mit hoher Ablenkung nach 3-4 Sekunden das erste Mal den Blick wieder auf die Straße gerichtet haben, nach 6-7 Sekunden die Hände wieder am Lenkrad und die Füße an den Pedalen haben und nach 7-8 Sekunden die Automation abschalten. Untersucht man allerdings als Indikatoren des Situationsbewusstseins für die Fahrsituation den ersten Blick in den Spiegel und den Blick auf die Geschwindigkeitsanzeige, werden 12-15 Sekunden benötigt. Diese Reaktionen, die zum Verständnis der aktuellen Verkehrssituation notwendig sind, sind damit um bis zu 5 Sekunden verzögert im Vergleich zu der gleichen Situation bei einer manuellen Fahrt. Bei einzelnen Fahrern traten nach der Übernahme von der Automation Kollisionen oder kritische Fahrsituationen auf, was allerdings auch in der rein manuellen Fahrt in ähnlichem Umfang der Fall war. Diese Situationen hätten durch entsprechende Assistenzfunktionen verhindert werden können, die auch nach der Übergabe der Steuerung an den Fahrer aktiv bleiben und den Fahrer gerade in dieser Situation weiter besonders unterstützen. Weitere Reaktionszeiten und Fahrdaten wurden analysiert um ein vollständigeres Bild von dem Ablauf der Übernahmesituation zu erhalten. Veränderungen der Reaktionszeiten in realen Fahrten im Vergleich zu einer Fahrt im Simulator sind nicht auszuschließen. Noch offen ist außerdem, ob für Fahrer längere automatisierte Fahrten, Müdigkeit, oder noch stärker involvierende Nebentätigkeiten während der automatisierten Fahrt längere Übernahme- und Reaktionszeiten zur Folge gehabt hätten. Einige dieser offenen Fragen sollen als nächstes in einer geplanten Fahrsimulations-Studie adressiert werden. Soll aus der Einführung von Automation im Fahrzeug nicht nur ein Gewinn an Komfort, sondern auch ein Gewinn an Sicherheit im Vergleich zum manuellen Fahren entstehen, so muss der Fahrer in Übernahmesituationen nicht nur durch eine ausreichende Vorwarnzeit unterstützt werden. / Many automotive OEMs are currently developing automated driving functions that no longer require driver supervision in certain driving environments. If system boundaries are reached the driver has to retake manual control. The system needs to provide a sufficient period of time in which the driver can safely and comfortably regain control over the vehicle. To determine a period of time for such a transition, relevant concepts from the field of automation psychology were presented and applied to the automotive context. Additionally an analysis of existent studies concerning take-over transition times from highly automated driving to manual driving was carried out to gain first insights into the time required for this transition. Building on the analysis of the literature and based on interviews that were conducted with automotive OEMs and suppliers, complex take-over scenarios and secondary tasks were developed which represent realistic and relevant conditions for future automated cars. These scenarios and secondary tasks were implemented in a static driving simulator and tested with N = 60 test drivers aged 20 to 76 (M = 36.0, SD = 15.2) years. After an automated drive of approx. 5 minutes, during which the drivers were distracted by motivating game on a handheld tablet-pc, the drivers were generally able to regain manual control over the vehicle. This secondary task was compared to a manual drive, in which the take-over request was substituted by an auditory warning, to an automated drive, in which a different task was presented on a tablet-pc, as well as to an automated drive, in which the participants supervised the automation. It could be shown, that after a highly distracted drive 90% of the participants first had their eyes on the road after 3-4 seconds, had their hands on the steering wheel and their feet on the pedals after 6-7 seconds and disengaged the automation after 7-8 seconds. When analyzing the times taken to look at the side mirror and the speedometer as indicators of situation awareness during this driving situation, 12-15 seconds are needed. These reactions, which are necessary for the comprehension of the traffic situation, are therefore up to 5 seconds slower for the distracted automated driving compared to manual driving. For some automated drives collisions and critical situations were recorded, although they were comparably frequent in the manual drive condition. These critical situations might have been avoided through the use of suitable driver assistance systems that stay active and support the driver after the driver has disengaged the automation. Additional reaction times and driving data was analyzed to gain further insights into the process of the take-over transition process. Driving in a real world scenario may change the reaction times compared to driving in a simulator. Also, the effects of longer automated drives, sleepiness and more immersive secondary tasks on take-over process and reaction times are not yet clear. Some of these issues will be addressed in a planned simulator study. If there is to be a gain not only in comfort but in safety for automated driving compared to manual driving, drivers need to be not only sufficiently forewarned before takeover situations, but must additionally be supported by suitable assistance systems before, during and after the transition to manual driving.

In zukünftigen automatisiert fahrenden Fahrzeugen werden Fahrer mit den verschiedensten Fahrerzuständen automatisierte Fahrten erleben. Wie auch beim manuellen Fahren werden Fahrer gestresst, abgelenkt oder ermüdet sein, werden an Schlafmangel leiden und Einbußen in Ihrer Konzentrationsfähigkeit zeigen. Aktuell ist jedoch nur wenig darüber bekannt, wie sich solche Fahrerzustände auf die Fähigkeit zur Übernahme der manuellen Steuerung nach einer Übernahmeaufforderung auswirken. Die vorliegende Fahrsimulator-Studie untersucht die Veränderung und Auswirkung des Fahrerzustands während einer hochautomatisierten Fahrt (level 3) im Hinblick auf Müdigkeit und Ermüdung während der Fahrt. Fahrer wurden während des Verlaufs der Fahrt regelmäßig von geschulten Müdigkeits-Bewertern in Ihrer Müdigkeit eingestuft. Bei Erreichen eines bestimmten Müdigkeitslevels bzw. nach einer Fahrtdauer von ca. einer Stunde wurde eine Übernahmeaufforderung ausgelöst. Während der Übernahmeaufforderung wurden Reaktionszeiten und Fahrverhalten gemessen und mit Reaktionszeiten und Fahrverhalten von manuellen Fahrern in der gleichen Situation verglichen. Es zeigte sich, dass automatisiert fahrende Fahrer deutlich schneller höhere Müdigkeitslevel erreichen als manuelle Fahrer. Die Dauer der Fahrt, die für das Erreichen von höheren Müdigkeitslevel notwendig war, hing sowohl bei manuellen als auch bei automatisiert fahrenden Fahrern von vorab induziertem Schlafmangel ab. Automatisiert fahrende Fahrer mit Schlafmangel erreichten mittlere Müdigkeitslevel mit verlängerten Lidschlüssen bereits nach ca. 15-20 Minuten und damit um bis zu 15-20 Minuten früher im Vergleich zu manuellen Fahrern mit Schlafmangel. Die automatisiert fahrenden Fahrer mit und ohne Schlafmangel waren grundsätzlich in der Lage, die manuelle Steuerung nach einer Übernahmeaufforderung ohne Unfälle wieder zu übernehmen. Allerdings zeigten sich bei allen automatisiert fahrenden Fahrern Verzögerungen im Aufbau des Situationsbewusstseins um ca. 3 Sekunden im Vergleich zu den manuellen Fahrern. Die Übernahmezeiten waren bei automatisiert fahrenden Fahrern nach einer langen Fahrt (ca. 1 Stunde) bzw. mit Schlafmangel daher vergleichbar lang wie nach einer Fahrt mit einer stark ablenkenden Nebentätigkeit. 90% der Fahrer schalteten die Automation nach ca. 5-7 Sekunden ab. Verwendet man als Maß für den Aufbau des Situationsbewusstseins nach einer Übernahmesituation allerdings den ersten Blick in den Seitenspiegel bzw. den ersten Blick auf den Tacho, so benötigten Fahrer ca. 12-15 Sekunden, um sich ein Bild von ihrer Fahrumgebung und von dem Zustand ihres Fahrzeugs zu machen. Vor dem Hintergrund der schnellen Entwicklung von Fahrermüdigkeit während automatisierter Fahrten ohne Nebenaufgaben ist die dauerhafte Überwachung des Zustands der Automation durch den Fahrer nicht realistisch. Fahrern sollte stattdessen die Möglichkeit gegeben werden, kontrollierbare Nebenaufgaben durchzuführen, die Rückschlüsse auf den Fahrerzustand geben und im Falle einer Übernahmesituation durch das Fahrzeug unterbrochen werden können. Zusätzlich sollte das Fahrzeug Informationen über den Fahrerzustand vor einer Übernahmesituation haben, um die Dauer des Übergangs entsprechend planen zu können. Zukünftige Studien sollten die unterschiedlichen Fahrerzustände während einer automatisierten Fahrt und deren Auswirkungen auf das Übernahmeverhalten genauer untersuchen. Zusätzlich sollte der Aufbau des Situationsbewusstseins nach einer Übernahmeaufforderung weiter in den Fokus der Forschung gerückt werden, um Rückschlüsse auf mögliches Fehlverhalten nach der Übernahme der manuellen Steuerung zu erhalten. / In future automated vehicles drivers will experience a variety of driver states. Similar to manual driving, drivers will be stressed, distracted or tired, will suffer from sleep loss and a lack of concentration. Few studies have examined how such driver states influence the ability to take back manual control after a take-over request. This driving simulator study analyzes the progression and the impact of the driver states sleepiness and fatigue during highly automated driving. Drivers were regularly rated by trained sleepiness raters during driving. A take-over request was issued if a predefined sleepiness level was reached, or if the drive had lasted for approximately one hour. In the course of the take-over request reaction times and driving behavior were measured and compared to reaction times and driving behavior of manual driver in the same situation. It could be shown that automated drivers reached higher levels of sleepiness faster than manual drivers. The driving time required to reach higher levels of sleepiness depended on a previously induced lack of sleep for both the automated and the manual drivers. Automated drivers reached intermediate levels of sleepiness with prolonged eyelid closures after only about 15 to 20 minutes, which was 15 to 20 minutes earlier than manual drivers who also suffered from a lack of sleep. Automated drivers with and without a lack of sleep were generally able to take back manual control after a take-over request without crashing. However, the formation of situation awareness was delayed by about 3 seconds for all automated drivers compared to the manual driving conditions. Take-over times for automated drivers after a long drive (approx. 1 hour) or with a lack of sleep respectively, were therefore comparable to take-over times after a drive with a highly distracting secondary task. 90% of the drivers disengaged the automation after about 5 to 7 seconds. However, if the first glances to the side mirror and the first glances to the speed display are used as an indicator for situation awareness after a take-over request, drivers needed about 12 to 15 seconds to form an understanding of the situation. Looking at the fast progression of driver fatigue during automated driving without secondary tasks, continuous supervision of automated driving is unrealistic. Instead, drivers should be provided with the opportunity to engage in controllable tasks, which allow the car to infer the driver state and which can be disabled by the cars systems in the event of a take-over situation. Additionally, the system should collect data about the drivers’ state previous to a take-over request to be able to plan the duration of the take-over accordingly. Future studies should take a closer look at different driver states during automated driving to be able to predict their impact on take-over behavior. Also, the formation of situation awareness after a take-over request should be the focus of further investigations to gain insights into inappropriate driver reactions after a take-over.

Systeme zum automatisierten Fahren erlauben es, die Fahrzeugführung in einem gewissen Maß vom Fahrer an das Fahrzeug zu übertragen. Da der Fahrer auf diese Weise unterstützt, entlastet oder sogar ersetzt werden kann, werden Systeme zum automatisierten Fahren mit einem großen Potential für Verbesserungen hinsichtlich Straßenverkehrssicherheit, Fahrkomfort und Effizienz verbunden - vorausgesetzt, dass diese Systeme angemessen benutzt werden. Systeme zum hochautomatisierten Fahren stellen in diesem Zusammenhang eine besondere Herausforderung für die Mensch-Maschine-Interaktion dar: So wird es dem Fahrer bei diesem Automatisierungsgrad zwar zum ersten mal ermöglicht, das System nicht mehr permanent überwachen zu müssen und somit die Fahrtzeit potentiell für fahrfremde Tätigkeiten zu nutzen. Es wird jedoch immer noch erwartet, dass der Fahrer nach einer vorherigen angemessenen Übernahmeaufforderung die Fahrzeugführung im Bedarfsfall gewährleisten kann. Angemessenes Automatisierungsvertrauen stellt daher eine zentrale Komponente für die erfolgreiche Kooperation zwischen Fahrern und Systemen zum hochautomatisierten Fahren dar und sollte bei der Gestaltung derartiger Systeme berücksichtigt werden. Frühere Befunde weisen beispielsweise bereits darauf hin, dass unterschiedliche Informationen über automatisierte Systeme ein möglicher Ansatz sein könnten um das Automatisierungsvertrauen des Fahrers aktiv zu gestalten. Automatisierungsvertrauen als Variable in der Gestaltung von Fahrzeugtechnologie zu berücksichtigen erfordert jedoch zunächst auch in der Lage zu sein, Automatisierungsvertrauen adäquat messen zu können. In diesem Sinne war die Zielsetzung dieser Arbeit einerseits die Untersuchung verschiedener Methoden zur Messung des Automatisierungsvertrauens des Fahrers sowie andererseits die Identifikation, prototypische Umsetzung und Bewertung potentieller Ansätze zur Gestaltung von Automatisierungsvertrauen im Kontext von Systemen zum hochautomatisierten Fahren. Zu diesem Zweck wurden drei Fahrsimulatorstudien mit insgesamt N = 280 Probanden durchgeführt. Die vorliegenden Ergebnisse weisen darauf hin, dass (i) sowohl Selbstberichtsverfahren als auch Verhaltensmaße prinzipiell dazu verwendet werden können um das Automatisierungsvertrauen des Fahrers in Systeme zum hochautomatisierten Fahren zu operationalisieren, (ii) eine vorherige Auseinandersetzung mit funktionalen Grenzen von Systemen zum hochautomatisierten Fahren einen nachhaltigen Effekt auf das Automatisierungsvertrauen des Fahrers in das System haben kann und (iii) insbesondere Informationen über die Funktionsweise von Systemen zum hochautomatisierten Fahren das Automatisierungsvertrauen des Fahrers in derartige Systeme verbessern können. Damit liefert die vorliegende Arbeit sowohl wertvolle Ansatze zur Messbarmachung als auch Hinweise für die Gestaltung von Automatisierungsvertrauen im Kontext des hochautomatisierten Fahrens. Darüber hinaus können die Befunde dieser Arbeit in gewissem Maße auch auf andere Arten von Fahrzeugautomatisierung sowie unterschiedliche Domänen und Anwendungen von Automatisierung übertragen werden. / Automated driving systems allow to transfer a certain degree of vehicle control from the driver to a vehicle. By assisting, augmenting or even supplementing the driver, automated driving systems have been associated with enormous potential for improving driving safety, comfort, and efficiency - provided that they are used appropriately. Among those systems, conditional automated driving systems are particularly challenging for human-automation interaction: While the driver is no longer required to permanently monitor conditional automated driving systems, he / she is still expected to provide fallback performance of the dynamic driving task after adequate prior notification. Therefore, facilitating appropriate automation trust is a key component for enabling successful cooperation between drivers and conditional automated driving systems. Earlier work indicates that providing drivers with proper information about conditional automated driving systems might be one promising approach to do this. Considering the role of automation trust as a variable in the design of vehicle technology, however, also requires that drivers` automation trust can be viably measured in the first place. Accordingly, the objectives of this thesis were to explore difffferent methods for measuring drivers` automation trust in the context of conditional automated driving as well as the identification, implementation and evaluation of possible approaches for designing drivers` automation trust in conditional automated driving systems. For these purposes, three driving simulator studies with N = 280 participants were conducted. The results indicate that (i) both self-report measures and behavioral measures can be used to assess drivers` automation trust in conditional automated driving systems, (ii) prior familiarization with system limitations can have a lasting effffect on drivers` automation trust in conditional automated driving systems and (iii) particularly information about the processes of conditional automated driving systems might promote drivers` automation trust in these systems. Thus, the present research contributes much needed approaches to both measuring and designing automation trust in the context of conditional automated driving. In addition, the current findings might also be transferred to higher levels of driving automation as well as other domains and applications of automation.

In the course of the current demographic change, the proportion of the population aged 65 and older is projected to steadily increase in many countries of the world (UN DESA Population Division, 2015). The ageing society is reflected in an increasing number of older road users (Koppel & Berecki-Gisolf, 2015), especially considering the growing need for older adults to maintain individual mobility (Eby & Molnar, 2012). This development raises new issues of transportation research, since age-related changes in mobility patterns as well as sensory, cognitive, and motor functions reduce older adults’ traffic safety (Polders, Vlahogianni, Leopold, & Durso, 2015). Accordingly, new strategies to aid older drivers and their mobility needs are required, which could potentially be provided by emerging in-vehicle technologies (Karthaus & Falkenstein, 2016). The overall aim of present dissertation project was to evaluate whether in-vehicle technologies that appear promising to support older drivers can actually contribute to their individual mobility, which requires an improvement in aspects related to driving performance as well as the acceptance of such systems in this age group. Therefore, contact-analogue head-up displays (also labelled as Augmented Reality Displays, ARDs) and highly automated driving were selected as two exemplary technologies, representing completely different levels of driving automation and accordingly different approaches to support drivers. The ARD-technology represents a technical implementation approach for IVIS and therefore an example for Automation Level 0 (no automation; SAE International, 2014) by helping the driver to execute the driving task manually through useful information. In contrast, the HAD-technology aims at supporting the driver by taking over the driving task, which corresponds to Automation Level 4 (high automation; SAE International, 2014). Despite these different approaches, both technologies were previously assumed to have a strong potential to support especially older drivers (Meyer & Deix, 2014; Polders et al., 2015; Rusch et al., 2013; Schall et al., 2013). Three empirical studies were conducted to examine performance- and acceptance-related aspects of both technologies. All studies were carried out with a group of older drivers (maximum age range: 65 85 years) and a younger comparison group (maximum age range: 25-45 years) representing the ‘average’ (i.e. young, but experienced) driver in order to identify age-specific results. Focusing on performance-related aspects of the ARD-technology, Study I represents a reaction time experiment conducted in a driving simulator. One age-specific beneficial function of such an ARD is to provide prior information about approaching complex traffic situations, which addresses older drivers’ tendency to process multiple information successively (serially) rather than simultaneously (parallel) (Davidse, Hagenzieker, van Wolffelaar, & Brouwer, 2009; Küting & Krüger, 2002). Therefore, the aim of this study was to examine the effects of an ARD providing prior information about approaching intersections on drivers’ speed and accuracy of perceiving these intersections, which is considered a necessary precondition for a safe driving performance (Crundall & Underwood, 2011). Based on concerns about the counterproductive effects of presenting information via an ARD, especially in cases of inaccurate information, system failures were included in this examination. The ARD-information aided drivers from both age groups in identifying more relevant aspects of the intersections without increasing response time, indicating the potential of the system to support both older and younger drivers in complex traffic situations. Experiencing system failures (i.e. inaccurate information) did offset this positive effect for the study’s duration, particularly for older drivers. This might be because it was difficult to ignore inaccurate prior information due to their presentation via an ARD. Study II represents a driving simulator study on acceptance-related aspects of an ARD providing prior information about approaching intersections. This study focused on the effects of system experience on drivers’ acceptance as well as on the identification of age-specific acceptance barriers that could prevent older drivers from using the technology. In summary, older and younger drivers’ evaluation of the ARD was positive, with a tendency to more positive evaluations with than without system experience in the driving simulator. Compared to the younger group, older drivers reported a more positive attitude towards using the ARD, even though they evaluated their self-efficacy in handling the system and environmental conditions facilitating its usage as less strong. Both performance- and acceptance-related aspects of HAD were addressed in Study III, a two-stage driving simulator study. The focus of the performance perspective shifted in parallel with the shift of the human role from driver to passenger due to the increasing driving automation. Accordingly, the examination of HAD was focused on the human evaluation of the automated system’s driving performance. In this context, affective components of human-automation interaction, such as comfort and enjoyment, are considered important for the acceptance and thus usage of automated vehicles (Tischler & Renner, 2007). It is assumed that the implemented driving style has an impact on such affective components in the context of HAD (Bellem, Schönenberg, Krems, & Schrauf, 2016). One theoretical approach to increase the comfort of HAD recommends the implementation of familiar, natural driving styles to mimic human control (Elbanhawi, Simic, & Jazar, 2015). Therefore, the effects of driving automation and the familiarity of the HAD-style on driving comfort and enjoyment were examined. Automation increased both age groups’ comfort, but decreased younger drivers’ enjoyment. For all dependent variables, driving style familiarity significantly interacted with drivers’ age the same way: while younger drivers preferred a familiar HAD-style, older drivers preferred an unfamiliar driving style in a highly automated context. Accordingly, the familiarity approach can be supported at least for younger drivers, but not for older drivers, whose manual driving styles are characterised by strategies to compensate for age-related impairments of sensory, cognitive, or motor functions. HAD-style preferences of this age group seem to be more influenced by the desire to regain a driving style free from these compensation strategies than by a need for familiar driving manoeuvres. In parallel with the evaluation of the ARD, acceptance-related issues in the context of HAD included the effects of system experience on drivers’ acceptance and potential age-specific acceptance barriers. Considering a system-specific design issue, it was additionally examined whether drivers’ acceptance of HAD is modifiable by the familiarity of the implemented driving style. In this driving simulator study, members of both age groups showed slightly positive a priori acceptance ratings, which significantly increased after the initial experience and remained stable afterwards. Similar to drivers’ acceptance of the ARD, older drivers reported a more positive attitude towards using HAD despite their lower self-assessed self-efficacy and environmental conditions facilitating HAD-usage compared to younger drivers. Regarding HAD-style, acceptance was subject to the same interaction between drivers’ age and driving style familiarity as driving comfort and enjoyment. These findings demonstrate that effective approaches to support the independent mobility of older adults are provided by emerging in-vehicle technologies on different levels of driving automation. The majority of the performance-related improvements did apply to both older and younger drivers, confirming that automotive technologies suggested for older drivers have the potential to support drivers of other age groups as well. Regarding drivers’ acceptance, findings suggest that both systems would be accepted by different age groups, which correspondents to the results from the performance perspective. The comparable acceptance patterns identified for two systems at different stages of driving automation, such as ARDs and HAD, indicate underlying general aspects of older adults’ acceptance of in-vehicle technologies. This includes their strong need to preserve their individual mobility as well as their lower self-efficacy in handling relevant technologies and insufficient access to a support infrastructure. These insights can enrich both theories of older drivers’ acceptance of in-vehicle technologies and measures to ensure the successful development and introduction of systems aiding them in maintaining a safe individual mobility. Considering the importance of driving for older adults’ physiological and psychological well-being (e.g. Adler & Rottunda, 2006; Lutin, Kornhauser, & Lerner-Lam, 2013), these results emphasise the potential of emerging in-vehicle technologies to improve both older drivers’ traffic safety and quality of life. / Im Zuge des aktuellen demografischen Wandels wird für zahlreiche Länder der Welt eine stetige Zunahme des Bevölkerungsanteils von Personen im Alter von 65 Jahren und älter prognostiziert (UN DESA Population Division, 2015). Die daraus resultierende alternde Gesellschaft spiegelt sich auch in der steigenden Anzahl älterer Verkehrsteilnehmer wieder (Koppel & Berecki-Gisolf, 2015). Dieser Effekt wird durch das ebenfalls ansteigende Bedürfnis älterer Personen, ihre Individualmobilität auch bis ins hohe Alter hinein aufrecht zu erhalten, noch verstärkt (Eby & Molnar, 2012). Berücksichtigt man die Auswirkungen altersbedingter Veränderungen von Mobilitätsmustern und fahrrelevanten Fähigkeiten auf die Sicherheit älterer Verkehrsteilnehmer (Polders et al., 2015), stellt diese demographische Entwicklung neue Herausforderungen an die Verkehrsforschung. So bedarf es neuartiger Strategien zur Unterstützung älterer Fahrzeugführer und ihrer Mobilitätsbedürfnisse. Aufgrund aktueller technologischer Entwicklungen eröffnen vor allem durch neuartige Fahrzeugtechnologien zur Fahrerunterstützung innovative Möglichkeiten, diesem Bedarf gerecht zu werden (Karthaus & Falkenstein, 2016). An diesem Punkt setzt die vorliegende Dissertation an. Ziel des Dissertationsprojektes war es zu evaluieren, inwieweit aktuell in Entwicklung befindliche Fahrzeugtechnologien, die aus theoretischer Sicht als geeignete Mittel zur Unterstützung älterer Fahrer erscheinen, tatsächlich zu deren Individualmobilität beitragen können. Um das Potential derartiger Technologien abzuschätzen, wurde einerseits untersucht, inwieweit sie zur Verbesserung von Variablen, die in Beziehung zur Fahrleistung stehen, beitragen können. Anderseits wurde ihre Akzeptanz bei potentiellen zukünftigen Nutzern evaluiert. Für diese Untersuchungen wurden zwei exemplarische Technologien als Repräsentanten grundlegend unterschiedlicher Stufen der Fahrzeugautomatisierung ausgewählt: ein kontaktanaloge Head-up Display (auch Augmented Reality Display, ARD) und hochautomatisiertes Fahren. ARDs stellen einen technologischen Ansatz zur Implementierung von Fahrerinformationssystemen und dementsprechend ein Beispiel für Automatisierungsstufe 0 (no automation; SAE International, 2014) dar, indem sie den Fahrer durch die Bereitstellung verkehrsrelevanter Informationen bei der manuellen Ausführung der Fahraufgabe unterstützen. Im Gegensatz dazu zielt die Technologie des hochautomatisierten Fahrens auf eine Unterstützung des Fahrers durch die vollständige Übernahme der Fahraufgabe ab, was Automatisierungsstufe 4 (high automation; SAE International, 2014) entspricht. Trotz dieser grundlegend unterschiedlichen Ansätze wird beiden Technologien ein hohes Potential zur Unterstützung insbesondere älterer Fahrer zugesprochen (Meyer & Deix, 2014; Polders et al., 2015; Rusch et al., 2013; Schall et al., 2013). Die Untersuchung Performanz- und Akzeptanz-bezogener Aspekte beider Technologien erfolgte im Rahmen von drei empirische Studien. Um altersspezifische Befunde identifizieren zu können, wurden allen Studien mit Vertretern der Zielgruppe von älteren Fahrern (65-85 Jahre alt) sowie einer jüngeren Vergleichsgruppe ‚durchschnittlicher‘ (d.h. junger, erfahrener) Fahrer (25-45 Jahre alt) durchgeführt. Bei Studie I handelte es sich um eine im Fahrsimulator durchgeführte Reaktionszeitstudie, in deren Rahmen Leistungs-bezogene Aspekte von ARDs untersucht wurden. Unter den vielfältigen Möglichkeiten zur Anwendung dieser Technologie wird vor allem die Präsentation von Vorinformationen über bevorstehende komplexe Fahrsituationen während der Fahrt als gewinnbringend für ältere Fahrer eingestuft. Diese Strategie adressiert die Tendenz älterer Fahrer zu einer eher seriellen als parallelen Verarbeitung gleichzeitig verfügbarer Informationen während der Fahrt (Davidse et al., 2009; Küting & Krüger, 2002). Vor diesem Hintergrund lag der Fokus von Studie I auf den Effekten einer kontaktanalogen Präsentation von Vorinformationen über bevorstehende Kreuzungen auf die Geschwindigkeit und Genauigkeit der Wahrnehmung dieser Kreuzungen durch den Fahrer, was eine Grundvoraussetzung für eine sichere Fahrleistung darstellt (Crundall & Underwood, 2011). Basierend auf bestehenden Befürchtungen über kontraproduktive Effekte einer kontaktanalogen Informationsdarstellung während der Fahrt, insbesondere im Falle inkorrekter Informationen, wurden zudem die Auswirkungen von Systemfehlern untersucht. Mit Hilfe der kontaktanalogen Vorinformationen gelang es sowohl älteren als auch jüngeren Fahrern, ohne erhöhten Zeitbedarf einen höheren Anteil relevanter Aspekte in Kreuzungssituationen wahrzunehmen. Allerdings wurde die positive Systemwirkung durch das Erleben von Systemfehlern (in diesem Fall inkorrekten Vorinformationen) zumindest für die Dauer der Untersuchung aufgehoben. Dieser Effekt war besonders ausgeprägt für ältere Fahrer und könnte auf die Schwierigkeit, inkorrekte Informationen auf Grund ihrer Darstellung im ARD zu ignorieren, zurückzuführen sein. Studie II stellte eine Fahrsimulatorstudie zu Akzeptanz-bezogenen Aspekten eines ARDs, welches dem Fahrer Vorinformationen über bevorstehende Kreuzungen zur Verfügung stellt, dar. Inhalt dieser Studie waren zum einen die Effekte von Systemerfahrung auf die Nutzerakzeptanz des Systems, zum anderen altersspezifische Akzeptanzbarrieren, welche ältere Fahrer potentiell von der Nutzung der Technologie abhalten könnten. Insgesamt bewerteten sowohl ältere als auch jüngere Fahrer das ARD positiv. Dabei fielen Bewertungen auf Basis von Systemerfahrung im Fahrsimulator tendenziell besser aus als Bewertungen ohne vorherige Systemerfahrung. Obwohl ältere Fahrer im Vergleich zu jüngeren Fahrern ihre Selbstwirksamkeit im Umgang mit dem ARD sowie Umgebungsfaktoren, welche dessen Nutzung unterstützen könnten, als geringer ausgeprägt wahrnahmen, war die positive Einstellung gegenüber der Nutzung des Systems bei ihnen im Durchschnitt stärker ausgeprägt. Leistungs- und Akzeptanz-bezogene Aspekte des hochautomatisierten Fahrens wurden in Studie III, einer zweistufigen Fahrsimulatorstudie, untersucht. Parallel zur Veränderung der Rolle des Menschen vom Fahrzeugführer zum Passagier im Zuge der zunehmenden Fahrzeugautomatisierung veränderte sich dabei auch der Fokus der Leistungsperspektive. Dem entsprechend stand die Bewertung der Fahrleistung des automatisierten Systems durch den mitfahrenden Menschen im Mittelpunkt dieser Untersuchung. Affektive Komponenten der Mensch-Automatisierungs-Interaktion wie Fahrkomfort und Fahrspaß werden in diesem Kontext als bedeutsam zur Gewährleistung der Nutzerakzeptanz und damit auch Nutzung automatisierter Fahrzeuge betrachtet (Tischler & Renner, 2007). Es wird angenommen, dass derartige affektive Komponenten im Kontext des hochautomatisierten Fahrens vor allem vom implementierten Fahrstil abhängen (Bellem et al., 2016). In einem theoretischen Ansatz zur Verbesserung des Fahrkomforts wird die Implementierung vertrauter (d.h. dem eigenen manuellen Fahrstil ähnlicher) Fahrstile empfohlen, um einen menschlichen Fahrzeugführer nachzuahmen und so Bedenken gegenüber einer automatisierten Fahrzeugführung abzubauen (Elbanhawi et al., 2015). Diesem Ansatz folgend wurden in Studie III die Effekte der Fahrzeugautomatisierung sowie der Ähnlichkeit des implementierten Fahrstils zum individuellen manuellen Fahrstil des jeweiligen Fahrers auf Fahrkomfort und Fahrspaß untersucht. Es konnte gezeigt werden, dass mit höherer Automatisierung der Fahrkomfort älterer und jüngerer Fahrer anstieg, der Fahrspaß jüngerer Fahrer sich jedoch verringerte. Alle abhängigen Variablen wurden von einer vergleichbaren Interaktion zwischen Fahreralter und Fahrstilähnlichkeit beeinflusst: Während jüngere Fahrer hochautomatisierte Fahrstile bevorzugten, die ihren jeweiligen manuellen Fahrstilen ähnelten, präferierten ältere Fahrer im hochautomatisierten Kontext eher unähnliche Fahrstile. Dem entsprechend kann der Vertrautheitsansatz basierend auf den Ergebnissen von Studie III zumindest für jüngere Fahrer unterstützt werden, nicht aber für die Zielgruppe älterer Fahrer, deren manuelle Fahrstile durch Kompensationsstrategien zum Ausgleich altersbedingter Einschränkungen ihrer sensorischen, kognitiven und motorischen Fähigkeiten geprägt sind. Fahrstilpräferenzen im hochautomatisierten Kontext scheinen in dieser Altersgruppe mehr von dem Wunsch, einen von diesen Kompensationsstrategien unbeeinträchtigten Fahrstil wiederzuerlangen, geprägt zu sein als von dem Bedürfnis nach vertraut gestalteten Fahrmanövern. Analog zur Evaluation des ARDs beinhaltete die Untersuchung Akzeptanz-bezogener Aspekte des hochautomatisierten Fahrens die Effekte von Systemerfahrung auf die Nutzerakzeptanz sowie potentielle altersspezifische Akzeptanzbarrieren. Einen systemspezifischen Designaspekt aufgreifend wurde zudem untersucht, ob die Nutzerakzeptanz des hochautomatisierten Fahrens ebenfalls durch den implementierten Fahrstil modifizierbar ist. Fahrer beider Altersgruppen berichteten tendenziell positive a priori Akzeptanzwerte, welche sich nach der Ersterfahrung mit dem System signifikant erhöhten und sich anschließend stabilisierten. Vergleichbar mit den Ergebnissen zum ARD war die positive Einstellung gegenüber der Nutzung eines hochautomatisierten Fahrzeuges bei älteren Fahrern im Durchschnitt stärker ausgeprägt als bei jüngeren, obwohl sie ihre Selbstwirksamkeit im Umgang mit dem System sowie unterstützende Umgebungsfaktoren als geringer ausgeprägt bewerteten. Bezüglich des hochautomatisierten Fahrstils unterlag die Systemakzeptanz derselben Interaktion zwischen Fahreralter und Fahrstilähnlichkeit wie Fahrkomfort und Fahrspaß. Diese Ergebnisse demonstrieren, dass Fahrzeugtechnologien auf verschiedenen Automatisierungsstufen effektive Ansätze zur Unterstützung der Individualmobilität älterer Personen liefern können. Die Mehrzahl der identifizierten Leistungs-bezogenen Verbesserungen zeigte sich sowohl für ältere als auch jüngere Fahrer. Diese Befunde weißen auf das Potential von Systemen, welche den Bedürfnissen älterer Fahrer entsprechen, zur Unterstützung verschiedener Altersgruppen hin. Die Ergebnisse der Akzeptanzperspektive deuten an, dass die evaluierten Systeme von Fahrern verschiedener Altersgruppen akzeptiert werden würden, was die Ergebnisse der Leistungsebene widerspiegelt. Die Vergleichbarkeit der Muster verschiedener Akzeptanzprädiktoren, welche für zwei Systeme auf grundlegend unterschiedlichen Automatisierungsstufen identifiziert werden konnten, legt die Existenz zugrundeliegender genereller Aspekte der Fahrzeugtechnologie-Akzeptanz älterer Fahrer nahe. Diese beinhalten deren stark ausgeprägtes Bedürfnis zur Erhaltung ihrer Individualmobilität sowie deren geringere Selbstwirksamkeit im Umgang mit relevanten Technologien und den unzureichenden Zugang zu unterstützenden Infrastrukturen. Diese Erkenntnisse liefern Implikationen für theoretische Modelle der Akzeptanz von Fahrzeugtechnologien durch ältere Fahrer sowie für Maßnahmen zur Absicherung einer erfolgreichen Entwicklung und Markteinführung von Systemen, die darauf abzielen, ältere Menschen beim Erhalt ihrer Individualmobilität zu unterstützen. Berücksichtigt man die Bedeutsamkeit des Fahrens eines eigenen Automobils für das physiologische und psychologische Wohlbefinden im Alter (Adler & Rottunda, 2006; Lutin et al., 2013; Whelan, Langford, Oxley, Koppel, & Charlton, 2006), unterstreichen diese Ergebnisse das Potential neu entstehender Fahrerunterstützungstechnologien für die Verbesserung der Verkehrssicherheit, aber auch Lebensqualität älterer Menschen.

Systeme zum automatisierten Fahren erlauben es, die Fahrzeugführung in einem gewissen Maß vom Fahrer an das Fahrzeug zu übertragen. Da der Fahrer auf diese Weise unterstützt, entlastet oder sogar ersetzt werden kann, werden Systeme zum automatisierten Fahren mit einem großen Potential für Verbesserungen hinsichtlich Straßenverkehrssicherheit, Fahrkomfort und Effizienz verbunden - vorausgesetzt, dass diese Systeme angemessen benutzt werden. Systeme zum hochautomatisierten Fahren stellen in diesem Zusammenhang eine besondere Herausforderung für die Mensch-Maschine-Interaktion dar: So wird es dem Fahrer bei diesem Automatisierungsgrad zwar zum ersten mal ermöglicht, das System nicht mehr permanent überwachen zu müssen und somit die Fahrtzeit potentiell für fahrfremde Tätigkeiten zu nutzen. Es wird jedoch immer noch erwartet, dass der Fahrer nach einer vorherigen angemessenen Übernahmeaufforderung die Fahrzeugführung im Bedarfsfall gewährleisten kann. Angemessenes Automatisierungsvertrauen stellt daher eine zentrale Komponente für die erfolgreiche Kooperation zwischen Fahrern und Systemen zum hochautomatisierten Fahren dar und sollte bei der Gestaltung derartiger Systeme berücksichtigt werden. Frühere Befunde weisen beispielsweise bereits darauf hin, dass unterschiedliche Informationen über automatisierte Systeme ein möglicher Ansatz sein könnten um das Automatisierungsvertrauen des Fahrers aktiv zu gestalten. Automatisierungsvertrauen als Variable in der Gestaltung von Fahrzeugtechnologie zu berücksichtigen erfordert jedoch zunächst auch in der Lage zu sein, Automatisierungsvertrauen adäquat messen zu können. In diesem Sinne war die Zielsetzung dieser Arbeit einerseits die Untersuchung verschiedener Methoden zur Messung des Automatisierungsvertrauens des Fahrers sowie andererseits die Identifikation, prototypische Umsetzung und Bewertung potentieller Ansätze zur Gestaltung von Automatisierungsvertrauen im Kontext von Systemen zum hochautomatisierten Fahren. Zu diesem Zweck wurden drei Fahrsimulatorstudien mit insgesamt N = 280 Probanden durchgeführt. Die vorliegenden Ergebnisse weisen darauf hin, dass (i) sowohl Selbstberichtsverfahren als auch Verhaltensmaße prinzipiell dazu verwendet werden können um das Automatisierungsvertrauen des Fahrers in Systeme zum hochautomatisierten Fahren zu operationalisieren, (ii) eine vorherige Auseinandersetzung mit funktionalen Grenzen von Systemen zum hochautomatisierten Fahren einen nachhaltigen Effekt auf das Automatisierungsvertrauen des Fahrers in das System haben kann und (iii) insbesondere Informationen über die Funktionsweise von Systemen zum hochautomatisierten Fahren das Automatisierungsvertrauen des Fahrers in derartige Systeme verbessern können. Damit liefert die vorliegende Arbeit sowohl wertvolle Ansatze zur Messbarmachung als auch Hinweise für die Gestaltung von Automatisierungsvertrauen im Kontext des hochautomatisierten Fahrens. Darüber hinaus können die Befunde dieser Arbeit in gewissem Maße auch auf andere Arten von Fahrzeugautomatisierung sowie unterschiedliche Domänen und Anwendungen von Automatisierung übertragen werden. / Automated driving systems allow to transfer a certain degree of vehicle control from the driver to a vehicle. By assisting, augmenting or even supplementing the driver, automated driving systems have been associated with enormous potential for improving driving safety, comfort, and efficiency - provided that they are used appropriately. Among those systems, conditional automated driving systems are particularly challenging for human-automation interaction: While the driver is no longer required to permanently monitor conditional automated driving systems, he / she is still expected to provide fallback performance of the dynamic driving task after adequate prior notification. Therefore, facilitating appropriate automation trust is a key component for enabling successful cooperation between drivers and conditional automated driving systems. Earlier work indicates that providing drivers with proper information about conditional automated driving systems might be one promising approach to do this. Considering the role of automation trust as a variable in the design of vehicle technology, however, also requires that drivers` automation trust can be viably measured in the first place. Accordingly, the objectives of this thesis were to explore difffferent methods for measuring drivers` automation trust in the context of conditional automated driving as well as the identification, implementation and evaluation of possible approaches for designing drivers` automation trust in conditional automated driving systems. For these purposes, three driving simulator studies with N = 280 participants were conducted. The results indicate that (i) both self-report measures and behavioral measures can be used to assess drivers` automation trust in conditional automated driving systems, (ii) prior familiarization with system limitations can have a lasting effffect on drivers` automation trust in conditional automated driving systems and (iii) particularly information about the processes of conditional automated driving systems might promote drivers` automation trust in these systems. Thus, the present research contributes much needed approaches to both measuring and designing automation trust in the context of conditional automated driving. In addition, the current findings might also be transferred to higher levels of driving automation as well as other domains and applications of automation.

In the course of the current demographic change, the proportion of the population aged 65 and older is projected to steadily increase in many countries of the world (UN DESA Population Division, 2015). The ageing society is reflected in an increasing number of older road users (Koppel & Berecki-Gisolf, 2015), especially considering the growing need for older adults to maintain individual mobility (Eby & Molnar, 2012). This development raises new issues of transportation research, since age-related changes in mobility patterns as well as sensory, cognitive, and motor functions reduce older adults’ traffic safety (Polders, Vlahogianni, Leopold, & Durso, 2015). Accordingly, new strategies to aid older drivers and their mobility needs are required, which could potentially be provided by emerging in-vehicle technologies (Karthaus & Falkenstein, 2016). The overall aim of present dissertation project was to evaluate whether in-vehicle technologies that appear promising to support older drivers can actually contribute to their individual mobility, which requires an improvement in aspects related to driving performance as well as the acceptance of such systems in this age group. Therefore, contact-analogue head-up displays (also labelled as Augmented Reality Displays, ARDs) and highly automated driving were selected as two exemplary technologies, representing completely different levels of driving automation and accordingly different approaches to support drivers. The ARD-technology represents a technical implementation approach for IVIS and therefore an example for Automation Level 0 (no automation; SAE International, 2014) by helping the driver to execute the driving task manually through useful information. In contrast, the HAD-technology aims at supporting the driver by taking over the driving task, which corresponds to Automation Level 4 (high automation; SAE International, 2014). Despite these different approaches, both technologies were previously assumed to have a strong potential to support especially older drivers (Meyer & Deix, 2014; Polders et al., 2015; Rusch et al., 2013; Schall et al., 2013). Three empirical studies were conducted to examine performance- and acceptance-related aspects of both technologies. All studies were carried out with a group of older drivers (maximum age range: 65 85 years) and a younger comparison group (maximum age range: 25-45 years) representing the ‘average’ (i.e. young, but experienced) driver in order to identify age-specific results. Focusing on performance-related aspects of the ARD-technology, Study I represents a reaction time experiment conducted in a driving simulator. One age-specific beneficial function of such an ARD is to provide prior information about approaching complex traffic situations, which addresses older drivers’ tendency to process multiple information successively (serially) rather than simultaneously (parallel) (Davidse, Hagenzieker, van Wolffelaar, & Brouwer, 2009; Küting & Krüger, 2002). Therefore, the aim of this study was to examine the effects of an ARD providing prior information about approaching intersections on drivers’ speed and accuracy of perceiving these intersections, which is considered a necessary precondition for a safe driving performance (Crundall & Underwood, 2011). Based on concerns about the counterproductive effects of presenting information via an ARD, especially in cases of inaccurate information, system failures were included in this examination. The ARD-information aided drivers from both age groups in identifying more relevant aspects of the intersections without increasing response time, indicating the potential of the system to support both older and younger drivers in complex traffic situations. Experiencing system failures (i.e. inaccurate information) did offset this positive effect for the study’s duration, particularly for older drivers. This might be because it was difficult to ignore inaccurate prior information due to their presentation via an ARD. Study II represents a driving simulator study on acceptance-related aspects of an ARD providing prior information about approaching intersections. This study focused on the effects of system experience on drivers’ acceptance as well as on the identification of age-specific acceptance barriers that could prevent older drivers from using the technology. In summary, older and younger drivers’ evaluation of the ARD was positive, with a tendency to more positive evaluations with than without system experience in the driving simulator. Compared to the younger group, older drivers reported a more positive attitude towards using the ARD, even though they evaluated their self-efficacy in handling the system and environmental conditions facilitating its usage as less strong. Both performance- and acceptance-related aspects of HAD were addressed in Study III, a two-stage driving simulator study. The focus of the performance perspective shifted in parallel with the shift of the human role from driver to passenger due to the increasing driving automation. Accordingly, the examination of HAD was focused on the human evaluation of the automated system’s driving performance. In this context, affective components of human-automation interaction, such as comfort and enjoyment, are considered important for the acceptance and thus usage of automated vehicles (Tischler & Renner, 2007). It is assumed that the implemented driving style has an impact on such affective components in the context of HAD (Bellem, Schönenberg, Krems, & Schrauf, 2016). One theoretical approach to increase the comfort of HAD recommends the implementation of familiar, natural driving styles to mimic human control (Elbanhawi, Simic, & Jazar, 2015). Therefore, the effects of driving automation and the familiarity of the HAD-style on driving comfort and enjoyment were examined. Automation increased both age groups’ comfort, but decreased younger drivers’ enjoyment. For all dependent variables, driving style familiarity significantly interacted with drivers’ age the same way: while younger drivers preferred a familiar HAD-style, older drivers preferred an unfamiliar driving style in a highly automated context. Accordingly, the familiarity approach can be supported at least for younger drivers, but not for older drivers, whose manual driving styles are characterised by strategies to compensate for age-related impairments of sensory, cognitive, or motor functions. HAD-style preferences of this age group seem to be more influenced by the desire to regain a driving style free from these compensation strategies than by a need for familiar driving manoeuvres. In parallel with the evaluation of the ARD, acceptance-related issues in the context of HAD included the effects of system experience on drivers’ acceptance and potential age-specific acceptance barriers. Considering a system-specific design issue, it was additionally examined whether drivers’ acceptance of HAD is modifiable by the familiarity of the implemented driving style. In this driving simulator study, members of both age groups showed slightly positive a priori acceptance ratings, which significantly increased after the initial experience and remained stable afterwards. Similar to drivers’ acceptance of the ARD, older drivers reported a more positive attitude towards using HAD despite their lower self-assessed self-efficacy and environmental conditions facilitating HAD-usage compared to younger drivers. Regarding HAD-style, acceptance was subject to the same interaction between drivers’ age and driving style familiarity as driving comfort and enjoyment. These findings demonstrate that effective approaches to support the independent mobility of older adults are provided by emerging in-vehicle technologies on different levels of driving automation. The majority of the performance-related improvements did apply to both older and younger drivers, confirming that automotive technologies suggested for older drivers have the potential to support drivers of other age groups as well. Regarding drivers’ acceptance, findings suggest that both systems would be accepted by different age groups, which correspondents to the results from the performance perspective. The comparable acceptance patterns identified for two systems at different stages of driving automation, such as ARDs and HAD, indicate underlying general aspects of older adults’ acceptance of in-vehicle technologies. This includes their strong need to preserve their individual mobility as well as their lower self-efficacy in handling relevant technologies and insufficient access to a support infrastructure. These insights can enrich both theories of older drivers’ acceptance of in-vehicle technologies and measures to ensure the successful development and introduction of systems aiding them in maintaining a safe individual mobility. Considering the importance of driving for older adults’ physiological and psychological well-being (e.g. Adler & Rottunda, 2006; Lutin, Kornhauser, & Lerner-Lam, 2013), these results emphasise the potential of emerging in-vehicle technologies to improve both older drivers’ traffic safety and quality of life.:OVERVIEW 4 LIST OF FIGURES 5 LIST OF TABLES 7 LIST OF ABBREVIATIONS 8 SUMMARY 9 ZUSAMMENFASSUNG 12 1 INTRODUCTION 16 2 THEORETICAL BACKGROUND 18 2.1 The Driving Task 18 2.1.1 The Extended Control Model (ECOM) 18 2.1.2 Demands on the Driver 21 2.2 Characteristics of Older Drivers 22 2.2.1 Age-Related Functional Limitations 23 2.2.2 Compensatory Strategies 25 2.2.3 Accident Involvement and Consequences 25 2.2.4 The Relevance of Driving for Older Adults 27 2.3 Supporting Older Drivers through In-Vehicle Technologies 28 2.3.1 Taxonomy of In-Vehicle Technologies 29 2.3.2 Selected In-Vehicle Technologies Suitable for Older Drivers 31 2.3.3 Augmented Reality Display (ARD) 32 2.3.3.1 Support Potential for Older Drivers 33 2.3.3.2 Speed and Accuracy of Perceiving Traffic Situations 34 2.3.4 Highly Automated Driving (HAD) 34 2.3.4.1 Support Potential for Older Drivers 35 2.3.4.2 Driving Comfort and Driving Enjoyment 36 2.3.4.3 Automated Driving Style 38 2.3.5 System Acceptance 39 2.3.5.1 Definition 39 2.3.5.2 General Technology Acceptance of Older Adults 41 2.3.5.3 Acceptance of ARDs 41 2.3.5.4 Acceptance of HAD 42 3 OVERALL RESEARCH QUESTIONS 44 4 OVERALL METHODOLOGICAL CONSIDERATIONS 47 5 STUDY I: AUGMENTED REALITY DISPLAY – PERFORMANCE ASPECTS 48 5.1 Aims and Research Hypotheses 49 5.2 Method 50 5.2.1 Study Design 50 5.2.2 Participants 50 5.2.3 The Surrogate Complexity Method (SCM) 50 5.2.3.1 Basic Principle 50 5.2.3.2 Dependent Variables 51 5.2.4 Implementation of the SCM for the ARD-Evaluation 52 5.2.4.1 Trial Structure 52 5.2.4.2 Variation of ARD-Information 53 5.2.4.3 Visual Material 54 5.2.5 Setting 55 5.2.6 Procedure 55 5.3 Results 56 5.3.1 Data Preparation 56 5.3.2 Validity of the SCM 57 5.3.3 Response Accuracy 57 5.3.4 Response Time 58 5.4 Discussion 59 6 STUDY II: AUGMENTED REALITY DISPLAY – ACCEPTANCE ASPECTS 61 6.1 Aims and Research Questions 61 6.2 Method 62 6.2.1 Study Design 62 6.2.2 Participants 62 6.2.3 Facilities and Simulated Route 64 6.2.4 Assessment of Drivers’ Acceptance 65 6.2.5 Procedure 66 6.3 Results 66 6.3.1 Drivers’ Attitude towards the ARD 66 6.3.2 Determinants of Drivers’ Acceptance 67 6.4 Discussion 70 7 STUDY III: HIGHLY AUTOMATED DRIVING – PERFORMANCE AND ACCEPTANCE ASPECTS 72 7.1 Aims and Research Questions 72 7.2 Method 74 7.2.1 Study Design 74 7.2.2 Participants 74 7.2.3 Facilities and Simulated Route 75 7.2.4 Questionnaires and Online Assessment of Driving Comfort 75 7.2.5 Procedure 77 7.3 Results 79 7.3.1 Data Preparation 79 7.3.2 Effects of System Experience on Drivers’ Acceptance 81 7.3.3 Effects of Driving Automation on Driving Comfort and Enjoyment 83 7.3.4 Effects of Driving Style Familiarity on Driving Comfort, Enjoyment, and Acceptance 84 7.4 Discussion 90 8 GENERAL DISCUSSION AND CONCLUSIONS 96 8.1 Limitations 96 8.2 Theoretical and Practical Implications 97 8.2.1 Performance-Related Aspects 98 8.2.2 Acceptance-Related Aspects 100 8.3 Methodological Implications 103 REFERENCES 105 APPENDIX 128 ACKNOWLEDGEMENT OF FUNDING 134 CURRICULUM VITAE 135 PUBLICATIONS 137 / Im Zuge des aktuellen demografischen Wandels wird für zahlreiche Länder der Welt eine stetige Zunahme des Bevölkerungsanteils von Personen im Alter von 65 Jahren und älter prognostiziert (UN DESA Population Division, 2015). Die daraus resultierende alternde Gesellschaft spiegelt sich auch in der steigenden Anzahl älterer Verkehrsteilnehmer wieder (Koppel & Berecki-Gisolf, 2015). Dieser Effekt wird durch das ebenfalls ansteigende Bedürfnis älterer Personen, ihre Individualmobilität auch bis ins hohe Alter hinein aufrecht zu erhalten, noch verstärkt (Eby & Molnar, 2012). Berücksichtigt man die Auswirkungen altersbedingter Veränderungen von Mobilitätsmustern und fahrrelevanten Fähigkeiten auf die Sicherheit älterer Verkehrsteilnehmer (Polders et al., 2015), stellt diese demographische Entwicklung neue Herausforderungen an die Verkehrsforschung. So bedarf es neuartiger Strategien zur Unterstützung älterer Fahrzeugführer und ihrer Mobilitätsbedürfnisse. Aufgrund aktueller technologischer Entwicklungen eröffnen vor allem durch neuartige Fahrzeugtechnologien zur Fahrerunterstützung innovative Möglichkeiten, diesem Bedarf gerecht zu werden (Karthaus & Falkenstein, 2016). An diesem Punkt setzt die vorliegende Dissertation an. Ziel des Dissertationsprojektes war es zu evaluieren, inwieweit aktuell in Entwicklung befindliche Fahrzeugtechnologien, die aus theoretischer Sicht als geeignete Mittel zur Unterstützung älterer Fahrer erscheinen, tatsächlich zu deren Individualmobilität beitragen können. Um das Potential derartiger Technologien abzuschätzen, wurde einerseits untersucht, inwieweit sie zur Verbesserung von Variablen, die in Beziehung zur Fahrleistung stehen, beitragen können. Anderseits wurde ihre Akzeptanz bei potentiellen zukünftigen Nutzern evaluiert. Für diese Untersuchungen wurden zwei exemplarische Technologien als Repräsentanten grundlegend unterschiedlicher Stufen der Fahrzeugautomatisierung ausgewählt: ein kontaktanaloge Head-up Display (auch Augmented Reality Display, ARD) und hochautomatisiertes Fahren. ARDs stellen einen technologischen Ansatz zur Implementierung von Fahrerinformationssystemen und dementsprechend ein Beispiel für Automatisierungsstufe 0 (no automation; SAE International, 2014) dar, indem sie den Fahrer durch die Bereitstellung verkehrsrelevanter Informationen bei der manuellen Ausführung der Fahraufgabe unterstützen. Im Gegensatz dazu zielt die Technologie des hochautomatisierten Fahrens auf eine Unterstützung des Fahrers durch die vollständige Übernahme der Fahraufgabe ab, was Automatisierungsstufe 4 (high automation; SAE International, 2014) entspricht. Trotz dieser grundlegend unterschiedlichen Ansätze wird beiden Technologien ein hohes Potential zur Unterstützung insbesondere älterer Fahrer zugesprochen (Meyer & Deix, 2014; Polders et al., 2015; Rusch et al., 2013; Schall et al., 2013). Die Untersuchung Performanz- und Akzeptanz-bezogener Aspekte beider Technologien erfolgte im Rahmen von drei empirische Studien. Um altersspezifische Befunde identifizieren zu können, wurden allen Studien mit Vertretern der Zielgruppe von älteren Fahrern (65-85 Jahre alt) sowie einer jüngeren Vergleichsgruppe ‚durchschnittlicher‘ (d.h. junger, erfahrener) Fahrer (25-45 Jahre alt) durchgeführt. Bei Studie I handelte es sich um eine im Fahrsimulator durchgeführte Reaktionszeitstudie, in deren Rahmen Leistungs-bezogene Aspekte von ARDs untersucht wurden. Unter den vielfältigen Möglichkeiten zur Anwendung dieser Technologie wird vor allem die Präsentation von Vorinformationen über bevorstehende komplexe Fahrsituationen während der Fahrt als gewinnbringend für ältere Fahrer eingestuft. Diese Strategie adressiert die Tendenz älterer Fahrer zu einer eher seriellen als parallelen Verarbeitung gleichzeitig verfügbarer Informationen während der Fahrt (Davidse et al., 2009; Küting & Krüger, 2002). Vor diesem Hintergrund lag der Fokus von Studie I auf den Effekten einer kontaktanalogen Präsentation von Vorinformationen über bevorstehende Kreuzungen auf die Geschwindigkeit und Genauigkeit der Wahrnehmung dieser Kreuzungen durch den Fahrer, was eine Grundvoraussetzung für eine sichere Fahrleistung darstellt (Crundall & Underwood, 2011). Basierend auf bestehenden Befürchtungen über kontraproduktive Effekte einer kontaktanalogen Informationsdarstellung während der Fahrt, insbesondere im Falle inkorrekter Informationen, wurden zudem die Auswirkungen von Systemfehlern untersucht. Mit Hilfe der kontaktanalogen Vorinformationen gelang es sowohl älteren als auch jüngeren Fahrern, ohne erhöhten Zeitbedarf einen höheren Anteil relevanter Aspekte in Kreuzungssituationen wahrzunehmen. Allerdings wurde die positive Systemwirkung durch das Erleben von Systemfehlern (in diesem Fall inkorrekten Vorinformationen) zumindest für die Dauer der Untersuchung aufgehoben. Dieser Effekt war besonders ausgeprägt für ältere Fahrer und könnte auf die Schwierigkeit, inkorrekte Informationen auf Grund ihrer Darstellung im ARD zu ignorieren, zurückzuführen sein. Studie II stellte eine Fahrsimulatorstudie zu Akzeptanz-bezogenen Aspekten eines ARDs, welches dem Fahrer Vorinformationen über bevorstehende Kreuzungen zur Verfügung stellt, dar. Inhalt dieser Studie waren zum einen die Effekte von Systemerfahrung auf die Nutzerakzeptanz des Systems, zum anderen altersspezifische Akzeptanzbarrieren, welche ältere Fahrer potentiell von der Nutzung der Technologie abhalten könnten. Insgesamt bewerteten sowohl ältere als auch jüngere Fahrer das ARD positiv. Dabei fielen Bewertungen auf Basis von Systemerfahrung im Fahrsimulator tendenziell besser aus als Bewertungen ohne vorherige Systemerfahrung. Obwohl ältere Fahrer im Vergleich zu jüngeren Fahrern ihre Selbstwirksamkeit im Umgang mit dem ARD sowie Umgebungsfaktoren, welche dessen Nutzung unterstützen könnten, als geringer ausgeprägt wahrnahmen, war die positive Einstellung gegenüber der Nutzung des Systems bei ihnen im Durchschnitt stärker ausgeprägt. Leistungs- und Akzeptanz-bezogene Aspekte des hochautomatisierten Fahrens wurden in Studie III, einer zweistufigen Fahrsimulatorstudie, untersucht. Parallel zur Veränderung der Rolle des Menschen vom Fahrzeugführer zum Passagier im Zuge der zunehmenden Fahrzeugautomatisierung veränderte sich dabei auch der Fokus der Leistungsperspektive. Dem entsprechend stand die Bewertung der Fahrleistung des automatisierten Systems durch den mitfahrenden Menschen im Mittelpunkt dieser Untersuchung. Affektive Komponenten der Mensch-Automatisierungs-Interaktion wie Fahrkomfort und Fahrspaß werden in diesem Kontext als bedeutsam zur Gewährleistung der Nutzerakzeptanz und damit auch Nutzung automatisierter Fahrzeuge betrachtet (Tischler & Renner, 2007). Es wird angenommen, dass derartige affektive Komponenten im Kontext des hochautomatisierten Fahrens vor allem vom implementierten Fahrstil abhängen (Bellem et al., 2016). In einem theoretischen Ansatz zur Verbesserung des Fahrkomforts wird die Implementierung vertrauter (d.h. dem eigenen manuellen Fahrstil ähnlicher) Fahrstile empfohlen, um einen menschlichen Fahrzeugführer nachzuahmen und so Bedenken gegenüber einer automatisierten Fahrzeugführung abzubauen (Elbanhawi et al., 2015). Diesem Ansatz folgend wurden in Studie III die Effekte der Fahrzeugautomatisierung sowie der Ähnlichkeit des implementierten Fahrstils zum individuellen manuellen Fahrstil des jeweiligen Fahrers auf Fahrkomfort und Fahrspaß untersucht. Es konnte gezeigt werden, dass mit höherer Automatisierung der Fahrkomfort älterer und jüngerer Fahrer anstieg, der Fahrspaß jüngerer Fahrer sich jedoch verringerte. Alle abhängigen Variablen wurden von einer vergleichbaren Interaktion zwischen Fahreralter und Fahrstilähnlichkeit beeinflusst: Während jüngere Fahrer hochautomatisierte Fahrstile bevorzugten, die ihren jeweiligen manuellen Fahrstilen ähnelten, präferierten ältere Fahrer im hochautomatisierten Kontext eher unähnliche Fahrstile. Dem entsprechend kann der Vertrautheitsansatz basierend auf den Ergebnissen von Studie III zumindest für jüngere Fahrer unterstützt werden, nicht aber für die Zielgruppe älterer Fahrer, deren manuelle Fahrstile durch Kompensationsstrategien zum Ausgleich altersbedingter Einschränkungen ihrer sensorischen, kognitiven und motorischen Fähigkeiten geprägt sind. Fahrstilpräferenzen im hochautomatisierten Kontext scheinen in dieser Altersgruppe mehr von dem Wunsch, einen von diesen Kompensationsstrategien unbeeinträchtigten Fahrstil wiederzuerlangen, geprägt zu sein als von dem Bedürfnis nach vertraut gestalteten Fahrmanövern. Analog zur Evaluation des ARDs beinhaltete die Untersuchung Akzeptanz-bezogener Aspekte des hochautomatisierten Fahrens die Effekte von Systemerfahrung auf die Nutzerakzeptanz sowie potentielle altersspezifische Akzeptanzbarrieren. Einen systemspezifischen Designaspekt aufgreifend wurde zudem untersucht, ob die Nutzerakzeptanz des hochautomatisierten Fahrens ebenfalls durch den implementierten Fahrstil modifizierbar ist. Fahrer beider Altersgruppen berichteten tendenziell positive a priori Akzeptanzwerte, welche sich nach der Ersterfahrung mit dem System signifikant erhöhten und sich anschließend stabilisierten. Vergleichbar mit den Ergebnissen zum ARD war die positive Einstellung gegenüber der Nutzung eines hochautomatisierten Fahrzeuges bei älteren Fahrern im Durchschnitt stärker ausgeprägt als bei jüngeren, obwohl sie ihre Selbstwirksamkeit im Umgang mit dem System sowie unterstützende Umgebungsfaktoren als geringer ausgeprägt bewerteten. Bezüglich des hochautomatisierten Fahrstils unterlag die Systemakzeptanz derselben Interaktion zwischen Fahreralter und Fahrstilähnlichkeit wie Fahrkomfort und Fahrspaß. Diese Ergebnisse demonstrieren, dass Fahrzeugtechnologien auf verschiedenen Automatisierungsstufen effektive Ansätze zur Unterstützung der Individualmobilität älterer Personen liefern können. Die Mehrzahl der identifizierten Leistungs-bezogenen Verbesserungen zeigte sich sowohl für ältere als auch jüngere Fahrer. Diese Befunde weißen auf das Potential von Systemen, welche den Bedürfnissen älterer Fahrer entsprechen, zur Unterstützung verschiedener Altersgruppen hin. Die Ergebnisse der Akzeptanzperspektive deuten an, dass die evaluierten Systeme von Fahrern verschiedener Altersgruppen akzeptiert werden würden, was die Ergebnisse der Leistungsebene widerspiegelt. Die Vergleichbarkeit der Muster verschiedener Akzeptanzprädiktoren, welche für zwei Systeme auf grundlegend unterschiedlichen Automatisierungsstufen identifiziert werden konnten, legt die Existenz zugrundeliegender genereller Aspekte der Fahrzeugtechnologie-Akzeptanz älterer Fahrer nahe. Diese beinhalten deren stark ausgeprägtes Bedürfnis zur Erhaltung ihrer Individualmobilität sowie deren geringere Selbstwirksamkeit im Umgang mit relevanten Technologien und den unzureichenden Zugang zu unterstützenden Infrastrukturen. Diese Erkenntnisse liefern Implikationen für theoretische Modelle der Akzeptanz von Fahrzeugtechnologien durch ältere Fahrer sowie für Maßnahmen zur Absicherung einer erfolgreichen Entwicklung und Markteinführung von Systemen, die darauf abzielen, ältere Menschen beim Erhalt ihrer Individualmobilität zu unterstützen. Berücksichtigt man die Bedeutsamkeit des Fahrens eines eigenen Automobils für das physiologische und psychologische Wohlbefinden im Alter (Adler & Rottunda, 2006; Lutin et al., 2013; Whelan, Langford, Oxley, Koppel, & Charlton, 2006), unterstreichen diese Ergebnisse das Potential neu entstehender Fahrerunterstützungstechnologien für die Verbesserung der Verkehrssicherheit, aber auch Lebensqualität älterer Menschen.:OVERVIEW 4 LIST OF FIGURES 5 LIST OF TABLES 7 LIST OF ABBREVIATIONS 8 SUMMARY 9 ZUSAMMENFASSUNG 12 1 INTRODUCTION 16 2 THEORETICAL BACKGROUND 18 2.1 The Driving Task 18 2.1.1 The Extended Control Model (ECOM) 18 2.1.2 Demands on the Driver 21 2.2 Characteristics of Older Drivers 22 2.2.1 Age-Related Functional Limitations 23 2.2.2 Compensatory Strategies 25 2.2.3 Accident Involvement and Consequences 25 2.2.4 The Relevance of Driving for Older Adults 27 2.3 Supporting Older Drivers through In-Vehicle Technologies 28 2.3.1 Taxonomy of In-Vehicle Technologies 29 2.3.2 Selected In-Vehicle Technologies Suitable for Older Drivers 31 2.3.3 Augmented Reality Display (ARD) 32 2.3.3.1 Support Potential for Older Drivers 33 2.3.3.2 Speed and Accuracy of Perceiving Traffic Situations 34 2.3.4 Highly Automated Driving (HAD) 34 2.3.4.1 Support Potential for Older Drivers 35 2.3.4.2 Driving Comfort and Driving Enjoyment 36 2.3.4.3 Automated Driving Style 38 2.3.5 System Acceptance 39 2.3.5.1 Definition 39 2.3.5.2 General Technology Acceptance of Older Adults 41 2.3.5.3 Acceptance of ARDs 41 2.3.5.4 Acceptance of HAD 42 3 OVERALL RESEARCH QUESTIONS 44 4 OVERALL METHODOLOGICAL CONSIDERATIONS 47 5 STUDY I: AUGMENTED REALITY DISPLAY – PERFORMANCE ASPECTS 48 5.1 Aims and Research Hypotheses 49 5.2 Method 50 5.2.1 Study Design 50 5.2.2 Participants 50 5.2.3 The Surrogate Complexity Method (SCM) 50 5.2.3.1 Basic Principle 50 5.2.3.2 Dependent Variables 51 5.2.4 Implementation of the SCM for the ARD-Evaluation 52 5.2.4.1 Trial Structure 52 5.2.4.2 Variation of ARD-Information 53 5.2.4.3 Visual Material 54 5.2.5 Setting 55 5.2.6 Procedure 55 5.3 Results 56 5.3.1 Data Preparation 56 5.3.2 Validity of the SCM 57 5.3.3 Response Accuracy 57 5.3.4 Response Time 58 5.4 Discussion 59 6 STUDY II: AUGMENTED REALITY DISPLAY – ACCEPTANCE ASPECTS 61 6.1 Aims and Research Questions 61 6.2 Method 62 6.2.1 Study Design 62 6.2.2 Participants 62 6.2.3 Facilities and Simulated Route 64 6.2.4 Assessment of Drivers’ Acceptance 65 6.2.5 Procedure 66 6.3 Results 66 6.3.1 Drivers’ Attitude towards the ARD 66 6.3.2 Determinants of Drivers’ Acceptance 67 6.4 Discussion 70 7 STUDY III: HIGHLY AUTOMATED DRIVING – PERFORMANCE AND ACCEPTANCE ASPECTS 72 7.1 Aims and Research Questions 72 7.2 Method 74 7.2.1 Study Design 74 7.2.2 Participants 74 7.2.3 Facilities and Simulated Route 75 7.2.4 Questionnaires and Online Assessment of Driving Comfort 75 7.2.5 Procedure 77 7.3 Results 79 7.3.1 Data Preparation 79 7.3.2 Effects of System Experience on Drivers’ Acceptance 81 7.3.3 Effects of Driving Automation on Driving Comfort and Enjoyment 83 7.3.4 Effects of Driving Style Familiarity on Driving Comfort, Enjoyment, and Acceptance 84 7.4 Discussion 90 8 GENERAL DISCUSSION AND CONCLUSIONS 96 8.1 Limitations 96 8.2 Theoretical and Practical Implications 97 8.2.1 Performance-Related Aspects 98 8.2.2 Acceptance-Related Aspects 100 8.3 Methodological Implications 103 REFERENCES 105 APPENDIX 128 ACKNOWLEDGEMENT OF FUNDING 134 CURRICULUM VITAE 135 PUBLICATIONS 137