Симулятор вождения автомобиля по правилам пдд: Бесплатный реалистичный симулятор вождения онлайн

Содержание

Вождение автомобиля самоучитель играть

  • Издатель: Multisoft
  • Разработчик: Multisoft
  • Год выхода: 2016
  • Категория:Гонки / Симуляторы / Игры на русском
  • Язык интерфейса: Русский
  • Язык озвучки: Русский
  • Таблетка: Не требуется

Данный автомобильный симулятор вождения обязательно понравиться не только начинающим водителям, но и бывалым профессиональным водителям. Сесть за руль автомобиля, научиться управлять им в разных ситуациях, научиться правильно парковаться на улицах – это все вам предстоит в такой увлекательной игре. Но без теста не обойтись. Вам обязательно нужно сдать теорию в игре, а именно правила дорожного движения. Особое внимание в игре уделено знакам на трассах, которые вы должны изучить, чтобы не было по ходу игры аварийных ситуаций. Вообще этот симулятор выполнен на новом физическом движке, поэтому вы увидите яркие локации, трассы и у вас будет выбор – любой автомобиль может появиться у вас в распоряжении. Игра Симулятор вождения автомобиля, скачать торрент которой вы можете абсолютно бесплатно, вызовет у вас массу положительных эмоций и впечатлений.

Сюжет

В процессе игры вы не только водите автомобиль по улицам разных крупных мегаполисов, вы еще и закрепляете на практике навыки вождения. Для этого вы обязательно должны использовать подсказки вашего инструктора по вождению. Все подсказки появляются на экране, чтобы вы могли ими воспользоваться. На трассу вы выезжает как еще неопытный водитель, но по мере прохождения уровней в игре вы становитесь настоящим ассом трасс. Парковка – это очень важный момент в игре, ведь за правильное выполнение такого игрового действия вы обязательно получите бонусные вознаграждения. А вот пешеходов будет много, так что аккуратно передвигайтесь на авто, особенно в часы пик. И еще вы можете тюнинговать ваше транспортное средство.

Геймплей

Игра предусматривает сразу два режима. Первый режим – теоретический. В нем вы сдаете экзамены по правилам дорожного движения, изучаете управление машиной, следуете подсказкам вашего игрового инструктора. А затем можно выезжать на трассу, чтобы использовать полученные игровые навыки на практике. Вы будете ездить по дорогам в различное время года и при разных климатических условиях. Кстати, погодные условия вы сможете сами контролировать по ходу игры. Хотите поездить в снежную погоду – не вопрос. Вы можете сами переключиться в такой режим. В игре Симулятор вождения, скачать торрент которой может каждый посетитель нашего бесплатного игрового портала, вы сможете еще контролировать плотность городского движения. Чем больше встречного транспорта – тем сложнее передвигаться в игре.

Интересные факты

В данном симуляторе вы правильно научитесь не только водить свой автомобиль, но и еще изучите знаки дорожного движения, сдадите экзамен в ГАИ, и вообще сможете выбирать себе разные уровни прохождения. Но лучше всего начать с малого – изучите свою машину, прежде чем отправлять ее на трассу.

Особенности Симулятор вождения автомобиля

  • Часы пик. Это самый интересный и сложный режим в игре, когда вы должны проявить себя настоящим и уже опытным воителем, ведь трассы будут максимально загружены не только транспортными средствами, но и огромным количеством пешеходов, которые спешат на работу.
  • Установленная камера. В игре вы сами сможете контролировать камеру в кабине шофера. Поворачивайте ее в разных ракурсах, чтобы иметь возможность увидеть не только встречные автомобили, но и машины, которые находятся позади. Это отличная проработка в игровом процессе.
  • Дорожные ситуации. Вы станете свидетелем разнообразных аварийных ситуаций на дорогах, но смотрите сами не станьте участником дорожно-транспортного происшествия. А скачать Симулятор вождения автомобиля через торрент вы можете, посетив наш бесплатный игровой сайт.
  • Парковка. Подъедете аккуратно к тому месту, где вы хотите припарковать свой автомобиль.

На этой странице по кнопке ниже вы можете скачать Симулятор вождения автомобиля через торрент бесплатно.

Скриншоты Симулятор вождения автомобиля

Видео к игре Симулятор вождения автомобиля

Уникальный практический курс поможет эффективно подготовиться к сдаче практического экзамена в ГИБДД.
Этот простой и доступный симулятор позволит выполнить все элементы вождения и научит вас обращать внимание на малейшие детали, которые могут стоить баллов во время итогового тестирования.
В состав издания входят аудиолекции, которые помогут в подготовке к сдаче экзаменов.

Как и другие проекты серии, практический курс разработан для обучения начинающих водителей. Начинающий водитель сможет ощутить себя за рулем автомобиля, отработать все необходимые элементы на площадке и попробовать силы в свободных заездах по городу. Заодно программа научит обращать внимание на малейшие детали, которые могут стоить баллов во время финального экзамена в ГИБДД – от соблюдения правил дорожного движения до отработки парковки, «змейки», действий на подъемах и спусках.

Состав диска:
Реалистичный симулятор вождения: освойте все действия на площадке и в черте города, отработайте парковку, змейку, действия на подъеме и спуске.
Режим Автошкола. Курс обучения – 14 дней! Впервые в России представлен комплексный курс обучения, состоящий из теоретических лекций по ПДД и практических упражнений в городе и на площадке.

Полный 3 часовой курс аудиолекций: закрепите знания с помощью профессиональных объяснений и комментариев. Вас ждут 3 часа лекций от профессионального преподавателя автошколы. Вы сможете скопировать файлы лекций на плеер, или запускать диск прямо в плеере, слушать лекции когда вам будет удобно.
Официальный текст правил дорожного движения с изображениями знаков.

Дополнительная информация:
12 маршрутов по виртуальному городу с домами из Москвы.
5 классических упражнений на площадке.
2 упражнения за городом, на проезд нерегулируемых перекрестков.

1 упражнение на подземной стоянке!
Говорящий инструктор.
Возможность подключать руль с обратной связью и педалями.
Задействована педаль сцепления! Есть возможность заглохнуть, бросив сцепление.
Для моделирования физики автомобилей используется мощнейшая технология CarX.
Режим игры – “Свободная программа”!
Для горячих водителей, которые хотят иметь возможность прокатиться в реалистичном симуляторе по городу с разумным трафиком и светофорами без контроля нарушений!
Будьте осторожны! Здесь возможно попасть в аварию!
Впервые в России представлен комплексный 14 дневный курс обучения, состоящий из теоретических лекций по ПДД и практических упражнений в городе и на площадке.
Вы сможете проходить все упражнение последовательно, тщательно закрепляя знания и навыки.



Название: ПДД. Учебное пособие для автошкол. Вождение
Год выпуска: 2010
Жанр: Симулятор вождения
Разработчик: Geleos Media Inc
Издательство: Новый диск
Тип издания: Лицензия
Язык интерфейса: русский
Язык озвучки: русский
Сайт программы: Таблэтка: Не требуется
Размер: 1.27 GB (+5% для восстановления)

Системные требования:
Операционная система:

Windows XP/Vista/Win7
Процессор: Pentium III/Athlon 1,13 МГц
Память: 512 MБ
Видеокарта: 128 Мб
Аудиокарта: Совместимая с DirectX 9.0c
Свободное место на ЖД: 1,5 ГБ

Установка:
1 Монтируем образ
2 Устанавливаем только выбираем упрощено ( расширенно может у кого то не работать)
3 Играем
4 не задавайте вопрос почему не работает!один из ответов обновить directx, еще качаем последнюю версию PhysX с сайта при тестировании запускалось без проблем на ХР сп3

Год выхода: 2015
Жанр: Симулятор
Разработчик: Multi soft
Платформа: PC
Язык интерфейса: Русский
Таблетка: Не требуется

Системные требования:


Операционная система: Windows ХР, Vista, 7, 8
Процессор: Intel Core 2 Duo Е8500 / AMD Phenorn II X3 720
Оперативная память: 1 Гб (ХР) і 2 Гб (Vista / 7)
Видеокарта: Nvidia Deforce GTS 250 или Radeon HD 4850
Звуковая карта: Совместимая c DirectX 9.0с
Свободное место на жёстком диске: 3.78 Гб

Каждый из нас любит «погонять с ветерком». Адреналин зашкаливает, стрелка спидометра показывает предельные значения… Но в реальной жизни важно знать абсолютно все правила ПДД! И сейчас вы сможете поиграть в абсолютно реальный автосимулятор – все мельчайшие нюансы и особенности городской езды переданы с максимальной реалистичностью!

Симулятор вождения автомобиля – превосходная игра – «обучалка». Она подойдет как для тех игроков, которые планируют сдавать экзамены в ПДД, так и для геймеров, желающих получить максимально реалистичную передачу ощущений езды в реальном автомобиле. Полноценная симуляция вождения, закрепление всех полученных знаний о дорожном движении на городских улицах – главное «не терять голову» и выполнять все правила безопасной езды! Нужно подучиться водить, но рисковать собственным автомобилем никак нельзя? Достаточно скачать Симулятор вождения автомобиля через торрент бесплатно на нашем сайте – и обучение, на 100% близкое к реальному вождению авто в городе началось!

Особенности игры Симулятор вождения автомобиля:
– абсолютно уникальный игровой движок и геймплей, не имеющий аналогов среди других автосимуляторов! Абсолютно все нюансы: разгон, занос, резкое торможение – все рассчитано буквально до миллиметра, ведь детали играют огромную роль в безопасности езды!

– полная симуляция работы механической коробки передач. Возможность полноценного обучения вождению авто как на «механике», так и с коробкой автомат – полная реалистичность!
– как и при обучении в автошколе, в машине справа от вас будет сидеть инструктор. Рекомендуем заранее изучить «на зубок» все правила ПДД с новейшими правками – от точности и аккуратности вождения в игре зависит многое!
– полноценная симуляция вождения в городе. Полный набор общественного транспорта – помните о правилах, какой транспорт и когда пропускать при пересечении перекрестков или езде по оживленным улицам;
– последнее обновление игры добавило пешеходов! Теперь водить машину нужно еще более аккуратно – даже легонько подбить пешехода при неудачном старте со светофора недопустимо!
– без паники! В игре присутствует множество подсказок, которые помогут вам в аккуратном вождении и принятии верных решений;
– особо стоит отметить графику игры – даже просто катаясь по улицам, вы получите незабываемые ощущения!
– максимально полноценная модель игровых повреждений.

На этой странице вы можете скачать Симулятор вождения автомобиля через торрент бесплатно на ПК.

ПДД 2008. Самоучитель вождения по городу (2008) PC — Simulator — Игры для PC — Торрент игры

17:54

ПДД 2008. Самоучитель вождения по городу (2008) PC

Название: ПДД 2008. Самоучитель вождения по городу Скачать

Год выхода: 2008

Жанр: Simulator

Разработчик: «Exceed Entertainment»

Платформа: PC

Язык интерфейса: Русский

Язык озвучки: Русский

Таблэтка: Не требуется


Системные требования:
Операционная система: Windows XP / 2003
Процессор: 3.2 GHz
Оперативная память: 1 GB
Видеокарта: GeForce 6600 / Radeon x1600
Место на диске: 500 MB


Описание: 

ПДД 2008. Самоучитель вождения по городу Скачать торрент — Самоучитель вождения по городу» поможет Вам изучить правила дорожного движения и подготовиться к экзамену в ГАИ. Вы получите базовые навыки управления автомобилем в условиях города, и сможете подробно изучить маршруты некоторых реальных московских МРЭО. ГИБДД Москвы рекомендует данный самоучитель для самостоятельной подготовки к сдаче экзаменов на водительские удостоверения категорий A,B,C,D в качестве практического учебного пособия. 


Доп. информация: Самоучитель вождения по городу. ПДД 2008.
Подготовка и сдача экзамена в ГАИ.
Версия 1.1
Реальные улицы, реальные ситуации, штрафы по новым правилам 2008 года.
Размер архива : 120 Mb


Особенности игры
Полный официальный текст ПДД последней редакции в формате удобного электронного справочника;
Тематические задачи и анализ возможных ситуаций на дороге;
Реальные теоретические экзамены ГАИ;
Возможность проехать по пяти (5) районам города Москвы, и увидеть с какими задачами Вам придётся столкнуться в большом городе;
Возможность сдать практический экзамен на одном из пяти (5) реальных маршрутов МРЕО;
Система контроля свыше двадцати (20) различных нарушений;
Виртуальный инструктор, помогающий в тренировочном заезде и контролирующий экзаменационный;
Реалистичный трафик: пробки, спецтранспорт, нарушители.

ПДД на отлично. Лучшие мобильные приложения и игры с правилами дорожного движения

Цей матеріал також доступний українською

Не важно есть у вас машина или нет, правила дорожного движения должны соблюдать все. Эти мобильные приложения помогут закрыть пробелы в знаниях.

НВ собрало несколько мобильных приложений с правилами дорожного движения в Украине и других странах, которые интерактивно или в форме игры подтянут ваши знания.

Ездите на велосипеде, моноколесе, автомобиле или ходите пешком — эти приложения вам пригодятся.

ПДР України 2019

Самое популярное и рейтинговое в Play Market украинское приложение для изучения ПДД. В нем есть учебник с правилами по всем категориям транспорта, тесты и вкладка, в которой сохраняются все ошибки для работы над ними.

Версия для Android и iOS

Цифры ПДД

В этом приложении правила дорожного движения представлены в разрезе цифр. В нем всего два режима: обучение и тренировка.

Вы сможете подтянуть свои знания в отдельных разделах и пройти полный курс «цифр на дорогах».

Версия для Android

Дорожные знаки

Программа достаточно лаконичная, 600 вопросов, статистика правильных ответов, поиск по названию знака и офлайн режим. Впрочем, это все что нужно, чтобы выучить названия и значение всех знаков, которые встречаются на дорогах Украины.

Версия для Android и iOS

Going Abroad

Приложение от организации European Road Safety, в котором указаны особенности правил дорожного движения в странах Евросоюза: ограничения скорости, границы алкоголя в крови, штрафы за нарушения и другие.

Очень познавательное приложение, особенно для тех, кто собирается заграницу. Для проверки своих знаний можно пройти викторину.

Версия для Android и iOS

Driving School

Симулятор вождения по правилам. В этой игре нужно уделять внимание деталям, светофоры, поворотники, выход из неожиданных ситуаций, которые случаются на дорогах.

В вашем распоряжении будет три вида транспорта: легковой автомобиль, грузовик и автобус. В них можно выбрать ручную и автоматическую коробку передач.

Естественно опыт в приложении не сравнить с реальной дорогой, но определенным правилам и навыкам Driving School вас все-таки научит.

Версия для Android и iOS

Интеграция симулятора вождения и ситуационного исследования симулятора дорожного движения: изучение поведения водителей в ответ на знаки с переменными сообщениями

Основные моменты

Симулятор вождения (UC-win / Road) был интегрирован с симулятором дорожного движения (S -Парамика).

Интегрированная сеть имеет более реалистичную структуру трафика и более высокую надежность VMS.

Более высокий уровень воздействия VMS привел к более высокому уровню отклонения и лучшему поведению при выборе маршрута.

Abstract

Впервые симулятор вождения был интегрирован с имитатором дорожного движения на сетевом уровне, чтобы позволить испытуемым управлять автомобилем в довольно реалистичной среде с реалистичным потоком и плотностью движения. Сеть 10 миль 2 (25 км 2 ) была разработана в симуляторе вождения, а затем экспортирована в симулятор дорожного движения. Около 30 испытуемых управляли симулятором в различных условиях дорожного движения и вождения с использованием информации о переменных сообщениях (VMS), как с интеграцией, так и без нее.Для испытуемых было доступно руководство по маршруту. Объясняются проблемы интеграционного процесса и исследуются его преимущества. В исследовании сделан вывод о том, что плотность трафика, надежность VMS и соответствие нормативным требованиям повышаются при интеграции симуляторов движения и дорожного движения. Чтобы найти факторы, влияющие на изменение маршрута, исследователи применили модель бинарной логистической регрессии. Результаты показали, что изначально выбранный маршрут, отображаемая информация VMS, отношение субъектов к полезности информации VMS и их уровень воздействия VMS влияют на изменение маршрута.Кроме того, была использована модель полиномиальной логистической регрессии для исследования важных факторов при выборе маршрута. Результаты показали, что существует значительная корреляция с поведением водителя при выборе маршрута и его фактическим временем в пути, необходимостью использования GPS, VMS, а также разработанными сценариями. Следует отметить, что документ был рецензирован TRB и представлен на Ежегодном собрании TRB, Вашингтон, округ Колумбия, январь 2016 г.

Ключевые слова

Интеграция

Знак изменяемого сообщения

Соответствие требованиям

Симулятор вождения

Трафик simulator

Анализ дискретного выбора

Рекомендуемые статьи Цитирующие статьи (0)

Просмотреть аннотацию

© 2016 Международная ассоциация наук о дорожном движении и безопасности.Производство и хостинг Elsevier Ltd.

Рекомендуемые статьи

Цитирование статей

Дизайн | Бесплатный полнотекстовый | Сетевое моделирование вождения: приложения, современное состояние и соображения дизайна

В нескольких исследованиях сетевое моделирование вождения использовалось для решения широкого круга исследовательских вопросов, которые в основном касаются взаимодействия между водителями-людьми. Например, в исследовании [21] была предложена основа для реалистичного моделирования транспортного потока. Фреймворк включает два типа запрограммированных транспортных средств.Один тип транспортных средств управляется базовыми моделями водителя, имитирующими транспортный поток в удаленных областях. Другой тип транспортных средств управляется когнитивными моделями водителя, которые имитируют зоны ближнего поля. Последний тип моделей драйверов обеспечивает поведение, более похожее на человеческое. Более того, структура моделирования позволяет участвовать двум симуляторам вождения в одном и том же сценарии виртуального движения. Это простые настольные симуляторы вождения с коммерческими наборами педалей «колесо-трансмиссия».Эта структура используется для изучения поведения водителей во время движения с современными транспортными средствами, поведение которых похоже на поведение человека. Подход к моделированию с несколькими драйверами описан авторами [16]. Система используется для изучения влияния совместной работы ADAS на субъективные ощущения водителей, такие как, например, волнение за руль. В одной виртуальной среде могут одновременно управлять до пяти человек. Сеть этой платформы состоит из 25 персональных компьютеров, подключенных через гигабитный Ethernet. Платформа использует коммерческое программное обеспечение SILAB.Термин SILAB — это аббревиатура от «Simulation Laboratory». Это программное обеспечение было разработано Würzburg Institute for Traffic Sciences GmbH в Вюрцбурге, Германия. Исследование по изучению различий в поведении при вождении при смене полосы движения представлено в исследовании [22]. В работе использовалась структура сетевого моделирования, основанная на среде симулятора SIGVerse [23]. Термин SIGVerse — это аббревиатура от «Social, Intelligence, and Genesis Verse». Совместное поведение водителей в различных условиях, таких как наличие полос движения, было изучено в исследовании [24].В исследовании использовалась платформа MoSAIC. Термин MoSAIC является аббревиатурой от «Модульная и масштабируемая платформа приложений для компонентов ITS (интеллектуальных транспортных систем)». Это среда моделирования с участием нескольких водителей, в которой три симулятора вождения интегрированы в одну структуру. Другое исследование многопользовательской среды моделирования вождения представлено в исследовании [25]. Четыре недорогих симулятора вождения с подключением к сети использовались для проверки того, как системы голосового управления, такие как системы помощи на основе GPS, влияют на поведение при вождении на перекрестках.Различные исследования условий движения с вероятностью столкновения представлены авторами [26]. Исследования проводились на водителях, которые встречаются друг с другом в ситуации, которая может привести к столкновению. В работе использовалась платформа моделирования, которая использует два смежных симулятора, полностью оборудованных транспортным средством, в общем виртуальном мире. В исследовании [27] для анализа взаимодействий на перекрестках использовались два связанных симулятора вождения. В то время как один из водителей может быть обычным участником, другой водитель адаптирует свое поведение при вождении к этому участнику, чтобы сформировать критическую для безопасности ситуацию.Исследование переживания тревожности во время вождения с помощником светофора представлено в исследовании [28]. В работе использовалась среда моделирования нескольких вождения в WIVW GmbH, где четыре водителя могут участвовать в одной виртуальной среде. Термин WIVW — это немецкая аббревиатура от «Вюрцбургского института дорожного движения». Исследование интеллектуальных транспортных систем с использованием симуляторов вождения представлено в исследовании [29]. В работе использовалась многоместная платформа моделирования вождения, в которой несколько водителей-людей взаимодействуют в одной виртуальной среде.Платформа состоит из трех сетевых тренажеров. Это стационарные тренажеры с макетами реальных транспортных средств. Платформа, состоящая из двух простых симуляторов вождения с фиксированной базой и интегрированного симулятора дорожного движения, была представлена ​​в исследовании [30]. Система используется для проведения экспериментов над поведением водителей в реальных условиях дорожного движения. Еще одно простое окружение симуляторов многопользовательского вождения представлено авторами [31]. Установка состоит из нескольких простых симуляторов вождения на базе ПК, где для создания виртуальных сцен вождения использовались программы моделирования 3D Max и Virtools [32].Он используется для проведения экспериментов со стратегиями динамического управления скоростью, такими как стратегии управления скоростью зеленой волны и экологического вождения. Основа для проведения поведенческих исследований с использованием многопользовательских сетевых трехмерных виртуальных сред представлена ​​в исследовании [33]. Он включает в себя простые симуляторы вождения и использует язык разметки сценариев (SML) для определения динамических дорожных ситуаций. Фреймворк можно использовать для изучения интерактивного поведения водителей при следовании за автомобилем. Во всех этих исследованиях использовались относительно небольшие или недорогие системы сетевого моделирования вождения для временных исследований и экзаменов.В следующем разделе анализируется выбор более крупных и более сложных платформ сетевого моделирования вождения вместе с целями их использования.

В дополнение к рассмотренным научным исследованиям на рынке существует несколько коммерческих или готовых решений для создания средств сетевого моделирования вождения. Например, COCODRIS (Cooperative Competitive Distributed Simulator) — это тренировочная станция, основанная на совместной симуляции вождения в реальном времени. Он был разработан Liophant Simulation в Савоне, Италия.Программное обеспечение имитирует транспортные средства и погрузочно-разгрузочное оборудование в сетевой среде с несколькими операторами. Он используется в основном для обучения виртуальной логистике и в образовательных целях, чтобы снизить потребность в обучении с использованием реального оборудования. Кроме того, COCODRIS предоставляет различные учебные среды, такие как, например, городские поселки, строительные площадки, терминалы, автомагистрали и проселочные дороги. Тем не менее, почти все существующие коммерческие решения являются закрытыми или защищенными продуктами. Трудно найти много информации о реализации или лежащих в основе концепциях.Более того, адаптацию коммерческих программных пакетов к конкретным требованиям могут выполнять только производители.

Айактивные технологии | Симулятор тренера водителей | Полицейские симуляторы вождения

Это установленный факт, что симуляторы вождения во время обучения водителей-новичков могут значительно повысить безопасность вождения: крупномасштабное исследование, проведенное в США, показало, что при использовании хорошего симулятора вождения уровень аварийности в течение двух лет Период после получения лицензии снижается до 34% от среднего национального показателя аварийности начинающих водителей: симуляторы определенно могут улучшить подготовку водителей и сделать водителей более безопасными.Поскольку процент дорожно-транспортных происшествий среди подростков примерно в 5 раз выше, чем у взрослых водителей, следует серьезно подумать о применении тренажеров при обучении водителей. Эффект наиболее заметен при использовании симулятора вождения с широким полем зрения и масштабирования изображения в реальном времени, как в наших системах ST Software, полностью произведенных в Нидерландах.

    Наши тренажеры для обучения вождению предлагают новейшие возможности виртуального обучения, предлагая полный список преимуществ и навыков водителя:
  • Повышение безопасности водителя и снижение аварийности.
  • Укажите общую оценку безопасности для каждого водителя.
  • Объединяя реальный мир с виртуальным, мы предоставим решения для моделирования и обучения, необходимые для подготовки к тому, что впереди.
  • Наши симуляторы вождения обеспечивают практическое практическое обучение водителей, предлагая опыт без риска для людей или оборудования.
  • Наше интерактивное программное обеспечение для моделирования разработано для улучшения обучения и облегчения оценки и оценки новичков, водителей из группы риска и даже опытных водителей.
  • Простая симуляция вождения в мире, предназначенная для обучения и проверки определенных навыков вождения в сложных условиях, от городских до сельских.
  • Мы создаем индивидуальное дорожное движение, которое готовит водителей к чрезвычайным ситуациям на дорогах. Это помогает повысить уверенность водителя, прежде чем он начнет движение по реальным дорогам.

Обучение полиции

Для полиции и экстренных служб мы предлагаем пакет «Вождение с оптическими и звуковыми сигналами (сирена)».Он состоит из 4 уроков, в которых обучаемый попадает в аварию. Во время урока обучаемый включает или выключает сирену. Автономное интеллектуальное движение обнаруживает полицейскую машину и реагирует на сирену, иногда в соответствии с действующими правилами дорожного движения и правилами, касающимися приоритетных транспортных средств, но иногда с испуганной реакцией или раздражающим поведением. Есть урок на шоссе и три урока в городской среде разного уровня сложности. Кроме того, тренажеры могут быть подключены для обучения групп (командные навыки).

    Важные характеристики, способствующие высокой эффективности обучения:
  • Визуальная система с высоким разрешением и высокой графической частотой кадров.
  • Структурированное обучение в качестве приоритетного транспортного средства с оптическими и звуковыми сигналами в условиях интенсивного движения с реалистичным поведением на дорогах.
  • Анализ поведения на перекрестках с записью / воспроизведением и регистрацией событий несколькими оценщиками.
  • Симуляторы могут быть подключены, что позволяет тренировать командные навыки в команде.

Почему моделирование имеет значение!


Тренеру часто трудно обучить водителей, которые нервничают и боятся водить машину по дороге из-за возраста, происхождения или характера. Сценарий вождения действует как тренировочная площадка, где он может тренироваться, не опасаясь попасть в аварию. Как только страх исчез из его разума, его можно будет тренировать в дороге. Обучение на тренажере — это захватывающий опыт, обеспечивающий быстрое обучение. Научно доказано, что 1 час тренировки на тренажере равен 3 часам езды по дороге.Кроме того, 70% обучения происходит на тренажере.

Свяжитесь с нами сегодня

Языки и страны

Наши симуляторы вождения используются во всем мире. Чтобы повысить эффективность обучения водителей, уроки обучения водителей максимально точно адаптированы к местному языку, правилам дорожного движения и системе дорожного движения. Учебные симуляторы доступны на постоянно растущем списке языков и для разных стран (правила дорожного движения для конкретной страны, дорожные знаки и язык).Системы бывают с правым рулем (RHD) или левым рулем (LHD), с автоматической и ручной коробкой передач. Обучение адаптировано к специфике стран, в которых используются тренажеры.

Driving Sim видео от STS Netherlands
Если вы не видите медиафайлы выше — загрузите здесь: MP4

границ | Проект, ориентированный на вождение: обучение на симуляторе вождения повышает реальную эффективность вождения у здоровых пожилых водителей

Введение

В связи с изменением возрастной структуры в промышленно развитых странах все больше и больше водителей старшего возраста (> 65 лет) будут водить автомобиль по дорогам общего пользования либо из соображений мобильности, либо из соображений досуга, либо из деловых соображений.Тем не менее, есть достаточно свидетельств того, что в среднем ходовые качества снижаются, а риски ДТП возрастают с возрастом (Lyman et al., 2002; Casutt et al., 2013). Это снижение эффективности вождения также связано с ухудшением восприятия (сенсорные функции), когнитивных функций (скорость восприятия, когнитивные функции более высокого порядка) и физиологических функций, а также со здоровьем (Anstey et al., 2005). Многие ошибки вождения являются следствием снижения когнитивных способностей, которые, однако, следует улучшить с помощью обучения и практики (Anstey and Wood, 2011).Таким образом, во многих странах растет интерес к борьбе с растущими рисками ДТП и снижением эффективности вождения у пожилых водителей (OECD, 2001). К настоящему времени было предложено множество стратегий для снижения возрастных рисков ДТП, включая специальные образовательные программы (Stalvey and Owsley, 2003; Owsley et al., 2004; Baldock et al., 2008), отзыв водительских прав в определенном возрасте ( Langford et al., 2004), или тренировка когнитивных функций, которые, как предполагается, лежат в основе вождения (Roenker et al., 2003; Эдвардс и др., 2009a, b; Болл и др., 2011).

Режимы когнитивной тренировки у пожилых людей постоянно демонстрируют улучшения в обучаемых когнитивных задачах (например, Karbach and Kray, 2009; von Bastian et al., 2013). Тем не менее, большинство этих исследований продемонстрировали эффекты переноса только для очень похожих задач (близкий перенос) (Lustig et al., 2009) и практически никакого переноса в другие домены (дальний перенос; Lustig et al., 2009; Zelinski, 2009). Однако сложность подходов к когнитивному обучению, по-видимому, является важной переменной, влияющей на дальнейшую передачу когнитивного обучения.Фактически, несколько исследований показали, что сложность когнитивной тренировки значительно увеличивает передачу в другие когнитивные области (Basak et al., 2008; Karbach and Kray, 2009; Marmeleira et al., 2009), скорее всего, потому что несколько когнитивных функций тренируются одновременно .

В соответствии с этими выводами и сосредоточением внимания на проблемах вождения у пожилых людей есть свидетельства того, что тренировка определенных когнитивных функций может оказывать благотворное влияние на поведение при вождении. Кассаво и Крамер (2009) в своем исследовании на симуляторе вождения обнаружили, что когнитивные способности связаны с характеристиками симулятора вождения.Кроме того, отработка нескольких когнитивных функций (включая сенсомоторный контроль, избирательное внимание, рабочую память и двойное выполнение задач) в течение восьми сеансов в течение нескольких дней привело к улучшенным характеристикам вождения (смена полосы движения, расстояние до впереди идущего автомобиля, меньше ошибок при вождении, более короткое время реакции). . Дальнейшая серия исследований изучала влияние «скорости тренировки обработки» на характеристики вождения и определила улучшение характеристик в таких связанных с вождением функциях, как UFOV (полезное поле зрения), безопасность вождения (Roenker et al., 2003), или сокращение количества аварий (Ball et al., 2011), а также количества самооценок трудностей с вождением (Edwards et al., 2009a, b). Интересно, что в некоторых исследованиях режимы когнитивных тренировок оказывали долгосрочное благотворное влияние на поведение при вождении. Например, в работе Roenker et al. (2003) положительные эффекты исследования были выявлены через 18 месяцев после когнитивной тренировки. Ball et al. (2011) даже сообщили о сокращении количества аварий за 5-летний период наблюдения.

Еще одна стратегия повышения эффективности вождения у пожилых людей — это практика вождения active на симуляторе вождения.Симуляторы часто и интенсивно используются в контексте различных транспортных ситуаций (железнодорожный, авиационный, морской транспорт, космические путешествия), особенно там, где транспортные средства очень дороги по сравнению с симулятором. Lees et al. (2010) постулируют в своем обзоре, что симуляторы вождения предлагают важные возможности для эффективного и достоверного обучения (интерактивность, сложность, одновременное использование разных областей) не только для начинающих водителей, но и для более старых водителей.

Как описано выше, когнитивная тренировка (e.g., скорость обработки) положительно влияет на переменные, связанные с вождением, такие как уменьшение количества опасных маневров, прекращения вождения и ошибок вождения (Roenker et al., 2003; Edwards et al., 2009a, b; Ball et al., 2011). Кроме того, к настоящему времени было опубликовано несколько исследований, в которых использовались подходы к обучению на симуляторах вождения для улучшения специфического и связанного с дорожным происшествием поведения вождения у пожилых людей. У более старших водителей снижение восприятия опасности было связано со снижением характеристик UFOV (Horswill et al., 2008).Тренировка восприятия опасностей на симуляторе вождения позволила быстрее предвидеть опасные дорожные ситуации (Horswill et al., 2010). В других исследованиях на симуляторах вождения изучались различные аспекты проблемного поведения при вождении (например, визуальное сканирование на перекрестках, использование зеркала при обгоне). Ромозер и Фишер (2009) обучили пожилых водителей визуальному сканированию перекрестков с помощью симулятора вождения. После тренировки на тренажере улучшилось визуальное сканирование (вторичный вид) при вождении на тренажере и в дороге.Кроме того, после тренировки они изучили увеличение производительности теста Rey-Osterreith Complex Figure (ROCFT), которое связано с когнитивными функциями, такими как внимание, планирование и рабочая память (исполнительные функции). Улучшение показателей «вторичных взглядов» наблюдалось при последующем наблюдении через 2 года (Romoser, 2013). В другом симуляторе вождения на выборке старших водителей изучали использование боковых и задних зеркал при обгоне. После обучения частота проверки слепых зон увеличилась по сравнению с обучающей группой, не получившей обратной связи (Lavallière et al., 2012). Взятые вместе, различные аспекты вождения у пожилых водителей (например, визуальное сканирование на перекрестке, восприятие опасности, использование зеркала при смене полосы движения, зрительно-пространственная память) могут быть улучшены с помощью соответствующего обучения на симуляторе вождения (Romoser and Fisher, 2009; Horswill). et al., 2010; Lavallière et al., 2012). Эти исследования также показали, что обучение на тренажере вождения может положительно влиять на очень конкретные аспекты познания (например, исполнительные функции) (например, Romoser and Fisher, 2009).

Хотя эти исследования показали, что симулятор вождения и режимы когнитивной тренировки действительно могут изменить очень специфические аспекты вождения (и познания), мы больше заинтересованы в том, чтобы выяснить, выигрывают ли общие характеристики вождения от симулятора вождения или когнитивной тренировки. Когнитивная тренировка была разработана для отработки когнитивных функций, которые, как было показано, необходимы для эффективного вождения (например, бдительность и избирательное внимание) (Anstey et al., 2005; Селандер и др., 2011; Casutt et al., 2014). В отличие от вышеупомянутых исследований, мы были заинтересованы в том, чтобы проверить, улучшает ли наш симулятор вождения реальное вождение на дороге в целом, а не поведение в конкретных дорожных ситуациях (например, визуальное сканирование на перекрестке, использование зеркал при смене полосы движения). Наш подход к обучению на симуляторе вождения (практика вождения по городам, шоссе, сельским дорогам с изменяющейся дорожной обстановкой и т. Д.) Основан на практическом повседневном поведении.Таким образом, использованные сценарии были сопоставимы с вождением по дороге, которое представляет собой сложное поведение и требует нескольких психологических функций (Hakamies-Blomqvist, 1994). Наш подход к обучению аналогичен подходам к обучению с несколькими или двумя задачами, которые оказались более эффективными, чем тренировка с одним заданием (Basak et al., 2008; Marmeleira et al., 2009; Anguera et al., 2013). . Настоящее вождение — это очень сложная задача, требующая согласования многих психологических функций для одновременной обработки большого количества информации (наблюдение за дорожным движением, контроль скорости, сканирование на предмет опасных событий, правила дорожного движения, управление автомобилем).Если требования увеличиваются, также увеличивается вероятность ошибок при вождении (Holm et al., 2009). Связь между снижением способности выполнять многозадачность и небезопасным вождением у пожилых водителей и использованием компенсационных стратегий хорошо известна (Sheridan, 2004; Cantin et al., 2009). Поэтому наш подход к обучению на тренажере вождения был направлен на реалистичное повышение требований к многозадачности.

Поскольку вождение по дороге сложно оценить и сильно зависит от местных факторов (например, плотности движения, конкретной группы населения и конкретных правил дорожного движения), мы использовали новый тест по вождению на дороге, специально разработанный для крупного европейского города (Цюрих в Швейцарии ) с плотным движением, чтобы проверить, улучшает ли интенсивное обучение на симуляторе вождения реальное вождение по дороге.Кроме того, нам также было интересно изучить, может ли интенсивная тренировка внимания психологических функций, которые, как известно, участвуют в управлении вождением, влиять на реальные характеристики вождения на дороге. В этом контексте мы также уделили внимание изучению того, по-разному ли влияют наш симулятор вождения и когнитивная тренировка на характеристики вождения на дороге.

Основываясь на результатах вышеупомянутых исследований, мы предполагаем, что обучение на симуляторе вождения приведет к более значительным улучшениям в вождении по дороге, чем тренировка внимания, поскольку для тренировки на симуляторе вождения требуются более сильные навыки многозадачности и он кажется более привлекательным, чем тренировка внимания.Кроме того, мы предполагаем, что оба режима тренировки (симулятор вождения и тренировка внимания) улучшат когнитивные способности и вождения на дороге по сравнению с контрольной группой без тренировки.

Материалы и методы

Участники

Участников набрали с помощью газетных статей и газетной рекламы о проекте Drive-Wise . В общей сложности 244 участника проявили интерес к участию в исследовании. Все они получили подробную информацию об исследовании и краткую анкету о состоянии здоровья (наличие соответствующего заболевания, например.g., все виды неврологических и психических расстройств, ортопедические проблемы верхних и нижних конечностей и т. д.), лекарства, влияющие на вождение автомобиля (например, прием лекарств, влияющих на центральную нервную систему), сенсорные нарушения (например, поле зрения <140 °). Кроме того, статус активного вождения (годовой пробег, годы владения водительскими правами, условия вождения) оценивался с помощью анкеты. Участники, которые не ездили во всех обычных условиях вождения (город, сельская местность, автомагистраль), были исключены.Девяносто один участник согласился участвовать в исследовании и выполнил все критерии включения. Стоит отметить, что в Швейцарии водители старше 70 лет должны каждые 2 года проходить скрининговый тест (медицинский и когнитивный скрининг) для продления своих водительских прав. У всех участников были оригинальные действующие водительские права.

Участникам не была выплачена финансовая компенсация за их командировочные расходы или участие, но они получили подробный письменный отзыв об успеваемости и вождении после завершения своего участия.Перед сбором данных участники были случайным образом распределены по условию тренировки на тренажере ( n = 39), условию когнитивной тренировки ( n = 26) или контрольной группе ( n = 26). Однако 14 участников выбыли во время сбора данных. Семьдесят семь человек (55 мужчин, 71,4%) со средним возрастом 72,36 ± 5,61 (диапазон 62–87) завершили исследование (Таблица 1). Отказ от учебы повлиял на эти три группы по-разному. В группе обучения на тренажере семь участников (шесть женщин) выбыли из-за болезни на тренажере (SS), а один участник остановился из-за чрезмерных требований к эксперименту.В группе когнитивного обучения, а также в контрольной группе три участника (две женщины в группе) завершили свое участие из-за нехватки времени (все исследование длилось примерно 2 года). Информация об исследовании для всех групп была идентична, за исключением конкретной информации о запуске симулятора вождения и когнитивных тренировок. Подробное описание условий обучения не приводится. Участникам контрольной группы были предложены учебные занятия на тренажере (в зависимости от времени обучения для двух учебных групп) после завершения их участия в исследовании (две оценки с 5-недельным периодом ожидания между ними).

Таблица 1. Демографические характеристики .

Этот проект ( Drive-Wise ) был одобрен Кантональной этической комиссией Цюриха, Университетская клиника Цюриха (KEK-ZH-NR: 2010-0090 / 0). Кроме того, управление дорожного движения и полиции предоставили разрешение на проведение оценки дорожных испытаний. Личный автомобиль участников был промаркирован во время дорожных испытаний. Согласно информации комитета по этике, участники были проинформированы о том, что участие не повлияет на их водительские права и что у них есть разрешение на прекращение исследования в любое время без каких-либо негативных последствий.

Экспериментальный прибор

Дорожный тест-драйв проводился на личном автомобиле участников. Отправной и конечной точкой всегда был факультет психологии Цюриха. Все тесты для батареи когнитивных тестов проводились на компьютере под управлением Windows с экраном 15 дюймов (разрешение 1280 × 1024), на расстоянии примерно 40 см от участника. Панель ответа и другое оборудование были продуктами Schuhfried GmbH (Schuhfried, n.d.). С помощью этой системы также проводились тренинги участников группы по обучению вниманию (фазовая и тоническая бдительность и бдительность; программное обеспечение CogniPlus от Schuhfried GmbH).Участники учебной группы на симуляторе проводили занятия на симуляторе вождения типа «Trainer F12PT-1L40», версия программного обеспечения 12 компании Dr. Foerst GmbH, 32 », ЖК-экран Samsung (разрешение 1920 × 1080), расстояние примерно 70 см до рулевое колесо (Jäncke, Klimmt, 2011). Участники сидели на водительском сиденье Ford Focus © , оборудованного рулевым колесом, блокировкой стартера, тахометром, сигнализаторами включения света и указателя поворота, переключателем стеклоочистителя, педалями сцепления, торможения и дроссельной заслонки, а также переключателем передач ( Фигура 1).Программное обеспечение записало поведение участников при вождении. Программа автоматически создавала сценарии трафика в операционной системе Windows 7. Более того, в одной комнате было два операторских экрана для управления тренировками и обратной связи после тренировки.

Рис. 1. Фотоснимок бывшего в употреблении симулятора вождения .

Тест по вождению на дорогах

Дорожный тест-драйв проводился на дорогах общего пользования, включая районные и городские улицы, пригородные и сельские дороги, а также проезжую часть общей протяженностью около 25 км.Испытательный трек использовался в качестве регулярной базы для официальных выездных тестовых учений. Лицензированный инструктор по вождению (DI), не видя состояния, сел на переднее пассажирское сиденье и оценил поведение участников при вождении сразу после окончания сеанса вождения. Во время поездки инструкторы делали записи о характеристиках вождения, которые они использовали для окончательной оценки. Оценочный лист ( Zurich On-road test Assessment , ZOA) — это модифицированная версия официального оценочного листа, используемого DI.Инспектору было поручено оценивать только когнитивные аспекты поведения при вождении, но не управление автомобилем. Семь различных параметров (таблица 2) были реализованы в ZOA с использованием от шести до восьми пунктов по 5-балльной шкале (плохо = 1, немного недостаточно = 2, достаточно = 3, хорошо = 4, отлично = 5). Общие ходовые качества на дороге рассчитывались как среднее значение всех показателей вождения по дороге. Этот составной показатель использовался в качестве зависимой переменной для оценки характеристик вождения на дороге (коэффициент Кронбаха α = 0.95). Коэффициенты внутренней надежности для каждого измерения находятся в диапазоне 0,62–0,83.

Таблица 2. ZOA (Цюрихская дорожная оценка) .

Батарея когнитивных тестов

Этот набор тестов представляет собой хорошо зарекомендовавшую себя стандартизированную компьютерную версию Expert System Traffic XPSV (Schuhfried, 2005), часто используемую в качестве стандартного теста для оценки когнитивных способностей, связанных с вождением, в европейских странах (Sommer et al., 2008, 2009, 2010).Недавняя статья показала, что эта батарея тестов объясняет 50% дисперсии дорожных испытаний (Risser et al., 2008). В таблице 3 представлен обзор всех подтестов.

Таблица 3. Экспертная система Traffic XPSV Schuhfried .

Тест на реакцию (RT) — это простая задача выбора времени реакции. По трем различным стимулам (желтый или красный кружок и звуковой сигнал) участники должны различать одновременное представление желтого кружка и тонального звука, нажимая соответствующую целевую кнопку указательным пальцем правой руки как можно быстрее.Во всех других условиях: одиночный желтый или красный кружок, одиночный тональный звук, комбинация красного круга и тонального звука, участники должны подавить движение. Скорость принятия решения (DS) измеряется в миллисекундах по задержке от начала стимула до отрыва кнопки запуска, в то время как физическая скорость двигателя (MS) в миллисекундах определяется как время движения от кнопки запуска до целевой кнопки.

Тест Cognitrone Test (COG) измеряет избирательное внимание. Во время проведения теста различные геометрические фигуры представлены в виде блоков.Каждый блок состоит из 60 испытаний. Во время каждого испытания представлены два разных типа стимула: четыре эталонных стимула и один тестовый стимул. Четыре эталонных стимула представлены в виде массива над тестовым стимулом. Задача испытуемого — решить, идентичен ли тестовый стимул одному из эталонных стимулов, нажав одну из двух соответствующих кнопок (одинаковые или разные). Для выполнения задачи нет ограничения по времени. Среднее время реакции правильных и несовместимых ответов рассчитывается и используется как мера избирательного внимания (CIAn).

Тест Vienna Determination Test (DT) используется для измерения устойчивости к реактивному напряжению и соответствующей скорости реакции. В принципе, DT требует различать цвета и акустические сигналы, запоминать соответствующие характеристики конфигураций стимулов и кнопок ответа, а также правила назначения. Кроме того, необходимо выбрать соответствующие реакции в соответствии с правилами назначения, изложенными в инструкциях и / или изученными в ходе теста.Сложность DT-теста заключается в выработке непрерывных, устойчивых быстрых и разнообразных реакций на быстро меняющиеся раздражители. В течение 4-минутного проведения теста каждый испытуемый работает на пределе своих исполнительских способностей. Количество правильных ответов (CR) является основной переменной и представляет собой реактивный стресс.

Тест Peripheral Perception Test (PP) использует парадигму поля зрения (FV) и разделенного внимания (DA). Участники сидят перед экраном компьютера и выполняют основное задание.Рядом с компьютером справа и слева расположены вертикальные панели с диодами. Участники должны следить за изменением диода на периферии (второстепенная задача) при выполнении основной задачи. В качестве основной задачи участники должны перемещать поперечную проволоку на экране компьютера, чтобы минимизировать разницу в позициях поперечной проволоки с движущимся красным шаром, управляемым компьютером. Участники должны одновременно работать над основной и второстепенной задачей. Каждый раз, когда на периферии появляются вертикальные линии, они получают указание как можно быстрее нажимать ножную педаль.DA измеряется как производительность в основной задаче (отслеживание отклонений). FV измеряется как самый широкий угол поля, при котором вертикальные линии диодов обнаруживаются (во время вторичной задачи) по отношению к расстоянию до экрана.

Адаптивный тахистоскопический тест восприятия трафика (ATAVT) — это задача на восприятие объекта. Фотографии дорожных ситуаций различной сложности (определяется количеством объектов, изображенных на фотографии) представляются на короткое время (700–1300 мс).Участники должны решить, какие типы объектов были представлены: (1) автомобили, (2) велосипеды, (3) пешеходы, (4) дорожные знаки или (5) светофоры. Эти объекты представлены по отдельности или группами до пяти объектов. Тест проводится как компьютеризированный адаптивный тест (CAT). Количество правильно идентифицированных объектов, взвешенных по сложности фотографии, является зависимой мерой скорости восприятия (PS).

Тест адаптивных матриц (AMT) — это тест на интеллектуальную среду (FI).Стимулы сравнимы с классическими матрицами (например, тестом Рэйвена). Участники должны определить фигуру среди восьми альтернатив.

В предыдущем исследовании общий индекс как составная мера, представляющая когнитивные способности, был вычислен на основе многомерных алгоритмов классификации (искусственные нейронные сети; NN) (Risser et al., 2008). Основываясь на эмпирических данных австрийских и немецких практических дорожных испытаний, Schuhfried GmbH разделила этот комплексный показатель на пять категорий.Показатели NN ≥4 указывают на недостаточное поведение при вождении, а также на то, что участник не прошел дорожный тест. Показатели NN ≤3 указывают на то, что участник пройдет дорожный тест (Risser et al., 2008; Sommer et al., 2008, 2009, 2010). NN достоверно оценивает совокупный балл, что демонстрируется хорошим коэффициентом достоверности складного ножа R = 0,77. Для лучшего обзора данных в настоящем исследовании оценки были изменены в сторону, сопоставимую с оценками на дороге.Таким образом, баллы 1 и 2 указывают на то, что участник не прошел дорожный тест. Участники с оценкой 3 или выше успешно пройдут дорожный тест. Эта составная переменная использовалась в качестве зависимой переменной для оценки когнитивной деятельности.

Тренажер-симулятор вождения

Целью этого подхода к обучению было повышение умственной нагрузки на правильное вождение в реалистичной обстановке многозадачного вождения. Поэтому сложность и сложность постепенно увеличивались от сеанса к сеансу.Тренинг длился 40 минут активного вождения и короткой словесной обратной связи (отзыв о времени реакции, количестве ошибок). Участников проинструктировали вести машину с адекватной скоростью и следовать инструкциям «симулированного тренера». «Симулированный тренажер» представлял собой компьютерную программу: мужской голос сообщал о направлении движения. Эти инструкции были доставлены согласно швейцарским правилам дорожного движения. Первая тренировка включала четыре сценария (междугородный, пригород, город и автомагистраль) без других транспортных средств для ознакомления с симулятором.В оставшихся девяти учебных занятиях были представлены шесть различных сценариев движения (междугородное, пригород, город, автомагистраль, обгон и сценарий правил дорожного движения) с тремя различными уровнями сложности. На каждой тренировке проводилось четыре или пять сценариев (продолжительность каждого сценария зависит от скорости движения участников, не более 15 минут для одного сценария). Уровни сложности были определены в каждом сценарии с увеличением частоты трафика, увеличением количества виртуальных драйверов, игнорирующих правила дорожного движения (например,g., правило преимущественного права проезда) и учащение опасных дорожных ситуаций (например, ребенок выбегает на улицу). Кроме того, сложность дорожной ситуации увеличилась с междугороднего до пригородного, что является наиболее сложным в городском сценарии (см. Рисунок 2). Кроме того, погодные условия были разнообразными: на третьей, шестой и девятой тренировках дождь шел нечасто или был туман. На тренировках четыре, семь и десять участников были вынуждены вести машину в ночное время. Этот план тренировок был фиксированным, и участники не имели возможности адаптировать свое субъективное состояние.Как описано выше, один участник остановился из-за чрезмерных частных требований.

Рис. 2. Графическое изображение сценария симулятора вождения, показывающего дорожную ситуацию в городе (уровень 2, хорошая погода) .

Прогресс обучения оценивался по четырем сценариям (три сельских, один городской), которые не были включены в обучение. В этих сценариях ходовые качества измерялись с использованием ошибок вождения (аварии, нарушение правил дорожного движения, выезд за пределы полосы движения, неиспользование указателя поворота и т. Д.), максимальная скорость , средняя скорость , точность полосы движения , изменчивость полосы и время реакции на неожиданные стимулы (опасные события). Программное обеспечение симулятора вождения автоматически записало шесть переменных для каждого из четырех сценариев. Эти сценарии проводились после второй, шестой и десятой тренировок. Переменные из трех сельских сценариев были усреднены. Прогресс обучения был проанализирован с помощью ANOVA для повторных измерений и показал значительный и положительный эффект, за исключением переменной , точность дорожки ( p > 0.05). Подробные результаты приведены в таблице 4.

Таблица 4. Ход обучения: тренажерный зал .

Обучение вниманию

Целью этого подхода к обучению было улучшение определенных когнитивных функций, связанных с вождением. Чтобы предотвратить многозадачность, каждый сценарий (внутренняя, фазовая бдительность, бдительность) обучался последовательно. Тренировка заняла 40 минут активного обучения и короткой обратной связи (обратная связь о времени реакции, количестве ошибок и достигнутом уровне).Режимы тренировок содержали три разных подхода. Каждая из 10 тренировок состояла из 10-минутной тренировки внутренней бдительности, за которой следовали 10-минутная тренировка фазовой бдительности (Hauke ​​et al., 2011) и 20-минутная тренировка бдительности, проводимая программным обеспечением Schuhfried GmbH (Schuhfried, nd). . На всех занятиях участники сидели на стульях.

На двух занятиях по обучению бдительности они увидели движущийся мотоцикл с точки зрения водителя. Мотоцикл автоматически проехал по заранее заданной трассе в реалистичной сцене вождения.Скорость и рулевое управление автоматически контролировались программным обеспечением. Участникам было предложено как можно быстрее реагировать на предметы и ситуации, возникающие во время поездки. Объектами были падающие деревья или камни, автомобили или животные, переходящие улицу, и светофор, меняющий цвет на красный. Визуализируемые объекты требуют реакции только нажатием соответствующей кнопки, если они блокируют дорогу. Если участники отреагировали более восьми раз достаточно быстро (регулярно останавливались, чтобы предотвратить столкновение с предметом) и / или не совершали дальнейших ошибок (например,g., ожидание), программное обеспечение автоматически увеличивало уровень сложности (например, увеличивая скорость движения). В случае плохой результативности во время тренировки уровень снижался.

На тренинге бдительности была представлена ​​виртуальная точка зрения кабины водителя. Автомобиль автоматически ехал прямо прямо с постоянной скоростью. Нечасто машину обгоняли. Если загорались стоп-сигналы идущего впереди автомобиля, участники должны были как можно быстрее нажать соответствующую кнопку.Если участники не нажимали кнопку в течение 3 секунд, стоп-сигнал начинал мигать до того, как была зарегистрирована ошибка. Уровень сложности контролировался автоматически программным обеспечением и увеличивался после 15 CR с уменьшением маневров обгона и уменьшением визуальной стимуляции окружающих (например, зданий, деревьев).

Прогресс обучения оценивался для каждой сессии (достигнут уровень обучения) и анализировался с помощью ANOVA для повторных измерений. Участники этой обучающей группы показали значительный и положительный прогресс в обучении.Подробные результаты приведены в таблице 5.

Таблица 5. Прогресс тренировки: познавательная тренировка .

Процедура

Общий план исследования — это предварительный план. Во время до- и послетестовых сессий все участники проводили когнитивные и дорожные тесты. Между предварительными и послетестовыми измерениями участники выполняли либо режимы тренировки (симулятор вождения или внимание), либо просто ждали, чтобы принять участие в пост-тесте (контрольная группа).Сбор данных занял 25 месяцев (май 2010 г. — июнь 2012 г.). 91 участник был распределен по одному из 13 учебных блоков. В каждом блоке принимало участие семь человек (трое для тренировки на тренажере, двое для тренировки внимания и двое для контрольной группы). В течение всего исследования каждый участник принимал участие в одной установке. Продолжительность блока составила 7 недель с двумя свиданиями в неделю (два свидания перед тестами; 10 тренировок; два свидания после тестирования; всего: 14 свиданий). В первую неделю (предварительный тест) и на прошлой неделе (после теста) были измерены ходовые качества и когнитивные способности.Кроме того, все участники прошли записи электроэнцефалографии (ЭЭГ) во время набора из трех заданий по ингибированию (струп, отрицательное праймирование и фланкер). Эти данные будут представлены в другом месте (в процессе подготовки).

Перед каждым компьютерным тестом и дорожным движением участники получали вводную информацию о процессе и условиях тестирования (для тестов: письменная инструкция с помощью программного обеспечения; для дорожного движения: устная инструкция от DI), но не получали никаких отзывов об их работе. Перед всеми компьютеризированными тестами (предварительная фаза) соответствующее программное обеспечение автоматически измеряло время реакции, правильные и неправильные ответы, чтобы оценить понимание участниками конкретного теста.На этом предварительном этапе участникам разрешалось задавать вопросы о когнитивных тестах или в случае каких-либо других проблем. Во время первого приема участники сначала провели батарею когнитивных тестов, а затем — поездку по дороге (каждая продолжительностью 1 час). На втором приеме (не вошедшем в эту статью) выполнялись задания на торможение (Stroop, негативный прайминг, фланкер) и запись ЭЭГ. Со второй по шестую неделю обе тренировочные группы участвовали в 10 тренировках по две тренировки в неделю.В течение этого периода времени контрольная группа не получала вмешательства. В течение послетестовой недели на второй, но последний день, были выполнены задания на торможение и записи ЭЭГ (не включены в эту статью). На последнем приеме участники снова провели батарею когнитивных тестов, а затем — поездку по дороге (каждая продолжительностью 1 час).

Для контроля настроения и мотивационных изменений во время обучения участники на первом, пятом и десятом сеансе обучения выполнили адаптированную версию SAM (манекен самооценки) для изменения настроения (Beeli et al., 2008) и адаптированной версии FAM (Fragebogen zur Erfassung aktueller Motivation) для мотивационных изменений (Rheinberg et al., 2001). В группе, обучавшейся на симуляторе вождения, SS измеряли путем вычисления среднего значения трех основных субъективных симптомов: тошноты (N), глазодвигательного (O) и дезориентации (D) (Kennedy et al., 1993) в начале, середине и конце. обучения. Каждый симптом оценивался от 1 до 5 (низкий SS = 1, тяжелый SS = 3, сильный SS = 5).

Статистический анализ

Статистика была рассчитана с использованием SPSS 18 для Windows 7 (SPSS Inc., Чикаго, Иллинойс) с уровнем значимости α = 0,05. Различия в исходных показателях и демографических данных между группами сравнивали с использованием тестов Краскела-Уоллиса и ANOVA.

С помощью иерархического множественного регрессионного анализа с запланированными групповыми сравнениями были проанализированы преимущества тренировки (зависимые переменные до и после тестирования) для когнитивных и дорожных характеристик. Для запланированных групповых сравнений использовалось ортогональное контрастное кодирование. Контрастное кодирование использовалось в соответствии с гипотезами, сформулированными во введении.

Мы определили априорные (запланированные) контрасты, что позволило нам проверить эффекты взаимодействия (Pedhazur, 1982), которые имеют огромное значение для проверки нашей гипотезы, сформулированной во введении. Сначала мы разработали контрасты взаимодействия, которые позволили нам протестировать различия между двумя тренировочными группами (внимание и обучение на тренажере) и контрольной группой до начала занятий. Второй контраст был разработан как ортогональный первому контрасту, что позволило нам проверить различия до и после тренировки между обеими тренировочными группами.Поскольку мы приняли ортогональные контрасты, мы можем использовать только два контраста (до и после измерения: df = 1; количество групп: df = 2).

Преимущество этого контрастного дизайна состоит в том, что мы получаем большую статистическую мощность для обнаружения даже умеренно сильных эффектов без слишком большого увеличения размера выборки. Кроме того, этот вид априорно определенного тестирования сильно зависит от гипотез. Поскольку мы ожидаем улучшения результатов обучения, мы решили провести однонаправленное тестирование.Согласно нашей гипотезе, нас не интересует сравнение двух тренировочных групп отдельно с контрольной группой, поскольку нас не интересуют потенциальные различия с контрольной группой. Нас в основном интересуют различия между тренировочными группами. Мы также фокусируем статистическое тестирование на комбинированном показателе вождения и когнитивных способностей на дороге. Для подмеров, по которым рассчитываются сводные баллы, мы сообщаем результаты только на описательной основе.

Из-за относительно небольшого числа испытуемых и большого количества зависимых переменных, которые мы можем использовать для статистического тестирования, практически невозможно выполнить классические тесты статистического вывода.Причина — малая мощность даже при умеренных или даже сильных эффектах. Таким образом, при применении поправок к множественному тестированию не было бы выявлено никаких или только несколько сильных эффектов. По этой причине мы решили использовать более описательный статистический подход для большинства переменных. Для подмножества переменных мы выполнили строго основанный на гипотезах статистический анализ (совокупные баллы за результативность на дороге и результаты когнитивных тестов). Для этих тестов мы делаем более убедительные выводы из анализа.Для анализа без гипотез (подмеры, составляющие сводные баллы) результаты статистических тестов не интерпретируются с точки зрения статистической значимости, они скорее используются как описательные меры межгрупповых различий. Что касается этих анализов, мы будем более неохотно интерпретировать результаты. Значения p для этих сравнений можно использовать в качестве меры воздействия (Krauth, 1988). Поскольку мы должны учитывать тот факт, что значения p зависят от размера выборки, мы также рассчитываем величину эффекта в соответствии с Коэном (1988). d > 0,3 и <0,5 считается малым, d > 0,5 и <0,8 - умеренным, а d > 0,8 считается большим.

Результаты

Демографическое сравнение и сравнение исходных групп

Не было различий между группами в отношении повседневной активности вождения, соответствующих демографических переменных или пола (все p > 0,05). Базовые сравнения показали значительную групповую разницу в кристаллическом интеллекте, времени принятия решения в простой задаче реакции (RT) и поведении, зависящем от района, в дорожной оценке (таблица 6).Эти переменные не коррелировали (рассчитанные с помощью корреляций Пирсона) с совокупными оценками для дорожных и когнитивных способностей (все значения p , по крайней мере, <0,10). По всем другим параметрам не было значительных исходных различий (все p > 0,05). Кроме того, нет никаких базовых различий для общей дорожной и когнитивной способности.

Таблица 6. Базовые различия между группами .

Симулятор болезни, эмоционального и мотивационного статуса

Участники тренировки на тренажере сообщили о СС, которая существенно изменилась в процессе обучения ( X 2 = 30.98, p <0,001). Тесты Вилкоксона выявили снижение субъективно испытываемого SS с начала сеанса симулятора вождения (медиана , = 2,17) до половины времени (медиана , = 1,43, z = -4,21, p <0,001) и конец ( медиана = 1,38, z = -3,83, p <0,001) тренировки. Таким образом, между половиной и концом тренировки не было различий в SS. Тренировочные группы различались по своей эмоциональной валентности во время тренировочного участия [ F (1, 52) = 4.56, p = 0,038]. Апостериорный t -тест показал в среднем более низкую положительную валентность в группе обучения на симуляторе вождения ( M = 3,35, SE = 0,16), чем в группе тренировки внимания в начале ( M = 4,43, ). SE = 0,16), [ t (52) = -4,67, p <0,01]. Никаких существенных различий в перерыве между таймами и в конце тренировки не наблюдалось. Кроме того, не было групповых различий в эмоциональном возбуждении и мотивации (все p > 0.05).

Эффект от тренировок на дороге

Описательные статистические данные о характеристиках на дороге показаны в Таблице 7, включая Коэна d для различий до поста с разбивкой по трем группам.

Таблица 7. Описательная статистика дорожных мероприятий .

Тренировочные достижения и регрессионная модель общих характеристик на дороге показаны на Рисунке 3 и в Таблице 8. Существенно разные результаты тренировок для разных групп показаны в Таблице 8.По сравнению с контрольной группой, в результате тренировки не было значительного изменения общих характеристик на дороге [ F (1, 74) = 1,59, p = 0,11, d = 0,35]. , но значительное улучшение в группе тренировки на тренажере по сравнению с группой тренировки внимания [ F (1, 74) = 2,86, p <0,05, d = 0,48].

Рис. 3. Средние групповые показатели общих дорожных характеристик до и после участия в разбивке по трем группам .Планки погрешностей на графиках указывают на стандартную ошибку среднего. Обратите внимание, что размер произвольный. Примечание: нет данных , не имеет значения; * <0,05.

Таблица 8. Множественная регрессия для взаимодействия между ортогональными контрастами и тренировочным успехом для составной оценки результативности на дороге .

Обратите внимание, что следующие сравнения выполняются только на описательной основе, чтобы предотвратить раздувание статистических тестов. Повышенная производительность для обеих тренировочных групп по сравнению с контрольной группой была обнаружена для следующих подмер: изменение направления [ t (74) = 2.24, p <0,05, односторонний, d = 0,56], поведение в зависимости от района по сравнению с контрольной группой [ t (74) = 2,62, p <0,05, односторонний , d = 0,68]. Значительно лучшая производительность была получена для группы обучения на тренажере по сравнению с группой тренировки внимания для переменной изменение направления [ t (74) = 2,68, p <0,01, 1-хвостовой, d = 0 .79]. Для поведения полосы наблюдалось увеличение этого показателя для контрольной группы по сравнению с обеими тренировочными группами [ t (74) = -1,96, p <0,05, односторонний, d = 0,54] .

Эффект когнитивной тренировки

Описательная статистика когнитивной деятельности представлена ​​в таблице 9, включая d Коэна для различий до и после публикации, разбитых по трем группам.

Таблица 9.Описательная статистика когнитивных показателей .

Прирост тренировки и регрессионная модель общей когнитивной деятельности показаны на Рисунке 4 и в Таблице 10. Значительно разные результаты тренировки для разных групп показаны в Таблице 10. По сравнению с контрольной группой наблюдалось значительное улучшение общего когнитивного показателя . производительность для обеих тренировочных групп [ F (1, 74) = 8,99, p <0,01, d = 0.48], но без значительных улучшений в группе тренировки на тренажере по сравнению с группой тренировки внимания [ F (1, 74) = 0,36, p = 0,55, d = 0,22].

Рис. 4. Средние групповые показатели общей когнитивной деятельности до и после участия в разбивке по трем группам . Планки погрешностей на графиках указывают на стандартную ошибку среднего. Обратите внимание, что размер произвольный. Примечание: нет данных , не имеет значения; ** <0.01.

Таблица 10. Множественная регрессия для взаимодействия между ортогональными контрастами и обучением для составной оценки когнитивной деятельности .

Для подменю когнитивных способностей мы выявили улучшение показателей по нескольким параметрам. Как объясняется в разделе, посвященном методам, следующие сравнения используются только для описания, чтобы предотвратить раздувание статистических тестов. Повышенная производительность для обеих тренировочных групп по сравнению с контрольной группой была обнаружена для следующих подпараметров: скорость двигателя по сравнению с контрольной группой [ t (74) = -1.98, p <0,05, односторонний, d = 0,48]. Значительно лучшая производительность была получена для группы тренировки внимания по сравнению с группой тренировки на симуляторе для переменной скорость принятия решения [ t (74) = -1,81, p <0,05, 1-хвостовая, d = 0,56 ].

Обсуждение

Основная цель этого исследования заключалась в том, чтобы изучить, можно ли улучшить вождение по дороге у пожилых здоровых активных водителей с помощью двух различных подходов к обучению: тренировки на симуляторе вождения или тренировки когнитивных функций, которые, как известно, участвуют в управлении вождением.Основываясь на текущей литературе, мы выдвинули гипотезу, что оба подхода к обучению улучшат качество вождения на дороге, а также когнитивные способности. Во-вторых, мы предположили, что обучение на симуляторе вождения, в котором сценарии сопоставимы с вождением по дороге, приведет к более сильному приросту характеристик вождения на дороге, чем тренировка внимания, потому что это обучение требует многозадачности. Мы также ожидали, что тренировка на тренажере принесет большую пользу росту когнитивных способностей, поскольку эта тренировка также вызывает множество когнитивных функций (например,g., внимание, пространственное восприятие, сенсорно-моторная координация и отслеживание, исполнительные функции, зрение, рабочая память и т. д .; Lees et al., 2010; Ромосер, 2013; Casutt et al., 2014) и представляет собой своего рода многозадачный тренинг, для которого в недавней статье было показано сильное положительное влияние на когнитивные функции и лежащие в основе функции мозга, особенно у пожилых людей (Anguera et al., 2013). Стоит отметить, что мы использовали обучение на симуляторе вождения, используя различные натуралистические виртуальные реальности с возрастающей сложностью и сложностью.Кроме того, использовалось хорошо зарекомендовавшее себя программное обеспечение для когнитивной тренировки, состоящее из трех последовательно проводимых подходов к когнитивной тренировке (Hauke ​​et al., 2011).

Участники группы обучения симулятору вождения улучшили свои навыки вождения на дороге по сравнению с группой обучения вниманию. Когнитивные способности, однако, улучшились в обеих тренировочных группах (симуляторы вождения и группы тренировки внимания) по сравнению с контрольной группой. Таким образом, группа симуляторов вождения показала улучшение характеристик вождения на дороге, а также когнитивных функций (передача на близкое и дальнее расстояние), в то время как группа, тренирующая внимание, показала только улучшение когнитивных функций (передача на близкое расстояние).Таким образом, тренировка на симуляторе вождения (в качестве примера комплексной тренировки), очевидно, способствует перемещению на близкое и дальнее расстояние и дает более сильные тренировочные преимущества, что было предложено в предыдущих влиятельных обзорах (Lustig et al., 2009; Zelinski, 2009).

Но каковы причины различного воздействия обучения на ходовые качества и когнитивные функции? Было показано, что высокоинтерактивные и сложные подходы к когнитивному обучению (не только с использованием симуляторов вождения, но и интерактивных видеоигр) оказывают положительное влияние на когнитивные функции, поведение, эмоции и множество других действий и функций (Green and Bavelier, 2006a, b; Achtman и другие., 2008; Basak et al., 2008; Карбах и Край, 2009; Мармелейра и др., 2009). В этом контексте утверждалось, что виртуальные среды и сценарии по своей природе привлекательны и мотивируют (Lees et al., 2010). Многие субъекты ощущают своего рода присутствие при взаимодействии с видео-сценариями с сильным эффектом присутствия, особенно когда они взаимодействуют с виртуальной средой или внутри нее (Havranek et al., 2012). Это обстоятельства, повышающие привлекательность этих сценариев, которые, скорее всего, также усиливают мотивацию и внимание — оба фактора, которые имеют решающее значение для обучения и консолидации памяти (Green and Bavelier, 2006a, b; Green et al., 2010; Bavelier et al., 2012). Следовательно, наиболее вероятно, что внимание и мотивация к обучению сильнее у тех субъектов, которые тренируются с симулятором вождения, чем у тех, кто практикует только более или менее абстрактные когнитивные функции. Однако оценочная мотивация в нашем исследовании не различалась между двумя тренировочными группами. Таким образом, может оказаться, что анкеты, измеряющие субъективную мотивацию и возбуждение, недостаточно чувствительны, чтобы уловить тонкую градацию различий в мотивации и возбуждении.Хорошо известно, что субъективные и физиологические показатели мотивации и возбуждения слабо ковариантны (Erdmann and Janke, 1978). Таким образом, возможно, что наши испытуемые, участвующие в группе симулятора вождения, действительно были более мотивированы или возбуждены (с соответствующими физиологическими изменениями), но не заметили этого. Кроме того, также возможно, что все испытуемые были мотивированы или возбуждены в достаточно высокой степени, что невозможно уловить из-за эффектов потолка. Во-вторых, симулятор вождения предлагает сценарии дорожного движения, которые довольно близки и частично похожи на реальные дорожные ситуации.Таким образом, испытуемые, тренирующиеся на симуляторе вождения, тренируют то, что могут непосредственно использовать в реальных ситуациях. Таким образом, концептуальное и практическое «расстояние» изученных аспектов от контекста симулятора вождения до дорожной ситуации вождения ближе (ближний переход), чем «расстояние» от тренировки внимания до вождения по дороге (дальний переход). Подобные положительные эффекты от обучения на тренажере (даже если используемые имитаторы просты) до реальных действий демонстрировались довольно часто для контроля конкретных проблемных навыков вождения у пожилых водителей (Romoser and Fisher, 2009; Lavallière et al., 2011, 2012; Ромосер, 2013; Ромозер и др., 2013). Даже когда тренировка внимания разработана так, чтобы быть немного более реалистичной и динамичной (например, стратегии визуального поиска на перекрестке), улучшаются не только когнитивные функции, такие как DA, мониторинг и принятие решений, но и эффективность вождения на дороге (Romoser and Fisher, 2009 ). Таким образом, реалистичные и динамические аспекты обучения на тренажере вождения, скорее всего, являются важными факторами, улучшающими обучение и, что более важно, улучшающими качество вождения на дороге.

Еще один аспект обучения на симуляторе вождения может улучшить ходовые качества и познавательные способности. Тренировка на симуляторе вождения в том виде, в каком мы его использовали в нашем исследовании, очень похожа на многозадачную тренировку. Во время вождения на тренажере обучаемые должны управлять различными психологическими функциями одновременно или последовательно и элегантно и эффективно. Такое сочетание нескольких различных психологических функций имеет решающее значение для эффективного вождения автомобиля.Во время вождения на симуляторе вождения (и в реальной машине) испытуемые должны управлять своей машиной (сенсомоторное управление), сканировать сценарии (восприятие), запоминать похожие ситуации (память), а также предвидеть, а также планировать маневры (познание ). Таким образом, это обучение имеет много общего с интерактивной когнитивной многозадачностью (Basak et al., 2008; Marmeleira et al., 2009; Anguera et al., 2013). Более того, недавняя публикация показала, что многозадачная тренировка не только увеличивает производительность в различных когнитивных областях (рабочая память, внимание), но также вызывает изменения в активности мозга (Anguera et al., 2013). Авторы интерпретировали свои результаты пластичности мозга как усиленное подавление сети по умолчанию во время выполнения задачи. В соответствии с этими доказательствами наши результаты подтверждают многозадачность и пластичность его мозга в мозге пожилых людей, а также его положительную передачу в когнитивных целях и при вождении по дороге.

Кроме того, в исследованиях на симуляторах вождения было показано, что уровень затрат на многозадачность связан с неопределенностью вождения и ошибками вождения (Bélanger et al., 2010) и что затраты на многозадачность у пожилых водителей выше, чем у молодых водителей (Cantin et al., 2009). Многозадачный характер обучения на симуляторе вождения поддерживается улучшенными характеристиками DA для группы симуляторов. Известно, что DA — это когнитивная функция, основанная на сложном взаимодействии между различными структурами мозга, а также разновидность многозадачности. Режимы когнитивной тренировки, в которых одна психологическая функция выполняется более или менее изолированно без переключения, лишены этого динамического взаимодействия между различными психологическими функциями (Zelinski, 2009).

При более внимательном рассмотрении улучшенных аспектов вождения по дорогам становится очевидным, что они соответствуют тем дорожным ситуациям (поведение на перекрестках, перекрестках и смене полосы движения), которые обсуждаются в литературе как типичные проблемные ситуации вождения, приводящие к ограниченному движению. безопасность и увеличение количества ошибок при вождении (Braitman et al., 2007; Romoser and Fisher, 2009; Lavallière et al., 2011). Ромозер и Фишер (2009) показали, что активное обучение на тренажере улучшает стратегии визуального сканирования старых водителей на перекрестках, что также наблюдалось через 2 года наблюдения (Ромозер, 2013).Кроме того, это проблемное поведение при вождении связано со снижением исполнительных функций, например, при принятии решений (Daigneault et al., 2002; Horswill et al., 2008; Romoser and Fisher, 2009). Согласно этим результатам, настоящее исследование дополняет существующие исследования. Интерактивная и многозадачная тренировка на тренажере улучшает когнитивные функции высшего порядка и повседневные жизненные способности у пожилых людей.

Ограничения

Прежде всего, следует иметь в виду, что SS все еще является проблемой, по крайней мере, для некоторых субъектов, практикующихся с симулятором вождения.Тем не менее, зарегистрированное среднее заболевание уменьшилось во время тренировки на тренажере и даже полностью исчезло для большинства испытуемых. Таким образом, различия между группами по этим переменным не могли объяснить улучшение вождения на дороге и когнитивных способностей. Однако некоторые субъекты были исключены из исследования, когда симптомы болезни не исчезли или ослабли в значительной степени. Хотя только семь субъектов были исключены из-за SS, SS могло повлиять на настоящие результаты несколькими способами.Например, мы измерили тех субъектов, которые могли справиться с симптомами болезни. Таким образом, их тренировочная эффективность может быть каким-то образом связана с этим сопротивлением и борьбой. Возможно, они используют больше самоконтроля и / или самодисциплины во время тренировок, чем те, кто не сталкивался с этими препятствиями.

Существуют также некоторые базовые различия между группами в отношении навыков вождения и результатов когнитивных тестов, которые трудно объяснить (например, поведение в зависимости от района или время реакции в некоторых когнитивных тестах).Однако, поскольку эти базовые различия были выявлены только по двум параметрам и не повлияли на общие характеристики на дороге и общую когнитивную способность, мы уверены, что эти различия не влияют на эффективность тренировок.

Следует отметить, что качество движения по полосе (подпараметр, влияющий на ходовые качества на дороге) не улучшилось в результате обучения на симуляторе вождения, в то время как контрольная группа улучшила свои показатели по этому показателю.Этот отчасти парадоксальный вывод трудно объяснить, и мы хотели бы воздержаться от слишком сильных и умозрительных аргументов в данном случае. Одно из предварительных объяснений может заключаться в том, что точность полосы движения или ее отклонение не являются чувствительной мерой. В другом исследовании на симуляторах, сравнивающем молодых и старых водителей, не было значительных различий между группами по этому показателю (Cantin et al., 2009). Таким образом, необходимы дальнейшие исследования для изучения сдерживающего влияния на эту переменную.

Одним из важных ограничений в настоящем исследовании является отсутствие дополнительной активной контрольной группы для контроля за простыми действиями (даже не связанными с вождением).Поскольку этот эксперимент был чрезвычайно сложным для участников (например, им приходилось несколько раз ездить в психологический институт, чтобы попрактиковаться в когнитивных задачах или на симуляторе вождения), это потребовало бы дополнительных организационных усилий для найма дополнительных субъектов для нашей активной контрольной группы. Кроме того, совершенно неэтично позволять группе пожилых людей заниматься чем-то, что не связано с вождением по дороге и от чего мы не ожидаем прямого или косвенного влияния на вождение по дороге.Таким образом, мы уверены, что местный комитет по этике никогда бы не утвердил такую ​​контрольную группу. Однако мы использовали обе экспериментальные группы в качестве контрольных для другой группы. Таким образом, группа тренировки внимания действовала как контрольная группа для группы симулятора и наоборот.

Интенсивность и продолжительность тренировки также являются проблемами, которые будут иметь существенное влияние на результаты тренировки, будь то внимание или тренировка на симуляторе вождения. Интенсивность и частота тренировок, использованные в нашем исследовании, могли быть слишком низкими, чтобы добиться значительных результатов в тренировках.Таким образом, было бы интересно изучить, приведет ли увеличение продолжительности и частоты тренировок к более сильному улучшению познания и поведения при вождении.

Кроме того, критическим моментом нашего исследования является конкретная выборка пожилых людей. Все испытуемые (независимо от того, в какую группу они были распределены) были очень заинтересованы в участии, и большинство из них были активными водителями, часто использующими свою машину. Например, средний пробег в Швейцарии для этой возрастной группы составляет 3200 км (Bundesamt für Statistik и Bundesamt für Raumentwicklung, 2012).Средний пробег испытуемых колебался от 8973 до 11 909 км. В различных экспериментах необходимо показать, выиграют ли испытуемые с пробегом, близким к среднему, по-разному от симулятора вождения или когнитивной тренировки. То, что конкретная выборка пожилых людей влияет на улучшение вождения, было показано в исследовании Roenker et al. (2003). Они обнаружили положительное влияние когнитивных тренировок на вождение по дороге у пожилых людей из группы повышенного риска, которые считаются неоптимальными в реальных дорожных ситуациях.

Последний критический момент заключается в том, что во время когнитивной тренировки улучшается не только познание, но и другие функции (например, восприятие). Однако точная природа связи между восприятием и познанием в настоящее время неизвестна и должна быть выяснена в будущих исследованиях. (аналогичную гипотезу см. в Anstey et al., 2003). Таким образом, мы не можем определить, демонстрируют ли испытуемые нашей экспериментальной группы улучшенные сенсорные и перцептивные функции в результате наших подходов к обучению.Однако мы можем констатировать, что когнитивные функции изменились из-за нашей тренировки.

Заключение

В этом исследовании мы напрямую сравнили влияние тренировки внимания и тренировки на тренажере на ходовые качества и когнитивные способности. Здесь мы показали, что только участники, практикующие вождение в различных сценариях движения с использованием симулятора вождения, значительно улучшили свои ходовые качества по дороге по сравнению с группой, участвовавшей в тренировке внимания. Кроме того, обе тренировочные группы (симулятор вождения и группа тренировки внимания) показали улучшенные когнитивные способности по сравнению с контрольной группой.Таким образом, настоящее исследование показывает, что симуляторы вождения являются полезными инструментами обучения для улучшения характеристик на дороге, а также познания у пожилых людей. Хотя это исследование подтверждает полезную роль симуляторов вождения в улучшении вождения (и когнитивных способностей) на дороге, необходимо провести дальнейшие исследования, чтобы выявить различные когнитивные процессы, приносящие наибольшую пользу при обучении на симуляторах вождения. Кроме того, необходимо показать, как измеренные характеристики на дороге соотносятся с теми показателями дорожного движения, которые наиболее важны для реального движения, такими как безопасность дорожного движения или количество аварий.Также будет интересно, как разные образцы пожилых водителей (например, водители из группы риска с легкими или продвинутыми когнитивными проблемами) выиграют от симулятора вождения и / или тренировки внимания.

Авторские взносы

Джанклаудио Касутт: Концепция и подготовка исследования, сбор данных, статистический анализ, интерпретация данных, составление рукописи. Натан Тейл: Статистический анализ, интерпретация данных, исправление рукописи. Майк Мартин: Пересмотр рукописи.Мартин Келлер: Изучите концепцию. Лутц Янке: Наблюдение за концепцией исследования, статистический анализ, интерпретация данных, редактирование рукописи.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Этот исследовательский проект поддержан фондами «Forschungskredit» Цюрихского университета.Мы благодарим доктора Жаклин Зеллиг за комментарии и предложения, предоставленные на этапе планирования этого проекта.

Сноски

Список литературы

Ахтман Р. Л., Грин К. С. и Бавелье Д. (2008). Видеоигры как инструмент тренировки визуальных навыков. Рестор. Neurol. Neurosci . 26, 435–446.

Pubmed Аннотация | Pubmed Полный текст

Anguera, J. A., Boccanfuso, J., Rintoul, J. L., Al-Hashimi, O., Faraji, F., Janowich, J., et al. (2013).Обучение видеоиграм улучшает когнитивный контроль у пожилых людей. Природа 501, 97–101. DOI: 10.1038 / природа12486

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Ансти, К. Дж., Хофер, С. М., и Лущ, М. А. (2003). Анализ кривой скрытого роста сенсорной и когнитивной функции в позднем возрасте за 8 лет: данные о конкретных и общих факторах, лежащих в основе изменений. Psychol. Старение 18, 714–726. DOI: 10.1037 / 0882-7974.18.4.714

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Ансти, К.Дж. И Вуд Дж. (2011). Хронологический возраст и связанные с возрастом когнитивные дефициты связаны с увеличением числа ошибок вождения в пожилом возрасте. Нейропсихология 25, 613–621. DOI: 10.1037 / a0023835

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Энсти, К. Дж., Вуд, Дж., Лорд, С., и Уокер, Дж. Г. (2005). Когнитивные, сенсорные и физические факторы, обеспечивающие безопасность вождения пожилых людей. Clin. Psychol. Ред. . 25, 45–65. DOI: 10.1016 / j.cpr.2004.07.008

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Болдок, М. Р., Томпсон, Дж. П., и Матиас, Дж. Л. (2008). «Саморегулирование вождения среди пожилых водителей: результаты пятилетнего наблюдения», в материалах Труды Австралазийской конференции по исследованиям в области безопасности дорожного движения, полицейской службе и образованию, 2008 г., (Аделаида).

Болл, К., Эдвардс, Дж. Д., Росс, Л. А., и МакГвин, Г., младший (2011). Когнитивная тренировка снижает вероятность столкновения с автомобилем у пожилых водителей. J. Am. Гериатр. Soc . 58, 2107–2113. DOI: 10.1111 / j.1532-5415.2010.03138.x

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Basak, C., Boot, W. R., Voss, M. W., and Kramer, A. F. (2008). Может ли обучение в видеоигре-стратегии в реальном времени уменьшить снижение когнитивных функций у пожилых людей? Psychol. Старение 23, 765–777. DOI: 10.1037 / a0013494

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Бавелье, Д., Грин, К.С., Пуже А., Шратер П. (2012). Пластичность мозга на протяжении всей жизни: обучение обучению и боевые видеоигры. Annu. Ред. Neurosci . 35, 391–416. DOI: 10.1146 / annurev-neuro-060909-152832

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Бели Г., Касутт Г., Баумгартнер Т. и Янке Л. (2008). Регулирование присутствия и импульсивности с помощью внешней стимуляции мозга. Behav. Мозг . 4, 33. DOI: 10.1186 / 1744-9081-4-33

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Беланже, А., Ганьон, С., Ямин, С. (2010). Захват последовательного характера реакции пожилых водителей на сложные события: исследование на симуляторе. Accid. Анальный. Ранее . 42, 809–817. DOI: 10.1016 / j.aap.2009.07.010

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Брайтман, К. А., Кирли, Б. Б., Фергюсон, С., и Чаудхари, Н. К. (2007). Факторы, приводящие к авариям на перекрестках старых водителей. Транспортный ущерб. Ранее . 8, 267–274. DOI: 10.1080/15389580701272346

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Bundesamt für Statistik и Bundesamt für Raumentwicklung (2012). Mobilität in der Schweiz, Ergebnisse des Mikrozensus Mobilität und Verkehr 2010 . Невшатель: Федеральное статистическое бюро.

Кантин В., Лавальер М., Симоно М. и Тисдейл Н. (2009). Умственная нагрузка при вождении на тренажере: влияние возраста и сложности вождения. Accid. Анальный. Ранее . 41, 763–771. DOI: 10.1016 / j.aap.2009.03.019

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Casutt, G., Martin, M., and Jäncke, L.(2013). Alterseffekte auf die Fahrsicherheit bei Schweizer Kraftfahrern im Jahr 2010. Zeitschrift für Verkehrssicherheit 59, 162–169.

Casutt, G., Martin, M., Keller, M., and Jäncke, L. (2014). Связь между эффективностью вождения по дороге, когнитивным скринингом и симулятором вождения у здоровых водителей старшего возраста. Transp. Res. Часть F Психология дорожного движения. Поведение . 22, 232–244. DOI: 10.1016 / j.trf.2013.12.007

CrossRef Полный текст

Коэн, Дж.(1988). Статистический анализ мощности для поведенческих наук . Хиллсдейл, Нью-Джерси: Лоуренс Эрлбаум Ассошиэйтс.

Дайно, Г., Жоли, П., и Фригон, Дж. Ю. (2002). Исполнительные функции в оценке риска аварии для пожилых водителей. J. Clin. Exp. Нейропсихол . 24, 221–238. DOI: 10.1076 / jcen.24.2.221.993

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Эдвардс, Дж. Д., Лансман, М., Перкинс, М., Ребок, Г. У., и Рот, Д.Л. (2009а). Траектории отказа от курения и здоровья у пожилых людей. J. Gerontol. Биол. Sci. Med. Sci . 64А, 1290–1295. DOI: 10.1093 / gerona / glp114

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Эдвардс, Дж. Д., Майерс, К., Росс, Л. А., Роенкер, Д. Л., Сиссел, Г. М., Маклафлин, А. М. и др. (2009b). Продольное влияние когнитивной скорости обработки тренировок на мобильность при вождении. Геронтолог 49, 485–494. DOI: 10.1093 / geront / gnp042

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Эрдманн, Г.и Янке В. (1978). Взаимодействие между физиологическими и когнитивными детерминантами эмоций: экспериментальные исследования теории эмоций Шахтера. Biol. Психол . 6, 61–74. DOI: 10.1016 / 0301-0511 (78)

-8

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Грин К. С., Бавелье Д. (2006a). Влияние экшн-видеоигр на пространственное распределение зрительно-пространственного внимания. J. Exp. Psychol. Гм. Восприятие. Выполните . 32, 1465–1478.DOI: 10.1037 / 0096-1523.32.6.1465

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Грин, С., Пуже, А., Бавелье, Д. (2010). Улучшенный вероятностный вывод как общий механизм обучения в видеоиграх. Curr. Биол . 20, 1573–1579. DOI: 10.1016 / j.cub.2010.07.040

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Хауке, Дж., Фимм, Б., и Штурм, В. (2011). Эффективность тренировки бдительности в случае энцефалита ствола мозга: клинические и теоретические последствия. Neuropsychol. Rehabil . 21, 164–182. DOI: 10.1080 / 09602011.2010.541792

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Хавранек, М., Лангер, Н., Читам, М., и Янке, Л. (2012). Перспектива и активность во время видеоигр влияют на восприятие пространственного присутствия и модели активации мозга. Behav. Мозг . 8, 34. DOI: 10.1186 / 1744-9081-8-34

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Холм, А., Лукандер, К., Корпела, Дж., Саллинен, М., и Мюллер, К. М. (2009). Оценка нагрузки на мозг по ЭЭГ. Sci. Мир J . 9, 639–651. DOI: 10.1100 / tsw.2009.83

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Хорнке, Л. Ф., Этцель, С., и Реттиг, К. (2003). Ручной тест адаптивных матриц (AMT) . Мёдлинг: SCHUHFRIED GmbH.

Хорсвилл, М. С., Кемала, К. Н., Веттон, М., Шиальфа, К. Т., и Пачана, Н. А. (2010). Улучшение способности пожилых водителей воспринимать опасность. Psychol. Старение 25, 464–469. DOI: 10.1037 / a0017306

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Хорсвилл, М.С., Маррингтон, С.А., Маккаллоу, К.М., Вуд, Дж., Пачана, Н.А., МакВиллиам, Дж. И др. (2008). Способность пожилых водителей воспринимать опасность. J. Gerontol. B Psychol. Sci. Soc. Sci . 63, P212 – P218. DOI: 10.1093 / geronb / 63.4.P212

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Янке, Л.и Климмт К. (2011). Опыт в видеоиграх и навыки вождения. Zeitschrift für Neuropsychologie 22, 279–284. DOI: 10.1024 / 1016-264X / a000052

CrossRef Полный текст

Карбах Дж. И Край Дж. (2009). Насколько полезно обучение исполнительному контролю? Возрастные различия в ближнем и дальнем переносе обучения с переключением задач. Dev. Sci . 12, 978–990. DOI: 10.1111 / j.1467-7687.2009.00846.x

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Кеннеди, Р., Лейн, Н., Бербаум, К., и Лилиенталь, М. (1993). Анкета о болезни на симуляторе: усовершенствованный метод количественной оценки болезни на симуляторе. Внутр. J. Aviat. Психол . 3, 203–220. DOI: 10.1207 / s15327108ijap0303_3

CrossRef Полный текст

Краут, Дж. (1988). Статистика без распространения. Подход, ориентированный на приложения . Амстердам; Нью-Йорк; Оксфорд: Эльзевир.

Лэнгфорд, Дж., Фитцхаррис, М., Ньюстед, С., и Коппел, С. (2004). Некоторые последствия различных старых процедур выдачи водительских прав в Австралии. Accid. Анальный. Ранее . 36, 993–1001. DOI: 10.1016 / j.aap.2003.11.003

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Лавальер, М., Лорендо, Д., Симоно, М., и Тисдейл, Н. (2011). Смена полосы движения в симуляторе: влияние старения на управляемость автомобиля и визуальный осмотр зеркал и слепых зон. Транспортный ущерб. Ранее . 12, 191–200. DOI: 10.1080 / 15389588.2010.548426

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Лавальер, М., Симоно, М., Тремблей, М., Лорендо, Д., и Тисдейл, Н. (2012). Активное обучение и обратная связь с особенностями вождения улучшают визуальный поиск старых водителей перед сменой полосы движения. BMC Гериатр . 12: 5. DOI: 10.1186 / 1471-2318-12-5

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Лис, М. Н., Косман, Дж. Д., Ли, Дж. Д., Фрике, Н., и Риццо, М. (2010). Перевод когнитивной нейробиологии в рабочую среду водителя: нейроэргономический подход. Am.Дж. Психол . 123, 391–411. DOI: 10.5406 / amerjpsyc.123.4.0391

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Люстиг, К., Шах, П., Зайдлер, Р., Ройтер-Лоренц, П. А. (2009). Старение, тренировки и мозг: обзор и направления на будущее. Neuropsychol. Ред. . 19, 504–522. DOI: 10.1007 / s11065-009-9119-9

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Лайман, С., Фергюсон, С. А., Бравер, Э. Р., и Уильямс, А.Ф. (2002). Более старые водители, участвовавшие в полиции, сообщали о ДТП и ДТП со смертельным исходом: тенденции и прогнозы. Транспортный ущерб. Ранее . 8, 116–120. DOI: 10.1136 / ip.8.2.116

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Мармелейра Дж. Ф., Годиньо М. Б. и Фернандес О. М. (2009). Влияние программы упражнений на несколько способностей, связанных с управлением автомобилем у пожилых людей. Accid. Анальный. Ранее . 41, 90–97. DOI: 10.1016 / j.aap.2008.09.008

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Моррис, С. Б., и ДеШон, Р. П. (2002). Объединение оценок размера эффекта в метаанализе с повторными измерениями и планами независимых групп. Psychol. Методы 7, 105–125. DOI: 10.1037 / 1082-989X.7.1.105

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

OECD. (2001). Старение и транспорт: потребности мобильности и вопросы безопасности . Париж: публикации ОЭСР.

Оусли К., МакГвин Дж. Мл., Филлипс Дж. М., МакНил С. Ф. и Сталви Б. Т. (2004). Влияние образовательной программы на безопасность пожилых водителей с нарушениями зрения и повышенной опасности. Am. J. Prev. Мед . 26, 222–229. DOI: 10.1016 / j.amepre.2003.12.005

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Педхазур, Э. Дж. (1982). Множественная регрессия и поведенческая наука. Объяснение и предсказание . Нью-Йорк, Нью-Йорк: Холт, Райнхарт и Уинстон.

Райнберг, Ф., Фоллмейер, Р. и Бернс, Б. Д. (2001). FAM: Ein Fragebogen zur Erfassung aktuller Motivation in Lern- und Leistungssituationen. Daignostica 47, 57–66. DOI: 10.1026 // 0012-1924.47.2.57

CrossRef Полный текст

Рисер Р., Халупка К., Грундлер В., Соммер М., Хауслер Дж. И Кауфманн К. (2008). Использование нелинейных методов для исследования критериальной достоверности батарей дорожно-психологических тестов. Accid. Анальный. Ранее .40, 149–157. DOI: 10.1016 / j.aap.2006.12.018

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Роенкер, Д. Л., Сиссел, Г. М., Болл, К. К., Уодли, В. Г., и Эдвардс, Дж. Д. (2003). Скорость обработки данных и обучение на симуляторе вождения улучшают ходовые качества. Hum. Факторы 45, 218–233. DOI: 10.1518 / hfes.45.2.218.27241

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Ромозер, М. Р. (2013). Долгосрочные эффекты активных тренировочных стратегий на улучшение способности пожилых водителей сканировать перекрестки: двухлетнее наблюдение за Ромозером и Фишером (2009). Hum. Факторы 55, 278–284. DOI: 10.1177 / 0018720812457566

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Ромозер, М. Р., Фишер, Д. Л. (2009). Влияние активных и пассивных тренировочных стратегий на улучшение сканирования перекрестков пожилыми водителями. Hum. Факторы 51, 652–668. DOI: 10.1177 / 0018720809352654

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Ромозер, М. Р., Поллацек, А., Фишер, Д.Л. и Уильямс К. С. (2013). Сравнение взглядов пожилых и более молодых опытных водителей: поиск опасностей при приближении и въезде на перекресток. Transp. Res. Часть F Психология дорожного движения. Поведение . 16, 104–116. DOI: 10.1016 / j.trf.2012.08.004

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Шухфрид Г. (1998). Ручной детерминационный тест (DT) . Мёдлинг: SCHUHFRIED GmbH.

Шухфрид Г. (2005). Ручной экспертный системный трафик (XPSV) . Мёдлинг: SCHUHFRIED GmbH.

Schuhfried, G., and Prieler, J. (1997). Ручной тест на реакцию (RT) . Мёдлинг: SCHUHFRIED GmbH.

Шухфрид Г., Прилер Дж. И Бауэр В. (2002). Ручное периферийное восприятие (PP) . Мёдлинг: SCHUHFRIED GmbH.

Зоммер М., Хейдингер К., Арендаси М., Шауэр С., Шмитц-Гильсдорф Дж. И Хауслер Дж. (2010). Когнитивные и личностные детерминанты пригодности к вождению после травм. Arch. Clin. Нейропсихол . 25, 99–117. DOI: 10.1093 / arclin / acp109

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Зоммер М., Херле М., Хойслер Дж. И Арендаси М. (2009). «Von TAVTMB zu ATAVT: eine Anwendung der automatisierten Itemgenerierung unter einschränkenden Rahmenbedingungen», в Zweites Österreichisches Symposium für Psychologie im Militär , eds G.

Зоммер М., Херле М., Хойслер Дж., Риссер Р., Шютцхофер Б. и Халупка К. (2008). Когнитивные и личностные детерминанты пригодности к вождению. Transp. Res. Часть F Психология дорожного движения. Поведение . 11, 362–375. DOI: 10.1016 / j.trf.2008.03.001

CrossRef Полный текст

Сталви, Б. Т., и Оусли, К. (2003). Разработка и эффективность теоретической учебной программы для содействия саморегулированию среди пожилых водителей из группы высокого риска. Health Promoot.Прак . 4, 109–119. DOI: 10.1177 / 1524839

0757

Pubmed Аннотация | Pubmed Полный текст | CrossRef Полный текст

Вагнер М. и Карнер Т. (2001). Руководство Cognitrone (COG) . Мёдлинг: SCHUHFRIED GmbH.

ECA Group выпускает модуль обучения вождению преследования для более безопасных и интеллектуальных полицейских операций


Стандартное решение для обучения

Преследование по горячим следам регулируется законами и местными полицейскими процедурами, каждая страна имеет свои отличия от другой.

Приспосабливаемый к любым нормам, с локализацией дорожных знаков и знаков и правил дорожного движения для страны, симулятор вождения EF-EMERGENCY представляет собой решение, обеспечивающее стандартную программу обучения с ориентацией инструктора на холсте, позволяющую настроить курс.

Модуль обучения вождению EF-EMERGENCY Pursuit Driving Training позволяет попрактиковаться:

  • Распознавание номерного знака
  • Подозреваемый и идентификация его автомобиля
  • Оценка опасности
  • Проведение преследования
  • Решение об отказе
  • Методы прекращения погони


Полная программа обучения: создание сценария — движение — взаимодействие — анализ

Используя модуль преследования симулятора EF-EMERGENCY, инструктор может создать сценарий преследования, взаимодействовать с обучаемым во время сеанса вождения в качестве самого водителя и предоставить соответствующий отчет по результатам анализа, основанный на фактической информации, предоставленной симулятором (например, скорость и расстояние между транспортными средствами, положение на дороге, положение водителя, нарушение правил дорожного движения, расстояние для общественной безопасности и правильное использование аварийных огней и сирены ) связаны со знаниями инструктора и бывшими переживание.

Благодаря высокой точности моделирования транспортного средства, вождение автомобиля очень реалистично воссоздает поведение автомобиля на высокой скорости (например, быстрое замедление, инерцию автомобиля, потеря сцепления…) и позволяет практиковаться в продвинутом режиме. приемы управления транспортным средством (поворот ручным тормозом, блокировка транспортного средства и т. д.).

В соответствии с целью обучения инструктор оценит общие способности водителя: навыки вождения, а также способность принимать решения в зависимости от ситуации и соотношения необходимости / опасности.

Моделирование вождения, реальное обучение — под руководством инструктора

Обучение на реальных транспортных средствах позволяет изучить динамику вождения транспортного средства, как и обучение с помощью моделирования благодаря высокопроизводительному программному обеспечению. Кроме того, симулятор позволяет осуществлять прямое взаимодействие между сотрудником правоохранительных органов, беглым водителем, а также другими участниками дорожного движения совершенно безопасным способом.

С помощью симулятора EF-EMERGENCY и его модуля обучения вождению преследования инструктор будет обеспечивать наиболее реалистичное поведение этих других участников: управление убегающим автомобилем, решение, когда и когда пешеход или животное переходят дорогу или транспортное средство. переулок.

Стажер будет практиковать непредсказуемые ситуации и научится справляться с психологией подозреваемого, как это позволяет только реальное вмешательство, без какого-либо риска.

Обзор виртуального моделирования дорожного движения и его приложений

Рост количества транспортных средств в городах ставит новые задачи в области управления городским движением. Анализ и моделирование дорожного движения имеет большое практическое значение для интеллектуального управления дорожным движением в городах. В этой статье анализируются и резюмируются существующие исследования моделирования дорожного движения.Во-первых, моделирование толпы и анимация толпы анализируются с учетом идеи моделирования толпы. Во-вторых, он сравнивает и анализирует различные существующие технологии слежения за автомобилем и указывает на то, что анимационное моделирование дорожного движения является горячей точкой в ​​исследованиях моделирования дорожного движения. Затем концепция аффективных вычислений интегрируется в моделирование дорожного движения, учитывая влияние эмоций водителей на вождение автомобиля, и отмечается, что транспортный поток, управляемый эмоциями, является более достоверным.Наконец, в сочетании с существующим положением дел анализируются существующие недостатки исследований и указывается направление будущего моделирования дорожного движения.

1. Введение

В связи с постоянным развитием человеческого общества количество автомобилей резко возросло, что привело к увеличению заторов на городских дорогах, что стало одним из важных факторов, сдерживающих социальное развитие и человеческую жизнь. Постоянно меняющиеся условия дорожного движения создают новые проблемы для управления городским движением.Транспортные средства обладают широким спектром характеристик поведения на дороге. Таким образом, совершенно необходимо применять научные методы для анализа и моделирования трафика. Развитие Интернета транспортных средств полностью изменило будущий режим работы транспортных средств и принесло в город большие данные о дорожном движении. Виртуальное моделирование в сочетании с реальными данными трафика обеспечивает техническую поддержку моделирования трафика. Интеграция анимации транспортных средств в моделирование сцены городского движения может повысить надежность и наглядность моделирования, а также обеспечивает научную основу для проектирования движения, планирования движения и мониторинга движения [1], что позволяет реализовать интеллектуальное управление движением.

Моделирование дорожного движения — это реконструкция дорожного движения с помощью технологии виртуальной реальности. Симулятор вождения в Айове — это ранний автопилот в виртуальной среде [2–4]. Движение — это сложный процесс, в котором участвуют водители, транспортные средства, дороги и транспортная среда [5]. В литературе [6] метод управления совместным поведением транспортных средств достигается путем создания особого временного паттерна системы реакции диффузии. В то время как движение транспортного средства может контролироваться поведением человека за рулем, транспортное средство можно рассматривать как агент, контролируемый человеком.Таким образом, это эффективный метод исследования для моделирования и анализа анимации движения, опираясь на идеи анимации поведения толпы.

Учитывая потребность в интеллектуальном управлении дорожным движением, в этой статье систематически анализируются основные методы и прогресс моделирования дорожного движения на основе сочетания моделирования толпы, анимации транспортных средств, эффективных вычислений и моделирования дорожного движения, чтобы предоставить справочные материалы для исследователей в этой области.

2. Моделирование толпы

Водитель управляет транспортным средством посредством своего поведения при вождении, и движение можно понять как поведение агента, управляемого этим человеком.Таким образом, движение можно рассматривать как особый тип движения толпы, и его можно исследовать на основе идеи моделирования толпы [7].

2.1. Имитационная модель толпы

За последние несколько десятилетий научные исследователи провели множество исследований по моделированию толпы и добились значительных успехов в эвакуации толпы, пешеходных толп, формировании толпы, имитации движения и имитации роя [8]. Существующие основные технологии моделирования толпы можно разделить на макро и микро.Макромодель сравнивает движение толпы с некоторыми физическими явлениями и строит соответствующую модель частиц. Эта модель фокусируется на моделировании характеристик сбора и потока, рассматривая движение толпы как жидкость и газ, и рассматривая толпу как единую систему агрегации. С глобальной точки зрения эту модель можно использовать для грубого анализа, и ее преимуществом является быстрое моделирование. Модель реального времени AA-FVDM (The Accident-Avoidance Full Velocity Difference Model), которая была построена на непрерывной динамике, унифицированном общем планировании и предотвращении столкновений [9].Он может моделировать крупномасштабные транспортные потоки (десятки тысяч автомобилей) с реалистичными и плавными эффектами и может эффективно управлять глобальной навигацией толпы. Искажение имеет тенденцию происходить при тщательном наблюдении за людьми, как правило, это справедливо для гидродинамической модели. Фактически, толпа отличается от жидкости тем, что она не полностью подчиняется физическим законам жидкости и имеет определенную автономию (например, выбор направления). Симуляция толпы явно не обладает эффектом мелкозернистой симуляции.

Микромодель широко используется и может сочетаться с новым алгоритмом в области искусственного интеллекта. Его основная идея — индивидуальное моделирование каждого агента и оптимизация самой модели [10]. Микромодель описывает толпу путем разумной количественной оценки индивидуального поведения и фокусируется на отношениях между людьми и толпой. Дискретная модель и непрерывная модель являются основным направлением микромоделей. Модель клеточного автомата является представителем дискретной модели, которая может моделировать эвакуационное поведение человека в аварийных ситуациях [11–13].Модель социальной силы Хельбинга является типичным представителем непрерывной модели, которая может имитировать феномен скопления толпы на выходе [14]. Эта модель в основном описывает отношения между людьми в толпе. Поведение человека определяется различными силами, в том числе движущей силой к цели, силой отталкивания при уклонении от других или объектов и притяжением выхода, как показано в формуле (1).

Здесь представляет движущую силу пешехода к цели, представляет силу взаимодействия между пешеходом и пешеходом и представляет силы между пешеходом и препятствием.Благодаря совместному действию этих трех сил пешеходы постоянно обновляют свои позиции и стремятся к целевой позиции. масса пешехода и текущая скорость пешехода.

Однако с использованием модели социальной силы для симуляции анимации легко выполнить локальное дрожание движения толпы, которое влияет на визуальный эффект симуляции. В последние годы появилось много улучшенных моделей. Saboia et al. представили мобильные сети для улучшения модели социальных сил [15].На практике эти две модели можно комбинировать, макромодель используется для управления глобальной навигацией, а микромодель управляет индивидуальным поведением.

Взаимная информация использовалась для описания степени аномалий и хаоса в сложных группах и может использоваться для описания общей ситуации транспортного потока, такой как заторы, аварии и так далее [16, 17]. Кроме того, некоторые методы и идеи из физики также стоит использовать для моделирования транспортных потоков [18].

2.2. Анимация моделирования толпы

Исследования анимации моделирования толпы включают множество теорий и методов, связанных с компьютерным зрением, искусственным интеллектом, психологией и так далее. В 1987 году Рейнольдс опубликовал классическую статью об анимации птичьих стай, которая лучше моделировала агрегационное поведение птиц в природе [19]. Использование набора поведения и набора действий для управления поведением пешеходов и создания виртуальной анимации поведения пешеходов на дороге — это раннее исследование анимации пешеходов [20].

Важной частью анимации симуляции толпы является навигация по толпе, то есть управление траекторией движения и предотвращение столкновений между людьми. Jin et al. предложил простой и эффективный метод управления сценой с толпой и установил активную переменную глобального планирования и собственную переменную движения для каждого виртуального человека [21]. В литературе [22] построена структура данных виртуальной сцены для автоматического извлечения необходимых данных из пространственного анализа виртуальной навигации человека.Модель личности OCEAN может использоваться для создания и улучшения разнообразия толпы, но в этом методе в основном обсуждается схема выделения людей в толпе, без специального обсуждения того, как использовать личность для управления поведением при побеге [23]. Чтобы создать сложное беговое построение в толпе, существующие данные толпы могут быть смешаны для создания новой анимации толпы. Он создает предсказуемое пространственно-временное поведение толпы и вводит в толпу деформируемую модель толпы. При кодировании данных о толпе этот метод контролирует формирование и индивидуальную траекторию движения [24].Для большой толпы Maim et al. создали систему моделирования и визуализации толпы в реальном времени, которая может генерировать морфологию толпы с использованием небольшого количества виртуальных людей [25]. В монографиях Тельмана и Мюсса по моделированию толпы обобщены некоторые основные методы построения моделирования толпы [26]. Ким проанализировал толпу с точки зрения физической силы и взаимодействия, моделируя тысячи агентов в сложных сценах [27]. Рен рассматривал различные групповые атрибуты толпы, такие как социальные группы, туристов и гидов, чтобы контролировать трансформацию групп [28].

В последние годы исследования анимации симуляции толпы начали сосредотачиваться на использовании данных о движении реальных людей и объединили общий контроль формирования толпы для повышения эффективности анимации толпы. Например, реальное видео о движении толпы используется для получения информации о движении человека, создавая управляемую данными имитацию анимации толпы [29]. Использование видеоинформации может повысить надежность моделирования виртуальной толпы [30]. Чтобы повысить эффективность рендеринга толпы, Kulpa et al.предложили ввести уравнение выбора LOD для повышения эффективности обнаружения столкновений без снижения эффекта просмотра пользователей (обнаружение столкновений больше не выполняется в удаленных толпах) [31]. Многие ученые проводили исследования по обнаружению человеческих тел, и эти результаты также предоставляют технические ссылки для дальнейшего изучения сбора информации о движении толпы. Кападиа представил структуру многоагентного поведения, которая имитирует сложные многоаагентные взаимодействия и контролирует гибкость и автоматизацию мультиагентов [32].Guy et al. стремясь к неопределенности получения информации о движении толпы, предложил теоретико-информационный метод измерения сходства измеренных данных о толпе [33]. Hoyet et al. Стремясь к сложности анимации толчка, генерируемой физическими вычислениями, изучил, как использовать технологию захвата движения, чтобы генерировать анимацию толчка между виртуальными людьми, и проанализировал визуальные ощущения пользователей по поводу тестовых анимаций [34]. Kratz et al. с целью мониторинга плотных скоплений людей предложил метод слежения за толпой, основанный на пространственно-временной модели толпы [35].В густой толпе довольно сложно отследить поведение людей обычным методом. Основываясь на пространственно-временном изменении движения толпы, можно предсказать отдельные движения, исследуя потенциальную модель движения толпы.

Комбинируя эксперимент по моделированию толпы, основанный на модели моделирования толпы и анимации, исследователи могут количественно изучать и визуализировать поведение толпы, устанавливать эмпирическую формулу для поведения толпы и моделировать сцены движения толпы с различными параметрами, включая эвакуацию толпы, скопление толпы и отслеживание толпы.Кроме того, имитационный эксперимент может также анализировать влияние различных факторов на эффект моделирования. Судя по опубликованной литературе, существующие методы моделирования толпы уделяют больше внимания изучению поведения толпы и достигли определенных результатов. Однако существующие методы моделирования редко включают изучение эмоций толпы и не полностью учитывают социальные факторы толпы, такие как физиологические, психологические, эмоциональные и другие факторы. Технология симуляции с интеграцией различных социальных факторов — эффективный метод изучения симуляции толпы в будущем.

3. Анимация движения

Моделирование движения постепенно развивалось с развитием компьютерных технологий, которые используют компьютерную цифровую модель для отражения сложного явления движения. С точки зрения имитационного эксперимента имитация дорожного движения может воспроизводить дорожное движение и отражать поведение транспортных средств на дороге. Он может представить пространственно-временные изменения транспортного потока и обеспечить сложное и неоднородное моделирование трафика [36, 37]. Имитация дорожного движения заключается в применении теории транспортного потока к анимации, которая с помощью компьютерной системы в основном имитирует движение транспортных средств в определенный момент в транспортной сети.Анимация движения состоит из трех модулей: моделирование дорожных сетей, моделирование движения транспортных средств и рисование анимации движения [38].

Модель клеточного автомата в основном использовалась в раннем транспортном потоке [39], который состоял из серии правил движения и правил дорожного движения, которые должны соблюдаться при движении транспортного средства, включая различные правила случайного изменения, такие как поведение при вождении и внешние мешающие факторы [40]. Детализация моделирования модели клеточного автомата в виртуальной транспортной среде недостаточна, а эффект моделирования — низкая точность.

Модель слежения за автомобилем — наиболее широко используемая модель в теории микромоделирования. В основном он описывает следующее поведение двух соседних транспортных средств, движущихся по дороге с односторонним движением, где обгон ограничен. Существующие результаты исследований в основном ограничиваются теоретическими моделями на основе статистической физики. Классическая интеллектуальная модель водителя (IDM) в основном имитирует поведение автомобиля после движения по шоссе, что не подходит для моделирования городского дорожного движения. Чтобы решить проблему скопления городского дорожного движения, предлагаются различные модели слежения за автомобилем для обеспечения плавности транспортного потока, такие как улучшенная модель слежения за автомобилем с сопряженным картированием [41], модель отслеживания поведения автомобиля водителя [42], расширенное слежение за автомобилем. модель [43, 44], улучшенная модель IDM [45] и др.Сосредоточение внимания на локальной устойчивости и асимптотической устойчивости модели слежения за автомобилем может улучшить характеристики динамического транспортного потока [46]. Для определения различных режимов вождения может быть создана основа общего моделирования следящего за автомобилем поведения [47].

Кроме того, система взаимодействия инфраструктуры также влияет на поведение водителей, следующих за автомобилем [48]. Модель слежения за автомобилем предназначена для описания поведения автомобиля, следующего за идущим впереди, что оказывает значительное влияние на управление дорожным движением, гладкость дорог и безопасное вождение.Существующих моделей слежения за автомобилем недостаточно для изучения поведения людей, и они не учитывают психологическую деятельность водителей. Если в будущей модели слежения за автомобилем будет учтен человеческий фактор, условия движения в сложных дорожных ситуациях будут в некоторой степени улучшены. Сравнительный анализ различных технологий слежения за автомобилем показан в таблице 1.


Год Исследователь Модель слежения за автомобилем Соображения Эффект
2007 Hank Модифицированная модель следования за автомобилем на сопряженной карте Относительная скорость между несколькими парами соседних транспортных средств впереди Запретить пробку
2012 Chen Автомобиль, следующий за поведением на основе эмпирических данных о траектории Корреляция между поведением водителей Снижение турбулентности движения
2012 Farhi Расширенная линейная модель следования за автомобилем и модель движения с минимальным плюсом Влияние неоднородности и ожиданий от движения в переходных и статических условиях движения D испарение движения без проезда
2013 Li Модель с полной разницей скоростей (FVD) Локальная устойчивость, асимптотическая устойчивость и устойчивость по Ляпунову Улучшение динамических характеристик моделей
2014 Расширенный FVD, обнаружение двух разных задержек движения вперед и скорости Влияние временных задержек на анализ стабильности Запрет пробок на дорогах
2016 Lu Улучшенная модель IDM, добавление регулировки ускорения в зависимости от транспортного средства интервал Влияние расстояния транспортного средства на скорость транспортного средства Сокращение времени запуска транспортных средств

Моделирование транспортных средств в форме анимации является предметом исследования в имитационной модели [49].В литературе [50] рассматривается интеграция систем многомодельной модели транспортного средства и математической модели человеческого тела с точки зрения динамики движения транспортного средства. Интерактивное моделирование транспортных средств — это относительно ранняя анимация транспортных средств, которая может имитировать автономное поведение транспортных средств [51]. Sewall et al. реализовал транспортный поток крупномасштабной дорожной сети с помощью синтетической анимации [52]. Используя идею агента, они добились значительного прогресса в моделировании анимации движения городской дорожной сети [53, 54].Команда Wilkie использовала виртуальную трехмерную технологию для реконструкции сценариев транспортных потоков (см. Рисунок 1) [55].


Более поздняя сцена моделирования анимации движения более сложна, а эффект анимации более реалистичен. В литературе [56] исследователи изучали моделирование микродорожного движения в терминах модели дороги и модели поведения транспортного средства и вводили количественные характеристики поведения водителей при движении. Что касается автомобильных дорог, большая часть литературы посвящена различным полосам движения [57].Микрогибридная анимация движения с участием автомобилей и мотоциклов может воспроизводить поведение движения, основанное на полосе движения и без полосы движения, которое обычно наблюдается в городских сценах [58]. Модель слияния анимации трафика в реальном времени использует реальные данные для достижения результатов моделирования (см. Рисунок 2) [59, 60].

В ссылке [61] VISSIM, модель микромоделирования, использовалась для оценки пропускной способности скоростной автомагистрали. На примере восьмиполосной городской скоростной автомагистрали в Индии имитационная модель была использована для оценки стоимости единицы легкового автомобиля для различных типов транспортных средств.Визуализация данных о транспортном средстве является неотъемлемой частью анимации движения [62]. Сравнение различных технологий анимации движения показано в таблице 2.

Удовлетворительно 2013 Обратное и неправильное поведение

Год Исследователь Технология моделирования Управляемая данными Сцена моделирования Эффект
2010 Sewall Моделирование непрерывной динамики транспортных сетей Нет Шоссе, развязка и выезд с дороги 1000 автомобилей Быстрый и эффективный
2012 Shen Yun Сопровождение Городские дороги (параллельные дороги, эстакады, сигнальные перекрестки) 4 полосы движения / 100 000 автомобилей Реалистичный, плавный
2013 Wilkie Измерение датчиков движения на дороге Да Шоссе 6 полосы В соответствии с реальным транспортным потоком
2013 Puvvala Используйте модель VISSIM для оценки стоимости единицы легкового автомобиля для различных транспортных средств Нет Индия шоссе 8 полос
Liu Количественная оценка характеристик поведения водителей на дороге Нет Виртуальная транспортная среда с интерактивными потребностями пользователей в реальном времени 153 полосы / 600 автомобилей Реалистичная
2016 Lin Интерактивный гибрид система анимации движения Нет Автомагистрали, городские дороги (смесь автомобилей и мотоциклов) 3 полосы, 11 перекрестков / 159 автомобилей Привлекательный
2017 Ян Интерактивное управление Да 100 00 транспортных средств Высокореалистичный
2018 Chao Синтез текстур Да Извилистая дорога, дорога со светофором и сеть городских шоссе 2–4 полосы движения / 10 000 автомобилей Высокореалистичная

4.Комбинация эффективных вычислений и моделирования дорожного движения

В настоящее время в Китае насчитывается 200 миллионов транспортных средств и более 200 миллионов водителей. Большое количество водителей и небезопасное поведение за рулем приводят к частым дорожно-транспортным происшествиям и тяжелым травмам. Фактические дорожные ситуации довольно сложные. Во время вождения в сложных дорожных условиях на водителя помимо рутинного поведения при вождении влияют эмоции [63]. Эмоциональный транспортный поток более реалистичен. Управляемые разными эмоциями, водители будут применять разные стратегии вождения, а технологии моделирования транспортных средств должны обеспечивать соответствующий эффект анимации.Когда движение перегружено, эмоции водителей могут влиять на транспортный поток. Например, в гневе водители склонны предпринимать такие действия, как ускорение, обгон и т. Д., Что усугубляет заторы на дорогах. Спокойный водитель может выполнять такие действия, как терпеливо стоять в очереди, ждать уличных фонарей и т. Д. Поэтому анализ эмоций водителей имеет большое исследовательское значение. Технология виртуального моделирования, управляемая эмоциями, является ключевым моментом моделирования дорожного движения.

Поскольку эмоции являются незаменимой переменной для движения толпы, необходимо ввести теорию и метод расчета аффективности в моделирование дорожного движения.Исследователи могут смоделировать эмоции автомобильной толпы на основе исследований модели эмоций агента. По сравнению с исследованиями модели индивидуальных эмоций, исследований модели эмоций толпы очень мало, и большинство существующих результатов относятся к области психологии. Ключом к модели эмоций толпы является рассмотрение передачи эмоций между людьми, то есть эмоционального заражения. До 1993 года Hatfield et al. опубликовал единственную систематическую работу по эмоциональному заражению, утверждая, что люди автоматически и непрерывно имитируют выражения лиц, звуки, жесты и поведение других при взаимодействии и имеют тенденцию постоянно улавливать эмоции других [64].Этот процесс определяется как эмоциональное заражение. Однако их исследования были сосредоточены только на качественных результатах и ​​не имели количественных методов сравнения. Барсейд сравнил эмоциональное заражение с волновыми эффектами, то есть эмоциональное заражение оказывает большое влияние на поведение в толпе [65]. Walter et al. изучал спиральный эффект для непрерывного эмоционального заражения [66]. В настоящее время международная литература по компьютерному эмоциональному заражению очень редка, и соответствующие отчеты в основном являются работами Пайвы и Боссе и др.[67, 68]. Эти исследования с использованием многоагентного инструмента NetLogo сосредоточены на поглощении эмоций между людьми. Среди них Bosse et al. предложил численную модель эмоций агентов, ссылаясь на идеи физики. Следует отметить, что в их модели отсутствовали описания восприятия и выбора поведения агентов, а физический смысл основной формулы не ясен. Лю и др. изучали эмоциональную передачу толпы на переполненных вокзалах [69]. С точки зрения социальной психологии, личность, индивидуальное внимание и размер группы в многолюдной среде могут влиять на эмоции групп и отдельных лиц [70].Львов использовал эмоциональное заражение, чтобы смоделировать движение толпы под сценами политического митинга [71]. Сюй смоделировал возникновение и распространение панических эмоций в условиях множества опасностей [72]. Сюэ применил эмоциональную инфекцию к моделированию массовых очередей [73]. Вышеупомянутые модели и методы эффективных вычислений заложили теоретическую основу для исследований трафика.

Это одно из потенциальных исследований в будущем, чтобы объединить аффективные вычисления с моделированием транспортных средств. Симуляция трафика будет реализована автономно.В определенной степени это подтолкнет к развитию технологии моделирования трафика. Например, при сочетании различных моделей, таких как модель личности и модель эмоционального заражения, исследование не только фокусируется на самом движении транспортного средства, но и уделяет больше внимания эмоциям водителя, а также влиянию передачи эмоций транспортного средства на поведение водителя. В настоящее время исследования этого аспекта не проводились. Некоторые предварительные исследования были сделаны путем изучения параметров водителя (эмоций, привычек и т. Д.).) [74]. Лу выдвинул адаптивную модель AR с точки зрения инициативы водителя, принимая во внимание достоверность прогноза водителя, время реакции водителя и типы водителей [74–7]. Он выдвинул личностную модель анимированного поведения гетерогенного трафика, интегрируя модель личности в моделирование трафика, сочетая параметры моделирования низкого уровня с характеристиками личности высокого уровня, моделируя поведение гетерогенного трафика и делая эффект моделирования движения намного ближе к фактическому трафику. поток.Чтобы изучить моделирование дорожного движения с точки зрения водителя, необходимо учитывать влияние эмоций водителя на поведение водителя. Мы можем наблюдать эффекты эмоциональной инфекции транспортного средства с разных точек зрения [76].

5. Перспективы на будущее

Моделирование дорожного движения включает физику, когнитивные науки, поведение человека, компьютер и другие смежные дисциплины. После десятилетий стремительного развития было накоплено большое количество результатов исследований в области моделирования дорожного движения, моделирования психологии вождения и т. Д., и даже было разработано соответствующее программное обеспечение для моделирования дорожного движения. Однако, поскольку моделирование дорожного движения предъявляет довольно высокие требования к эффективности моделирования и эффектам, существующих эффектов моделирования недостаточно для отображения различных сложных сцен дорожного движения. Таким образом, в технологии моделирования дорожного движения все еще существует множество трудностей и проблем, которые требуют дальнейшего изучения.

(1) Моделирование трафика на основе больших данных: трафик больших данных в настоящее время является типичным приложением больших данных.В большинстве существующих моделей имитации дорожного движения прототип системы реализован на обычной рабочей станции, но они не могут моделировать и выводить крупномасштабные потоки пассажиров и транспортных средств. С точки зрения интеллектуального управления транспортными средствами, для создания различных сценариев моделирования транспортных средств (таких как мониторинг транспортных средств, предупреждение о дорожном движении, экстренная диспетчеризация и т. Д.) Важно визуализировать крупномасштабный транспортный поток. Для воспроизведения симулированного трафика в реальном времени потребуются имитационная модель, система симуляции и вычислительное оборудование.Существующих эффектов моделирования трафика недостаточно для удовлетворения потребностей интеллектуального управления трафиком, что требует дальнейшего изучения.

(2) Моделирование дорожного движения на основе факторов водителя: существующие модели имитации транспортных средств в основном основаны на механической модели и строят поведение движения с точки зрения объективной механики. Они редко объединяют когнитивные науки, и лишь немногие из них принимают во внимание человеческий фактор. Движение — это сложный процесс, такой как смешанный перекресток, где автомобили и пешеходы сосуществуют, и водитель играет решающую роль в поведении транспортного средства.С точки зрения безопасного вождения автомобиль также персонализирован и может выполнять широкий спектр психологических функций. Самоуважение водителя является решающим фактором вождения автомобиля (например, планирование пути, смена полосы движения, обгон, следование за автомобилем и т. Д.), И нельзя игнорировать психологические факторы водителя (особенно его эмоции). В области психологии имеется множество достижений, которые могут дать ценные справочные материалы. Однако эти модели слишком сложны, чтобы их можно было просто перенести в исследования по моделированию дорожного движения.На самом деле, чтобы реализовать симуляцию дорожного движения, требуется более подходящая психологическая модель, когнитивная модель и даже модель эмоционального заражения. Как интегрировать факторы водителя в моделирование дорожного движения и как применить эти результаты к моделированию движения транспортного средства, становится проблемой, которая требует дальнейшего изучения.

(3) Симуляция дорожного движения в сочетании со звуком: Звук является неотъемлемой частью процесса вождения автомобиля, и симуляция транспортного средства со звуком более реалистична.Фактически, на городских дорогах слышны различные шумы, такие как различные звуки, издаваемые автомобильными моторами, звуковыми сигналами, различными типами транспортных средств (например, пожарные машины, полицейские машины, машины скорой помощи и т. Д.). Чаще всего это наложение звуков различных транспортных средств. В настоящее время анимационное моделирование дорожного движения фокусируется только на движении транспортных средств и не учитывает звук движущегося транспортного средства. Имитация дорожного движения все еще находится в безмолвном мире, и эффекту симуляции недостает достоверности. С помощью FMOD или WWISE в игровом дизайне необходимо дополнительно изучить, как реализовать имитацию различных наложенных звуков для повышения достоверности симуляции трафика.

(4) Моделирование движения в сложных сценах: пешеходы и транспортные средства являются основными объектами городского движения, и они часто смешиваются в сложных сценах на городских дорогах с участием пешеходов, транспортных средств, дорог и окружающей среды. Моделирование смешанного движения различных движущихся объектов может более реалистично воспроизвести городской трафик. Статические предметы включают транспортные дороги и планирование движения. На дорожную систему влияют многие внешние факторы, такие как погодные условия [77], внешняя среда, временное регулирование движения и т. Д., а значит, он очень случайный и открытый. Например, дорожно-транспортные происшествия и аварии транспортных средств будут влиять на движение транспортных средств. При моделировании дорожного движения необходимо единообразно моделировать аномалии дорожного движения [78]. К динамическим объектам относятся люди, автомобили и светофоры. Пешеходы, немоторные транспортные средства и автотранспортные средства составляют основные субъекты сложного дорожного движения. Сложность моделируемых предметов затрудняет моделирование движения. Между тем, транспортная ситуация также динамично меняется во времени и пространстве.Существующее моделирование движения в основном рассматривает обычное моделирование движения в простых условиях. Следовательно, необходимо продолжить изучение того, как по-настоящему показать движение в сложных сценах.

(5) Моделирование транспортных средств и принятие решений: с увеличением числа автономных и полуавтономных транспортных средств дороги с гибридным движением (автомобили, мотоциклы, велосипеды и пешеходы) становятся все более и более сложными, и требования моделирования транспортных средств становятся все более сложными. становясь все выше и выше.Принятие существующих решений при моделировании транспортных средств обычно основано на правилах и невозможно устранить все чрезвычайные ситуации. Моделирование транспортных средств следует сочетать с искусственным интеллектом, чтобы помочь в принятии решений в режиме онлайн. Искусственный интеллект включает три модуля: восприятие, принятие решений и контроль. Исследовательская работа во многих областях, таких как интеграция нескольких датчиков (внутри / снаружи транспортного средства) для получения большого количества информации об окружающей среде, сочетание углубленного интенсивного обучения для оптимизации маршрутов вождения и достижения контроля над транспортным средством, удовлетворения различных потребностей вождения, эмоционального вождение и так далее, будут очень важны в управлении глобальным городским движением, прогнозировании несчастных случаев (или управлении ответственностью / расходами страховой компании) или принятии решений по вождению на основе искусственного интеллекта.

6. Выводы

Технология моделирования дорожного движения в последние годы является горячей точкой в ​​области исследования толпы. Его можно широко использовать в моделировании городского движения, идентификации дорожных заторов, поддержке принятия решений о движении в городе и т. Д. Целью моделирования является достижение имитации движения с высокой вычислительной эффективностью, автономностью транспортного средства и реалистичным эффектом. Основываясь на требованиях интеллектуального управления городским хозяйством, в данной статье рассматриваются различные модели имитации и анимации дорожного движения.С точки зрения общей структуры исследования и исследовательских идей, это все еще эффективный метод исследования моделирования дорожного движения с использованием анимации поведения толпы. В этой статье основное внимание уделяется сравнительному анализу различных моделей следования за автомобилем в анимации движения и предлагается интегрировать аффективные вычисления в моделирование движения. С помощью технологии сетевого мониторинга транспортных средств можно получить информацию о транспортном средстве и персонале, а эмоции водителей можно уловить во времени.Большое практическое значение имеет анализ эмоций водителей. Технология виртуального моделирования, управляемая эмоциями, является ключевым моментом моделирования дорожного движения. В то же время, принимая во внимание фактические потребности в трафике и обращая внимание на недостатки существующих исследований, предлагаются некоторые проблемы, требующие дальнейшего изучения. Решение этих проблем будет способствовать постоянному совершенствованию моделирования трафика и анимации, что сделает анимацию движения в сложных условиях движения более реалистичной.

Конфликт интересов

Авторы заявляют, что у нас нет финансовых и личных отношений с другими людьми или организациями, которые могут ненадлежащим образом повлиять на нашу работу; нет никаких профессиональных или иных личных интересов любого характера или вида в каких-либо продуктах, услугах и / или компаниях, которые могут быть истолкованы как влияющие на позицию, представленную в рукописи, озаглавленной, или рецензию на нее.

Благодарности

Эта работа была поддержана Фондом естественных наук Чжэцзяна (грант No.LY20F020007), проекты Ningbo Science, Technology Plan (грант № 2019C50024, 2019B10032) и K.C. Фонд Вонг Магна в университете Нинбо.

Исследование на симуляторе вождения

: предельные значения ТГК сами по себе ненадежные предикторы психомоторных показателей

Сидней, Австралия: Согласно данным, опубликованным в журнале Traffic Injury Prevention , присутствие концентраций THC в крови или ротовой жидкости является ненадежным индикатором нарушения управления транспортными средствами.

Австралийские исследователи оценили взаимосвязь между уровнем ТГК и ходовыми качествами у 14 добровольцев.Участники испарили образцы каннабиса разной силы (высокий THC / низкий CBD, равные соотношения THC и CBD и номинальное соотношение THC / плацебо). Волонтеры выступили на симуляторе вождения. Образцы крови и ротовой жидкости собирали через 30 минут после ингаляции и снова через 3,5 часа.

Исследователи сообщили, что ни присутствие ТГК в крови, ни в ротовой жидкости не является надежным показателем эффективности вождения. Они признали, что почти половина участников исследования не продемонстрировали нарушения вождения в течение 30 минут после вдыхания каннабиса, несмотря на то, что уровень ТГК превышал обычно устанавливаемые пределы per se (например.г., 5 нг / мл в крови или ротовой жидкости). Напротив, у нескольких участников действительно наблюдалось ухудшение состояния через 3,5 часа после испарения, в то время как их уровень ТГК был ниже per se пределов .

«Изученные пределы для крови и ротовой жидкости сами по себе часто не позволяли различать водителей с ограниченными физическими возможностями и здоровых водителей», — сообщают авторы. «Более того, концентрации ТГК в крови и ротовой жидкости плохо коррелировали с нарушениями вождения. … Практически невозможно сделать вывод о том, сколько каннабиса было употреблено или когда оно было употреблено, основываясь исключительно на данной концентрации ТГК в какой-либо биологической матрице.”

Они пришли к выводу: «Из-за неустойчивых и зависящих от пути различий фармакокинетики THC, а также значительной меж- и внутрииндивидуальной вариабельности, концентрации THC в крови и ротовой жидкости, в отличие от BAC [концентрации алкоголя в крови] для алкоголя, предоставляют мало информации относительно количество потребляемого каннабиса или степень, в которой человек может быть отравлен. В совокупности эти результаты предполагают, что проверенные здесь пределы сами по себе ненадежно представляют пороговые значения для нарушенного вождения.”

Результаты согласуются с результатами нескольких других исследований, таких как те, что здесь, здесь и здесь, в которых сообщается, что присутствие ТГК является ненадежным предиктором недавнего воздействия каннабиса или ухудшения работоспособности. В отчете от 2019 года, опубликованном Исследовательской службой Конгресса, был сделан аналогичный вывод: «Исследования не смогли последовательно сопоставить уровни потребления марихуаны или ТГК в организме человека и уровни нарушений. Таким образом, некоторые исследователи и Национальное управление безопасности дорожного движения отметили, что использование определенного количества ТГК в качестве доказательства инвалидности водителя на сегодняшний день не подтверждается научными данными.”

NORML давно выступает против введения пороговых значений для каннабиноидов по ТГК в законодательстве о безопасности дорожного движения, полагая: «Единственное присутствие ТГК и / или его метаболитов в крови, особенно на низких уровнях, является непоследовательным и в значительной степени неподходящим показателем. психомоторные нарушения у лиц, употребляющих каннабис. … Законодателям было бы рекомендовано рассмотреть альтернативные законодательные подходы для решения проблем, связанных с поведением каннабиса с DUI, которые не полагаются исключительно на присутствие ТГК или его метаболитов в крови или моче в качестве детерминант виновности в суде.В противном случае введение законов о безопасности дорожного движения может непреднамеренно превратиться в преступный механизм для правоохранительных органов и прокуратуры, чтобы наказать тех, кто проявляет юридически защищенное поведение и не представляет никакой реальной угрозы безопасности дорожного движения ».

Похожие записи

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *