Efficient Motion Sickness Assessment: Recreation of On-Road Driving on a Compact Test Track
作者: Huseyin Harmankaya, Adrian Brietzke, Rebecca Pham-Xuan, Barys Shyrokau, Riender Happee, Georgios Papaioannou
分类: cs.RO, cs.ET, cs.HC
发布日期: 2024-12-19 (更新: 2025-09-12)
💡 一句话要点
提出一种基于模型预测控制的路径规划方法，在小型测试场地高效复现道路驾驶引起的晕动症。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 晕动症评估 模型预测控制 自动驾驶 测试跑道 道路驾驶
📋 核心要点
- 现有晕动症实验通常在公共道路或测试跑道进行，前者不可重复，后者缺乏真实感，难以高效评估。
- 论文提出一种基于模型预测控制的方法，在小型测试跑道上复现道路驾驶的加速度，模拟真实驾驶环境。
- 实验结果表明，该方法在测试跑道上引起的晕动症与实际道路驾驶无显著差异，验证了其有效性。
📝 摘要（中文）
消费者认为在自动驾驶过程中从事其他活动是采用自动驾驶汽车的关键原因之一。然而，从事非驾驶活动会引发乘客的晕动症，降低他们的整体舒适度，从而影响对自动驾驶的接受度。因此，扩展我们对晕动症的理解，并通过实验揭示影响晕动症的调节因素至关重要。目前，大多数实验都在公共道路（真实但不可重复）或测试跑道（使用原型自动驾驶汽车可行）上进行。本研究开发了一种方法，用于设计最佳路径和速度参考，以在小型测试跑道上高效地复现道路驾驶引起的晕动症。该方法使用模型预测控制来复现从道路驾驶中收集的纵向和横向加速度，测试跑道大小为70米x175米。进行了一项受试者内实验（47名参与者），比较了测试跑道和道路条件下乘客的晕动症发生情况，条件经过交叉随机化。结果表明，在参与者中，条件对平均晕动症的发生没有差异和影响。同时，道路驾驶和测试跑道之间的个体晕动症水平总体对应。这为采用我们的方法进行更简单、更安全和更可重复的晕动症评估铺平了道路。
🔬 方法详解
问题定义：论文旨在解决在小型测试场地高效且可重复地评估晕动症的问题。现有方法要么依赖于真实道路驾驶，但缺乏可重复性；要么在大型测试场地进行，成本高昂且不便。因此，需要一种能够在小型场地模拟真实道路驾驶体验，从而诱发晕动症的方法。
核心思路：核心思路是利用模型预测控制（MPC）算法，精确地在小型测试跑道上复现真实道路驾驶中的纵向和横向加速度。通过控制车辆的运动轨迹和速度，使得测试跑道上的加速度曲线尽可能接近真实道路驾驶的加速度曲线，从而诱发相似程度的晕动症。
技术框架：该方法的技术框架主要包括以下几个步骤：1) 从真实道路驾驶中采集纵向和横向加速度数据；2) 设计测试跑道的几何形状和大小；3) 利用模型预测控制算法，根据采集到的加速度数据和测试跑道的约束条件，生成车辆的最优路径和速度参考；4) 控制车辆按照生成的路径和速度行驶，从而在测试跑道上复现真实道路驾驶的加速度。
关键创新：该方法最重要的技术创新点在于利用模型预测控制算法，在小型测试跑道上精确地复现真实道路驾驶的加速度。与传统的基于规则或人工设计的路径规划方法相比，MPC算法能够更好地优化车辆的运动轨迹，从而更准确地模拟真实驾驶环境。
关键设计：关键设计包括：1) 模型预测控制器的设计，需要选择合适的车辆动力学模型和优化目标函数，以保证控制器的性能；2) 测试跑道的几何形状设计，需要考虑跑道的大小和弯曲程度，以满足车辆的运动约束；3) 加速度数据的采集和处理，需要选择合适的传感器和滤波算法，以保证数据的准确性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在70m x 175m的测试跑道上，使用该方法复现的道路驾驶体验与真实道路驾驶引起的晕动症程度无显著差异。47名参与者的实验数据表明，测试跑道和道路驾驶条件下，个体晕动症水平总体对应，验证了该方法在小型场地高效模拟真实驾驶环境的能力。
🎯 应用场景
该研究成果可应用于自动驾驶汽车的晕动症评估与缓解策略开发。汽车制造商可以利用该方法在小型测试场地快速评估不同车辆配置或驾驶策略对晕动症的影响，从而优化车辆设计，提高乘客的乘坐舒适性。此外，该方法还可用于研究晕动症的生理机制，为开发更有效的晕动症预防和治疗方法提供依据。
📄 摘要（原文）
The ability to engage in other activities during the ride is considered by consumers as one of the key reasons for the adoption of automated vehicles. However, engagement in non-driving activities will provoke occupants' motion sickness, deteriorating their overall comfort and thereby risking acceptance of automated driving. Therefore, it is critical to extend our understanding of motion sickness and unravel the modulating factors that affect it through experiments with participants. Currently, most experiments are conducted on public roads (realistic but not reproducible) or test tracks (feasible with prototype automated vehicles). This research study develops a method to design an optimal path and speed reference to efficiently replicate on-road motion sickness exposure on a small test track. The method uses model predictive control to replicate the longitudinal and lateral accelerations collected from on-road drives on a test track of 70 m by 175 m. A within-subject experiment (47 participants) was conducted comparing the occupants' motion sickness occurrence in test-track and on-road conditions, with the conditions being cross-randomized. The results illustrate no difference and no effect of the condition on the occurrence of the average motion sickness across the participants. Meanwhile, there is an overall correspondence of individual sickness levels between on-road and test-track. This paves the path for the employment of our method for a simpler, safer and more replicable assessment of motion sickness.