自動運転車が実社会での走行を開始しつつある現在でも、交通事故の多くは人間の注意散漫や認知的負荷によって引き起こされています。こうしたリスクをより深く理解するため、研究者たちはVRやシミュレーターを用いた研究において、アイトラッキング、心拍数、脳波（EEG）、皮膚電気反応（EDA）などの生体センサーを活用し、ドライバーの注意力、ストレス、および手動運転への切り替え行動をリアルタイムで測定しています。これらの生体信号は、自動運転への移行過程における人間の運転パフォーマンスを予測し、人と車両の相互作用の安全性を向上させるのに役立ちます。
Table of Contents
交通事故は、世界中で主要な死因の一つとなっている。WHOの2018年版「世界の道路安全に関する報告書」によると、1年間で135万人が交通事故により死亡した。注意力の低下や認知的負荷による人間の運転ミスが、交通事故が多発する最大の要因である（WHO, 2018）。
認知的過負荷を引き起こす要因をより深く理解することで運転者のパフォーマンスを向上させれば、自動車事故による死亡者数を大幅に減らすことができる。自動運転車（AV）もまた、人間の運転ミスや運転者の不適切な行動を減らすことで、事故件数を削減する有望な手段の一つである。 自動運転車が市場に登場すると、人間のドライバーは都市部の走行状況において自動運転車がどのように振る舞うか確信が持てない可能性があるため、人間ドライバーとこれらの車両との相互作用が新たなエラー要因となるだろう（Shariff, Bonnefon & Rahwan, 2017）。
人間にとって、自動運転車は運転中に不安や恐怖を引き起こす可能性があり、その結果、事故率を高める恐れがある（Acheampong & Cugurullo, 2019; Brown et al., 2018）。したがって、非自動運転車から完全自動運転車への移行期において、運転中の人間の注意力および人間と機械の相互作用を研究することは極めて重要である。
バイオセンサーの研究は、この分野において広く用いられている手法であり、シミュレーションを通じて自動車向けの新たな安全・制御システムを構築し、将来の交通事故削減に寄与する新たなツールを生み出しています。以下に、この分野における3つの興味深い研究を紹介します。これらはバイオセンサー技術を活用してプロジェクトを実施し、自動車業界における自動運転（AV）製品の改善に将来的に応用できる可能性のある、非常に興味深い成果を上げています。
バイオセンサーは、自動運転シミュレーションにおいて「乗っ取り性能」をリアルタイムで定量化できる
新しい自動運転車は、当面の間は完全自動化されることはなさそうで、おそらく人間のドライバーは、必要に応じて自動運転車を操作できるよう、常に警戒を怠らない必要があるでしょう。自動車技術者協会（SAE）の分類によると、車両の自動化レベルはL0（非自動化）からL5（完全自動化）まであります。近い将来に市場に登場すると予想される最高レベルの自動運転車は、自動化レベルL3になると見込まれています。 レベル3では、人間のドライバーは能動的に車を操作することはないが、必要に応じて操作を引き継げるよう、常に警戒を怠ってはならない。
予期せぬ工事現場や、左車線からパトカーが接近してくるなど、都市部での運転において重大な状況が発生した際には、自動運転から人間のドライバーが操作を引き継ぐことが想定されています。こうした状況は、認知心理学の観点から見ると困難を伴うものです。なぜなら、これには「タスクスイッチング」という、2つの負荷の高い認知的タスクを効果的に切り替える実行機能が必要とされるからです。
この問題に取り組むには、自動運転車において安全な走行を確保できるよう、人間のドライバーの認知的限界を把握することが極めて重要です。ミシガン大学の研究者ら（Du et al., 2020）は、シミュレーションによる自動運転セッションにおけるドライバーのパフォーマンスを調査することで、この課題に取り組みました。研究者らの目的は、人間のドライバーから得られた生理学的データを用いて、車両の制御を引き継ぐ必要が生じた際のタスク切り替えパフォーマンスにかかる負荷を、計算機的に予測することでした。 本研究では、認知状態および身体状態を測定するために、アイトラッキング、皮膚電気反応、心拍数を用いた。ウェアラブルセンサーはドライビングシミュレーター内に設置され、データはiMotionsにリアルタイムでストリーミングされ、同期された。
参加者は、さまざまな都市部での運転シナリオにおいて予期せず運転を引き継ぐ必要があったほか、別の場面では視覚的記憶課題を行う必要もありました。運転者のパフォーマンスを予測する計算モデルは非常に複雑ですが、研究者らは、AOI（関心領域）を用いて運転者の視線が道路に向いているタイミングを把握したり、視線の動きのパターン、まばたきの回数、GSR（皮膚電気反応）のピーク時などを指標として、運転パフォーマンスを算出しました。 驚くべきことに、研究者らは生理学的データを用いて、ドライバーの運転引き継ぎパフォーマンスを70％以上の精度で予測することに成功した。
バイオセンサーにより、自動運転車を用いた仮想運転ゾーンでのドライバーの安全性を研究することが可能になる
VRヘッドセットの普及により、人間のドライバーが自動運転車と遭遇するといった、より複雑な人間と機械の相互作用のシナリオを研究することが可能になった。バージニア大学のヒューマンファクターズ研究者は、シミュレーション環境下で同じ道路を自動運転車と並走する際、人間のドライバーのパフォーマンスを調査し、その覚醒度や心拍数を測定した。
参加者は、都市部運転シミュレーター内でUnity HTC Viveヘッドセットを装着した状態で、Shimmer GSRおよびOptical Pulse耳クリップ式心拍数測定装置を装着し、すべての測定値はiMotionsで同期されました。GSRおよび心拍数データは、ドライバーのストレスや緊張度を定量化するために使用されました。参加者は、前方を走行する自動運転車を追従し、さまざまなゾーンで衝突を回避する必要がありました。研究の最後には、自動運転車に対する信頼度と受容度に関するアンケート調査が行われました。 研究者らは、運転行動や衝突率に関連するドライバーの生理学的データ、信頼度および受容度要因に関心を寄せていた。
主な知見の一つは、車間距離がドライバーを分類し、その行動を予測する上で重要な変数であるという点だった。自動運転車（AV）に対してより強い信頼と受容を示す参加者は、自動運転車の後ろを走行する際、より短い車間距離を好むのに対し、自動運転車に対して躊躇するドライバーは、はるかに長い車間距離を好むことが分かった。さらに、衝突事故が発生した場合、ドライバーの警戒レベルが変化し、その後、車間距離が著しく拡大することが観察された。 別の知見として、ジレンマ状況（例：黄信号）においてGSRのピーク値が増加し、こうした状況下での緊張感や覚醒が示された。
研究者らは、バイオセンサーとVRシミュレーションが運転者の行動を研究する上で信頼性の高い手法であると結論づけ、当局に対し、自動運転車への適応手段としてVRを活用するよう推奨している。この研究結果は、自動運転車の開発者が、人間工学の知見を踏まえ、適切な車間距離や意思決定アルゴリズムを検討すべきであることを強調している。
バイオセンサーを用いた運転体験の理解
その好例が、当社のクライアントであるマツダ・モーター・ヨーロッパの取り組みです。同社はフリブール大学の研究者や60名の幸運な参加者と共に、寒さの中へ赴き、表情分析と皮膚電気反応を用いて、普段よりも過酷なコースにおけるドライバーの集中度を調査しました。
回答者数、実験計画、そして全体的な目標の規模だけでなく、その過程で制作された以下のプロモーション動画を見ても、実に大規模な調査体制だったと言える。
音楽を用いた注意の調節による運転パフォーマンスの向上
音楽が気分や注意力に与える影響は、心理学者によって広く研究されている。音楽が運転者の集中力に与える好影響は、以前から実証されていた（Van der Zwaag et al., 2012）。 Avila-Vazquezら（2017）の研究は、この知見を実走行のシナリオで応用することを目的とし、生体計測ツールを用いて音楽の影響を測定し、ドライバーの集中力を維持するためのオーディオ推奨案を提示した。
この研究では、参加者が都市部で車を運転する間、表情分析（FEA）のためにウェブカメラで顔が記録された。コンピュータのウェブカメラを用いてFEAデータを収集すると同時に、さまざまな種類の音楽を再生し、iMotionsで表情データを同期させた。これにより、運転手が集中力や注意力を失っているタイミングを表情から把握し、再生されている音楽の種類との相関関係を明らかにすることができた。 研究者らは、この手法を用いて個人の認知プロファイルに基づいた音楽のパーソナライズが可能になると示唆した。例えば、車内に顔認識システムを導入し、ドライバーの反応を読み取ってオーディオシステムにフィードバックを送ることで、その個人に適した音楽を再生することができる。音楽を、ドライバーに快適さと支援を提供する要素として活用するのだ。
これらの研究は、生理学的センサーデータを活用することで、運転中や車両とのやり取りにおいて、最も安全かつ効果的な行動に関する重要な知見が得られることを示している。こうした知見は、自動車製品の開発とドライバーのパフォーマンスの両方を向上させるために活用できる。
これらの原則が、プロモータースポーツのような過酷な環境でどのように活用されているかを理解するには、当社の「iMotions × Smart Eye ウェビナー：レースカー運転のためのトレーニングとパフォーマンス」をご覧ください。
参考文献
Acheampong, R. A. および Cugurullo, F. (2019). 自動運転車の普及を左右する行動的決定要因の解明：自動運転車の公共交通利用、シェアリング、および所有動向を予測するための概念的枠組みと測定モデル. Transportation Research Part F: Traffic Psychology and Behaviour, 62, 349-375.
Avila-Vázquez, R., Navarro-Tuch, S., Bustamante-Bello, R., Mendoza, R. A. R., & Izquierdo-Reyes, J. (2017). 運転タスクにおける顔認識による人間の注意調節のための音楽推薦システム：概念実証. In MATEC Web of Conferences (Vol. 124, p. 04013). EDP Sciences.
Brown, B., Park, D., Sheehan, B., Shikoff, S., Solomon, J., Yang, J., & Kim, I. (2018). 仮想現実環境を用いた自動運転車が存在するジレンマゾーンにおける人間の運転者の安全性の評価. システム・情報工学デザインシンポジウム (SIEDS).
Du, N., Zhou, F., Pulver, E., Tilbury, D., Robert, L., Pradhan, A., & Yang, X. J. (2020). 条件付き自動運転におけるハンドオーバー性能の予測。
Izquierdo-Reyes, J., Ramirez-Mendoza, R. A., Bustamante-Bello, M. R., Navarro-Tuch, S., & Avila-Vazquez, R. (2018). 運転支援システムのための高度なドライバーモニタリング（ADMAS）。International Journal on Interactive Design and Manufacturing (IJIDeM), 12(1), 187-197.
Shariff, A., Bonnefon, J. F., & Rahwan, I. (2017). 自動運転車の普及における心理的障壁. Nature Human Behaviour, 1(10), 694-696.
世界保健機関 (2018). 2018年世界道路交通安全状況報告書. 世界保健機関.
Van Der Zwaag, M. D., Dijksterhuis, C., De Waard, D., Mulder, B. L., Westerink, J. H., & Brookhuis, K. A. (2012). 運転中の気分とパフォーマンスに対する音楽の影響. Ergonomics, 55(1), 12-22.