Det svänger i trafiken

Transkript

1 Linköpings universitet Institutionen för datavetenskap TDDB17 Kognitiv psykologi Projektarbete i kognitiv modellering Handledare: Rita Kovordányi Det svänger i trafiken Anders Edqvist, anded169, Simon Elén, simel346, Marcus Eriksson, marer086, Hugo Hallqvist, hugha495, Karl-Johan Karlsson, karka728, Mathias Södermark, matso815, C1

2 ,QQHKnOO,1/('1,1* BAKGRUND MOLJDRUVDNHUVRPLQWHVWXGHUDWV SYFTE... 1 METOD... 1 '(7$/-(5$'%(6.5,91,1*$902'(//(1 PÅVERKAN (KOPPLINGAR I MODELLEN):... 3 IAKTTAGELSER... 4.RUVQLQJVJUXSS.RUVQLQJVJUXSS.RUVQLQJVJUXSS 6DPPDQIDWWQLQJDYLDNWWDJHOVHUQD SVAGHETER HOS MODELLEN... 5 MÖJLIGA UTVECKLINGAR AV MODELLEN /876$76 5()(5(16(5

3 ,QOHGQLQJ %DNJUXQG Under körutbildningen får vi lära oss att alltid kontrollera cykel- och gångbanor vid korsningar. Trots detta händer det ofta att bilförare inte uppmärksammar cyklister, med kollisioner som följd. Två teorier för detta finns: att föraren koncentrerar sig på stora farliga bilar och därmed undermedvetet ignorerar små ofarliga cyklister, eller att föraren söker av trafiksituationen på fel sätt och därmed aldrig ser cyklisten. Vi anser att båda dessa teorier i viss mån har rätt, men att det senare beteendet kommer från sannolikhetsinlärning av det första. Därför koncentreras vår modell på hur trafiken styr förarens avsökningsbeteende, men faktorer för inlärt beteende tas med i beräkningen. Möjliga orsaker som inte studerats En annan teori är att bilisten är mindre uppmärksam vid högersvängar, föraren tycker sig då ha företräde via högerregeln och kommer helt enkelt inte bry sig om andra trafikanter. Teorin om sannolikhetsinlärning menar att en förare ändrar sitt sökmönster i trafiken efter egna erfarenheter. Eftersom det nästan aldrig kommer någon cyklist så slutar bilisten med tiden att titta efter någon. Andra menar istället att cyklister är svåra att upptäcka därför att de kommer i hög fart i en för föraren skymd vinkel, ofta parallellt snett bakom bilen. Man kan även tänka sig att synfältet är förskjutet åt vänster eftersom det är där de andra bilarna är. 6\IWH Vårt syfte är att konstruera en modell som ger resultat liknande de i vårt litteraturunderlag (Räsänen och Summala, 1998). Modellen skall visa att dessa resultat kan förklaras genom att föraren främst uppmärksammar stora och snabbt rörliga objekt. 0HWRG Vi har dels konstruerat en teori och dels implementerat denna som en modell i PDP++. Det försöksmaterial som använts till modellen kommer från Räsänen och Summala (1998). Underlag för teorier kommer från projektförslaget. (Kovordányi, 2001). 1

4 'HWDOMHUDGEHVNULYQLQJDYPRGHOOHQ Vår modell går ut på att visa att en bilförares felaktigt fördelad uppmärksamhet är den avgörande faktorn vid kollisioner med cyklar. Vi har därför som indata det som kan påverka förarens uppmärksamhet och som utdata olycksfrekvensen. Som mellanlager har vi en fördelning av förarens intresse (vi kallar det intresse för att skilja på det och den förutbestämda uppmärksamheten, som är en del av indatalagret) för de olika delarna av synfältet. )LJXUgYHUVLNWDYPRGHOOHQ Vi delar in synfältet i fem delar: höger och vänster cykelbana, höger och vänster sida och rakt fram. För var och en av delarna i synfältet ger vi som indata storlek (S) och hastighet (H) på fordon som rör sig där. Dessutom ger vi som indata förarens förutbestämda uppmärksamhet (härefter även kallad f.u.) som anger vilka delar av synfältet föraren från början är mest fokuserad på, oavsett rörelse och storlek på fordon där. Exempelvis uppmärksammar föraren vänster sida och rakt fram mest om den svänger åt vänster i en fyrvägskorsning. I vår modell har vi använt följande värden (lastbilar finns inte med i modellen, utan tjänar bara till att belysa skillnaden mellan olika fordon). Storlek Hastighet Cykel Personbil Lastbil DEHOO,QGDWDYlUGHQ 2

5 3nYHUNDQNRSSOLQJDULPRGHOOHQ Nedan har vi ritat upp en bild av hur de olika cellerna i modellen är kopplade till varandra. I det första lagret är synfältet uppdelat i fem delar för storlek och uppmärksamhet och i tre delar för den förutbestämda uppmärksamheten. I det andra lagret är intresset uppdelat på ett femdelat synfält. I det tredje lagret visas olycksfrekvensen med cyklar från vänster respektive höger sida. )LJXU.RSSOLQJDULPRGHOOHQ I bilden ovan visar strecken mellan cellerna att den undre cellen påverkar den övre. Mellan andra och tredje lagret finns en punkt som alla strecken samlas vid. Den betyder att alla celler i lager 2 är kopplade till alla celler i lager 3. Detta kopplingssätt valdes för att förarens intresse åt höger ska kunna öka olycksfrekvensen åt vänster och vice versa. S och H i varje del av synfältet (del av lager 1) påverkar intresset (lager 2) för det synfältet. Den förutbestämda uppmärksamheten (del av lager 1) påverkar också intresset (lager 2). För att förtydliga den delen av modellen följer här en tabell. F.u (del av synfältet) V M H 7DEHOO) UXWEHVWlPGXSSPlUNVDPKHW Påverkade celler (del av intressefältet) VC, V, M V, M, H M, H, HC Denna förutbestämda uppmärksamhet avgörs av vilket håll föraren svänger åt. I de delmodeller bilen svänger åt vänster ligger den förutbestämda uppmärksamheten på vänster sida och i mitten, så intresset skulle, om endast förutbestämd uppmärksamhet är inräknad, enligt tabellen ovan, fördela sig på vänster cykelbana, vänster sida, mitten och höger sida. Nu finns det dock fordon både på vänster och höger sida också (det behöver inte finnas, men vår modell måste räkna med att det kan kommer något från sidorna ändå), så intresset fördelar sig på ett mer komplext sätt. 3

6 ,DNWWDJHOVHU Vi har delat upp vår modell efter de olika sorters korsningar den tränats med. Vi har använt oss av tre av de olika sorters korsningar som förekommer i Summalas rapport. Korsningsgrupp 1 Bilen svänger och cykelvägen korsar vägen före korsningen. )LJXU.RUVQLQJVJUXSS )X F.u. inverkar inte så mycket på intressefälten som man kunde tro. F.u. rakt framåt inverkar knappt alls, medan de på f.u. på sidorna åtminstone inverkar halvstarkt. I båda sidofallen tycks intresset riktas längst åt sidorna och lite rakt fram. 6WRUOHNRFKKDVWLJKHW Både storleken och hastigheten verkar påverka intresset rätt mycket när det gäller fordon på cykelbanan (cyklar, vanligtvis). I övriga delar i synfältet verkar det inte spela någon roll.,qwuhvvh Intressets inverkan på olycksfrekvensen verkar vara att man kör på fler cyklar åt vänster om man har uppmärksamheten riktad längst åt vänster. Detsamma gäller för höger sida. Korsningsgrupp 2 Bilen svänger och cykelvägen korsar vägen efter korsningen. )LJXU.RUVQLQJVJUXSS )X F.u. inverkar rätt starkt på intresset, särskilt på intresset rakt fram. F.u. åt vänster gör att intresset för vänster sida av synfältet ökar. F.u. åt höger gör att intresset lägger sig närmare mitten. 4

7 6WRUOHNRFKKDVWLJKHW Storlek och hastighet i de olika delarna av synfältet tycks inte påverka intresset vidare mycket varken positivt eller negativt.,qwuhvvh Om intresset är förskjutet åt vänster ökar olycksfrekvensen med cyklar på höger cykelbana och om intresset är rakt fram ökar olycksfrekvensen med cyklar från vänster cykelbana. Att intresset är förskjutet åt höger tycks dock inte, enligt vår modell, någon av olycksfrekvenserna varken öka eller minska nämnvärt. Det stämmer något bättre om man förskjuter olycksfrekvensen Korsningsgrupp 3 Bilen kör rakt fram och cyklisten kommer från vänster )LJXU.RUVQLQJVJUXSS )X F.u. var även här det enda som spelade in betydligt. Detta endast när f.u. var på vänster sida. 6WRUOHNRFKKDVWLJKHW Storlek och hastighet verkar inte påverka resultatet nämnvärt i någon riktning.,qwuhvvh I vår modell inträffar alla olyckor med cyklar som kommer från vänster sida. Om intresset ligger mellan mitten och längst till vänster tycks olyckfrekvensen öka mest. Detta skulle innebära att flest olyckor händer när föraren tittar bredvid cykeln. Sammanfattning av iakttagelserna Vad som inverkade på resultatet i de olika korsningarna varierade så kraftigt att man inte kan dra några slutsatser om vad som är viktigast. I flera av fallen blev viktningen av kopplingarna i modellen helt orimlig. 6YDJKHWHUKRVPRGHOOHQ Förutom det uppenbara - att vi inte har med allt som kan spela in (trötthet, drogpåverkan, solens läge, m.m.) - kan våra indatavärden vara felaktigt balanserade. En bil kanske inte är "5 gånger större" än en cykel (vi räknar här i intresseväckande storlek, inte fysisk). Det kan även hända att synfältet är ojämnt uppdelat, så att t.ex. mitten tar mer plats än sidan, som i sin tur tar mer plats än cykelbanan, eller att man, när man kör på höger sida, har bättre uppsikt över höger sida. Detta kan vara förklaringen till att högerförskjutet intresse inte ökade olycksfrekvensen med cyklar från vänster cykelbana. Man skulle också gärna vilja veta mer om trafiklysen, tider på dygnet (för att härleda förarens trötthet) och andra mer eller mindre betydliga detaljer. 5

8 0 MOLJDXWYHFNOLQJDUDYPRGHOOHQ För att vidareutveckla vår modell kan man, förutom att inkludera andra faktorer, vilket lätt kan bli rörigt och oöverskådligt, låta de olika delarna av intressesynfältet (lager 2) konkurrera ut varandra. Om man gjorde summan av alla intressefält konstant, skulle man lättare kunna jämföra värden mellan olika korsningsgrupper. Omfånget på intressefältets värden i den nuvarande modellen varierar kraftigt mellan de olika korsningsgrupperna, så det är svårt att göra en jämförelse mellan dem. 6OXWVDWV Med tanke på de resultat vi fick skulle man nog kunna säga att det fanns vissa svagheter i modellen. Man skulle kunna tänka sig många olika anledningar till detta. Till att börja med valde vi att koncentrera oss på uppmärksamheten och dess inverkan på den modellerade föraren. Vi har inte med andra faktorer som man skulle kunna tänka sig kan spela in, såsom grad av alkoholpåverkan, nödighet, övrig stress, antalet godispåsar i bilen och volym på stereon. Med fler invariabler kommer naturligtvis också komplexiteten på modellen att stiga antagligen så mycket att man inte kan få ut några användbara resultat ur modellen. Andra frågor som vi ställde oss var bl.a. om högersvängar kan upplevas som en enklare manöver än vänstersvängen och därmed sänka uppmärksamheten hos föraren. Dessutom tog vi upp sannolikhetsinlärning, vilket vi tyvärr heller inte fått med i modellen. Dessa utelämnade variabler skulle förmodligen påverka resultatet i någon riktning. 5HIHUHQVHU Räsänen, M. och Summala, H. (1998). Attention and expectation problems in bicycle-car collitions: An in-depth study. $FFLGHQW$QDO\VLV 3UHYHQWLRQ9RO, 5, Cohen, J. D., Dunbar, K. och McClelland, J. L. (1990). Om the control of automatic processes: A parallell distributed process account of the Stroop effect. 3V\FKRORJLFDO5HYLHZ, 3,