Despite the significant progress in Autonomous Driving, one of the critical barriers to the widespread adoption of Autonomous Vehicles (AVs) remains societal acceptance and trust. To gain public trust, AVs need to provide clear, contextually relevant explanations of their decisions and actions. This dissertation develops an algorithm that optimizes the delivery of explanations in AVs, focusing on the granularity of timing, that reduce passengers’ cognitive load while enhancing their trust and understanding. To achieve this, the work leverages the Salience, Effort, Expectancy, Value (SEEV) attention model, which predicts where a user’s attention is likely to be focused based on the four factors of the model. The dissertation also investigates the use of multi-step explanations, and also multi-user scenarios, where explanations are provided to multiple passengers or stakeholders simultaneously.
Trotz großer Fortschritte im autonomen Fahren bleibt die gesellschaftliche Akzeptanz ein zentrales Hindernis für die breite Einführung autonomer Fahrzeuge (AVs). Um Vertrauen aufzubauen, müssen AVs klare und kontextgerechte Erklärungen für ihre Entscheidungen und Handlungen liefern. Diese Dissertation entwickelt einen Algorithmus, der die Vermittlung solcher Erklärungen optimiert, insbesondere hinsichtlich der zeitlichen Granularität. Ziel ist es, die kognitive Belastung der Passagiere zu verringern und gleichzeitig Vertrauen und Verständnis zu fördern. Grundlage ist das SEEV-Aufmerksamkeitsmodell (Salience, Effort, Expectancy, Value), das vorhersagt, worauf sich die Aufmerksamkeit eines Nutzers basierend auf vier Faktoren richtet. Zudem wird der Einsatz mehrstufiger Erklärungen sowie Szenarien mit mehreren Nutzern untersucht, in denen Informationen gleichzeitig an verschiedene Passagiere oder Stakeholder vermittelt werden.
