Концепция интеллектуального информирования человека для систем визуальной помощи водителю при эксплуатации транспортных средств

Введение (постановка задачи и актуальность). Массовое распространение транспортных средств с автономностью уровня 3, где водитель сохраняет критическую роль в управлении и несёт ответственность за принятие решений, обуславливает особый интерес к ним с точки зрения безопасности. В статье рассматривается концепция интеллектуального информирования водителя с применением систем визуальной помощи, интегрированных с системами ADAS. Авторы предлагают концепцию системы визуальной помощи, которая динамически подстраивается под состояние водителя и дорожные условия, приоритизируя критически важные сигналы и обеспечивая «мягкую» передачу контроля в условиях частичной автоматизации.

Цель исследования – разработка концепции адаптивной информационно-интерфейсной системы для транспортных средств уровней автономности 0–3, способной обеспечивать своевременное, релевантное и ненагружающее водителя отображение информации, а также формирование рекомендаций по интеграции такой системы в состав современных ADAS и AR-HUD решений.

Методология и методы. В работе используется комплексный подход, позволяющий рассматривать взаимодействие «человек – машина» как сложную динамическую систему. Дополнительно применяются методы анализа нормативных документов, когнитивной инженерии, сравнительного анализа промышленных решений и функционально-структурного моделирования.

Результаты и научная новизна. Проведён анализ когнитивной нагрузки водителя и проблем, связанных с переоценкой возможностей автоматизированных систем, что может привести к снижению ситуационной осведомлённости и замедлению реакции в экстренных ситуациях. Обсуждаются современные подходы к улучшению ситуационной осведомлённости и ограничения, включая риск информационной перегрузки и зависимость от сенсорных систем и сетевой инфраструктуры. Рассмотрены методы формирования информационной базы для системы, объединяющей данные автомобильных сенсоров, инфраструктурных коммуникаций и облачных сервисов, а также интеллектуальные алгоритмы адаптивного отображения информации.

Практическая значимость. Полученные результаты могут быть использованы при проектировании интерфейсов HUD/AR-HUD и алгоритмов предупреждений в системах ADAS уровня L3. Они также могут служить основой для разработки отраслевых стандартов и улучшения эргономики человеко-машинного взаимодействия.

1. Haidegger T., Levendovics T., Drexler A., Ukhrenkov N., Takács Á. Quantitative analysis of situation awareness during autonomous vehicle handover on the Da Vinci research kit // Sensors. – 2025. – V. 25, no. 11. – Art. 3514. DOI: 10.3390/s25113514.

2. Gabbard J.L., Fitch G.M., Kim H. Behind the glass: driver challenges and opportunities for AR automotive applications // Proceedings of the IEEE. – 2014. – V. 102, no. 2. – P. 124–136. DOI: 10.1109/JPROC.2013.2294642.

3. Wickens C.D. Attention and workload in augmented reality displays for driving // Cognition, Technology & Work. – 2020. – V. 22. – P. 245–260. DOI: 10.1007/s10111-020-00621-3.

4. Об утверждении Транспортной стратегии Российской Федерации до 2030 года с прогнозом на период до 2035 года. Распоряжение Правительства Российской Федерации от 27.11.2021 № 3363-р. URL: http://publication.pravo.gov.ru/Document/View/0001202112030018 (дата обращения: 03.10.2025).

5. Королёв А.С., Рязанов Д.В. Современные подходы к концептуализации автономности технических систем // International Journal of Open Information Technologies. – 2022. – Т. 10, № 12. – С. 110–115. EDN: KWNUJH.

6. Бобровская О.П., Гавриленко Т.В. Беспилотный автомобиль: подходы к реализации, проблемы // Успехи кибернетики. – 2022. – Т. 3, № 2. – С. 86–96. DOI: 10.51790/2712-9942-2022-3-2-10. EDN WEMZQL

7. Kim S., Oviedo¬Trespalacios O. Behavioural adaptation in advanced driver assistance systems (ADAS) use // SSRN Electronic Journal. – 2025. DOI: 10.2139/ssrn.5359670.

8. Maggi D., Romano R., Carsten O.Transitions between highly automated and longitudinally assisted driving: the role of the initiator in the fight for authority // Human Factors. – 2022. – V. 64, no. 3. – P. 601–612. DOI: 10.1177/0018720820946183.

9. Teng J., Wan F., Kong Y. Exploring enhancement of AR-HUD visual interaction design through application of intelligent algorithms // International Journal of Information Technologies and Systems Approach (IJITSA). – 2023. – V. 16, no. 2. DOI: 10.4018/IJITSA.331665.

10. Zhang J., Wang Y., Lin Z. Gamification and AR in driver re-engagement // Applied Ergonomics. – 2024. – V. 116. – Art. 104026. DOI: 10.1016/j.apergo.2024.104026.

11. Banks V.A., Plant K.L., Stanton N.A. Driver error or designer error: using the perceptual cycle model to explore the circumstances surrounding the fatal Tesla crash on 7th May 2016 // Safety Science. – 2018. – V. 108. – P. 278–285. DOI: 10.1016/j.ssci.2017.12.023.

12. Li Q., Chen Z., Zhao L. Human–machine interaction challenges in level 3 automation // Transportation Research Part F: Traffic Psychology and Behaviour. – 2023. – V. 91. – P. 218–230.