Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

Verwenden eines Virtual Reality Walking Simulators zur Untersuchung des Fußgängerverhaltens

Published: June 9, 2020 doi: 10.3791/61116
Automatic Translation
1, 2, 3, 4, 2, 1
1Department of Sport and Exercise Sciences, Kunsan National University, 2Department of Physics and Astronomy, Seoul National University, 3School of Mechanical and Automotive Engineering, Kunsan National University, 4Department of Healthcare Information Technology, Inje University

ERRATUM NOTICE

Summary

Dieses Protokoll beschreibt die Verwendung eines Gehsimulators, der als sichere und ökologisch gültige Methode dient, um das Verhalten von Fußgängern in Gegenwart von bewegtem Verkehr zu untersuchen.

Abstract

Um eine Straße erfolgreich zu überqueren, müssen Die Individuen ihre Bewegungen mit fahrenden Fahrzeugen koordinieren. Dieser Artikel beschreibt die Verwendung eines Gehsimulators, in dem Menschen auf einem Laufband laufen, um Lücken zwischen zwei sich bewegenden Fahrzeugen in einer immersiven virtuellen Umgebung abzufangen. Virtuelle Realität ermöglicht eine sichere und ökologisch abwechslungsreiche Untersuchung des Lückenkreuzungsverhaltens. Die Manipulation der anfänglichen Startdistanz kann das Verständnis der Geschwindigkeitsregelung eines Teilnehmers fördern und sich gleichzeitig einer Lücke nähern. Das Geschwindigkeitsprofil kann für verschiedene Spaltkreuzungsvariablen bewertet werden, z. B. Anfangsstrecke, Fahrzeuggröße und Spaltgröße. Jede Gehsimulation ergibt eine Positions-/Zeitreihe, die darüber informieren kann, wie die Geschwindigkeit je nach Spaltcharakter unterschiedlich eingestellt wird. Diese Methode kann von Forschern verwendet werden, die das Verhalten und die Verhaltensdynamik von Fußgängern untersuchen und gleichzeitig menschliche Teilnehmer in einer sicheren und realistischen Umgebung einsetzen.

Introduction

Die Lückenkreuzung, ein abfangendes Verhalten, erfordert die Bewegung in Bezug auf eine Lücke zwischen zwei sich bewegenden Fahrzeugen1,2,3,4. Die Lückenkreuzung beinhaltet die Aufsponnenvonfahrt und die Kontrolle der Bewegung im Verkehr. Dies erfordert, dass Maßnahmen genau mit wahrgenommenen Informationen gekoppelt werden. Viele frühere Studien haben Wahrnehmungsurteile und lückenübergreifendes Verhalten mit künstlichen Straßen, Straßensimulatoren und virtuellen Bildschirmprojektionen untersucht5,6. Die bisherige Straßenkreuzungsliteratur hat jedoch ein unvollständiges Verständnis dieses Verhaltens, und die ökologische Gültigkeit dieser Studien wurde in Frage gestellt7,8,9.

Dieses Protokoll stellt ein Forschungsparadigma dar, um das Verhalten von Lücken kreuzen in der virtuellen Realität zu untersuchen und so die ökologische Gültigkeit zu maximieren. Ein Gehsimulator wird verwendet, um die Wahrnehmung und Aktionen von Lückenkreuzung Verhalten zu untersuchen. Der Simulator bietet den Teilnehmern eine sichere Gehumgebung, und das eigentliche Gehen in der simulierten Umgebung ermöglicht es Forschern, die wechselseitige Beziehung zwischen Wahrnehmung und Aktion vollständig zu erfassen. Personen, die tatsächlich eine Straße überqueren, sind dafür bekannt, die Zeitlücke genauer zu beurteilen als diejenigen, die sich nur verbal entscheiden,10zu überqueren. Die virtuelle Umgebung ist ökologisch gültig und ermöglicht es Forschern, aufgabenbezogene Variablen einfach zu ändern, indem sie die Programmparameter ändern.

In dieser Studie wird die anfängliche Startposition eines Teilnehmers manipuliert, um die Geschwindigkeitskontrolle zu bewerten, während er sich der Lücke nähert. Dieses Protokoll ermöglicht die Untersuchung der Fußgänger-Bewegungssteuerung beim Abfangen einer Lücke. Die Analyse der Sicherstellung der Geschwindigkeit eines Teilnehmers im Laufe der Zeit ermöglicht eine funktionale Interpretation von Geschwindigkeitsanpassungen, während er sich einer Lücke nähert.

Darüber hinaus geben die räumlichen und zeitlichen Merkmale von abgefangenen Objekten an, wie sich eine Person bewegen kann. In einer Lückenkreuzungsumgebung sollte sich die Änderung der Lückengröße (Fahrzeugentfernungen) und der Fahrzeuggröße darauf auswirken, wie sich auch die Fortbewegung eines Fußgängers ändert. Dementsprechend führt die Manipulation der Lückeneigenschaften wahrscheinlich zu Geschwindigkeitsanpassungen im Annäherungsverhalten des Teilnehmers. So liefert die Manipulation von Spalteigenschaften (d. h. Spaltgröße und Fahrzeuggröße) wertvolle Informationen zum Verständnis von Sicherstellungsänderungen bei der Kreuzung nach verschiedenen Lückeneigenschaften. Diese Studie untersucht, wie Kinder und junge Erwachsene ihre Geschwindigkeit regulieren, wenn sie Lücken in verschiedenen Kreuzungsumgebungen überqueren. Das Geschwindigkeitsregelungsprofil kann für verschiedene Lückenkreuzungsumgebungen mit unterschiedlichen Startpositionen, Fahrzeugentfernungen und Fahrzeuggrößen bewertet werden.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Dieses experimentelle Protokoll bezieht sich auf menschliche Subjekte. Das Verfahren wurde vom Kunsan National University Research Board genehmigt.

1. Vorbereitung der Ausrüstung

HINWEIS: Das Gerät umfasst Folgendes: einen PC (PC, 3,3 GHz mit 8 GM) mit Maus, Tastatur und Monitor; Walking Simulator Software auf dem Desktop-PC installiert; ein kundenspezifisches Laufband (Breite: 0,67 m, Länge: 1,26 m, Höhe: 1,10 m) mit Handläufen, einem Gurt und einem Magnetgeber mit USB-Kabel ausgestattet; und ein Oculus Rift Virtual Reality Gerät (DK1, USA, 1280 x 800 Pixel). Zur Ausstattung gehört auch ein kundenspezifisches manuelles Laufband. Das Laufband dreht sich über die Gehbewegungen der Teilnehmer und verwendet keinen innenmotorischen Motor.

  1. Bereiten Sie ausreichend Platz für das Laufband und einen schreibtischnahen Schreibtisch für den PC vor. Ein Foto des Versuchsaufbaus ist in Abbildung 1Adargestellt.
  2. Schließen Sie das Gerät wie in Abbildung 2dargestellt an.
    1. Schließen Sie den Magnetencoder des Laufbandes über einen USB-Anschluss an den PC an.
    2. Schließen Sie das Laufband an eine Stromquelle an.
    3. Schließen Sie das Headset über DVI/HDMI- und USB-Anschlüsse an den PC an.

2. Vorbereitung von Wandersimulator-Konfigurationen

  1. Greifen Sie auf das Wandersimulator-Verzeichnis auf dem PC zu und öffnen Sie das Verzeichnis "Config".
    HINWEIS: Jede Konfiguration wird als Textdatei im Verzeichnis "Config" mit den Dateinamen "config001", "config002" usw. gespeichert. Hier sind 001, 002, etc. die Konfigurationsnummern. In den Schritten 2.2–2.8 wird beschrieben, wie die Konfigurationsdateien so erstellt werden, dass sie von der Simulatorsoftware lesbar sind. Abbildung 3zeigt einen Schaltplan einer Zwei-Fahrzeug-Kreuzungssituation, die anpassbare Anfangsabstände anzeigt. Eine Beispielkonfigurationsdatei mit der richtigen Formatierung ist in Abbildung 4dargestellt. Abschnittsüberschriften der Konfigurationsdatei verwenden eckige Klammern (z. B. "[WALKER]").
  2. Füllen Sie den Abschnitt [WALKER] mit dem Parameter bezüglich des Ausgangspunkts der Teilnehmer aus.
    1. Legen Sie den Parameter "Entfernung" fest, der den Startabstand des Teilnehmers vom Startpunkt in Metern (m) angibt.
  3. Füllen Sie den Abschnitt [CAR] mit Parametern für das erste Fahrzeug aus.
    1. Stellen Sie den Parameter "Type" (der den Fahrzeugtyp angibt) auf "1" für Limousine, "2" für Bus oder "0", um das Fahrzeug zu entfernen.
    2. Stellen Sie den Parameter "Speed" (der die Fahrzeuggeschwindigkeit angibt) auf den gewünschten Wert in km/h ein.
    3. Stellen Sie den Parameter "Entfernung" (der den Anfangsabstand des Fahrzeugs vom Kreuzungspunkt angibt) auf den gewünschten Wert in Metern.
  4. Füllen Sie den Abschnitt [SECONDCAR] mit den Parametern für das zweite Fahrzeug aus. Die Parameter sind identisch mit denen von [CAR].
    HINWEIS: In Zwei-Fahrzeug-Studien wird die Lücke als leerer Raum zwischen den beiden Fahrzeugen definiert. Die Spaltgröße, definiert als die Zeitspanne, in der sich die Lücke entlang des Gehwegs des Teilnehmers befindet, ist eine Funktion der Parameter "Entfernung", "Geschwindigkeit" und "Typ" von [CAR] und [SECONDCAR].
  5. Füllen Sie den Abschnitt [NEXTCAR] mit Parametern für zusätzliche Fahrzeuge aus. Die Parameter sind identisch mit denen von [CAR].
    HINWEIS: Diese Option kann verwendet werden, um das Verhalten von Fußgängern im kontinuierlichen Verkehrsfluss zu untersuchen. Diese Option wird im Abschnitt repräsentative Ergebnisse nicht erläutert.
  6. Füllen Sie den Abschnitt [ROAD] aus, der den Parameter für die Spurauswahl enthält. Stellen Sie den Parameter "Lane" auf "1" ein, um die Fahrspur näher an der Ausgangsposition des Fußgängers oder "2" für die weiter entfernte Spur zu verwenden. [OBSTACLE] gibt die Parameter an, die ein Fahrzeug konfigurieren, das auf der zweiten Spur mit der gleichen Geschwindigkeit wie das erste Fahrzeug fährt.
    HINWEIS: Wenn Sie die engere Spur als primäre Spur verwenden, kann diese Option verwendet werden, um zusätzliche Fahrzeuge auf der weiter entfernten Spur zu platzieren, die in die gleiche Richtung fahren. Daher kann es verwendet werden, um die Impedanz der Ansicht eines Fahrzeugs durch ein paralleles Fahrzeug zu untersuchen. Dieser Abschnitt enthält die Parameter "Typ" und "Entfernung" mit den oben beschriebenen Definitionen. Diese Option wird im Abschnitt repräsentative Ergebnisse nicht erläutert. Alle gezeigten Ergebnisse betreffen zwei Fahrzeuge, die in der Fahrspur näher an den Fußgänger fahren.
  7. Füllen Sie den Abschnitt [SAVE], der den Parameter enthält, der sich auf die Sampling-Frequenz bezieht. Legen Sie den Parameter "numberpersecond" auf den gewünschten Wert in Hz fest.
  8. Speichern Sie die Konfigurationsdatei und beenden Sie sie.
  9. Wiederholen Sie die Abschnitte 2.2–2.8 für alle gewünschten Konfigurationen, und erstellen Sie Datenblätter mit der Liste der Konfigurationen (in einer randomisierten Reihenfolge), die im Experiment verwendet werden sollen.
  10. Bereiten Sie drei Konfigurationsdateien vor, die in den Übungsversuchen verwendet werden sollen.
    HINWEIS: Die erste Übungskonfiguration sollte keine Fahrzeuge haben (d. h. alle "Typ"-Parameter auf "0" eingestellt). Die zweite und dritte Übungskonfigurationsdateien sollten Fahrzeuge haben. Die dritte Konfiguration sollte milde Übergangsbedingungen aufweisen. Die gleiche Konfiguration kann je nach Versuchsversuch für die zweite und dritte Praxis verwendet werden.

3. Beteiligungsscreening und Vorbereitung

  1. Rekrutieren Sie Teilnehmer mit normalem oder korrigiertem Zu-Normal-Vision.
    HINWEIS: Alle Teilnehmer sollten frei von Bedingungen sein, die ein normales Gehen verhindern. Sie sollten frei von Schwindel während des Gehens sein, und sie sollten keine Vorgeschichte von schweren Verkehrsunfällen haben.
  2. Bitten Sie den Teilnehmer, vor jedem Experiment ein schriftliches, informiertes Zustimmungsformular zu unterzeichnen.
  3. Bereiten Sie eine Audioaufnahme mit mündlichen Anweisungen der Aufgabe vor und spielen Sie die Aufzeichnung dem Teilnehmer ab.
    HINWEIS: Die mündlichen Anweisungen sollten das unten beschriebene grundlegende Verfahren erzählen und spezifische Aufforderungen geben, die für das Versuchsdesign erforderlich sind.
  4. Fordern Sie den Teilnehmer auf, Fragen zum Experiment zu stellen.
  5. Führen Sie den Teilnehmer dazu, auf dem Laufband zu stehen, wenn er bereit ist.
  6. Nutzen Sie den stabilisierenden Gürtel an der Taille des Teilnehmers. Weisen Sie den Teilnehmer an, die Handläufe während des Experiments jederzeit zu halten.

4. Durchführung der Praxisversuche

  1. Weisen Sie den Teilnehmer an, das Gehen auf dem Laufband mit eingeschaltetem Gurt zu üben, während er die Handläufe hält.
  2. Beginnen Sie das Wandersimulator-Programm, indem Sie auf das ausführbare Simulatorprogramm doppelklicken, sobald der Teilnehmer bequem auf dem Laufband laufen kann.
    HINWEIS: Der in Abbildung 1B dargestellte schwarz-weiße Cartoon-Crosswalk wird zwischen den Kreuzungsversuchen angezeigt. An dieser Stelle sollte es auf dem PC-Bildschirm angezeigt werden.
  3. Weisen Sie den Teilnehmer an, das Headset zu tragen. Geben Sie bei Bedarf Hilfe. Prüfen Sie sowohl Komfort als auch Stabilität in Bezug auf Kopfdrehungen.
  4. Kalibrieren Sie das Headset so, dass der schwarz-weiße Cartoon-Crosswalk richtig an der Sicht des Teilnehmers ausgerichtet ist.
    HINWEIS: In den Abschnitten 4.5–4.7 werden drei Praxisversuche beschrieben, die es dem Teilnehmer schrittweise ermöglichen sollen, sich an die Simulatorumgebung zu gewöhnen. Wenn der Teilnehmer eine Prüfung aufgrund eines Missverständnisses der Anweisungen nicht besteht, sollten bis zu zwei weitere Versuche durchgeführt werden, bis der Teilnehmer die Anweisungen versteht. Zusätzliche Versuche werden nicht durchgeführt, wenn es nicht gelingt, die Regeln zu überschreiten, wenn sie nicht über die Regeln verstoßen (z. B. wenn es zu einer Kollision kommt).
  5. Beginnen Sie mit der ersten Übungsprüfung.
    HINWEIS: Die erste Übungsstudie sollte ohne Fahrzeuge sein, damit sich der Teilnehmer daran gewöhnt, in der Virtual-Reality-Umgebung zu gehen.
    1. Informieren Sie den Teilnehmer, dass der erste Übungsversuch ohne Fahrzeuge stattfinden wird.
    2. Weisen Sie den Teilnehmer an, geradeaus zu schauen.
    3. Geben Sie die Konfigurationsnummer der ersten Übungsstudie in das Textfeld am unteren Bildschirmrand ein.
    4. Klicken Sie auf die Schaltfläche "Start" am unteren Bildschirmrand.
      HINWEIS: Das Programm sollte die realistische Einstellung anzeigen, die in Abbildung 1C auf dem Bildschirm dargestellt ist.
    5. Informieren Sie den Teilnehmer, sich beim Hören von "Bereit" vorzubereiten und beim Hören von "Go" mit dem Gehen zu beginnen. Geben Sie die verbalen Hinweise "Ready" und "Go".
  6. Zweite Praxisprüfung
    HINWEIS: Die zweite Übungsstudie sollte die Fahrzeuge ohne Gehen einführen. Die Richtung der Virtual-Reality-Ansicht verschiebt sich, wenn der Kopf des Teilnehmers gedreht wird.
    1. Weisen Sie den Teilnehmer an diesem Versuch an, beim verbalen Hinweis "Go" nach links zu schauen und gleichzeitig einen kleinen Schritt nach vorne zu machen, aber nicht weiter zu gehen. Der Teilnehmer sollte stattdessen die vorbeifahrenden Fahrzeuge beobachten.
    2. Geben Sie die Konfigurationsnummer der zweiten Testversion in das Textfeld ein, und klicken Sie auf "Start", indem Sie die verbalen Hinweise bereitstellen.
      HINWEIS: Die Fahrzeuge beginnen sich zu bewegen, während sich der Teilnehmer zu bewegen beginnt.
  7. Dritte Praxisprüfung
    HINWEIS: Die dritte Praxisstudie sollte den experimentellen Konfigurationen ähneln, jedoch mit milden Kreuzungsbedingungen.
    1. Informieren Sie den Teilnehmer, dass 1) der dritte Übungsversuch zwei Fahrzeuge von der linken Seite betreffen wird, und 2) er/sie sollte versuchen, die Straße zwischen den beiden Fahrzeugen zu überqueren.
    2. Geben Sie die dritte Praxis-Testnummer in das Textfeld ein, indem Sie den verbalen Hinweis geben.
    3. Klicken Sie auf die Schaltfläche "Start" und beginnen Sie die Testversion, indem Sie die verbalen Hinweise bereitstellen.

5. Virtuelles Walking-Experiment

  1. Vergewissern Sie sich, dass der Teilnehmer die experimentelle Aufgabe versteht und ausführen kann.
  2. Wenn der Teilnehmer bereit ist, geben Sie die erste Konfigurationsnummer aus dem Datenblatt im Textfeld ein und klicken Sie auf "Start".
  3. Führen Sie die Simulation wie in der abschließenden Übungsprüfung durchgeführt.
    HINWEIS: Am Ende jeder Kreuzung zeigt das Programm "S", "F" oder "C", je nachdem, ob das Ergebnis eine erfolgreiche Kreuzung ist (d. h. der Teilnehmer überquert die andere Straßenseite ohne Kollisionen), keine Kreuzung (der Teilnehmer kreuzt nicht auf die andere Seite) oder eine Kollision (der Teilnehmer hat Kontakt mit einem Fahrzeug) bzw. eine Kollision.
  4. Zeichnen Sie das Ergebnis neben der Konfigurationsnummer auf dem Datenblatt auf.
  5. Wiederholen Sie den Vorgang für alle Konfigurationen auf dem Datenblatt, und schließen Sie das Experiment ab.

6. Datenexport und -analyse

  1. Rufen Sie die Datendateien zur Analyse ab. Die Walking Simulator-Software speichert jeden Lauf als Tabellenkalkulationsdatei im Ordner "Daten".
  2. Analysieren Sie Daten mit den bevorzugten Tools. Die Ausgabedaten werden die Positionen und Geschwindigkeiten des Walkers und der Fahrzeuge als Zeitreihe aufzeichnet. Verwenden Sie diese Daten, um Teilnehmerbewegungen und die Abhängigkeit von Verkehrsbedingungen zu analysieren.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Der Gehsimulator kann verwendet werden, um das Kreuzungsverhalten eines Fußgängers zu untersuchen, während der anfängliche Abstand vom Bordstein zum Abfangpunkt und die Lückeneigenschaften (d. h. Lücken- und Fahrzeuggrößen) manipuliert werden. Die Methode der virtuellen Umgebung ermöglicht die Manipulation von Lückenmerkmalen, um zu verstehen, wie sich dynamisch wechselnde Kreuzungsumgebungen auf das Fahrverhalten von Kindern und jungen Erwachsenen auswirken.

Ein quantifiziertes Geschwindigkeitsprofil und eine Kreuzungsposition innerhalb der Lücke, die verwendet wird, um das Kreuzungsverhalten verschiedener Fußgängergruppen zu vergleichen. Wir haben die Zeit des Abfangens (TOI) als den sofortigen Effekt der Geschwindigkeitsanpassung auf die Position der Teilnehmer innerhalb der Lücke bewertet. Diese repräsentativen Ergebnisse verwenden Daten von 16 jungen Erwachsenen (mittleres Alter = 22,75 Jahre, SD = 2,56) und 16 Kinder (mittleres Alter = 12,18 Jahre, SD = 0,83). Im Allgemeinen durchlaufen 12-jährige Kinder Entwicklungsänderungen in der Fähigkeit, Bewegungen mit beweglichen Objekten zu koordinieren3,4,11,12,13,14, so dass die Variation der Anfangsdistanz eine Möglichkeit bot, die funktionelle Anpassung der Annäherungsgeschwindigkeit bei Kindern mit jungen Erwachsenen zu vergleichen. Die Teilnehmer wurden über ein Social-Media-Posting der Universität rekrutiert. Von den rekrutierten Teilnehmern erlitten zwei junge Erwachsene eine Reisekrankheit, bei der die Experimente sofort abgebrochen und von der Studie ausgeschlossen wurden.

Die Erfolgsquote lag bei 98,95 % bei Kindern und 99,48 % bei jungen Erwachsenen. Nur erfolgreiche Versuche wurden in die Analyse einbezogen. Um auf die Geschwindigkeitsdaten zuzugreifen, wurde eine 3 x 2 x 2 x 4 (Anfangsabstand [nahe, mittel, weit]; Spaltgröße [3 s, 4 s]; Fahrzeuggröße [Auto, Bus]; Zeit [3,5 s, 2,5 s, 1,5 s, 0,5 s]) wiederholte Messungen ANOVA unter Verwendung von Anfangsabstand, Spaltgröße, Fahrzeuggröße und Zeit innerhalb von Faktorvariablen durchgeführt. Die Timing-Daten wurden analysiert, indem eine 3 x 2 x 2 (Anfangsabstand [nah, mittel, weit]; Spaltgröße [3 s, 4 s]; Fahrzeuggröße [Auto, Bus]) wiederholt ANOVA mit Anfangsabstand, Spaltgröße und Fahrzeuggröße als Faktorvariablen misst. Zur Schätzung der Effektgröße wurde die partielle eta quadriert (η2p) verwendet. Für alle paarweiseposthoc-Analysen wurden die wenigsten quadratischen Mittel verwendet.

Auswirkungen der Anfangsentfernung
Getestet wurde zunächst die Hypothese, dass die Manipulation der anfänglichen Entfernung vom Bordstein zum Abfangpunkt die Annäherungsgeschwindigkeit der Teilnehmer beeinflussen würde. Die systematische Veränderung der Anfangsentfernung wirkte sich sowohl auf die Geschwindigkeitsanpassungen junger Erwachsener als auch auf Kinder aus: F(2, 30) = 29,62, p < 0,0001, η2p = 0,66; und F(2, 30) = 207.32, p < 0.0001, η2p = .93.

Bei jungen Erwachsenen war die anfängliche Distanz- und Zeitinteraktion signifikant: F(6, 90) = 11,88, p < 0,0001, η2p = 0,44. Ein einfacher Effekttest zeigte einen signifikanten Zeiteffekt für: in der Nähe der Anfangsentfernung, F(3, 45) = 140,34, p < 0,0001, η2p = 0,90; Zwischenanfangsabstand, F(3, 45) = 29,93, p < 0,0001, η2p = 0,67; und weit anfängliche Entfernung, F(3, 45) = 184.46, p < 0.0001, η2p = 0.93. Aus der Post-hoc-Analyse ging hervor, dass junge Erwachsene während des gesamten Ansatzes an Geschwindigkeit zunahmen (p < 0.0001). Als die anfängliche Distanz jedoch kurz war, verlangsamten sich die Teilnehmer zu Beginn der Versuche (p < 0.0001) und beschleunigten sich kontinuierlich. Dies stellt die funktionale Anpassung dar. Die mittleren Geschwindigkeiten während des Anflugs werden über Altersgruppen hinweg dargestellt (Abbildung 5).

Bei Kindern war auch die anfängliche Distanz- und Zeitinteraktion signifikant: F(6, 90) = 53,51, p < 0,0001, η2p = 0,78. Dieser Interaktionseffekt wurde durch die Drei-Wege-Interaktion erfasst. Die Fahrzeuggröße, die Anfangsentfernung und die Zeitliche Interaktion waren signifikant: F(6, 90) = 2,12, p < 0,05, η2p = 0,12. Die Ergebnisse deuten darauf hin, dass die Geschwindigkeitsänderungen von Kindern, die durch die anfängliche Entfernung induziert wurden, von der Fahrzeuggröße beeinflusst wurden.

Auswirkungen der Fahrzeuggröße bei Kindern
Als nächstes wurde die Hypothese getestet, dass die Manipulation der Fahrzeuggröße die Geschwindigkeitsprofile und die Überquerungszeit von Kindern und jungen Erwachsenen beeinflussen würde. Es wurde festgestellt, dass bei Kindern die Fahrzeuggröße die Geschwindigkeitsprofile und die durch den Anfangsabstand induzierte Kreuzungsposition beeinflusste.

Bei Kindern war die Fahrzeuggröße, die Anfangsentfernung und die Zeitliche Interaktion signifikant: F(6, 90) = 2,12, p < 0,05, η2p = 0,12. Weitere Analysen ergaben, dass zwischen den Fahrzeugen die anfängliche Entfernung x Zeitinteraktion signifikant war, F(6, 90) = 33,55, p < 0,0001, η2p = 0,69. Ein einfacher Effekttest zeigte einen signifikanten Zeiteffekt für die Nähe der Anfangsentfernung, F(3, 45) = 132,54, p < 0,0001, η2p = 0,90; Zwischenanfangsabstand, F(3, 45) = 173,83, p < 0,0001, η2p = 0,92; und weit anfängliche Entfernung, F(3, 45) = 272.78, p < 0.0001, η2p = 0.95. Die Post-hoc-Analyse zeigte, dass die Kinder während des gesamten Ansatzes beschleunigten (p < .0001); Als sie jedoch zwischen den Autos kreuzten, bremsten sie am Anfang der Anfahrt für die nahe Anfangsstrecke ab (p < 0.0002),

Wenn kinder jedoch zwischen den Bussen kreuzten, war auch die anfängliche Entfernungs- und Zeitinteraktion signifikant: F(6, 90) = 18,70, p < 0,0001, η2p = 0,55. Ein einfacher Effekttest zeigte einen signifikanten Zeiteffekt für den nahen Anfangsabstand: F(3, 45) = 124,41, p < 0,0001, η2p = 0,89; Zwischenanfangsabstand, F(3, 45) = 132,79, p < 0,0001, η2p = 0,90; und weit anfängliche Entfernung, F(3, 45) = 331.16, p < 0.0001, η2p = 0.96. Die Post-hoc-Analyse zeigte, dass kinder, wenn sie zwischen den Bussen kreuzten, ihre Geschwindigkeiten zu Beginn des Anflugs für die nahe Anfangsstrecke weder stiegen noch verringerten. Die mittleren Geschwindigkeiten während des Anflugs werden in Abbildung 6über Altersgruppen hinweg dargestellt.

Offensichtlich beeinflusste die Fahrzeuggröße das Kreuzungsverhalten der Kinder, da sie durch die Anfangsdistanz induziert wurde. Die Überfahrtszeiten der Kinder weichten systematisch vom Lückenzentrum ab, abhängig von der Anfangsstrecke, in der sie zwischen den kleinen Fahrzeugen kreuzten. Die Kinder wichen jedoch nicht aufgrund der anfänglichen Entfernung ab, als sie zwischen den großen Fahrzeugen kreuzten.

Die Fahrzeuggröße wirkte sich auch signifikant auf die Kreuzungsposition der Kinder innerhalb des durch den Anfangsabstand induzierten Abstands aus. Die Fahrzeuggröße und die anfängliche Entfernungsinteraktion war signifikant: F(2, 30) = 18.13, p < 0.0001, η2p = 0.55. Ein einfacher Effekttest zeigte einen signifikanten Effekt des Anfangsabstands zwischen den Fahrzeugen, F(2, 30) = 62,30, p < 0,0001, η2p = 0,81 und zwischen Bussen, F(2, 30) = 6,15, p < 0,005, η2p = 0,30. Es wurde festgestellt, dass die Abfangzeiten von Kindern signifikant zunahmen (p < 0.0001), da sich die anfängliche Entfernung von nahen bis weit entfernten Anfangsdistanzen vergrößerte. Beim Überqueren von Bussen unterschieden sich die Abhörzeiten der Kinder jedoch zwischen nahen und mittleren Anfangsabständen nicht wesentlich. Die mittlere Kreuzungsposition während des Anflugs wird über Altersgruppen hinweg dargestellt (Abbildung 7).

Wechselwirkungseffekte von Fahrzeuggröße und Spaltgröße bei Kindern
Schließlich wurden die Wechselwirkungseffekte von Fahrzeuggröße und Spaltgröße bei Kindern untersucht. Die Interaktion zwischen Fahrzeuggröße und Spaltgröße war signifikant: F(1, 15) = 4,26, p < 0,05, η2p = 0,22. Ein einfacher Effekttest zeigte einen signifikanten Effekt der Spaltgröße zwischen den Fahrzeugen: F(1, 15) = 7,42, p < .02, η2p = 0,33; und zwischen den Bussen, F(1, 15) = 35,93, p < 0,001, η2p = 0,71. Die Post-hoc-Analyse zeigte, dass die Kinder beim Überqueren der Autos die Lücke deutlich weiter vor dem Lückenzentrum im 4-s-Abstand überquerten als der Abstand von 3 s (p < 0,01). Beim Überqueren der Busse überquerten die Kinder auch die Lücke deutlich früher im Abstand von 4 s als der 3 s-Lücke (p < 0.0001). Kinder überquerten die Lücke weiter vor dem Lückenzentrum im 4 s Abstand als der 3 s Abstand, unabhängig von der Fahrzeuggröße (Tabelle 1).

Figure 1
Abbildung 1: Bilder, die das Walking-Simulationsexperiment darstellen. (A) Foto eines Teilnehmers, der auf dem Laufband läuft, und eines Experimentators, der das Wandersimulatorprogramm betrachtet. (B) Bild des Cartoon-Crosswalks, der angezeigt wird, bevor die Konfiguration geladen wird. (C) Bild der realistischen virtuellen Umgebung, in der die Simulation stattfindet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 2
Abbildung 2: Diagramm für das experimentelle Setup. Die Komponenten des Versuchsaufbaus und deren Verbindungen werden veranschaulicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 3
Abbildung 3: Diagramm der Kreuzungssituation. Entfernungsparameter, die für jedes Experiment konfiguriert werden können, werden angezeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 4
Abbildung 4: Beispiel für Konfigurationsdateien. Beispiel für eine ordnungsgemäß formatierte Konfigurationstextdatei für das Simulationsprogramm. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 5
Abbildung 5: Geschwindigkeitsabhängigkeit von der Anfangsentfernung. Mittlere Geschwindigkeiten für jede Anfangsstrecke bei Kindern und jungen Erwachsenen (nahe, mittel- und weit definiert als 3,5 m, 4,5 m und 5,5 m vom Abfangpunkt) als Funktion der Zeit vor Erreichen des Abfangpunkts. Die Annäherungsgeschwindigkeit wurde in 1 s Intervalle (-3,5 s, -2,5 s, -1,5 s und -0,5 s) gemittelt, wobei rückwärts vom Abfangpunkt gezählt wurde. Sternchen stellen statistisch signifikante zwischendurchschnittliche Unterschiede für die Anfangsentfernungen zu jedem Zeitpunkt dar. Ein Sternchen stellt einen mittelgroßen Unterschied dar, und zwei Sternchen stellen zwei oder mehr zwischendurchschnittliche Unterschiede dar. Fehlerbalken zeigen SD an. Diese Zahl wurde mit Genehmigung von Chung et al.15nachgedruckt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 6
Abbildung 6: Die Geschwindigkeitsabhängigkeit von Kindern von der Anfangsstrecke auf der Grundlage von zwei unterschiedlichen Fahrzeuggrößen. Die mittleren Geschwindigkeitsprofile von Kindern vor Erreichen des Abfangpunkts für jede Anfangsstrecke werden für Autos (oben) und Busse (unten) dargestellt. Die Annäherungsgeschwindigkeit wurde in 1 s Intervalle gemittelt, wobei rückwärts vom Abfangpunkt gezählt wurde. Sternchen stellen statistisch signifikante zwischendurchschnittliche Unterschiede für die Anfangsentfernungen zu jedem Zeitpunkt dar. Ein Sternchen stellt einen mittelgroßen Unterschied dar, und zwei Sternchen stellen zwei oder mehr zwischendurchschnittliche Unterschiede dar. Fehlerbalken zeigen SD an. Diese Figur wurde mit Genehmigung von Chung et al.15nachgedruckt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Figure 7
Abbildung 7: Auswirkungen der Fahrzeuggröße auf die TOI von Kindern. Der mittlere TOI der Kindergruppe für jede Anfangsstrecke wird als Funktion der Fahrzeuggröße (Auto, Bus) angezeigt. TOI bezieht sich auf den zeitlichen Abstand relativ zum Spaltzentrum zum Zeitpunkt der Kreuzung, so dass 0,2 s auf 1,6 m verweist, wenn die Fahrzeuggeschwindigkeit 30 km/h (8,3 m/s) beträgt. Sternchen stellen statistisch signifikante zwischendurchschnittliche Unterschiede für Fahrzeuge auf jeder Anfangsdistanz dar. Ein Sternchen stellt einen mittelgroßen Unterschied dar, und zwei Sternchen stellen zwei oder mehr zwischendurchschnittliche Unterschiede dar. Fehlerbalken zeigen SD an. Diese Figur wurde mit Genehmigung von Chung et al.15nachgedruckt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Fahrzeuggröße Lückengröße
3-s 4-s
Auto 0.06 (0.07) -0.14 (0.07)
Bus 0.12 (0.04) -0.12 (0.04)

Tabelle 1: Wechselwirkungseffekte von Fahrzeuggröße und Spaltgröße bei Kindern. Kinder bedeuten TOI als Funktion der Fahrzeuggröße und Spaltgröße Hinweis. Die Werte werden in Mittelwerten angegeben (Standardabweichungen). . Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Frühere Studien haben Simulatoren mit projizierten Bildschirmen16,17, aber dieses Protokoll verbessert die ökologische Gültigkeit durch eine vollständig immersive virtuelle Ansicht (d.h. 360 Grad). Darüber hinaus ermöglicht die Anforderung, dass die Teilnehmer auf einem Laufband laufen müssen, die Untersuchung, wie Kinder und junge Erwachsene ihre Aktionen auf eine sich verändernde Umgebung abstimmen. Die virtuelle Szene dieses experimentellen Designs ändert sich gleichzeitig mit den Teilnehmerbewegungen, und die Fahrzeuge kommen zu einem bestimmten Zeitpunkt an der Fußgängerkreuzung an. Dadurch wird verhindert, dass die Teilnehmer ihre Überfahrtszeiten aufgrund von Entscheidungen oder Vorbereitungen für den Umzug verzögern. In dieser Studie sind die Teilnehmer bereits in Bewegung, wenn sie versuchen, die Straße6zu überqueren, so dass Forscher die Kontrolle der Fortbewegung während der Kreuzung deutlich zugreifen können.

Zu den kritischen Schritten gehören das richtige Festlegen der Parameter, um das experimentelle Design widerzuspiegeln, das Experiment bei Reisekrankheit zu stoppen und die Übungsversuche durchzuführen, damit die Teilnehmer mit der Laufbandumgebung vertraut sind. Eine breite Palette von Datenverkehrsflüssen, die über die in den Ergebnissen diskutierten hinausgehen, ist mit der aktuellen Software konfigurierbar. Die Software kann auch leicht erweitert werden, um eine breitere Palette von Kreuzungssituationen (d. h. durch Hinzufügen von mehr Fahrspuren oder mehr Fahrzeugtypen) umfassen.

Das Protokoll ermöglicht die Untersuchung, wie Kinder und jugendliche Erwachsene ihre Fortbewegung in sich dynamisch verändernden Umgebungen regulieren. Insbesondere die systematische Änderung des Ausgangsstandorts ermöglicht die Untersuchung von Geschwindigkeitsanpassungen bei Kindern und jungen Erwachsenen. Das Protokoll ermöglicht auch die Bestimmung, ob Veränderungen der Spalteigenschaften zu spezifischen Geschwindigkeitskontrollmustern bei Abfangaktionen führen. Die Ergebnisse zeigen, dass unterschiedliche Anfangsabstände und Lückeneigenschaften wichtig sind, um systematische Verhaltensanpassungen zu identifizieren, die die Wahrnehmungs-/Aktionsart der Kontrolle beim Überqueren von Straßen widerspiegeln. Die Ergebnisse zeigen Wechselwirkungseffekte der Anfangsentfernung und Fahrzeuggröße bei Kindern; insbesondere wurden ihre Geschwindigkeitsanpassungen bei der Annäherung an das Abfangen durch Lückenmerkmale beeinflusst.

Im Gegensatz zu früheren Erkenntnissen über die schwachen Auswirkungen der Fahrzeuggröße auf das Fahrverhalten von Erwachsenen ergab diese Studie, dass Kinder ihre Anfluggeschwindigkeiten schlecht an die Anfangsdistanz anpassen, wenn sie einem großen Fahrzeug aus nächster Nähe gegenüberstanden. Die Ergebnisse deuten darauf hin, dass die Möglichkeit, motorische Bewegungen mithilfe visueller Informationen bei komplexen Abhöraufgaben fein abzustimmen, Entwicklungsänderungen unterliegt. Die künftige Forschung sollte jedoch Fahrzeugtypen und -größen durch die Verwendung unterschiedlicher Größen desselben Fahrzeugtyps unterscheiden. Diese Einrichtung würde eine genauere Antwort ermöglichen, für die visuelle Informationen verwendet werden, um Kreuzungsaktionen in einer dynamischen Umgebung zu steuern.

Darüber hinaus beantwortete die gemeinsame Manipulation von Spaltgröße und Fahrzeuggröße nicht, welche Eigenschaften der dynamischen Spaltumgebung die Bewegungsmodulation direkt beeinflussen. Die Ergebnisse deuten darauf hin, dass Kinder die Ankunftszeit eines Fahrzeugs unterschätzen und versuchen, schneller vor großen Fahrzeugen zu kreuzen. Bemerkenswert ist, dass Kinder die Lücken zwischen den Bussen früher als erwartet in der 4 s Lücke überqueren. Dies kann auf den engeren Abstand eines LV im 4-s-Abstand zurückzuführen sein. Eine Einschränkung dieses Designs besteht darin, dass die Auswirkungen der Spaltgröße durch die Auswirkungen der Außenkanten eines Fahrzeugs verwirrt werden. Zukünftige experimentelle Designs können die Spaltgröße ändern, ohne die Außenkanten eines Fahrzeugs zu verändern.

Im Vergleich zu früheren Virtual-Reality-Recherchen bietet das Design dieses Experiments eine sichere Umgebung, um das Kreuzungsverhalten zu untersuchen. Allerdings verursacht der Apparat bei einigen Teilnehmern Bewegungskrankheit. Die Literatur über Reisekrankheit zeigt einen Zusammenhang zwischen Bewegungskrankheit und Haltungskontrolle, so dass Menschen mit schlechter Gleichgewichtskontrolle ausgeschlossen werden sollten18,19,20. Darüber hinaus halten die Teilnehmer die Handläufe während des Gehens, und dies kann eine natürliche Gehbewegung unterbrechen, was eine Einschränkung der Methode sein kann. Zusammenfassend trägt diese Studie zum Verständnis des Verhaltens von Kindern über die Straßenkreuzung in Bezug auf die zeitlichen und räumlichen Merkmale einer Lücke bei.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu verraten.

Acknowledgments

Das Korea Institute finanzierte diese Arbeit für Technologieförderung und Ministerium für Handel, Industrie und Energie (Zuschussnummer 10044775).

Materials

Name Company Catalog Number Comments
Customized treadmill Kunsan National University Treadmill built for this study
Desktop PC Multiple companies Standard Desktop PC
Oculus Rift Development Kit Oculus VR, LLC DK1 Virtual reality headset
Walking Simulator Software Kunsan National University Software deloped for this experiment

DOWNLOAD MATERIALS LIST

References

  1. Bastin, J., Craig, C., Montagne, G. Prospective strategies underlie the control of interceptive actions. Human Movement Science. 25 (6), 718-732 (2006).
  2. Bastin, J., Fajen, B., Montagne, G. Controlling speed and direction during interception: An affordance-based approach. Experimental Brain Research. 201 (4), 763-780 (2010).
  3. Chardenon, A., Montagne, G., Laurent, M., Bootsma, R. J. A Robust Solution for Dealing With Environmental Changes in Intercepting Moving Balls. Journal of Motor Behavior. 37 (1), 52-64 (2005).
  4. Lenoir, M., Musch, E., Thiery, E., Savelsbergh, G. J. P. Rate of change of angular bearing as the relevant property in a horizontal intercepting task during locomotion. Journal of Motor Behavior. 34 (4), 385-401 (2002).
  5. Oxley, J. A., Ihsen, E., Fildes, B. N., Charlton, J. L., Day, R. H. Crossing roads safely: an experimental study of age differences in gap selection by pedestrians. Accident Analysis & Prevention. 37 (5), 962-971 (2005).
  6. Chihak, B. J., et al. Synchronizing self and object movement: How child and adult cyclists intercept moving gaps in a virtual environment. Journal of Experimental Psychology: Human Perception and Performance. 36, 1535-1552 (2010).
  7. te Velde, A. F., van der Kamp, J., Savelsbergh, G. J. Five-to twelve-year-olds' control of movement velocity in a dynamic collision avoidance task. British Journal of Developmental Psychology. 26 (1), 33-50 (2008).
  8. Simpson, G., Johnston, L., Richardson, M. An investigation of road crossing in a virtual environment. Accident Analysis & Prevention. 35 (5), 787-796 (2003).
  9. Lee, D. N., Young, D. S., McLaughlin, C. M. A roadside simulation of road crossing for children. Ergonomics. 27 (12), 1271-1281 (1984).
  10. Oudejans, R. R., Michaels, C. F., van Dort, B., Frissen, E. J. To cross or not to cross: The effect of locomotion on street-crossing behavior. Ecological Psychology. 8 (3), 259-267 (1996).
  11. Grechkin, T. Y., Chihak, B. J., Cremer, J. F., Kearney, J. K., Plumert, J. M. Perceiving and acting on complex affordances: How children and adults bicycle across two lanes of opposing traffic. Journal of Experimental Psychology: Human Perception and Performance. 39 (1), 23-36 (2013).
  12. O'Neal, E. E., et al. Changes in perception-action tuning over long time scales: How children and adults perceive and act on dynamic affordances when crossing roads. Journal of Experimental Psychology: Human Perception and Performance. 44 (1), 18-26 (2018).
  13. Savelsbergh, G. J. P., Rosengren, K. S., Van der Kamp, J., Verheul, M. H., et al. Catching action development. The development of movement coordination in children. Application in the field of sport, ergonomics and health sciences. Savelsbergh, G. J. P., et al. , Taylor & Francis Group. 191-212 (2003).
  14. Plumert, J. M., Kearney, J. K. Timing Is Almost Everything: How Children Perceive and Act on Dynamic Affordances. Advances in child development and behavior. 55, 173-204 (2018).
  15. Chung, H. C., Choi, G., Azam, M. Effects of Initial Starting Distance and Gap Characteristics on Children’s and Young Adults' Velocity Regulation When Intercepting Moving Gaps. Human Factors. , (2019).
  16. Lobjois, R., Cavallo, V. Age-related differences in street-crossing decisions: The effects of vehicle speed and time constraints on gap selection in an estimation task. Accident Analysis & Prevention. 39 (5), 934-943 (2007).
  17. Lobjois, R., Cavallo, V. The effects of aging on street-crossing behavior: from estimation to actual crossing. Accident Analysis & Prevention. 41 (2), 259-267 (2009).
  18. Yu, Y., Chung, H. C., Hemingway, L., Stoffregen, T. A. Standing body sway in women with and without morning sickness in pregnancy. Gait & Posture. 37 (1), 103-107 (2013).
  19. Stoffregen, T. A., Smart, L. J. Postural instability precedes motion sickness. Brain Research Bulletin. 47 (5), 437-448 (1998).
  20. Stoffregen, T. A., Villard, S., Chen, F. C., Yu, Y. Standing posture on land and at sea. Ecological Psychology. 23 (1), 19-36 (2011).

Tags

Verhalten Ausgabe 160 Verhalten Fußgänger Verkehrssicherheit virtuelle Realität Wahrnehmung Aktion ökologische Psychologie

Erratum

Formal Correction: Erratum: Using a Virtual Reality Walking Simulator to Investigate Pedestrian Behavior
Posted by JoVE Editors on 10/08/2020. Citeable Link.

An erratum was issued for: Using a Virtual Reality Walking Simulator to Investigate Pedestrian Behavior. An affiliation was updated.

The first affiliation was updated from:

Department of Sports Science, Kunsan National University

to:

Department of Sport and Exercise Sciences, Kunsan National University

Verwenden eines Virtual Reality Walking Simulators zur Untersuchung des Fußgängerverhaltens
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Chung, H. C., Kim, S. H., Choi, G.,… More

Chung, H. C., Kim, S. H., Choi, G., Kim, J. W., Choi, M. Y., Li, H. Using a Virtual Reality Walking Simulator to Investigate Pedestrian Behavior. J. Vis. Exp. (160), e61116, doi:10.3791/61116 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter