Objective assessment of the perceptual quality of HMI-components with a particular focus on the head-up display

Abstract

Diese Arbeit konzentriert sich auf die Anwendung von Klassifikatoren um die subjektiv wahrgenommene Qualität von virtuellen Head-up-Display Bildern (HUD) in Luxusklassefahrzeugen zu beurteilen. Klassifikation versucht ausgehend von Trainingsdaten Muster bzw. Gesetzmäßigkeiten einer Aufgabenstellung zu erlernen und anschließend unbekannte Daten der gleichen Aufgabenstellung zu beurteilen. Die für diese Arbeit notwendigen HUD-Bilder werden mithilfe eines bestehenden Laboraufbaus der Daimler AG erzeugt. Durch Clustern werden repräsentative Bilder identifiziert, welche durch 12 Testpersonen manuell bewertet und numerisch durch 21 objektive Merkmale beschreiben werden. Die experimentelle Auswertung zeigt, dass Klassifikatoren durchaus geeignet sind um die subjektiv empfundene Qualität von HUD-Bildern zu beurteilen. Während der Trainingsphase erlernt der Klassifikator den Zusammenhang zwischen den objektiven Merkmalen und den subjektiven Labels. Danach wird in der Testphase das Gelernte auf unbekannte Testdaten angewendet und anhand der objektiven Merkmale das subjektive Empfinden abgeschätzt. Abhängig vom Klassifikatortyp wird für die bestimmten Labels der Testbilder eine höhere Trefferquote erzielt als für die Grenzwertbetrachtung, bei der es sich um die übliche Vorgehensweise zur Ermittlung der Kundentauglichkeit von HUD-Bildern handelt. Die untersuchten Klassifikatoren benötigen eine große Anzahl von gelabelten Trainingsdaten um ein umfassendes und verallgemeinerndes Erkennungsverhalten zu erlangen. Allerdings ist die manuelle Bewertung von vielen HUD-Bildern teuer und zeitaufwändig. Aus diesem Grund wird experimentell aufgezeigt, dass mit Hilfe des teilüberwachten Lernens oder des aktiven Lernens der manuelle Bewertungsaufwand reduziert werden kann ohne eine Verschlechterung der Klassifikationsgenauigkeit. Teilüberwachtes Lernen verwendet seine eigenen Vorhersagen um sich selbst zu trainieren. Im Gegensatz dazu ist aktives Lernen in der Lage die informativsten Trainingsbilder auszuwählen. Die Untersuchung zeigt sogar, dass eine Verbesserung der Klassifikationsgenauigkeit erzielt werden kann, wenn ungelabelte Daten in Verbindung mit einer kleinen Menge von gelabelten Trainingsdaten, bzw. die informativsten Trainingsdaten dazu verwendet werden die Klassifikatoren effektiv zu trainieren.