HARMO
25131
17/09/2026
Van 2026 tot 2029
HARMO ontwikkelt en valideert geautomatiseerde voertuigen die beter rekening houden met hoe menselijk rijgedrag verandert door ervaring en vertrouwdheid met een route. TML leidt de gedragsmodellering en scenario-gebaseerde validatie en vertaalt de resultaten naar meetbare veiligheids- en acceptatiecriteria.
Geautomatiseerde voertuigen worden vandaag vaak ontwikkeld en getest met modellen waarin menselijke bestuurders zich relatief statisch gedragen. In werkelijkheid verandert rijgedrag wanneer bestuurders een route goed kennen: ze verdelen hun aandacht anders, reageren meer vanuit routine en kunnen andere veiligheidsmarges hanteren. HARMO bouwt voort op de Europese projecten i4Driving, BERTHA, HEADSTART, SUNRISE en SYNERGIES, en maakt deze effecten van leren, gewenning en routevertrouwdheid expliciet in modellen van menselijk rijgedrag. Het project verzamelt hiervoor gegevens uit rijsimulatoren en ritten in reëel verkeer en vertaalt die naar gedragsmodellen die rekening houden met verschillen tussen vertrouwde en onbekende situaties. Die modellen worden gebruikt in simulaties waarin menselijke en geautomatiseerde voertuigen daadwerkelijk op elkaar reageren. HARMO ontwikkelt daarnaast een AI-planner die natuurlijk, menselijk rijgedrag combineert met expliciete verkeers- en veiligheidsregels. Ten slotte worden realistische testscenario's, veiligheids- en acceptatiecriteria ontwikkeld en worden de modellen in echt verkeer getoetst in "shaduwmode': het systeem voorspelt wat het voertuig en andere weggebruikers zouden doen, zonder zelf de besturing over te nemen.
Geautomatiseerde voertuigen worden vandaag vaak ontwikkeld en getest met modellen waarin menselijke bestuurders zich relatief statisch gedragen. In werkelijkheid verandert rijgedrag wanneer bestuurders een route goed kennen: ze verdelen hun aandacht anders, reageren meer vanuit routine en kunnen andere veiligheidsmarges hanteren. HARMO bouwt voort op de Europese projecten i4Driving, BERTHA, HEADSTART, SUNRISE en SYNERGIES, en maakt deze effecten van leren, gewenning en routevertrouwdheid expliciet in modellen van menselijk rijgedrag. Het project verzamelt hiervoor gegevens uit rijsimulatoren en ritten in reëel verkeer en vertaalt die naar gedragsmodellen die rekening houden met verschillen tussen vertrouwde en onbekende situaties. Die modellen worden gebruikt in simulaties waarin menselijke en geautomatiseerde voertuigen daadwerkelijk op elkaar reageren. HARMO ontwikkelt daarnaast een AI-planner die natuurlijk, menselijk rijgedrag combineert met expliciete verkeers- en veiligheidsregels. Ten slotte worden realistische testscenario's, veiligheids- en acceptatiecriteria ontwikkeld en worden de modellen in echt verkeer getoetst in "shaduwmode': het systeem voorspelt wat het voertuig en andere weggebruikers zouden doen, zonder zelf de besturing over te nemen.
TML leidt binnen HARMO het onderzoek naar leren en routevertrouwdheid in menselijk rijgedrag (WP1) en naar de scenario-gebaseerde verificatie en validatie van geautomatiseerde voertuigen (WP3). We vertalen experimentele rijgegevens naar parameters voor gedragsmodellen, definiëren realistische verkeersscenario's, bouwen closed-loop simulaties met menselijke gedragsmodellen en ontwikkelen meetbare KPI's en beoordelingscriteria voor veiligheid, voorspelbaarheid en menselijk rijgedrag. Daarnaast leidt TML de ontwikkeling van de Acceptance Threshold Matrix, die bepaalt hoe aanvaardbaar geautomatiseerd rijgedrag voor bestuurders, passagiers en andere weggebruikers kan worden gemeten.
