研究人员已经开发出一种适应性强的算法，可以通过预测驾驶员何时能够安全地与车载系统互动或接收交通警报、来电或驾驶指示等信息来提高道路安全。

　　来自剑桥大学(University of Cambridge)的研究人员与捷豹路虎(Jaguar Land Rover)合作，将道路实验、机器学习以及贝叶斯过滤技术结合起来，可靠、持续地测量司机的“工作量”。在不熟悉的地方开车可能意味着高工作量，而每天上下班可能意味着低工作量。

　　由此产生的算法具有很强的适应性，可以近乎实时地响应驾驶员的行为和状态、道路状况、道路类型或驾驶员特征的变化。

　　这些信息可以被整合到车载系统中，如信息娱乐和导航、显示器、高级驾驶辅助系统(ADAS)等。

　　然后，任何驾驶员-车辆交互都可以定制，以优先考虑安全性并增强用户体验，提供自适应人机交互。例如，司机只在低工作量的时候才会被提醒，这样司机就可以在更紧张的驾驶场景中把全部注意力集中在道路上。研究结果发表在《IEEE智能车辆学报》上。

　　“越来越多的数据可以随时提供给司机。然而，随着司机需求的增加，这可能成为道路安全的主要风险因素，”剑桥大学工程系的共同第一作者巴沙尔·艾哈迈德博士说。“车辆可以向驾驶员提供很多信息，但除非你知道驾驶员的状态，否则这样做是不安全或不实用的。”

　　驱动程序的状态或工作负载可能经常变化。例如，在一个新的地区开车，在交通拥挤或路况不佳的情况下，通常比每天上下班更费力。

　　艾哈迈德说:“如果你在一个要求苛刻的驾驶环境中，那将不是一个在屏幕或抬头显示器上弹出消息的好时机。”“汽车制造商面临的问题是如何衡量驾驶员的注意力，并在驾驶员乐于接收信息或提示时，才发起互动或发出信息或提示。”

　　目前有一些算法可以利用眼球追踪器和心率监测仪的生物特征数据来测量驾驶员的需求水平，但剑桥大学的研究人员希望开发一种方法，可以利用任何汽车上可用的信息，特别是驾驶性能信号，如转向、加速和制动数据，来做同样的事情。它还应该能够消费和融合具有不同更新速率的不同非同步数据流，包括来自生物识别传感器的数据流(如果可用)。

　　为了测量驾驶员的工作量，研究人员首先开发了一个修改版本的周边检测任务，以自动的方式收集驾驶过程中的主观工作量信息。在这项实验中，一部手机被安装在汽车的中央通风口上，显示导航应用程序上的路线，旁边是一个定时闪烁的小LED环形灯。

　　所有的参与者都沿着相同的路线，穿过农村、城市和主要道路。他们被要求在LED灯亮起的时候按一个手指戴着的按钮，并且司机认为他们处于低工作量的情况下。

　　实验的视频分析与按钮的数据相结合，使研究人员能够识别出高工作量的情况，例如繁忙的十字路口或司机前后的车辆行为异常。

　　然后，将道路数据用于开发和验证监督机器学习框架，以根据驾驶员的平均工作量对驾驶员进行分析，并使用自适应贝叶斯滤波方法，使用包括转向和制动在内的多个驾驶性能信号，实时顺序估计驾驶员的瞬时工作量。该框架结合了工作负载的宏观和微观度量，其中前者是驾驶员的平均工作负载概况，后者是瞬时工作负载概况。

　　艾哈迈德说:“对于大多数像这样的机器学习应用程序，你必须在特定的驾驶员身上进行训练，但我们已经能够使用简单的贝叶斯过滤技术来调整模型。”“它可以很容易地适应不同的道路类型和条件，或者不同的司机使用同一辆车。”

　　这项研究是与捷豹路虎合作进行的，捷豹路虎负责实验设计和数据收集。这是捷豹路虎根据与剑桥大学的CAPE协议赞助的一个项目的一部分。

　　捷豹路虎人机界面高级技术专家Lee Skrypchuk博士表示:“这项研究对于从用户角度理解我们设计的影响至关重要，因此我们可以不断提高安全性，并为客户提供卓越的驾驶体验。”

　　“这些发现将有助于确定我们如何在车辆中使用智能调度，以确保驾驶员在最合适的时间收到正确的通知，从而实现无缝和轻松的旅程。”

　　更多信息:Nermin Caber等，基于自然周边检测研究数据的驾驶员特征分析和贝叶斯工作量估计，IEEE智能车辆学报(2023)。引用本文:使用机器学习来监控司机的“工作量”可以帮助改善道路安全(2023,12月7日)。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。