驾驶员安全监控系统的最新趋势最新技术和挑战外文翻译资料

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

驾驶员安全监控系统的最新趋势最新技术和挑战

摘要：随着越来越多的汽车上路，在繁忙的高速公路和公路上驾驶变得越来越复杂和具有挑战性。安全驾驶要求驾驶员注意安全，对环境有质量意识，了解情况，并做出关键决策，以便在紧急情况下做出适当反应。本文对驾驶员安全监控系统进行了综述。我们研究了各种不注意的驱动源，同时提供了一个全面的分类。然后，报告了不同的安全系统解决司机的疏忽。此外，我们还在车联网的背景下介绍了新一代的驾驶员监控系统。因此，我们引入了综合安全的概念，智能汽车从司机、汽车、道路，以及最重要的是，周围的汽车收集信息，为司机构建一个高效的环境。最后，我们强调了研究界设想的问题和新趋势。

关键词：驾驶员注意力分散 驾驶员疲劳 驾驶员状态监测系统 综合安全

一、简介：

得益于长期演进(LTE)网络(4G和5G)、无线传感器网络、云计算、物联网(IoT)和车载自组网(VANETS)的惊人集成，智慧城市的概念正越来越成为现实。智慧城市的主要目标之一是通过发展“智能移动”概念来提高生活质量，车用自组织网络正迅速成为智能城市中与司机、乘客、行人和交通相关的安全应用的基石。事实上，这些在装有无线电设备的车辆上建立的自组织网络有望通过向驾驶员提供有关其周围环境中潜在危险的相关信息来促进道路安全。这信息可以与以下任何一种有关:分心的司机，不注意的行人，危险的道路条件，动物，等等。因此，如果能在早期阶段检测到威胁，则可及时采取适当的行动。

然而，根据联合国最近的统计数据，现在超过一半的世界人口居住在城市地区。城市化的加速导致机动化的持续增长，因此，城市遭受严重的交通拥堵和道路伤亡人数的急剧增加。国际道路安全旅行协会的统计数据表明，每年有近130万人死于道路交通事故，平均每天有3287人死亡^[1]。按照这个速度，到2030年，交通事故伤亡将成为第五大死亡原因。此外，90%以上的交通事故是由人为错误造成的。事实上，驾驶员的行为会受到疲劳、困倦、视觉、认知、听觉和人工干扰的影响。在过去的十年里，人们致力于开发智能驾驶员监控系统，通过监控驾驶员和道路环境来提高驾驶员的安全。尽管如此，车内环境仍然充满挑战，因为驾驶员可能会受到各种各样的干扰。这些来源包括次要任务(与驾驶任务无关)，如使用智能手机、导航系统、与乘客互动或外部干扰(如过马路、道路建设等)，无论是疲劳或分心，这些因素会影响驾驶员能力 ，并影响他的环境意识。驾驶员监控系统的目的是监控驾驶员的注意力状态，并采取必要的措施来维护驾驶员的安全。尽管许多汽车制造商已经在他们的联网汽车上安装了这些系统，但开发更可靠、反应更快的监控系统仍然是至关重要的需求。因此，区分不同类型的注意力分散和疲劳是至关重要的，这样才能开发出一种适应各种来源的瞌睡或注意力分散所引起的有害影响的车载技术。

本文的其余部分组织如下。我们在第二节概述了高级辅助驾驶系统(ADAS)。在第三节中，我们讨论驾驶员分心的不同来源，因为分心/受损驾驶是道路伤亡的主要原因。一个全面的分类，不同的提议框架，以应对各种类型的驱动注意力，也提供了关于新范式的讨论。第四节讨论了车联网的新范式和作为新一代驾驶员状态监测系统的综合安全概念。第五节讨论了驾驶员状态监测系统未来的研究方向和挑战。

二、高级驾驶辅助系统(ADASS)概述

ADASS的设计目的是使汽车的电子、机电和通信系统实现自动化或调整，以使旅行更安全。其目的是提醒司机潜在的威胁或减少碰撞，并帮助控制车辆。ADASS正影响着越来越多的车辆的驾驶体验。因此，开发可靠、低成本的ADASS对汽车设计人员来说是一项具有挑战性的任务。在本节中，我们将基于ADASS在减轻危险情况(主动系统和被动系统)和系统复杂性(辅助、半自动化、自动化)方面先发制人的能力，对ADASS进行全面介绍，如图1所示。

图1主动和被动ADAS

（1）、主动ADASS

该活动这种类型的ADAS先发制人，通过控制汽车^[2]来避免事故。它提供了一个在撞车前的反应行动，以避免即将发生的事故或减少其对司机和乘客的影响。我们可以列举三个子类。1)信息系统:这些系统的主要目标是以非侵入性的方式为驾驶员提供额外的信息2)事故预防:这些系统建议驾驶员在一定的时间间隔(4-10秒)内采取纠正措施。通常，传感器(如摄像头、雷达、激光和超声波)监测环境(如道路、周围车辆和行人)，并在干预之前警告驾驶员任何事故隐患，以减轻碰撞3)预崩溃:这些系统在即将崩溃的情况下进行干预。预碰撞阶段的持续时间是从事故早期发现到实际碰撞的发生。这里使用的技术旨在减少碰撞能量。

（2）、被动ADAS系统

这些系统指的是汽车中的嵌入式安全技术，其主要目标是在碰撞过程中保护乘员和减少伤害。当主动安全措施在预防紧急事故方面失败时，这些被动系统起着关键作用。事故后的第一个小时被称为“黄金时间”，在这个时间死亡率非常高(约占所有死亡人数的75%)。在事故发生后和事故发生后，通过有效的被动安全系统干预，可以大大降低事故死亡率。以下描述如下:1)碰撞中:碰撞中阶段从碰撞物体接触开始，当车辆在碰撞现场处于静止状态时结束。2)碰撞后:碰撞后阶段立即发生。在这一阶段，ADAS的职责是为有关受害者提供最适当的紧急护理和协助救援有关受害者。图2给出了基于响应时间动作和自动化程度的ADAS分类。这一分类是根据Eskandarian进行的研究。在本文的其余部分中，我们将重点讨论驾驶员状态监测系统，因为它们构成了ADAS的一个主要类别。

图2 ADAS的分类法

三、司机状态监控系统:概述和分类法

正如前一节所讨论的，ADASS承诺通过帮助司机在复杂的交通情况下避免做出错误的决定，提高车辆的安全性，特别是减少司机的分心和注意力不集中的来源。驾驶员分心的原因是多种多样的，从而增加了驾驶过程中的风险。在高动态驾驶环境中，直接注意不仅对感知线索至关重要，而且对做出适当的决策也至关重要。

A、司机注意力不集中：定义和框架

驾驶员注意力不集中可定义为“对安全驾驶关键活动注意不足或不注意”^[4]，并可分为几个子类别，如[4]所述。

1)驾驶员注意力不集中(DRA)——这种注意力不集中是由于生物因素(如疲劳)导致的注意力不足或缺乏。这些因素阻止司机进行安全驾驶活动。

2)驾驶员注意力的优先顺序错误——这种注意力不集中是由于驾驶员无法有效地将注意力分配到几种驾驶活动上。这种粗心大意的情况在年轻的新手司机中很常见。

3)驾驶员忽视注意力——由于驾驶员忽视了对安全驾驶至关重要的活动而导致的对关键驾驶活动的忽视。

4)驾驶员注意力不集中——驾驶员对安全驾驶至关重要的活动的注意力不集中导致了这种不集中。

5)驾驶员转移注意力-由于竞争活动导致对主要关键驾驶活动的注意力偏离。

这种注意力不集中通常被称为“司机分心”。在^[5]中，提供了驱动程序疏忽的另一组定义。

1）次要任务分散——由于与驾驶无关的活动而使驾驶员的注意力从主要驾驶活动上分散的驾驶员活动。

2)驾驶相关的注意力不集中——驾驶相关的活动使驾驶员的注意力从主要的驾驶活动中转移出来。

3)嗜睡-妨碍驾驶员进行安全驾驶关键活动的生物行为，如闭眼、反复打哈欠和其他被归类为嗜睡的行为。

4)远离前方巷道的非特异性视线^[5]。

根据[4]和[5]给出的定义，我们得出两组定义有相似之处:DDA-NDR类似于次要任务分心，而DRA类似于困倦。此外，术语“司机分心”将被用来取代DDA-NDR和次要任务分心，“驾驶员分心”一词将被用来取代DDA-NDR和次要任务分心 。驱动程序不注意源的分类如图3所示 。

图3 驾驶员不注意源的分类

B、驾驶员分心:定义和框架

一些定义司机分心，认为是一种特殊形式的不注意，已经在文献中得到证实。司机分心最被接受的定义是“将注意力从对安全驾驶至关重要的活动转移到竞争活动上”^[6]。“竞争活动”一词涉及驾驶员与乘客之间的互动、思想、车辆技术、食物和非关键驾驶活动^[7]虽然分心的形式多种多样，但大多数可以分为四类^[8]。

1)视觉干扰——要求司机将视线从道路上转移开的干扰，例如，看着一个交通标志。

2)听觉干扰——这种干扰需要驾驶员的听觉注意力，例如，回应与其他乘客的对话。

3)生物力学上的干扰——需要驾驶员将手从方向盘上拿开的干扰，例如使用手机。

4)认知干扰——需要认知工作量而不是主要驱动任务的干扰，如白日梦。

此外，在复杂性方面，分心也可以分为简单、中等、复杂三个层次[5]。然而，分心驾驶引起的交通事故风险不仅受到分心行为类型或复杂性水平的影响，还受到分心行为发生频率和持续时间的影响。换句话说，频繁的简单干扰可能与复杂干扰有相似的效果。因此，某些干扰活动可以分为两种或两种以上的干扰类型。例如，发短信可以被认为是视觉、手工和认知上的干扰，因为这种活动涉及驾驶员的视觉、手和思维。

大多数现有的系统都能检测到司机分心是建立在三个指标:驾驶行为,司机的生理状和混合我们将在下一节驾驶员分心检测系统的文献综述。

（一）、驾驶行为措施:虽然信号驾驶表现的衡量标准是现成的在研究文献中很少使用。大部分工作都在进行驾驶员分心检测涉及到驾驶组合司机的行为和生理指标有较好的提高检测精度。在下面，我们总结了主体基于驾驶的驾驶员分心检测的工作行为的措施。

1)车辆动力学:车内信息系统和部分自动驾驶辅助系统的使用可能会导致驾驶分心。Fabio et al.[10]介绍了一种基于车辆动力学数据的非侵入性视觉干扰检测系统。作者使用机器学习技术对分心驾驶进行分类，即人工神经网络(ANN)和支持向量机(SVM)。结果表明，该分类器的精度不理想。根据作者的说法，这是由于使用了主体间分析，而分心反应是高度主观的。在^[11]中提出的扩展使用了基于车辆动力学数据的非侵入性和实时视觉干扰分类的学科内分析。结果表明，扩展方法的精度明显高于之前的工作。

2)驾驶的长期时间背景:^[12]开发了一种新技术，以补充现有的车辆车道保持辅助系统。利用长短期记忆(LSTM)递归神经网络对驾驶和头部跟踪数据的长时间上下文进行建模，实现了可靠的受试者独立驾驶不注意检测。^[12]声称，提出的LSTM框架优于标准分类方法，如支持向量机。

（二）驾驶员的生理指标:认知要求任务影响驾驶员的行为，如眼动模式、前视角度、头部运动和其他生理指标。认识到这些生理措施的效果摄像机被用来捕捉驾驶员的行为。接下来，我们将介绍基于视觉的驾驶员分心检测系统的几个研究。

1)头部运动:在^[13]中提出了基于Microsoft Kinect体感硬件的分心驾驶检测系统的开发。Kinect被用来跟踪头部和骨骼的运动，以便识别驾驶员的手势。该跟踪算法是基于骨骼连接空间分配和头部旋转之间的相对距离。

2)眼状态检测:在^[14]中，介绍了一种基于视觉的驾驶员监控系统。该系统采用自适应增强、自适应模板匹配和斑点检测相结合的眼睛检测算法。为了提高检测的准确性，使用支持向量机进行验证。在^[15]中开发了另一种基于视觉的干扰检测系统。本工作提出开发一个实时眼睛状态检测系统，该系统使用最优的Haar-training参数来来创建嵌套的级联分类器。

3)嘴部运动:在^[16]中进行的一项研究，使用FaceLab Seeing Machine相机收集司机的眼和嘴部运动数据来检测认知分心。结果表明，结合驾驶员的眼动和嘴动可以提高对认知分心的检测。

4）面部表情和手臂位置:在该方法中，观察到与疲劳驾驶和分心驾驶相关的几个线索，即手臂位置、眼睛闭上、眼睛注视、面部表情和方向。Ragab et al. ^[17]使用^[18]作者设计的系统收集数据。在这个系统中，体感和红外摄像机连接到一个汽车模拟器上。用于评估驱动疏忽的不同子模块如图4所示。

图4 上下文感知的驾驶员状态评估系统^[18]

（三)混合测量:直观地说，混合测量，即驾驶行为和驾驶员生理测量的结合，可以提高驾驶分心检测的质量。Hirayama等人提出了一种基于眼睛注视和周边车辆行为的认知分心检测系统。结果表明:驾驶员的状态影响驾驶员注视与车辆周边行为之间的时间关系。该系统采用贝叶斯框架进行检测，比道路中心法具有更高的检测精度。在最近的工作中，整合动力提出了基于眼动和驾驶性能(方向盘和车道位置)的贝叶斯网络(DBN)和监督聚类检测认知分心的方法^[20]。用于训练算法的数据是从模拟器中获得的，在模拟器中，驾驶员在有或没有听觉干扰的情况下执行驾驶动作。将该算法与已有的DBN和SVM算法进行了比较。虽然实验结果表明，所提算法的性能与之前的工作相当，但训练和预测时间均有显著提高。最近，Craye et al.^[21]提出了一种疲劳和分心的整体检测方法。捕获的特性被分成三个模块:视觉、音频和其他信号(方向盘、踏板位置和心率)模块。每个模块独立运行，可以启用或禁用。然后，每个模块提供自己的驾驶疲劳/分心估计。最后通过贝叶斯网络将各个模块提供的各个估计进行融合来完成估计。

为了突出列出的方法的性能和能力，我们提

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[591315]，资料为PDF文档或Word文档，PDF文档可免费转换为Word