四阶段路线图证据审计

本页回答：现有资料中有什么可以佐证“四阶段舱内感知技术路线图”，它的出处是什么，是否可信，以及对 MINIEYE 有什么启发。

更新时间：2026-05-12。已用 pdftotext 抽取并索引两个 PDF：DeepTake CHI 2021 论文和 AAAFTS 2023 report summary。

结论摘要

这张四阶段图可以作为“内部讨论和技术路线组织框架”，但仍不应直接说成“某官方白皮书定义的行业四阶段”。

PDF 抽取后，可信度有明显提升：

• 阶段 3 中的 DeepTake 证据已经坐实：确实是 CHI 2021 论文，确实使用多模态数据预测 takeover intention / time / quality，确实报告 96% / 93% / 83% 准确率。
• 阶段 4 中 AAAFTS 2023 的若干摘要级结论已经坐实：RF 表现最好、9-14 秒 pre-takeover window 最好、RF 在 11 秒峰值、GSR 最重要、HR 次之、personalized models 有潜力。
• 但阶段 4 中 Driver-Net、Nature Scientific Reports、FastKAN-Tiny、Harman Ready Care、Seeing Machines Guardian Gen 3 等仍主要来自 HTML 研究报告或会议线索，尚需论文/官网核验。

因此，当前判断是：

四阶段图的“技术演进方向”较可信；其中 DeepTake 和 AAAFTS 两个学术/研究证据点已被本地 PDF 支撑；但年份分界、阶段命名、产业共识和 Tier 1 工程化程度仍是二次整理判断，不是已核验的官方标准。

现有资料如何佐证

会议原文

会议原文能证明：这张图确实在内部会议中被展示、讨论，并被用于解释为什么 MINIEYE 不能停留在 stage one。

会议中周麟说明，这个阶段框架来自他发在群里的 PDF / 美国相关机构材料总结；并提到当前能力类似 2015-2018 阶段，后面要看 stage two / stage three / stage four。会议还提到 Mercedes Attention Assist、Volvo、Valeo、GSR、个性化 baseline、Smart Eye 等线索。

会议原文能证明“内部来源和讨论语境”，但不能证明所有外部事实本身都准确。

相关页：2026-05-12-ENCAP29会议

会后解读

会后解读支持一个更高层判断：这张图不是用来押题 ENCAP 2029，而是用来组织下一代 DMS/OMS 技术路线。

解读中明确提到：

• 当前团队停在 stage one，后面必须往 stage two / stage three / stage four 走。
• 需要把当前 DMS/OMS 到下一代能力拆成几个 stage。
• 每个 stage 要标清楚“能讲什么、能验证什么、缺什么”。

会后解读适合支撑“这张图的管理和研发意义”，但它不是行业事实来源。

相关页：2026-05-12沟通解读

HTML 研究报告

HTML 研究报告完整列出了四阶段：

1. 2015-2018：单模态基础疲劳感知。
2. 2018-2021：DMS 与车辆数据浅融合。
3. 2021-2023：多模态深度融合与学术化突破。
4. 2023-2025+：产业研究共识与工程化落地。

它还补充了每个阶段的技术特征、代表案例和局限性，例如 PERCLOS / CNN、Mercedes Attention Assist、DeepTake、AAA Foundation、Driver-Net、Harman Ready Care、Seeing Machines 等。

但该报告本身更像二手综合资料。报告中有很多外部引用标记，但当前 HTML 中没有可直接展开的一手来源列表。因此它适合做方向地图，不适合单独作为最终证据。

相关页：多模态个性化座舱研究报告

DeepTake PDF

../evidence/papers/2012.15441v2.pdf 已确认是 DeepTake 论文：

• 标题：DeepTake: Prediction of Driver Takeover Behavior using Multimodal Data。
• 会议：CHI 2021。
• 输入：pre-driving survey、vehicle data、NDRT information、eye movement、HR/PPG、GSR。
• 输出：takeover intention、takeover time、takeover quality。
• 模型：DNN，与 Logistic Regression、Gradient Boosting、Random Forest、Naive Bayes、AdaBoost、RGF 等比较。
• 报告准确率：96% / 93% / 83%。
• 实验：低保真驾驶模拟器，20 名被试，3 名因数据缺失排除，离线评估。

它强力支撑阶段 3 的“多模态深度融合与学术化突破”，但不能支撑“工程化落地”。

相关页：DeepTake论文-2012.15441v2

AAAFTS PDF

../evidence/industry-reports/202309-AAAFTS-Driver-Takeover-Summary.pdf 已确认是 AAA Foundation for Traffic Safety 的 2023 report summary：

• 主题：Measuring and Predicting Drivers’ Takeover Readiness and Supporting Takeover Transitions in Automated Driving。
• Part 1：32 名参与者，固定基座驾驶模拟器，Level 3 takeover readiness。
• 监测信号：eye glance and pupil data、GSR、heart rate。
• 关键发现：RF 最好；9-14 秒窗口最好；RF 在 11 秒 peak；GSR 最重要，HR 次之；personalized models 有潜力。
• Part 2：gaze guidance / attentional support 可帮助 takeover transition。

它强力支撑阶段 4 中 AAAFTS 相关的 takeover readiness、RF、11 秒窗口、GSR/HR、personalized models 这些摘要级说法。

但它是 2 页 summary，不是完整 technical report；细节仍要读全文。

相关页：202309-AAAFTS驾驶员接管摘要

分阶段可信度判断

阶段	现有资料支持	当前可信度	备注
阶段 1：单模态 DMS 基础疲劳	会议提到 MINIEYE 当前类似 2015-2018 阶段；HTML 报告列出 PERCLOS、闭眼率、CNN、Smart Eye / Seeing Machines 早期系统	中	方向可信，但年份和“代表系统”仍需核验
阶段 2：DMS + 车辆数据浅融合	会议明确提到 Mercedes Attention Assist、70 参数、Volvo DAC、Valeo/Volvo 文章；HTML 报告也复述	中	“人车浅融合”方向可信；70 参数、具体年份、官方说法需核验
阶段 3：多模态深度融合、学术化	DeepTake PDF 已核验 CHI 2021、多模态输入、GSR/HR/眼动/车辆/主观信息、DNN、三类接管输出、96/93/83 准确率	中高	能强支撑“学术突破”；但 DeepTake 是低保真模拟器离线实验，不能当量产证据
阶段 4：个性化、自适应、产业研究共识	AAAFTS summary 已核验 RF、9-14 秒窗口、11 秒峰值、GSR/HR、personalized models；会议提到 Smart Eye baseline、迁移学习、自适应个性化	中	AAAFTS 相关说法可信度提高；但 Driver-Net、Nature、FastKAN、Harman、Seeing Machines 等仍待核验，产业共识/工程化措辞要保守

出处判断

目前最准确的说法仍然是：

这张图不是当前资料中可直接证明出处的官方白皮书原图，而是内部会议中基于 Barry 提供的 PDF / 美国相关机构材料和若干行业案例整理出来的二次路线图；其中 DeepTake 和 AAAFTS 两个关键证据点已被本地 PDF 支撑，其余案例仍需继续核验。

不建议对外说：

这是某官方白皮书定义的行业四阶段。

可以对内说：

这是一张基于会议资料、DeepTake、AAAFTS summary 和二手研究报告整理出的工作版技术演进框架。

是否可信

应分层看。

方向可信

作为技术路线的方向框架，它是可信的。原因是它和多个来源的趋势一致：

• 从单模态视觉走向人车融合。
• 从表层疲劳检测走向多模态状态建模。
• 从固定阈值走向个体 baseline。
• 从检测报警走向接管准备度和干预闭环。

这些方向也符合会议中对下一代 in-cabin 纵深的讨论。

DeepTake 和 AAAFTS 证据可信

DeepTake 能直接支撑：

• 2021 年已有 CHI 论文用 multimodal data 预测接管意图、时间、质量。
• GSR、HR/PPG、eye movement、vehicle data、NDRT、survey 的组合在学术实验中可用。
• 多任务接管预测已经不只是概念。

AAAFTS summary 能直接支撑：

• 2023 年已有 AAAFTS 研究关注 takeover readiness。
• RF、9-14 秒 / 11 秒窗口、GSR、HR、personalized models 是其 report summary 明确提到的结论。

仍未核验

以下细节仍不能直接相信：

• 2015-2018、2018-2021、2021-2023、2023-2025 这些分界是否来自权威资料。
• Mercedes Attention Assist 是否确有“70 参数”官方说法。
• Volvo DAC 的具体输入和阶段归属。
• Driver-Net 2025、Nature Scientific Reports 2025、FastKAN-Tiny 的论文细节。
• Harman Ready Care、Seeing Machines Guardian Gen 3 的工程化程度和量产边界。
• Smart Eye 的 baseline / impairment 方向到底是产品、demo、论文还是宣传。

对 MINIEYE 的启发

这张图最有用的不是“证明我们必须按四阶段做”，而是帮助我们把问题拆开：

1. 当前能力定位：MINIEYE 当前 DMS/OMS 更接近阶段 1 到阶段 2 的交界，需要避免只讲法规基础能力。
2. 近期最稳方向：阶段 2 的人车浅融合和阶段 4 中的个性化 baseline，比直接押 GSR 或 VLM 更现实。
3. 接管准备度值得单独成线：DeepTake 和 AAAFTS 都围绕 takeover readiness / takeover behavior，说明它比单纯疲劳检测更适合作为 L2+/L3 安全纵深。
4. 多模态生理信号值得研究但不能直接量产化叙事：GSR/HR 在 DeepTake 和 AAAFTS 中都有证据，但都基于实验/模拟器语境，需要先验证车载无感集成、噪声、用户接受度和数据闭环。
5. 对外叙事边界：展会可以讲 roadmap，但不能把未核验的“产业共识”和“量产能力”说成已实现。
6. 预研方法：每个阶段都要补三类信息：一手证据、可验证数据、对 MINIEYE 的可行切入点。

下一步核验清单

高优先级：

• 下载并读取 AAAFTS 完整 technical report，补齐模型细节和指标。
• 找 Mercedes Attention Assist 官方资料，核验“70 参数”。
• 找 Volvo DAC 官方资料，核验“方向盘 + 车道线”的说法。
• 找 Smart Eye 关于 baseline / impairment 的官方资料。

中优先级：

• 核验 Driver-Net、Nature Scientific Reports、FastKAN-Tiny 的论文来源。
• 核验 Harman Ready Care 和 Seeing Machines Guardian Gen 3 的产品边界。
• 查 Euro NCAP / EU GSR 中与 DMS、impairment、distraction、takeover 相关的官方要求。