DUIncoder: Learning to Detect Driving Under the Influence Behaviors from Various Normal Driving Data
原始资料：../evidence/papers/2026-internal-duincoder.pdf
资料层级：evidence/papers。
资料类型：PDF 论文，Sensors 2025。
状态：已从徐子健飞书文档附件下载，并用 pdftotext 抽取。
基本信息
- 标题：DUIncoder: Learning to Detect Driving Under the Influence Behaviors from Various Normal Driving Data
- 作者：Haoran Zhou, Alexander Carballo, Masaki Yamaoka, Minori Yamataka, Keisuke Fujii, Kazuya Takeda
- 期刊：Sensors 2025, 25, 1699
- DOI：https://doi.org/10.3390/s25061699
- 机构线索：Nagoya University, Gifu University, Tier IV, DENSO, RIKEN
- 主题：DUI behavior detection / unsupervised learning / normal driving data / novelty detection
- 相关实体：DENSO实体
可直接引用的事实
- DUIncoder 解决的问题是 DUI 数据难以合法、大规模采集，导致监督学习训练受限。
- 核心思路：只用 normal driving data 训练，学习当前场景下的 ideal normal driving behavior，再计算 observed behavior 与 ideal behavior 的 deviation，用 novelty detector 判断异常。
- 论文提出两个版本：
- DUIncoderG：更宽松，强调生成更广泛的正常行为，少量训练数据下更有效，低 false detection。
- DUIncoderR：更严格，强调重建当前场景最合适的正常行为，数据更多时 detection performance 更好，低 missed detection。
- 数据来自 DENSO Advanced Research and Innovation Center 的驾驶模拟器，6 屏 360° 视野，车舱按实际车辆建模，支持 pitch/roll/heave 三自由度。
- 数据流包括 CAN bus vehicle information、internal/external video、ECG via Silmee、pulse via Fitbit。
- 场景基于东京品川站周边交通基础设施，设计三条路线：near accident urban、urban、highway。
- 参与者 11 名，均为男性，年龄 20s-60s，持日本驾照。
- 实验流程：约 1 小时 simulator practice；约 1 小时 normal driving；约 1 小时饮酒，按体重摄入 2-3 units sake 以达到 breath BAC 0.40 mL/L；等待 10 分钟；约 1 小时 drunk driving，场景复制 normal driving。
- 输入的 6 个 driving behavior features：vehicle speed、steering angle、throttle position、brake position、lane center deviation、yaw rotation speed。
- 使用 10 秒 sliding window（101 frames）。
- 实验比较 LDA、AdaBoost、XGBoost、SVM、RF、VAE 和 DUIncoder。
- Overall 结果中 DUIncoderR AUC 0.847，p-value < 0.001，优于需要 drunk data 的监督分类器；DUIncoderG AUC 0.657，p-value 0.004。
- 不同 route 上 DUIncoderR AUC 约 0.870，且较 second-best 方法分别高 0.056、0.089、0.034。
- 论文报告 DUIncoder memory 约 327.83 MB；当前实现 inference time 约 1100-1800 ms，但作者认为并行化后理论上可降至 35-60 ms。
方法细节
DUIncoder 的关键不是直接识别“酒驾特征”，而是学习在当前场景下正常驾驶应当如何表现：
- driver model 根据场景和行为数据生成或重建 normal driving behavior。
- deviation 使用 L1 distance 度量 observed 与 ideal normal behavior 的差异。
- novelty detector 使用 isolation forest，contamination 设为 0.01。
- AnoP（anomalous proportion）用于记录级评估，即异常帧占比。
证据价值
这份资料对 2026-内部-未来新方向调研 的“方向3：失能监测”很重要。
它支撑三点：
- DUI / impairment 监测可以从“采集大量酒驾/毒驾样本”转向“正常驾驶建模 + 异常检测”。
- driving behavior signals 本身能提供失能检测证据，尤其是 steering、pedal、lane deviation、yaw。
- normal driving data 的持续积累可以用于后续增量优化，符合量产车队数据闭环思路。
不能直接推出的结论
- 数据来自模拟器，不是开放道路真实 DUI 数据。
- 参与者只有 11 名且均为男性，人口覆盖不足。
- 研究聚焦 drunk driving，不等同于 drug impairment、突发疾病、疲劳、认知分心。
- DUIncoder 仍有 false / missed detections；论文自己指出 normal status 下行为不总是 appropriate，drunk status 下行为也不总是不 appropriate。
- 论文也承认仅用 driving behavior data 描述场景不完整，未来需要 camera、LiDAR、HD map、thermal 等多模态数据。
对 MINIEYE 的启发
失能监测可以进入 P2，但方向应定义为“行为异常检测和正常驾驶建模”，而不是直接承诺酒驾/毒驾识别。
建议路径：
- 第一阶段：用正常驾驶数据建立 individual / scenario baseline，观察 steering、pedal、lane deviation、yaw 的异常偏移。
- 第二阶段：在 simulator 中合法诱发疲劳、睡眠剥夺、高认知负荷等异常表型。
- 第三阶段：若条件允许，与检测机构合作做小规模合规酒驾实车数据，但必须先解决伦理、法律、场地和安全策略。
相关页：