Obsidian Quartz Publisher

2026-内部-未来新方向调研

16分钟阅读

徐子健：未来新方向调研

原始资料：飞书文档 https://minieye.feishu.cn/docx/OsDFdB981oadcTxzsoNcnXVzn2g

资料层级：context/planning-notes + 内嵌附件 evidence/papers。

资料类型：内部调研与分析文档，作者为舱内事业部副部长徐子健。

状态：已读取飞书文档最新版，当前读取到的 revision_id 为 498；已下载并抽取其中两份内嵌 PDF 附件；已查询底部画板 STOYwgQcXhyCuobZn6zcFyp9n2e 的原始节点和预览图。本文只把事实、附件证据和作者结构化思路纳入资料库，文档中的“大模型建议”和画板中的未核验设想按分析建议处理，不与论文/官网证据等同。

文档结构

文档围绕三个方向：

  1. 千人千面。
  2. 超越 DMS 规则的疲劳/分心驾驶识别策略。
  3. 失能监测。

另有一个“其他可能方向”：基于 VLM 与 AI Agent 框架的情境感知与主动干预。

文档底部还有一个画板，结构上分为两个中心：

  1. 疲劳监测：把输入信号拆成 DMS 模态、附加传感器、驾驶模态和实验验证方案。
  2. 智驾状态方案：把输出侧拆成 L2 驾驶干预和自主驾驶干预，并按轻度、中度、重度/中重度分层。

这个画板的价值不只是补充点子，而是把“超越 DMS 规则”从单一检测问题推进成一条完整链路：多源疲劳/状态感知 -> 真值与时序对齐验证 -> 按自动化等级和疲劳程度分层干预。

方向1：千人千面

文档中的事实/方案：

  • 状态：调研中。
  • 潜在方案：收集用户平时驾驶下各维度信息，剔除部分异常值；实际驾驶中与用户平时驾驶维度进行对比，分析驾驶状态并给出个性化输出。
  • 遗留问题：与 ENCAP 等规范的固定规则如何协调。

证据价值：

  • 该方向与 个性化baseline 完全一致，进一步确认“个性化 baseline / 自适应阈值”不是外部资料推导出来的孤立想法，而是舱内事业部内部也在调研的方向。
  • 关键问题不是模型结构，而是个性化判断如何和法规固定规则共存：法规输出需要稳定可测，个性化输出则可能需要作为补充风险分层或体验优化，不应直接替代法规判定。

方向2：超越 DMS 规则的疲劳/分心驾驶识别策略

文档中的事实/方案：

  • 状态：调研中。
  • 潜在方案：引入额外传感器和更多模态输入。
  • 传统 DMS 模态包括 PERCLOS、认知负荷、心率等。
  • 额外传感器包括方向盘上引入传感器采集皮肤电信号等。
  • 驾驶信号包括加减速度、方向盘扭矩、ADAS 信息（如车道线保持）。
  • 遗留问题包括：超越规则后疲劳如何定义和标注；是否使用 KSS、脑电、主观问卷、用户自感疲劳按钮等；目标是 L2 还是 L0。

文档内补充证据：

  • 2026-内部-Nissan转向熵：Nissan / VTTI 关于 Real-time Steering Entropy 的资料，支持“方向盘微操/转向行为可作为驾驶员状态信号”的方向。
  • Bosch Driver Drowsiness Detection 官方页面：确认其使用 steering-angle sensor / EPS，约 70 个信号，基于 steering corrections、trip length、turn signals、time of day 等计算疲劳水平。该资料支撑“非视觉车辆行为信号可用于疲劳检测”，但不证明其能替代视觉 DMS。

证据价值：

  • 这部分直接增强 技术方向筛选 中 P1b“人车浅融合 / DMS-ADAS 联动”的证据基础。
  • 它把“超越 DMS 规则”具体化为：视觉 DMS 输出 + steering behavior + vehicle dynamics + ADAS context + 可选生理信号。
  • 它也把“疲劳定义/标注”作为首要问题暴露出来：如果脱离 ENCAP 规则，就必须重新定义 ground truth 和验证指标。

底部画板：疲劳监测输入与验证结构

画板中的 疲劳监测 分支把信号池拆得更细，值得作为后续实验设计的候选清单。

DMS 模态

  • PERCLOS。
  • 健康信号，例如心率、呼吸等。
  • 感知负荷，例如注视熵。

附加传感器

  • 皮肤电信号：方向盘加装传感器。
  • 毫米波雷达：呼吸信号。画板中的假设是，进入 microsleep 前呼吸频率会发生变化，可能比闭眼更前置。
  • 声纹与语速分析：接入座舱语音助手，观察唤醒助手时语速变慢、吐字含糊或声带震动频率降低，作为认知疲劳输入项。
  • 智能座椅传感器：用座椅压力薄膜提取坐姿重心偏移、频繁扭动或体态躁动指数。

驾驶模态

  • CAN 信息：刹车信号、车速/加减速、方向盘扭矩调整方式、踏板操作的非线性特征。
  • 方向盘扭矩/转向熵：长时间不动的死区之后出现快速、大幅纠偏，作为疲劳或微睡眠相关特征。
  • 踏板非线性：疲劳时油门/刹车从平顺线性变成阶跃式突变。
  • ADAS 感知：前车距离保持、车道线居中、反应潜伏期。
  • 反应潜伏期：记录前车刹车灯亮起到本车驾驶员踩下制动踏板的时间差，观察该延迟是否随驾驶时长拉长。

实验验证方案

  • DMS 搭载舱外 L2 车辆。
  • 与王生龙对齐。
  • 采集目标是 DMS / ADAS 时序对齐信号。
  • 试验场测试。
  • 疲劳真值获取，画板中提出脑电作为待讨论选项。

解读：

  • 画板把“疲劳监测”从视觉 DMS 扩展成多源候选信号池，尤其补充了语音、座椅、反应潜伏期和 DMS/ADAS 时序对齐。
  • 这些点目前多数是实验假设，不是已证实的产品能力；但它们非常适合作为 simulator、试验场或只读硬采的采集字段清单。
  • 其中最贴近 MINIEYE 现有能力的是 DMS + CAN + ADAS 时序对齐；语音、座椅、毫米波和 GSR 更适合作为 P2 增益验证。

底部画板：智驾状态分层干预

画板中的 智驾状态方案 分支把输出侧分为两类：L2 驾驶干预和自主驾驶干预。

L2 驾驶干预

  • 轻度：调高空调；认知唤醒。
  • 认知唤醒示例：AI 语音助手主动搭话，例如长时间驾驶后发起小游戏或播报定制化新闻，以提高大脑活跃度。
  • 中度：提高 ACC / AEB / LKA 灵敏度。
  • 重度：路边停车；动态路线重规划。
  • 动态路线重规划示例：系统主动计算并导航到最近服务区、咖啡店或安全停靠点，并询问是否开启领航辅助前往。

自主驾驶干预

  • 轻度：多感官物理刺激；报警提醒。
  • 多感官物理刺激示例：联动香氛释放提神气味，座椅触发脉冲式震动或冷风刺激。
  • 中重度：路边停车；UI/HMI 降级与接管预热。
  • UI/HMI 降级示例：疲劳时有效视场收缩，中控屏和仪表盘进入极简模式，只保留车速和危险警告等高对比度核心信息。

解读：

  • 画板将“报警”扩展成分层干预矩阵，说明作者关注的不只是识别疲劳，而是识别后的系统动作。
  • 这强化了 接管准备度与干预策略 的判断：干预策略必须按自动化等级、疲劳程度和可执行动作分开定义。
  • 但画板中的香氛、主动搭话、UI 降级、动态路线重规划等目前仍是策略设想，需要先做 HMI 可接受性、误触发成本和 safety case 评估。
  • 当前最稳妥的近期入口不是直接闭环控制，而是做离线/只读策略沙盒：记录状态、场景、信号和候选干预动作，评估何时应该提醒、升级或建议停车。

方向3：失能监测

文档中的事实/方案：

  • 状态：推进中。
  • 简易模拟系统已打通。
  • 计划实验室简单采集后，与外部检测机构（招商车研）合作，在内部场地进行实车酒驾数据采集。
  • 遗留问题：模拟驾舱是否能反映真实情况；是否缺乏现实压力、驾驶手感差异；是否需要“模拟舱重点采集 + 实车迁移”；毒驾数据如何在中国国情和伦理风险下开展。

文档内补充证据：

  • 2026-内部-DUIncoder：DUIncoder 论文提出仅用正常驾驶数据训练 DUI behavior detection 的 unsupervised framework，避免依赖大量 DUI 数据。

证据价值：

  • 这使 alcohol / drug impairment 不应只作为远期 radar；在 MINIEYE 内部，它已经有推进线索，至少应进入 P2 预研。
  • 但优先级仍不宜上调到 P1，因为真实酒驾/毒驾数据、伦理、法律、场景迁移和误判责任都比普通疲劳/分心更复杂。
  • 更合理的近期定位是：把 DUI/失能作为“驾驶行为异常检测 + 正常数据建模 + 合法模拟/小样本实车验证”的 P2 方向。

其他方向：VLM 与 AI Agent 情境感知和主动干预

文档中的分析建议：

  • 当前 DMS 多为单向报警器，下一代智能座舱需要双向交互。
  • VLM 可用于理解驾驶员分心背后的情境，例如后排儿童哭闹导致驾驶员频繁回头。
  • Agent 可把情境理解转成车机 API 调用，例如空调、灯光、音乐、安全带等干预。

证据边界：

  • 该部分目前主要是分析建议，没有给出独立论文或产品验证。
  • 与 2025-DSBench-VLM内外安全风险 和 2026-Driver-WM舱内动态世界模型 在方法论上相关，但不能直接视为近期车端闭环能力。
  • 当前仍应放在 Radar / 离线工具和远期范式层，不应抢 baseline、人车浅融合和实验底座的主线。

画板对该方向有一个补充意义：即使不马上使用 VLM/Agent 做车端闭环，主动语音搭话、动态路线重规划和 UI/HMI 降级这些策略也需要“理解情境”的能力。短期可把 VLM/Agent 用作离线 case review、干预策略生成和 HMI 沙盒，而不是直接接管车机 API。

对当前优先级的影响

这篇内部资料增强了五项判断：

  1. 个性化 baseline 应继续作为 P1a：内部调研方向与外部资料一致。
  2. 人车浅融合应继续作为 P1b：Nissan RSE、Bosch DDD 和画板中的 DMS/ADAS 时序对齐都支持车辆行为信号可成为疲劳/分心辅助证据。
  3. 多模态生理与行为信号增益验证应更明确地覆盖语音、座椅、毫米波呼吸、踏板非线性和反应潜伏期，而不只限于 GSR/HR/steering。
  4. 干预策略应从“报警/靠边停车”细化为分层矩阵：L2 与自主驾驶分开，轻度、中度、重度分开，提醒、座舱唤醒、AD 策略保守化、路线重规划和 HMI 降级分开。
  5. 失能监测应从普通 Radar 上调到 P2：因为内部已有简易模拟系统和招商车研/实车酒驾采集计划，但仍需严格控制伦理、法律和验证边界。

待核验

  • Bosch DDD 的 70 signals 是否有更完整技术白皮书或客户案例。
  • Nissan RSE 是否有论文版本、完整指标和可复现实验。
  • DUIncoder 代码仓库是否公开、数据是否可获取、是否能迁移到真实车数据。
  • 招商车研合作可用的测试协议、场地、法律合规和数据权限。
  • “L2 疲劳后策略”和 “L0 疲劳后策略”应分开定义，不应混用。
  • 画板中的语音、座椅、毫米波呼吸、反应潜伏期、UI/HMI 降级和动态路线重规划分别需要什么数据、接口、HMI 验证和安全边界。
  • DMS/ADAS 时序对齐应采哪些信号、如何做时间同步、如何定义可复现实验场景。

相关页：

Graph View

反向链接