Obsidian Quartz Publisher

个性化baseline

9分钟阅读

个性化 baseline 与自适应阈值

个性化 baseline 是当前最值得优先研究的方向之一。它的基本思想是：不要用一套固定阈值判断所有驾驶员，而是先理解某个驾驶员在正常状态下的个人特征，再判断其相对于自身状态的偏移。

为什么重要

传统 DMS 很容易遇到个体差异问题：

  • 有些人天生眼裂较小，容易被误判疲劳。
  • 不同人眨眼频率、头部姿态、视线习惯不同。
  • 同一人在早晚、长短途、不同路况下也会有状态漂移。
  • 固定阈值容易导致误报，用户可能关闭 DMS 或降低信任。

个性化 baseline 的目标是减少误报、提高敏感度，并让 DMS 更像“理解驾驶员状态”的系统。

可行起点

相比新增传感器，个性化 baseline 可以先从现有数据开始：

  • 眼睑开合、眨眼频率、PERCLOS。
  • 头姿和视线分布。
  • 脱眼频率和持续时间。
  • 驾驶时长和驾驶场景。
  • 车辆控制信号，例如方向盘微调和车道保持。

可先研究“同一驾驶员在清醒正常状态下的分布”，再判断后续偏移。

2026 内部新线索

2026-内部-未来新方向调研 将“千人千面”列为调研方向，方案是收集用户平时驾驶下各维度信息、剔除异常值，再将实际驾驶状态与用户平时驾驶维度对比，给出个性化输出。

这与本页判断一致，但也补出一个关键问题：个性化输出如何与 ENCAP 等固定规则共存。

当前建议：

  • 法规相关输出仍应保持固定、可测、可复现。
  • 个性化 baseline 更适合作为风险分层、误报抑制、提醒策略和干预强度调节。
  • 若未来要影响安全关键报警阈值，必须有单独 validation dossier。

2026-05-21 后续会议：千人千面的定义边界

2026-05-21-ENCAP-roadmap同步解读 对“千人千面”做了一个重要纠偏：适应不同眼型、脸型、人种或面部状态，不应称为千人千面。那是 DMS 算法应具备的鲁棒性和泛化能力。

本 wiki 后续使用“千人千面”时，应限定为：

  • 学习驾驶员正常驾驶风格、反应速度、风险偏好和注意力模式。
  • 判断当前状态是否偏离个人历史 baseline。
  • 将这种 deviation 用于提醒策略、接管准备度、智驾保守程度或干预强度。

因此，baseline 的核心问题不是“张三和李四谁更好”，而是“今天的张三是否不像平时的张三”。这会改变数据分析方式：

  • 优先比较同一驾驶员跨行程、跨日期、跨路况的自身分布。
  • 将不同驾驶员之间的差异用于理解泛化和归一化，而不是直接定义绝对好坏。
  • 不把智驾系统或某个平均驾驶风格当成唯一标准答案；它最多先作为稳定参考器或 deviation benchmark。

这也意味着，本页标题中的“自适应阈值”只是一个低阶实现方式。更完整的目标应是 baseline + deviation + strategy adaptation。

Steering behavior baseline

2026-内部-Nissan转向熵 提供了一个和 baseline 高度相关的外部证据：RSE 需要比较 instantaneous steering measures 与 long-term driver characteristics，也就是先学习驾驶员个人 steering characteristics，再判断短时偏移。

这说明 baseline 不应只局限于 eye/head/gaze，也可以扩展到：

  • steering angle。
  • steering entropy。
  • steering torque / 微操节奏。
  • lane deviation。
  • pedal operation。

可能的实现层次

开环 deviation 表征层

先不影响车辆控制，只在离线或只读模式下建立 deviation features：

  • 当前眼动、头姿、视线和车辆控制行为相对个人历史分布的偏移。
  • 当前驾驶行为相对冻结参考策略或 AD shadow evaluator 的偏移。
  • 当前反应时、刹车 timing、横向控制稳定性相对自身 baseline 的偏移。

这个层级适合作为第一批研究对象，因为它避免过早进入安全关键闭环控制。

规则/统计层

建立驾驶员短期或长期统计分布，例如：

  • 正常眼睛开度范围。
  • 正常眨眼频率。
  • 正常视线分布。
  • 正常方向盘微调节奏。

优点是可解释、易落地；缺点是表达能力有限。

轻量模型层

用轻量模型学习个人状态模式，例如：

  • 个体阈值更新。
  • 异常检测。
  • few-shot personalization。
  • 行程初始清醒阶段校准。
  • 原型分类头或小型 adaptation cache。
  • INT8 / QAT 后的端侧轻量部署。

优点是能比规则更灵活；缺点是需要数据闭环。

跨模态 baseline

未来如果接入 GSR、HR、PPG、压力等信号，也应把它们纳入个人 baseline，而不是只看绝对值。

策略自适应层

当 deviation 可信度足够高时，baseline 才可能影响策略，例如：

  • 提前接管提醒。
  • 调整提醒强度和频率。
  • 在驾驶员状态不好时建议更保守的 AD 策略。
  • 调整 ACC 距离、变道激进度或交接时间。

这一层需要更严格验证，不应和离线 deviation 研究混在一起。

风险与难点

  • 如何确认“行程初始阶段”一定是正常清醒状态？
  • 如何防止疲劳状态被学习成新的正常 baseline？
  • 如何区分个人习惯、道路影响、车辆控制和真实疲劳？
  • 如何确认 deviation 反映的是状态异常，而不是路况、车辆差异或 AD 策略差异？
  • 是否需要驾驶员身份识别？如果需要，隐私和账户系统怎么处理？
  • 个性化数据是否上云，是否可删除，是否跨车迁移？
  • 如果 baseline 输出影响 AD 策略，如何做 safety case 和 validation dossier？

当前需要核验

  • AAAFTS 是否明确证明 personalized model 优于 generic model。
  • Smart Eye 是否公开过基于个人 baseline 的产品或技术叙事。
  • FastKAN-Tiny 类 few-shot personalization 是否有一手论文、代码或可复现实验。
  • 现有量产 DMS 数据中是否能观测到显著个体差异。
  • Euro NCAP 或 GSR 对个性化是否有要求或隐含推动。
  • 开环 AD shadow evaluator 是否能提供稳定、有解释力的驾驶行为 deviation features。

对 MINIEYE 的建议

第一阶段可以把个性化 baseline 定义为“研发预研方向”，而不是立刻定 POC：

  1. 盘点现有数据字段。
  2. 分析个体差异是否显著。
  3. 先形成同一驾驶员的 deviation features，而不是直接调整报警阈值。
  4. 看 baseline 是否能减少现有误报类型，或能否预测接管/反应风险。
  5. 再决定是否需要引入新传感器、外部实验或智驾策略联动。

相关页：

Graph View

反向链接