Obsidian Quartz Publisher

接管准备度与干预策略

23分钟阅读

接管准备度与干预策略

接管准备度是连接 DMS/OMS、L2+/L3 自动驾驶、人机共驾和安全法规的关键问题。

问题定义

在 L2+/L3 场景中，驾驶员可能长时间脱离驾驶环路，执行 NDRTs。当系统发出 TOR 时，驾驶员不一定能立即安全接管。

因此，系统需要回答：

  • 驾驶员现在是否有接管意图？
  • 驾驶员需要多久能接管？
  • 接管后横向/纵向控制质量如何？
  • 如果驾驶员疲劳、失能或认知分心，系统应该如何升级提醒或进入最小风险策略？

这比普通疲劳报警更贴近高阶安全问题。

为什么值得关注

  • 它能把 DMS 从“合规功能”提升到“自动驾驶安全闭环”的一部分。
  • 它更容易和 Euro NCAP / safety roadmap / L3 叙事连接。
  • 它能自然引出多模态、个性化和干预策略。

2026 内部新线索：L2 / L0 策略必须分开

2026-内部-未来新方向调研 在“超越 DMS 规则的疲劳/分心驾驶识别策略”中提出一个关键问题：目标是针对 L2 还是 L0。

这应成为后续干预策略设计的硬边界：

  • L2 场景：识别疲劳/分心后，可能是更保守的 ACC/LKA/AEB 策略、升级提醒、最小风险机动或靠边停车。
  • L0 场景：系统不能假设车辆能自动接管，策略更可能是推荐开启智驾、增强报警、要求休息或停车。

因此，后续不能只写“疲劳后干预”，必须明确自动化等级、车辆控制权限、驾驶员责任和系统可执行动作。

2026-05-21 后续会议：DMS 作为 AD 安全策略输入

2026-05-21-ENCAP-roadmap同步解读 将接管和干预问题进一步收束为 DMS x AD 闭环：DMS 不只判断驾驶员是否疲劳或分心，还应把驾驶员状态输入给智驾系统，用于调整接管、提醒和保守策略。

会议解读中最直接的场景是 ODD 扩大后的临时接管。随着高速 NOA、City NOA / Urban NOA 覆盖范围扩大，车辆可能在复杂路段突然退出 ODD 或要求驾驶员接管。如果 DMS 已经判断驾驶员注意力差、疲劳、出神或反应慢，系统不应等到最后一刻才发出 TOR，而应考虑：

  • 更早触发接管提醒。
  • 提高提醒强度或使用多模态提醒。
  • 在接管前后采用更保守的 ACC / LKA / AEB 策略。
  • 降低变道或 cut in 的激进程度。
  • 给驾驶员更长的人车交接时间。

这比 FCW / LDW 报警阈值调整更进一步：它不是只改变报警，而是让 DMS 成为 AD safety policy 的状态输入。

当前仍不应直接进入闭环控制。更合理的顺序是先做离线、只读、开环验证，证明 DMS 状态和车辆/AD 上下文确实能解释接管风险或策略需求。

2026-07-01 HCT 交流后的架构边界

2026-07-01-HCT-Minieye舱驾一体共创解读 进一步校正了 DMS x AD 的实现路径。HCT 的反馈不是否定 DMS，而是明确：DMS 不宜作为端到端主模型的原始图像输入优先推进，更适合输出可解释、可审计、可被状态机消费的驾驶员状态。

这次交流带来四个关键边界：

  1. 智驾主模型应保持全向感知和统一规划，不应根据驾驶员视线去调度模型注意力。
  2. 模型输出轨迹之后仍有后处理、运动规划平滑、规则优化和状态机，这才是 DMS 状态更现实的接入口。
  3. L2+ 系统不能因为 DMS 检测到驾驶员低头或不在环，就在未激活 AD 时主动进入控车；这会突破辅助驾驶责任边界。
  4. 法规相关动作，如驾驶员是否在环、报警升级、降级、RMF、安全停车，应由可解释状态机处理，而不是交给概率模型直接决定。

因此，本页后续不应把“舱驾一体”写成硬件集成或模型融合，而应写成：

DMS 输出驾驶员状态，AD 在状态机和后处理层消费该状态，用于接管、降级、RMF 和安全停车等有预期场景。

DMS 状态到 AD 动作的推荐接口

DMS 输出层级示例与 AD 的关系
原子观测闭眼、哈欠、视线偏离、头姿、手部、无响应作为证据链和调试依据，不直接暴露给 AD 策略层无限组合
语义状态注意力不足、疲劳、睡眠、疑似失能、接管准备度低进入状态机、提醒策略、TOR 提前量和 RMF 判断
策略建议提前 TOR、升级报警、限制主动变道、进入 RMF 观察窗口只能作为候选触发条件，需 safety case 和可撤销机制

对“保守策略”的修正

7 月 1 日 HCT 交流还修正了一个重要直觉：疲劳后让智驾“更保守”不天然等于更安全。更低车速、更大车距、减少变道可能带来 cut in、速度差、被追尾、前车卡停等新风险。

后续表述应从“疲劳时策略更保守”改为“驾驶员状态不好时提高人车交接安全裕度”。可讨论变量包括：

  • 接管提醒提前量。
  • 报警升级节奏。
  • 允许继续 AD 的时间窗口。
  • 是否限制主动变道。
  • 是否进入降级准备或 RMF 观察窗口。

这些变量都需要按具体场景验证，不能用“保守”概括。

2026-07-16 收敛：用四轴框架生成 HCT 场景

2026-07-16-ENCAP-roadmap同步深度解读 进一步校正了场景组织方式。此前用 AI 扩展出的二十多个故事可以作为候选灵感，但不能直接成为 HCT 提案。专业讨论必须先确定驾驶责任和系统边界，再放入驾驶员状态和具体风险。

当前推荐四个场景生成轴：

判定轴取值示例对安全讨论的作用
驾驶责任人驾、AD 驾驶、交接中决定谁承担动态驾驶任务以及系统动作上限
AD/功能状态未激活、已激活、降级/退出中防止把提醒、辅助干预和自动接管混为一谈
ODD/系统能力ODD 内稳定、接近边界、突发不可用、故障决定系统是否有可预期交接窗口和剩余能力
驾驶员可响应性可响应、注意力不足、疲劳但可响应、睡眠/失能/无响应决定提醒、TOR、观察窗口和 RMF/EF 是否有讨论资格

四个轴确定后，每个场景还需要补齐：

  • 来源：HCT 反馈、法规/测评、事故模式、OEM 需求、内部经验或 AI 推演。
  • 触发证据：原子观测、语义状态、车辆/AD 上下文和持续时间。
  • 置信度、迟滞和解除条件。
  • 允许动作、仅供参考的动作和当前禁区。
  • 误检、漏检和错误干预的安全后果。
  • 对应状态机/后处理入口、owner 和验证方法。

这个框架带来三个直接边界：

  1. 人驾且驾驶员仍有意识时，不能仅因 DMS 判断疲劳就自动进入 AD 控车。
  2. 人驾失能与 AD 已激活下的失能虽然都可能需要强干预，但系统责任、响应时机和 safety case 不同。
  3. 踏板误操作等候选场景必须先证明 DMS 相对车辆、障碍物和踏板信号 baseline 的增量，不能直接承诺禁用油门。

下一次 HCT workshop 应优先携带：范围与禁区页、6–8 个带来源的场景矩阵、DMS 信号契约、状态—动作矩阵和三个优先 POC。优先 POC 可围绕 ODD 计划退出时的接管准备度、AD 已激活下的 prolonged sleep/unresponsive driver，以及踏板误操作中 DMS 是否有增量价值。

2026 新线索：从识别当前状态到预测未来动态

2026-Driver-WM舱内动态世界模型 提供了一个新的研究范式：不是只识别当前驾驶员是否疲劳、分心或在做某个动作，而是把驾驶员看成会随外部交通事件变化的动态系统，预测未来几步的 posture、hand movement、attention semantics 和反应时序。

这对接管准备度有直接启发：

  • 当前 DMS 标签只能说明“此刻状态”，不能说明驾驶员未来 1-2 秒会不会把手、眼、身体和注意力转回驾驶任务。
  • 外部交通风险应作为 driver state model 的条件变量，而不是只在 ADAS 侧单独处理。
  • 干预策略可以用 counterfactual 思路评估：不同提醒、TOR timing、HMI 提示是否会诱导更安全的驾驶员反应。

当前不建议把 world model 作为近期上车方案。更现实的是在离线数据和模拟器数据中引入 future driver dynamics 标签和评价指标，逐步把接管准备度从静态分类推进到短时预测。

可研究子问题

接管准备度识别

判断驾驶员是否处于可接管状态。可能使用：

  • 眼睛、头姿、视线。
  • 手部位置和姿态。
  • 驾驶员动作恢复速度。
  • 车辆信号和场景复杂度。
  • 生理信号和认知负荷。

接管时间预测

预测从 TOR 到驾驶员有效控制车辆需要多久。

这个问题需要严谨定义“有效控制”的标准，例如手握方向盘、视线回路、方向控制稳定、制动响应等。

接管提前量策略

5 月 21 日会议补充了一个更贴近智驾体验的问题：如果系统已经知道驾驶员状态不好，TOR 提前量是否应该变化。

这需要区分：

  • AD 系统是否提前知道 ODD 即将失效。
  • 接管请求是策略设计过晚，还是系统确实到最后一刻才识别到不可控场景。
  • DMS 状态是否能作为接管提醒提前量的条件变量。
  • 提前提醒是否真实提升接管质量，还是只增加打扰和误触发。

接管质量预测

接管质量可能包括：

  • 横向偏差。
  • 车道保持。
  • 制动平顺性。
  • 碰撞或近失误。
  • 恢复控制后的稳定时间。

干预策略

干预不应只有蜂鸣报警。可能包括：

  • 多级声音/视觉/触觉提醒。
  • 座椅震动。
  • 空调、灯光、音响唤醒。
  • AI agent 语音介入。
  • 路径调整或最小风险策略。
  • 更保守的 ACC 距离、变道风格或车速策略。

但干预必须建立在可靠状态识别基础上，否则容易变成误触发体验问题。

2026-06-03 画板补充：按自动化等级和疲劳程度分层

2026-内部-未来新方向调研 底部画板把干预策略拆成两条线：L2驾驶干预 和 自主驾驶干预。这个拆法比“轻度/中度/重度疲劳后做什么”更实用，因为系统能做什么首先取决于自动化等级和车辆控制权限。

这部分保留为 6 月 3 日内部画板的历史输入。7 月 16 日之后，当前主框架应以上一节“四轴场景框架”为准；轻中重疲劳只能是待验证状态语义之一，不能单独决定动作。

画板中的 L2 驾驶干预：

状态候选动作解读
轻度调高空调、认知唤醒属于低风险座舱提醒，可先做 HMI / 用户接受度验证
轻度认知唤醒AI 语音助手主动搭话、小游戏、定制化新闻需要避免打扰和认知负荷反向增加，适合作为 HMI 沙盒
中度提高 ACC / AEB / LKA 灵敏度已触及 ADAS 策略，需要开环验证和 safety case
重度路边停车、动态路线重规划需要清晰的 L2 控制权限、驾驶员责任和最小风险策略边界

画板中的自主驾驶干预：

状态候选动作解读
轻度多感官物理刺激、报警提醒可作为座舱唤醒策略，但需验证误触发和用户接受度
轻度多感官刺激香氛、座椅震动、冷风刺激当前是策略设想，不应直接写成产品能力
中重度路边停车、UI/HMI 降级与接管预热更接近接管准备度和最小风险策略，需要和 HMI/AD 策略一起验证
UI/HMI 降级中控/仪表极简化，只保留车速和危险警告可以先在模拟器中评估是否减少认知负荷，而不是直接上车

这张画板带来的核心启发：

  • 干预策略必须形成 自动化等级 x 疲劳程度 x 可执行动作 x 验证要求 的矩阵。
  • 空调、香氛、语音唤醒属于体验/HMI 风险；ACC/AEB/LKA 灵敏度、路线重规划和路边停车属于安全策略风险，验证等级完全不同。
  • VLM/Agent 的近期价值可以先放在“理解情境、生成候选干预、离线评估 HMI 策略”，而不是直接调用车机或车控 API。
  • 后续采集日志必须记录“触发了什么干预”和“干预后驾驶员是否恢复”，否则无法证明干预有效。

开环 AD shadow evaluator

2026-05-21-ENCAP-roadmap同步解读 记录了一个内部 idea：在人工驾驶时，不让 AD 系统闭环控制车辆，而是让冻结版本的智驾/规控参考系统在后台“旁路运行”，输出它在同一场景下的建议动作，再与驾驶员实际动作做时间同步比对。

这个方向可以用于提取 deviation features，例如：

  • 驾驶员刹车 timing 与参考策略的偏移。
  • 横向控制稳定性与参考策略的偏移。
  • 跟车距离、变道倾向、风险接受度的偏移。
  • 同一驾驶员今天与自身历史 baseline 的偏移。

边界必须说清楚：

  • 参考智驾系统不是绝对标准答案。
  • 不评价“谁开得更好”，只提取多维 deviation。
  • 第一阶段只做离线或只读，不影响车辆控制。
  • 若未来要进入策略闭环，必须重新做 safety case 和大里程验证。

情境感知与主动干预

2026-内部-未来新方向调研 还提出 VLM / AI Agent 用于情境感知和主动干预：例如理解驾驶员频繁回头是因为后排儿童哭闹，而不是简单触发刺耳报警。

该方向当前仍是 Radar / 远期方法论，但它提醒干预策略不能只按状态标签触发，还要考虑：

  • 分心原因。
  • 舱内乘员和环境上下文。
  • 当前驾驶自动化等级。
  • 可调用的车机和车控 API。
  • 用户体验和误触发成本。

未来驾驶员动态预测

新增子问题：

  • 当前外部交通事件是否会触发驾驶员头、眼、手、上半身的短时反应？
  • 驾驶员未来几秒是否会进入可接管姿态？
  • 在不同提醒或 TOR timing 下，驾驶员动态是否更安全？

可能输入：

  • in-cabin video / skeleton。
  • out-cabin traffic context。
  • ADAS 状态和车辆信号。
  • 历史驾驶员状态。

可能输出：

  • future skeleton / hand position / gaze trend。
  • driver behavior / emotion / attention semantics。
  • 接管准备度风险分数。

主要风险：

  • 预测任务容易被静态 extrapolation 指标误导。
  • 需要高质量同步外部场景与舱内数据。
  • 离线预测改善不等于真实干预有效。

当前最大难点

  • 数据和标签难：需要模拟器或真实接管场景。
  • 场景难：接管质量和道路复杂度强相关。
  • 责任难：系统是否只是提醒，还是参与控制和最小风险策略？
  • 验证难：离线指标不一定等于真实安全提升。
  • 接口难：如果要读取 AD / NOA 状态、ODD 退出、接管请求和车辆控制信号，需要只读、不影响域控的采集方案。

与 POC 的关系

当前不建议马上定义接管 POC。更合理的顺序是：

  1. 抽取和核验现有接管相关论文/PDF。
  2. 梳理公开数据集和实验范式。
  3. 梳理 DMS 原子观测、语义状态和策略建议三层输出。
  4. 用驾驶责任、AD 状态、ODD 和可响应性四轴生成场景，并标明来源。
  5. 建立状态-动作矩阵，标注“建议可做”“需安全评估”“L2+ 禁区”“远期 L3/L4”。
  6. 明确接管准备度的可观测指标，以及置信度、持续时间和解除条件。
  7. 增加 future driver dynamics 的离线标签和评价定义。
  8. 评估 AD shadow evaluator 和只读硬采是否能提供接管相关 deviation features。
  9. 评估 MINIEYE 当前数据是否足以做初步验证。
  10. 再决定是否搭建模拟器、找外部实验资源或接入智驾测试车。

相关页：

Graph View

反向链接