DMS/OMS 技术演进阶段
本页整理 DMS/OMS 从当前量产能力走向下一代 in-cabin 技术路线的阶段框架。该框架来自会议讨论和研究报告，需要继续回溯白皮书、官方资料和论文核验。
阶段 1：单模态视觉 DMS
典型能力：
- 人脸检测。
- 眼睛状态。
- 头姿。
- 视线方向。
- PERCLOS。
- 打哈欠。
- 脱眼/分心规则。
价值：
- 已经是法规和量产 DMS 的基础能力。
- 可解释性较强，客户容易理解。
- 与 MINIEYE 当前能力最接近。
局限：
- 容易受光照、遮挡、眼型、眼镜、口罩影响。
- 对认知分心、疲劳积累、接管准备度等内隐状态表达不足。
- 如果只讲这一层，对海外客户的技术天花板说服力有限。
阶段 2：人车浅融合
典型能力：
- 融合视觉 DMS 输出和车辆信号。
- 使用方向盘、车速、车道偏移、制动/油门、驾驶时长等信号。
- 用规则、统计模型或轻量模型判断疲劳/注意力退化。
行业线索：
- 会议中提到 Mercedes Attention Assist 可能融合大量车辆参数。
- Volvo、Valeo 等也被提到作为浅融合方向线索。
价值：
- 离现有工程能力较近。
- 不一定需要新增传感器。
- 适合做第一批预研方向。
局限：
- 若只是后融合和规则堆叠，技术上限有限。
- 依赖 OEM 是否开放足够车辆信号。
- 需要真实驾驶行为数据和评估标签。
阶段 3：多模态状态建模
典型能力：
- 融合 camera、vehicle signals、
GSR、HR / HRV、PPG、EEG、座椅/方向盘压力等。 - 识别疲劳、压力、认知负荷、接管准备度。
- 从二分类走向连续评分、预测和风险估计。
价值：
- 能补足纯视觉对内隐状态识别不足的问题。
- 有较强行业故事和学术支撑潜力。
- 可形成“下一代 DMS/OMS”技术纵深。
局限：
- 新传感器量产集成难。
- 标注和实验闭环复杂。
- 用户接受度、隐私和车规成本需要核验。
阶段 4：个性化、自适应和闭环干预
典型能力：
- 个体
baseline。 - 自适应阈值。
- 小样本个性化。
- 接管准备度预测。
- 座舱联动干预，例如声音、灯光、座椅、空调、导航、AI agent。
价值：
- 解决“同一套阈值套所有人”的误报问题。
- 能把 DMS/OMS 从监测系统升级为 driver state + cabin intervention 系统。
- 对外叙事强，且部分能力可以从现有视觉和车辆信号先做。
局限：
- 需要明确个性化数据如何采、存、更新和删除。
- 需要证明干预策略有效，而不是只做 demo。
- 必须处理误触发和安全责任边界。
对 MINIEYE 的含义
当前最实际的路径不是直接跳到阶段 4 的完整形态，而是：
- 以现有视觉 DMS/OMS 为基础。
- 优先补人车浅融合和个体
baseline。 - 逐步验证接管准备度和多模态信号的增益。
- 在证据充分后再讨论座舱干预和 POC。
相关页：