盖世汽车讯 研究人员开发出自适应算法，可以预测驾驶员何时能够安全地与车载系统交互或接收消息，例如交通警报、来电或行车指示，从而提高道路安全性。据外媒报道，剑桥大学（University of Cambridge）的研究人员与捷豹路虎（JLR）合作，将行车上路实验、机器学习和贝叶斯滤波（Bayesian filtering）技术结合起来，以可靠、连续地测量驾驶员“工作量”。相对来说，在陌生的地区驾驶可能会提高驾驶员工作量，而每日上下班的驾驶工作量可能较低。

（图片来源：剑桥大学）

由此产生的算法具有很强的适应性，可以近乎实时地对驾驶员的行为和状态、路况、道路类型或驾驶员特征的变化做出响应。这些信息可以整合至车载系统，如信息娱乐和导航、显示器、高级驾驶员辅助系统（ADAS）等。然后，所有的驾驶员-车辆交互都可以定制，以优先考虑安全性并提升用户体验，提供自适应人机交互。例如，只有在工作量较低时才会提醒驾驶员，使其可以在更紧张的驾驶场景中把全部注意力集中在道路上。

剑桥大学工程系Bashar Ahmad博士表示：“现在，驾驶员随时可以获得越来越多的数据。随着驾驶员的需求不断增多，这可能成为道路安全的主要风险因素。虽然车辆可以向驾驶员提供很多信息，但如果不知道驾驶员的状态，这样做既不安全也不实用。”

驾驶员的状态或工作量可能经常发生变化。例如，在新的地区、交通繁忙或路况不佳的情况下开车，通常比日常通勤要求更高。Ahmad表示：“如果用户处于高要求驾驶环境中，那就不适合在屏幕或抬头显示器上弹出信息。汽车制造商面临的问题是，如何测量驾驶员的注意力，并在驾驶员乐于接收时才发起互动或发出信息或提示。

目前，一些算法利用从眼球追踪器和心率监测仪获取的生物特征数据，测量驾驶员的需求水平。然而，剑桥大学的研究人员希望开发一种方法，可以利用所有汽车的可用信息来做同样的事情，特别是驾驶性能信号，如转向、加速和制动数据。这种方法还应该能够使用和融合具有不同更新速率的不同非同步数据流，包括来自生物识别传感器的数据流（如果可用的话）。

为了测量驾驶员的工作量，研究人员首先开发出修改版本的周边检测任务（Peripheral Detection Task），以自动收集驾驶过程中的主观工作量信息。在这项实验中，汽车的中央通风口上装有一部手机，可以显示导航应用软件上的路线，旁边是一个定时闪烁的小LED环形灯。

所有参与者都沿着相同的路线穿过农村、城市和主要道路。当LED灯亮起红色并且驾驶员认为自己处于低工作量状态下，他们需要按下戴在手指上的按钮。将这项实验的视频分析与按钮数据结合起来，研究人员能够确定高工作量情况，例如繁忙的十字路口或驾驶员前后车辆的异常表现。

然后，研究人员使用道路数据来开发和验证受监督的机器学习框架，以根据驾驶员承受的平均工作量对其进行分析；另外还开发和验证了自适应贝叶斯滤波方法（Bayesian filtering approach），可以使用包括转向和制动在内的多个驾驶性能信号，依次实时评估驾驶员的瞬时工作量。该框架结合了宏观和微观的工作量测量，前者是驾驶员的平均工作量概况，后者是瞬时工作量概况。

Ahmad表示：“此类机器学习应用大多需要在特定的驾驶员身上进行训练。现在，研究人员能够使用简单的贝叶斯滤波技术来调整模型，使其可以轻松适应不同的道路和情况，或者帮助不同的驾驶员使用同一辆车。”

这项研究是与捷豹路虎合作进行的，其中捷豹路虎负责实验设计和数据收集。捷豹路虎人机界面高级技术专家Lee Skrypchuk博士表示：“这项研究对于从用户角度了解我们的设计所产生的影响具有重要意义。这样才能不断提高安全性，为客户提供卓越的驾驶体验。这些发现将有助于确定如何在车辆中使用智能调度，以确保驾驶员在最合适的时间收到正确的通知，从而实现无缝、轻松的旅程。”