人工智能算法通过监控驾驶员工作负荷提升道路安全

剑桥大学的研究人员与捷豹路虎（JLR）合作，开发了一种自适应算法，有望通过预测驾驶员何时可以安全地与车内系统交互或接收消息来显著提高道路安全。这种创新方法结合了路测实验和机器学习技术，以持续测量驾驶员的工作负荷，从而能够根据不断变化的条件和驾驶员行为进行实时调整。

增强道路安全的自适应算法

研究人员开发的算法具有高度适应性，能够响应驾驶员工作负荷、道路条件、道路类型和驾驶员特征的变化。它利用机器学习和贝叶斯滤波技术的组合来持续评估驾驶员的工作负荷。例如，在不熟悉区域驾驶或交通拥堵可能表明工作负荷较高，而日常通勤可能表明工作负荷较低。

这项技术的主要目标是通过定制驾驶员与车辆的交互来提高道路安全。例如，在低工作负荷期间，驾驶员会收到非紧急消息和通知的提醒，确保他们在更具挑战性的驾驶场景中能够保持对道路的全神贯注。

车内数据的日益普及可能成为道路安全的主要风险因素，因为它会导致驾驶员分心。为了解决这一挑战，必须建立一套系统来持续评估驾驶员的工作负荷。通过了解驾驶员的参与程度和道路状况，系统可以优先决定何时向驾驶员呈现信息或警报，确保这些信息在低工作负荷期间呈现。

测量驾驶员工作负荷

虽然现有的算法使用眼动追踪器和生物识别数据来测量驾驶员需求，但剑桥大学的研究人员旨在开发一种依赖任何车辆中 readily available 数据的方法，特别是驾驶性能信号，如转向、加速和制动数据。这种方法允许处理和融合各种不同步的数据流，包括来自生物传感器的数据（如果可用）。

为了测量驾驶员工作负荷，研究人员使用修改版的周边检测任务进行了路测实验。参与者被要求在感知到低工作负荷场景时按下手指佩戴的按钮，该场景由显示导航应用的手机上的红色LED灯以固定间隔闪烁来指示。视频分析和按钮数据有助于识别高工作负荷情况，例如在繁忙路口导航或遇到异常车辆行为。

自适应机器学习框架

实验期间收集的数据用于开发和验证监督机器学习框架。该框架根据驾驶员的平均工作负荷对驾驶员进行画像，并采用贝叶斯滤波技术实时估计驾驶员的瞬时工作负荷。它结合了宏观和微观的工作负荷指标，允许使用同一车辆适应不同的道路类型、条件或驾驶员。

与捷豹路虎（JLR）的研究合作涉及实验设计和数据收集。JLR人机界面高级技术专家李·斯克里普丘克博士强调了这项研究在从用户角度理解设计影响方面的重要性。它将有助于通过优化JLR车辆内通知和交互的时机来提高安全性和驾驶体验。

持续改进安全性

通过使用这种自适应算法，车辆可以在适当的时候向驾驶员发送通知和交互，从而降低高工作负荷场景下的分心风险。这项技术是改善道路安全的重要一步，确保驾驶员在具有挑战性的驾驶情况下保持对道路的关注。

剑桥大学的研究由信号处理与通信实验室（SigProC）工程系的科研团队在西蒙·戈兹伊尔教授的指导下进行。该团队由巴沙尔·艾哈迈德博士领导，成员包括内尔明·卡贝尔博士和李家明博士，他们都为项目的成功做出了贡献。

在车内互联性日益增强的时代，监测和适应驾驶员工作负荷对于道路安全至关重要。剑桥大学与捷豹路虎合作开发的创新算法为解决这一挑战提供了有希望的方案。通过优先考虑安全并优化驾驶员与车辆的交互，这项技术有望显著提高整体驾驶体验，同时减少道路上的分心。