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，该算法能够预测驾驶员何时可以安全地与车载系统交互或接收信息，从而显著提高道路安全。这种创新方法结合了道路实验和机器学习技术，可以持续测量驾驶员的工作负荷，并根据不断变化的路况和驾驶员行为进行实时调整。.
用于提高道路安全性的自适应算法
研究人员开发的算法具有高度适应性，能够应对驾驶员工作负荷、路况、道路类型和驾驶员特征的变化。它结合了机器学习和贝叶斯滤波技术，持续评估驾驶员的工作负荷。例如，在不熟悉的区域或交通拥堵路段驾驶可能意味着更高的工作负荷，而日常通勤则可能意味着较低的工作负荷。.
这项技术的主要目标是通过定制驾驶员与车辆的交互方式来提升道路安全。例如，在驾驶负荷较低的时段，系统会提醒驾驶员非紧急信息和通知，确保他们在更复杂的驾驶场景下能够全神贯注于路面。.
车载数据日益丰富，可能成为道路安全的主要风险因素，因为它会分散驾驶员的trac。为了应对这一挑战，至关重要的是建立一个能够持续评估驾驶员工作负荷的系统。通过了解驾驶员的专注程度和路况，该系统可以优先考虑何时向驾驶员显示信息或警报，确保在驾驶员工作负荷较低时进行。.
衡量驾驶员的工作负荷
虽然目前已有算法利用眼动 trac器和生物识别数据来测量驾驶员的需求，但剑桥大学的研究人员旨在开发一种基于任何车辆现成数据的方案，特别是转向、加速和制动等驾驶性能信号数据。该方案允许使用和融合各种不同步的数据流，包括来自生物识别传感器的数据（如有）。.
为了测量驾驶员的工作负荷，研究人员采用改进版的周边视觉检测任务（Peripheral Detection Task）进行了道路实验。实验中，参与者被要求在感知到低工作负荷场景时按下佩戴在手指上的按钮。低工作负荷场景的指示是手机导航应用屏幕上的红色LED灯以规律的间隔闪烁。通过视频分析和按钮数据，研究人员能够dent出高工作负荷场景，例如在繁忙路口行驶或遇到异常车辆行为。.
自适应机器学习框架
实验中收集的数据用于开发和验证一个监督式机器学习框架。该框架基于驾驶员的平均工作负荷对其进行分类，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，能够适应不同的道路类型、路况或使用同一车辆的不同驾驶员。.
与捷豹路虎（JLR）的合作研究包括实验设计和数据收集。捷豹路虎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的重要性，它有助于从用户角度理解设计的影响。通过优化捷豹路虎车辆内的通知和交互时机，这项研究将有助于提升安全性和驾驶体验。.
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间向驾驶员推送通知和互动信息，从而降低在高负荷驾驶情况下trac分心的风险。这项技术是提高道路安全的重要一步，它能确保驾驶员始终专注于路面情况，尤其是在复杂的驾驶环境中。.
剑桥大学的这项研究由工程系信号处理与通信实验室（SigProC）的研究团队在西蒙·戈德西尔教授的指导下完成。该团队由巴沙尔·艾哈迈德博士领导，成员包括纳明·卡贝尔和梁嘉明博士，他们都为项目的成功做出了贡献。.
在车辆互联日益增强的时代，监测并适应驾驶员的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应对这一挑战提供了一种极具前景的解决方案。该技术通过优先考虑安全并优化人车交互，有望显著提升整体驾驶体验，同时减少道路上的注意力trac。.
