科技日報記者 ?張曄
隨著人們生活節奏的加快，社會信息化程度的不斷提高，駕車人在行駛中分心行為的發生概率逐年提升，不僅嚴重影響著道路行車安全，還對非機動車輛、行人的生命安全帶來了極大的安全隱患。
單靠法律規定或駕車人自律，無法完全抑制分心行為的發生。那么，在各類高科技飛速發展的今天，有沒有什么技術手段可以幫助駕車人集中注意力、減少不安全的駕駛行為呢？
(資料圖片)
答案是肯定的。近日，南通大學專家團隊構建了不完全觀測條件下的分心駕駛行為識別模型，為智能駕駛輔助系統以及自動駕駛中優化駕駛員狀態監控提供了全新思路。相關研究成果發表在國際信息領域權威期刊《信息融合》上，并收錄進了IEEE智能交通協會和德古意特出版社即將發行的《智能汽車與智能交通》專著中。
有了輔助駕駛也不能撒手不管
根據世界衛生組織數據顯示，目前全世界每年道路交通事故造成大約130萬人死亡，其中近90%的致死交通事故由駕駛員不當駕駛行為所引發，分心駕駛業已成為導致交通事故的主要因素之一。
隨著人工智能、視覺算法和雷達技術的發展，自動輔助駕駛已走進現實，市場上越來越多的量產車型搭載了L2或者L3級自動輔助駕駛功能。工業和信息化部數據顯示，今年上半年，具備組合駕駛輔助功能的乘用車銷量達288萬輛，滲透率升至32.4%，同比增長46.2%。行業數據顯示，L2及以上級別自動駕駛功能在乘用車市場滲透率在年底將達到36%，到2025年這一數字有望達到60%。
但是，這些L2或者L3級自動輔助駕駛車輛還不能完全識別駕駛場景，依然需要駕車人時刻觀察路況并做好隨時接管車輛的準備。但是，不少駕駛者常把汽車“輔助駕駛”功能當作“全自動駕駛”，行車途中分心做其他事情，增加了道路安全風險。
在這樣的前提下，車輛依然需要隨時監控駕駛員的注意力狀態，確保駕駛員可以及時接管車輛。因此，準確識別駕駛員的分心駕駛行為，對于安全駕駛輔助系統的設計以及自動駕駛車輛人機切換策略的研究具有極大意義。
開車專不專心 算法來判斷
現有的分心駕駛行為識別主要基于以卷積神經網絡為核心的深度學習模型，通過提取行為圖像的深度特征，挖掘駕駛者分心行為類型，相關方法在觀測圖像質量較高的情況下，對于簡單的行為模式識別效果較好，但是一旦觀測圖像由于噪聲的影響而出現模糊、黑點、白化等局部特征稀疏，就會極大影響深度學習模型獲取行為圖像關鍵特征的能力，從而容易出現行為識別的錯誤。
針對上述問題，南通大學施佺教授團隊、丁衛平教授團隊聯合日本名古屋大學武田一哉教授團隊，通過融合深度學習自注意力行為識別模型與因果推理知識模型，成功構建了不完全觀測條件下的分心駕駛行為識別模型，證明了時空事件知識模型的加入，可以顯著加強深度學習模型的自我推理能力，從而賦予行為識別模型“執因索果”的邏輯判別能力。
該深度學習與因果推理融合的識別模型，在駕駛員行為流識別上表現出了極佳的性能和穩定性，相比傳統方法，在長時噪聲以及肢體遮擋情況下模型的識別準確性更好。相關的理論模型為智能駕駛輔助系統以及自動駕駛人機交互系統對于駕駛員狀態監控的優化設計提供了全新思路。
據南通大學交通與土木工程學院青年教師平鵬介紹，因果推理與深度學習的融合是未來可解釋性AI的重要研究方向，是加速推進當前人工智能由相關性分析向推理性分析飛躍發展的翅膀，對于機器視覺領域、模式識別領域等將產生重要的理論促進作用。
“希望我們的研究可以更廣泛地應用在人工智能模型構建上，為全世界人工智能的發展貢獻‘中國智慧’。”平鵬說。
關鍵詞： 因果推理
營業執照公示信息