講師：朱玉龍，江湖人贈稱號“朱校長”，深耕于汽車電子設計領域，從2014年8月創建“汽車電子設計”個人微信公眾號以來，筆耕不輟，堅持每天撰寫推送一篇原創文章，公眾號關注人數愈萬，是業內備受尊敬的“干貨知識庫”。

　　主題：

　　1.現有駕駛員監測的方案

　　2.駕駛員監測的可行方案概覽

　　3.DM參數分析

　　4.目前產品的困難和局限

　　5.高級自動駕駛對DM的需求

　　6.DM的未來發展

　　以下為微沙龍講座的演講實錄+PPT：

　　朱玉龍：我這邊今天選擇的主題，是駕駛員監測，不是在前向防碰撞的體系里面，也不在倒車的體系里面，所以它比較獨立。我選的這個話題，因為全球范圍內，它在未來的無人駕駛跟ADAS這塊都是非常重要的，但是與國外整個切入點來講，是相對比較好的。所以我這邊也做一個介紹，因為之前可能大家對于駕駛員監測更多是在客車上作為一個強制的使用，并不看成是一個機會。我選擇這樣一個話題的切入點，也是希望大家可以重新審視這個相對在ADAS領域里面比較偏門的一個東西。

　　國外駕駛員監測的方案介紹

　　首先，從兩個大類來講，從駕駛員監測總體的架構是從直接監測跟間接監測兩類劃分，直接監測是直接通過駕駛員的獲取信息，主要是通過他的臉部信息跟圖像，采取這個模式來獲取整個的信息。這里通常意義上我們就是有幾個緯度，一個就是駕駛員的注意方向，還有一個是判斷駕駛員整個眼瞼的閉合情況，需要移植對人體疲勞模型，對整個眼的情況，也需要適度的一個學習過程。

　　在德國那塊，大量通過使用車輛方向盤的角速度，還有整個驅動器正常跟異常的判斷，通過正常的算法來做。在傳統的算法里頭，因為信息量的緯度不夠，更多是一種提醒，因為它沒有辦法，有些人的駕駛風格就是特殊的，不一樣。所以在這一頁里頭，基本上我們可以看到這是兩個截然不同的路徑。

　　我來重點介紹一下駕駛員監測的認知緯度，我們認為在整個駕駛員的狀態有四個基本緯度，一個就是認知的負荷，通過人體的疲勞負荷，來判斷他要睡、分心、過勞，通過眼鏡的注視方向，眼睛眨眼的情況，包括腦電波、心跳、皮膚的傳導率、體溫、呼吸的分析，來判斷駕駛員身體的情況。第三個緯度就是我們經常說的，你是不是去打手機，或者說你在開車的時候去喝茶，干一些別的什么事兒。第四個就是通過駕駛的距離，跟車道的實際情況，車速變化跟加速情況，通過這些認知緯度來認識駕駛員多維度的情況。

　　我們首先還是看一下豐田的Denso的方案。Denso的方案是用一個NIR紅外的傳感器加上一體化的ECU，主要是用在豐田的雷克薩斯車上，也用在它的卡車上面，主要是用來做疲勞監測。然后在磕睡狀態，眨眼會比較厲害，整個人打瞌睡會閉的很厲害，通過這個記錄來記錄整個實際駕駛員身體的情況，可能會做聲音的報警。

　　總體來講這個方案有好有壞，好的地方就是通過算法，因為通過直接的函數，把整個人的實際情況也弄出來了，然后看通過監聽以及一些直接的參數，它能夠讓你的整個方案精確度相對比較高，這個其實也是仁者見仁智者見智，因為畢竟ECU是離線的，每個人的實際情況也不一樣。比起相對監測的方案，這個東西其實整個識別率是相對比較高的。壞處就是說這個地方布置起來比較難，在整個駕駛盤的下方，因為要考慮整個布置，這個東西其實也做的很難小，還有一個紅外的LED的燈，因為布置起來要被駕駛員看到，就會覺得這個東西是弄干嗎，從整個成本來講由于設計的時候是比較偏高的，在整個歐美的客戶他是比較容易擔心監測到隱私，你一直在看他，他在整個實際情況里頭，數據的情況是不是有被外傳，他其實是不知道的。在某些特殊的場景下面作為一些記錄之類的，這個方案的本身從某種程度來說是一個比較直接的，它是所見即所得的方案。

　　相比較而言，德系的方案我對比了一下，在整個奧迪、大眾、寶馬、戴姆勒他們幾個方案都是差不多的，都是通過方向盤角速度的記錄，然后做了疲勞駕駛的系統，相對來講它的裝車率在幾年以前就比較高，實際上這里頭就多了一個算法，對整個ECU里講并沒有加，是在原來的ECU里頭做了一些處理。

　　這個就是因為其實是根據你的駕駛行為去判斷這個東西，那么它更多的是一種輔助、預防的舒適功能，它并不是直接干預你的任何行為，更多是根據這個轉向速度評估其他的一些情況，相當于傳到儀表總件里頭做報警。

　　還有一個就是普遍意義上大家覺得疲勞駕駛做的不是很好，或者說會產生大量誤報的原因，因為這里頭更多的是根據一些客觀的參數，然后本身這個算法都是固化的，整個不同的人、不同的行為做進去的時候它會得到比較大的差異性。

　　根據兩種模式，我們可以仔細的看一下這張圖，他把正常的轉向行為，相當于根據我們的集中度理論來判斷，因為正常在不同的轉彎下，你的轉向變化率是有限的，而且相當于它會正反都有的，如果你在一定的上面沒有逆向的動作，感覺整個車輛的姿勢是一扭一扭的。

　　原來的這種比較簡單的方案，在整個ECU車輛姿勢的階段去進行做數據分析，去做挖掘，它更多的是以轉向角速度的單向變化率來作為一個主要的識別量。實際為了進一步的分化這個東西，你可以看到它在里頭會把車速、行程、發動機狀態、轉向角、橫向加速度、偏轉率、車門的情況、安全帶的情況、時間信號，還有通過這個系統，把車內溫度、汽車的操作，綜合進行運算之后，得到一個駕駛員的情況。

　　這里存在一個基本的概念，在原來的主的算法基礎上，加入了一些別的權重，來判斷駕駛員在里頭的行為，如果駕駛員啥都沒干的話，在整個很疲勞的情況下，所有的其他行為都是沒有的，這也就是客觀上面加了一個輔助的緯度做指征，來判斷整個疲勞駕駛。這個方案的核心問題，更多的是以車內的情況，僅僅是看整個車內所有相關的這些傳感器的情況來判斷駕駛員的行為。

　　為了進一步的把整個算法提升，我們需要從更多的緯度去考慮，就是不僅是看車輛的響應，也要看到駕駛的行為，更要看在整個檢測車外的信息，跟獲取駕駛員的信息組成一個綜合緯度的算法來確認。核心在于在整個前向AEB，還有（32）已經加了以后，就可以獲取外面的信息作為一個綜合，也就是說你知道外面的道路是什么樣子的，來結合判斷車輛實際的響應跟車主的行為，然后再通過直接采集駕駛員的接觸信息，如下面這張圖所看到的那樣。

　　這個圖是比較有趣的，你可以通過安全帶，可以通過在測手的溫度，對比車廂內的環境溫度，根據手接觸的時候，判斷心跳的情況，然后再結合通過方向盤，判斷車輛姿態的變化，結合的把這個算法整合出來。從某種程度上面來說，這個算法就比原來德系的算法，整個緯度和信息上面都要全很多。數據的運算能力可能需要單獨一個模塊來整合，因為相當于你從不同的地方去抽取。

　　講了這幾種現有的方案，總體來講整個圖像來講，它相對于來講是一個比較好的選擇，比較準，差異也比較小。整個系統來講，你不加成本，或者加少量的成本還好說，如果加了很多的硬件，加了這個東西之后，很難說服客戶裝這樣一個東西。因為客戶因為這個東西還加大了一些難度，雖然可能疲勞駕駛對客戶來講是一個安全的隱患，但是更多的人在疲勞的時候選擇自己開回家，而不是找一個代駕，這個問題其實對于客戶來講其實他相當于花了錢買一個可能有些時候會阻礙我開車的東西，或者是吵著他的東西，這個是比較麻煩的。一旦涉及到駕駛員圖像，這是很難規避到在國外用戶那塊的介意程度的，布置起來有些時候讓客戶看到這個東西他就會比較介意。

　　我是覺得駕駛員監測這個方案更多是對人的一個行為的了解，這個并不是在汽車里有的，因為人在汽車里的行為，或者人在汽車里這個東西在不同的場合，在密閉的場合其實都是差不多的?？梢愿鶕锢淼摹⒁曈X的，還有身體的東西來弄，然后通過紅外圖像、TOF，通過前向的camera融合，包括角速度傳感器，還有酒精傳感器等探測的傳感器來做。

　　從某種程度上面整個可穿戴設備的東西，信息整合對于整個車輛的DM的沖擊還是挺大的。為什么這么說呢？這個可穿戴設備更多是一種用戶的設備遷移，他可以在不同的地方用。比如說你去開車、開船、做事情，它對于你的健康監測的需求是另外一個緯度的，比如你戴一個apple watch它有健康監測功能，健康這些東西分析出來，最后把這個信息同步到整個車輛信息再做一個，其實從某種程度上面，它就是在另外一個緯度解決問題了，這跟車沒關系。

　　隨著整個大數據量的學習，對于人體Apple watch 個性化的情況，會比車輛的迭代越來越快。因為福特的方案整個量產這塊遇到了一些問題，就是說加這個系統未來有沒有價值？加了那么多的傳感器，讓用戶只是在開車的時候用有沒有價值，是不是把可穿戴設備融合在車的里面，通過通信的模式，通過整合，比如說通過開發可穿戴設備的應用來解決。這一塊來講是現有的DM，就是現有如果是常規車的DM，無論是客車、卡車都是一個大的challenge。

　　可以簡短的來講，如果沒有自動駕駛，或者沒有高階的輔助駕駛，DM的輔助需求是非常有限的，它僅僅是關注于疲勞以外，還有整個其他的一些特殊的情況，對客戶來講這個時候并沒有太大的問題，即使疲勞也是因為工作所迫，因為怎么樣必須要去開，有這個或者沒這個，因為你是不干預的，所以更多是上了一個提醒的燈一樣。

　　這張圖我也在朋友圈有發過，整個航空業和車輛，在無人駕駛這個領域兩個產品的方案是不一樣的。在飛機上，因為你的反應時間是有的，在意外的情況發生的時候，是有兩個飛行員，而且有一些時間來響應。因為整個飛行員受過訓練，對整個操作是非常熟悉的，或者說他們之間的整個過程是非常響應快的。從自動飛行切到手動飛行模式他們是經過長久的訓練的。在車輛這塊，特別是高階的輔助駕駛如果出現未來的意外，比如GPS信號丟失、聯網丟失、部件的損壞，意外的東西出現的時候，那么整個汽車行業其實不知道駕駛員的情況。

　　我覺得在某種程度上面來說，DM是非常重要的一個東西，它更多的是如果你的汽車出現意外，自動駕駛出現了一些缺陷或者怎么樣，整個系統在operation下面它是要監測駕駛員行為，要通過HMI讓客戶知道整個車現在有點問題，你不能像以前那么信賴它。只是我們將來把高階的L3設計的很好，你也很難保證在任何時段這個東西都不出問題。更多的時候，在完整狀態下客戶是很輕松的去享受這個高階的輔助駕駛帶來的快樂。這個DM更多的是要默默在后臺工作 ，確認消費者萬一在出問題的時候它能不能夠迅速反應過來。

　　豐田在它的DRCC，是在一個很高速的范圍內做ECC的時候，這個東西就非常要緊了。因為它這邊就結合了自適應巡航+車道保持，消費者在這種情況下其實他既不要動方向盤，車輛兩個結合之后是可以做控制的。這里頭消費者一般來講，在高速上根本就不用管那個吃。如果出現一些意外，其實車也會可以做減速，但是它需要確定駕駛員是否處在一個狀態，他會不會睡著了，如果睡著了之后它就需要一個比較強的HMI來介入，把駕駛員做喚醒。 總體來講，在整個國外的OEM，特別是做高速ACC巡航的時候都會有這樣一個要求，或者說對于HMI的要求特別高。所以某種程度上線一旦是系統跟駕駛員共同決定一個系統的行為的時候，將來出事故，特別是出安全事故的時候，這里頭就有兩部分行為。也就是說原來的輔助駕駛更多介入度比較少的時候，所有的行為我們是比較容易去查的，也就是說可復現的。什么意思呢？就是說某種程度上，駕駛員的行為它是獨立的，整個車那塊相當于它行為是均一化的。一旦ADAS加入之后，里頭有大量的information，包括V2V 、V2I，還有整個道路的情況，需要復現一個事故的話就比較難了。也就是說如果再次出現像豐田剎車門這種剎車剎不下來的時候，或者是出現其他事故，或者說車主睡著了或者怎么樣，因為到越高階的時候，特別是還沒到完全無人駕駛，只是機器責任的時候，兩邊都有的話，你需要界定最后出問題的那一方，因為我相信ADAS一定會出問題，在整個部署過程以后，它一定會伴隨一些事故，伴隨著一些問題發生。在這個過程里頭，你看到的投放都是從高端車慢慢一步一步，從嚴格的環境控制，因為它里頭是多輸入，有ADAS，有通信系統，有駕駛員，輸出的話有整個ADAS自己在控制，也有駕駛員在控制，這樣的情況下你能夠獲取到DM的信息，對車廠來講是非常有幫助的。

　　所以我們再看不同的場景下，在整個不同的模式下面，整個功能開啟或者說功能理想條件下，或者不理想條件下，我把這兩個圖放在一起，一個是藍色的一個是紅色的。某種程度上面，將來的DM更多的是作為，如果做ADAS沒有車聯網還是不要去做了，核心的數據就是說，需要把駕駛員的數據、DM的數據跟車輛的行為保存到服務器上面，萬一出問題的時候你可以把整個行為復現，然后搭建場景重新來判斷到底哪里出問題。為什么所謂的自動駕駛或者說高階的ADAS比較難的地方，就是有兩個輸入進來的時候是有大量的問題在，就是說你想跑得快，但是從工程實現上面，特別是做DEMO上面是很容易的事。但是一旦鋪開的時候，特別是有大量不同的車主，大量不同的行為在的時候，還有整個你在可靠性條件下，它必定會有一些東西出現功能上面或者性能上面的危險的時候，這個問題你可以想象一下都是挺頭痛的。

　　總體來講，DM將來作為高階的無人駕駛，不管是在座的各位做ADAS也好，做哪個環節也好，DM更多是作為一個必須擁有的東西出現的，它又是跟整個車聯網的系統、信息記錄、數據收集是合在一起的。我今天主要講這個東西，也是希望大家能夠理解，（39）這個東西在以前的概念是一個疲勞駕駛，以后更多不僅僅是疲勞駕駛。更多的是高階的ADAS一個調研駕駛員反饋窗口的概念，因為整個高速無人駕駛也好，將來的低速無人駕駛也好，是讓用戶在娛樂狀態下，在放松狀態下，需要一個動態的HMI，讓車主需要在整個系統不能工作的時候能夠肩負起他自己安全的責任。