除了控制車輛，駕駛員還經常執行妨礙駕駛的次要任務。減少駕駛員分心是智能交通安全系統面臨的重要挑戰。運用智能算法的駕駛員分心監測與評估系統，可對駕駛員的注意力進行監測與評估，目的在于減少由于駕駛員分心造成的交通事故危害。

本文是來自斯柯達的研究成果，主要內容包括：

1，ITEAM項目簡介

2，動機

3，駕駛員分心檢測與評估法

4，數據采集

5，案例研究結果

6，結論

1，ITEAM項目簡介

ITEAM（InTErdisciplinary trAining network inMulti-actuated ground vehicles）項目的主要目標是建立和維持具有跨學科水平的歐洲培訓網絡，培訓在MAGV(Multi-actuated ground vehicles)領域新技術研究和開發的專家。

為了實現目標，該項目聯合了來自9個歐洲國家的11個相關方和8個合作組織，其中包括10所大學、2個研究中心和7個非學術組織。

2，動機

致命的交通事故是設計本算法的動機

美國、歐盟、德國的人口及每年交通事故死亡人數如下：

駕駛員注意力分散是本算法的另一動機

單歐盟就有18%的致命交通事故是由于駕駛員注意力分散而導致的。目前研究的目的是利用智能算法，通過監測提高交通安全，進一步減少車內信息系統對駕駛員的干擾。

駕駛員分心的定義

駕駛員分心是指由于車內外事件、活動、人或物體的原因，迫使或誘導駕駛員將注意力從駕駛任務上移開，從而導致駕駛員對安全駕駛所需信息的識別延遲。-J.R.Treat

駕駛員分心是將注意力從對安全駕駛至關重要的活動轉移到與之沖突的活動上。-M.A.Regan

干擾源

分散駕駛員注意力的干擾源分為外部干干擾源和內部干擾源。外部干擾源有事故、野生動物、行人以及騎行者。內部干擾源有手機、食物飲料、閱讀寫作以及媒體導航。

駕駛員注意力分散的形式

駕駛員注意力分散形式分為視覺脫離（如視線脫離道路）、聽覺脫離（帶耳機聽音樂）、身體脫離（手離開方向盤）以及意識脫離（走神）等。

3，駕駛員分心檢測與評估法

駕駛員分心監測與評估法：駕駛表現評測

現有方法：對低干擾更敏感

這套方法收集了限速、曲線半徑、曲線方向等環境因素，通過駕駛員機器學習模型與預處理訓練數據融合·，并且根據車輛速度偏差以及車道保持偏移量計算出誤差，最后通過模糊邏輯推理（評估器）得出駕駛員注意力分散等級。

駕駛員在環實驗

4，數據采集

對參與者進行駕駛數據采集

共18名參與者，其中27.8%為女性，72.2%為男性，平均年齡為30歲，平均駕齡11年。

采集數據需要的設備和系統：

油門踏板

制動踏板

方向盤

兩個LCD顯示器

實時駕駛員在環模擬系統

抬頭顯示

Matlab/Simulink與IPG CarMaker的集成

數據采集過程

測試道路全長10626米，兩條車道，車道寬度為3.5米

自由駕駛測試

2圈自由駕駛

1圈手機聊天注意力分心駕駛

采樣頻率50Hz (0.02秒樣本周期)

5，案例研究結果

案例研究結果1：機器學習預測駕駛員的表現

案例研究結果2：駕駛員表現預測與駕駛員實際駕駛表現的對比

案例研究結果3：最終駕駛表現

案例研究結果4：駕駛員注意力評估

6，結論

本研究提出了一種新穎的基于智能算法的駕駛員分心監測與評價方法（該方法融合了機器學習以及模糊邏輯），其中包括：

一個正常駕駛模型（機器學習）

一個測量次要任務誤差的次要系統

一個整體注意力分心評估模塊（模糊邏輯）

需要準備合適的軟件（比如MATLAB）和硬件（IPG系統體驗平臺駕駛模擬器）設施。該方法在18名參與者的駕駛員在環測試中得到驗證，并將手機互動作為干擾駕駛的次要活動。