超越模拟器：使用驾驶员监控摄像头和实时车辆数据在真实车辆中基于交互的酒驾检测

研究背景与问题

• 作者发现了哪些问题或挑战？
  酒精消费已成为严重的公共健康和交通安全挑战。全球每天因酒后驾车导致的交通事故死亡人数超过700人，占所有交通事故死亡人数的22%。然而，现有的酒精检测方法（如车内点火联锁呼气酒精检测仪）成本高昂，并且不符合未来自动驾驶技术的“被动”需求。此外，以仿真测试环境为基础的现有酒后驾驶检测研究在实际车辆环境中的适用性尚未得到充分验证。

• 为什么这个问题很重要？
  酒后驾驶不仅对个人健康构成风险，还对交通安全造成威胁。开发可扩展且成本有效的检测酒后驾驶的解决方案，可以显著减少相关事故，并加速自动驾驶技术的全面部署。

• 研究动机与相关工作
  尽管已有一些研究尝试使用仿真器数据开发机器学习（ML）模型检测酒后驾驶行为，但其结果的现实可行性和一般化能力存在争议。主动安全系统（如驾驶员监控摄像头和车辆的数据通信网络，简称CAN）为开发实时检测酒后驾驶提供了技术基础。然而，涉及真实车辆和无观察样本的酒后驾驶检测研究几乎没有开展过。

解决方案

• 作者提出了哪些方法或解决方案？
  作者开发并评估了结合驾驶员监控摄像头（DMC）和实时车辆通信数据（CAN）的机器学习系统，用于检测酒后驾驶行为。该系统不仅是对先前基于仿真器工作的扩展，还利用了标准汽车硬件。

• 该解决方案的创新之处是什么？

  1. 模型的实地应用性：首次在真实载具中验证酒后驾驶检测系统，而非仿真器环境。
  2. 数据融合：结合DMC和CAN数据，以提升模型对醉酒状态的检测性能。
  3. 新特征引入：开发了基于眼动区域事件的新特征，进一步提高模型对真实驾驶环境的适应性。
  4. 严格实验设计：引入安慰剂和参考组以排除非目标因素（如训练效应和疲劳）的干扰。

• 实施步骤是什么？使用了哪些关键技术？

  1. 数据采集：在瑞士的测试轨道上开展随机对照试验，招募54名参与者，记录其在不同酒精浓度下驾驶数据。
  2. 特征提取：从DMC和CAN数据中提取580个统计特征，包括头部、眼动、电控交互和车辆动力学特征。
  3. 建模：使用滑窗和逻辑回归（L1正则化）方法进行分类任务，包括“是否饮酒”和“是否超过世界卫生组织（WHO）推荐的0.05 g/dL的血液酒精浓度（BAC）限制”。
  4. 模型验证：通过“逐一留样交叉验证法”验证模型对未见过的驾驶员数据的泛化能力。

研究成果

• 取得了哪些具体成果？

  1. 使用DMC和CAN数据结合的模型在"是否饮酒"任务中，获得了0.84 ± 0.11的AUROC（ROC曲线下面积），在"是否超过BAC限制"任务中，获得了0.80 ± 0.10的AUROC。
  2. 引入控制组后模型性能保持稳定，此表明其对潜在偏倚的抗干扰能力。
  3. 该方法能捕捉已知的酒后驾驶的生理模式，包括眼动和车辆操控行为的变化。

• 与现有解决方案相比，它有哪些优势？

  1. 系统移植到真实车辆环境中的性能与仿真器研究相当，验证了仿真数据的可转移性。
  2. 不需要高精度实验室设备，仅利用标准工业级DMC和CAN硬件即可实现酒后驾驶检测。
  3. 方法具有成本效益，因所有处理可以在车内封闭回路中完成，无需额外数据存储或传输。

• 实验或评估结果是什么？

  • 单独使用DMC或CAN数据时性能较低，而二者结合后显著提升分类能力。
  • 在不同驾驶情景（高速公路、农村、城市）下，模型表现出稳定的性能。

• 局限性与未来方向

  1. 数据多样性：尽管研究样本在性别和年龄上分布均衡，但未涵盖足够广泛的种族多样性，这可能影响眼动特征的泛化性。
  2. 环境真实度：测试赛道缺乏真实世界中复杂多变的驾驶环境（如夜间驾驶、其他道路使用者干扰等）。未来工作建议使用实际道路数据来进一步验证模型鲁棒性和适用性。
  3. 自动驾驶影响：随着部分自动驾驶功能的引入，CAN数据的相关性可能降低，该模型需要针对高自动化模式进行增强和验证。

总结

本研究通过引入实时车辆数据和工业标准硬件，显著推进了酒后驾驶检测从仿真器向真实世界的演进。该模型不仅在实验中表现出了稳健的性能，还为未来自动驾驶车辆中的主动安全系统铺平了道路。