寻找更合适的适配：适应个体驾驶员的增量学习多模态对象引用框架

汽车工业向自动化和半自动化车辆的快速进步使得传统的车辆交互方法（如触摸和语音命令系统）对于越来越多的非驾驶相关任务（如引用车外物体）变得不足。因此，研究转向手势输入（如手部、视线和头部姿势手势）作为驾驶过程中更合适的交互模式。然而，由于驾驶的动态性和个体差异，驾驶员的手势输入表现存在显著差异。虽然从理论上讲，这种固有变异性可以通过大量数据驱动的机器学习模型来调节，但主流方法倾向于使用约束的单一实例训练模型进行对象引用。这些模型在持续适应不同驾驶员行为和各种驾驶场景方面表现出有限的能力。 为解决这一问题，我们提出了IcRegress，这是一种新颖的基于回归的增量学习方法，可适应驾驶员在驾驶和引用物体的双重任务中的行为变化和独特特征。我们建议为多模态手势界面提供更加个性化和适应性强的解决方案，采用持续终身学习来增强驾驶员体验、安全性和便利性。我们使用车外物体引用用例评估了我们的方法，这凸显了适应后的增量学习模型相对于单一训练模型在各种驾驶员特征（如惯用手、驾驶经验）和众多驾驶条件下的优越性。最后，为促进可复现性、简化部署和促进进一步研究，我们将我们的方法作为开源框架提供。