Driver-Net：用于评估自动驾驶车辆中驾驶员接管准备度的多摄像头融合方法
计算机视觉与模式识别
2025-09-09 v2 人工智能
新兴技术
机器学习
机器人学
摘要
确保自动驾驶车辆中控制权的安全过渡需要准确且及时地评估驾驶员的准备状态。本文介绍了Driver-Net，一种新颖的深度学习框架，它融合多摄像头输入来估计驾驶员的接管准备度。与传统的基于视觉的驾驶员监控系统（专注于头部姿态或眼睛注视）不同，Driver-Net通过三摄像头设置捕获来自驾驶员头部、手部和身体姿态的同步视觉线索。该模型使用双路径架构（包括上下文块和特征块）整合时空数据，随后采用跨模态融合策略以提高预测准确性。在利兹大学驾驶模拟器收集的多样化数据集上评估，所提出的方法在驾驶员准备度分类中达到了高达95.8%的准确率。这一性能显著提升了现有方法，并强调了多模态和多视角融合的重要性。作为一种实时的、非侵入式的解决方案，Driver-Net为开发更安全、更可靠的自动驾驶车辆做出了有意义的贡献，并与新的监管要求和即将出台的安全标准保持一致。
引用
@article{arxiv.2507.04139,
title = {Driver-Net: Multi-Camera Fusion for Assessing Driver Take-Over Readiness in Automated Vehicles},
author = {Mahdi Rezaei and Mohsen Azarmi},
journal= {arXiv preprint arXiv:2507.04139},
year = {2025}
}