前言
2026年3月，Mobileye宣布与美国领先OEM达成DMS量产协议，其核心技术突破在于将驾驶员凝视与ADAS摄像头实时道路场景关联，实现真正的场景感知分心检测。
一、传统DMS的局限
1.1 “座舱-only”系统的盲点
| 场景 |
传统DMS判断 |
实际情况 |
问题 |
| 驾驶员看向前方 |
✅ 正常 |
实际走神/认知分心 |
❌ 漏检 |
| 驾驶员看向侧镜 |
⚠️ 分心？ |
检查路况 |
❌ 误报 |
| 驾驶员低头 |
⚠️ 分心 |
查看仪表盘 |
⚠️ 边界模糊 |
1.2 认知分心困境
1
2
3
4
5
6
7
8
9
10
| 传统DMS检测逻辑：
凝视前方 = 注意力集中？ ← 这是错误的假设！
实际：
凝视前方 ≠ 注意力集中
（驾驶员可能在走神、思考其他事情）
认知分心无法通过纯眼动检测
需要结合驾驶场景上下文
|
二、Mobileye DMS技术突破
2.1 核心创新
Mobileye DMS correlates driver gaze with real-world road conditions from ADAS cameras
将驾驶员凝视与ADAS摄像头感知的道路场景关联，实现：
| 能力 |
描述 |
| 场景感知 |
知道驾驶员应该看哪里 |
| 意图推断 |
判断视线是否合理 |
| 智能告警 |
只在真正分心时告警 |
2.2 技术架构
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
| ┌─────────────────────────────────────────────────────────┐
│ Mobileye DMS 系统架构 │
├─────────────────────────────────────────────────────────┤
│ │
│ ┌─────────────────┐ ┌─────────────────┐ │
│ │ ADAS摄像头 │ │ DMS摄像头 │ │
│ │ （前方道路） │ │ （驾驶员面部） │ │
│ └────────┬────────┘ └────────┬────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌─────────────────┐ ┌─────────────────┐ │
│ │ 场景理解模块 │ │ 驾驶员状态模块 │ │
│ │ • 道路拓扑 │ │ • 凝视方向 │ │
│ │ • 交通参与者 │ │ • 注意力状态 │ │
│ │ • 关键区域 │ │ • 疲劳程度 │ │
│ └────────┬────────┘ └────────┬────────┘ │
│ │ │ │
│ └───────────┬─────────────┘ │
│ ▼ │
│ ┌─────────────────┐ │
│ │ 场景感知融合 │ │
│ │ • 驾驶员应该看哪里？ │
│ │ • 驾驶员实际看哪里？ │
│ │ • 差异是否合理？ │
│ └────────┬────────┘ │
│ ▼ │
│ ┌─────────────────┐ │
│ │ 风险评估输出 │ │
│ │ • 分心等级 │ │
│ │ • 干预建议 │ │
│ └─────────────────┘ │
│ │
└─────────────────────────────────────────────────────────┘
|
2.3 场景感知示例
| 场景 |
ADAS感知 |
DMS感知 |
融合判断 |
| 高速弯道 |
前方弯道 |
凝视弯道内侧 |
✅ 正常 |
| 变道准备 |
检测变道意图 |
看向侧镜 |
✅ 正常 |
| 路口等待 |
红灯/等待 |
凝视前方但无反应 |
⚠️ 认知分心 |
| 前车减速 |
前车刹车灯 |
凝视前方但未反应 |
⚠️ 走神 |
三、量产计划
3.1 合作详情
| 项目 |
详情 |
| 合作伙伴 |
美国领先OEM（未公开） |
| 芯片平台 |
EyeQ6L |
| 量产时间 |
2027年 |
| 应用场景 |
hands-off自动驾驶 |
3.2 EyeQ6L规格
| 参数 |
规格 |
| 工艺 |
5nm |
| AI性能 |
~17 TOPS |
| 功耗 |
~5W |
| 支持摄像头 |
多路输入 |
| 应用 |
L2+ ADAS + DMS |
四、与传统方案对比
4.1 技术路线对比
| 维度 |
传统DMS |
Mobileye DMS |
| 传感器 |
座舱摄像头 |
座舱+ADAS摄像头 |
| 检测逻辑 |
眼动规则 |
场景感知融合 |
| 认知分心 |
❌ 无法检测 |
✅ 可检测 |
| 误报率 |
较高 |
较低 |
| 系统复杂度 |
低 |
高 |
| 成本 |
低 |
中 |
4.2 竞争优势
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
| Mobileye DMS优势矩阵：
检测准确率
↑
│
Mobileye DMS │
● │
│
传统DMS ● │
│
└──────────────→ 成本
低 高
结论：Mobileye在准确率上有明显优势
代价是需要ADAS摄像头集成
|
五、行业影响
5.1 对Euro NCAP 2029的意义
| Euro NCAP 2029要求 |
Mobileye DMS应对 |
| 复杂行为检测 |
✅ 场景感知能力 |
| 低误报率 |
✅ 智能判断 |
| 认知分心检测 |
✅ 创新方案 |
5.2 对OEM的启示
| OEM决策 |
考量因素 |
| 选择集成方案 |
Mobileye ADAS + DMS = 联合优化 |
| 选择独立方案 |
成本低，但能力受限 |
| 趋势判断 |
集成方案将成为主流 |
六、IMS开发建议
6.1 技术路线选择
| 方案 |
适用场景 |
建议 |
| 纯座舱DMS |
成本敏感车型 |
✅ 可行 |
| ADAS+DMS融合 |
高端车型 |
✅ 推荐跟随 |
| 自研融合算法 |
技术积累 |
⚠️ 投入大 |
6.2 分步实施
| 阶段 |
目标 |
交付 |
| Phase 1 |
基础疲劳/分心检测 |
座舱摄像头DMS |
| Phase 2 |
集成ADAS场景感知 |
融合算法 |
| Phase 3 |
认知分心检测 |
AI场景理解 |
6.3 算法开发要点
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
class ContextAwareDistractionDetector:
def __init__(self):
self.adas_scene = ADASSceneParser()
self.dms_state = DMSStateEstimator()
self.fusion = SceneGazeFusion()
def detect(self, adas_frame, dms_frame):
scene = self.adas_scene.parse(adas_frame)
driver = self.dms_state.estimate(dms_frame)
distraction = self.fusion.evaluate(scene, driver)
return distraction
|
七、市场竞争态势
7.1 主流DMS方案对比
| 供应商 |
方案特点 |
客户 |
| Seeing Machines |
算法领先，商用车强 |
欧洲车队 |
| Smart Eye |
欧洲OEM主流 |
Volvo, Mercedes |
| Cipia |
成本优势 |
新兴市场 |
| Mobileye |
ADAS+DMS融合 |
美国OEM |
| Seeing Machines + Valeo |
Tier-1集成方案 |
欧洲OEM |
7.2 技术趋势
1
2
3
4
5
6
| DMS技术演进路线：
Phase 1 (2020-2023) → 纯眼动检测
Phase 2 (2024-2026) → 多模态融合（摄像头+IR）
Phase 3 (2027-2029) → 场景感知融合（Mobileye路径）
Phase 4 (2030+) → 认知状态理解（AI深度）
|
总结
Mobileye DMS的创新在于场景感知融合：
- 解决盲点：检测”看着前方但实际分心”
- 降低误报：理解视线是否合理
- 提升价值：从被动监控到主动安全
- 行业趋势：ADAS+DMS融合将成为主流
行动建议：IMS团队应关注场景感知融合技术路线，评估ADAS集成可行性。
参考来源：
发布日期： 2026-04-06