Seeing Machines 注意力共享检测：捕捉累积视线偏离的风险

前言

2025 年 11 月，Seeing Machines 在其 Guardian 商业车队安全解决方案中推出了业界首个 “注意力共享”（Attention Sharing） 检测功能。

这一创新解决了传统 DMS 的一个重要盲点：多次短暂视线偏离累积的风险。

一、注意力共享问题

1.1 定义

注意力共享（Attention Sharing） 是指驾驶员在短时间内反复将视线从道路移开，每次时间短暂，但累积后构成风险的行为。

典型场景：

  • 驾驶员反复看手机（每次 1-2 秒）
  • 驾驶员频繁查看导航
  • 驾驶员分心操作车内设备

1.2 传统 DMS 的盲点

检测方式 检测规则 盲点
长分心检测 单次视线偏离 ≥3 秒 无法检测短暂重复分心
注意力共享 累积视线偏离 ≥10 秒/30 秒 ✅ 可检测

示例：

  • 驾驶员 30 秒内看了 6 次手机，每次 2 秒
  • 传统 DMS：不触发（单次未超 3 秒）
  • 注意力共享：触发（累积 12 秒 > 10 秒阈值）

二、Seeing Machines 方案

2.1 检测规则

根据 Seeing Machines 官方说明：

1
2
3
4
5
6
7
注意力共享检测规则：

┌─────────────────────────────────────────────┐
│  时间窗口：30 秒滚动窗口                    │
│  阈值：累积视线偏离 ≥ 10 秒                 │
│  触发：音频 + 视觉警告                      │
└─────────────────────────────────────────────┘

2.2 技术实现

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
# 注意力共享检测概念代码
class AttentionSharingDetector:
    def __init__(self, window_size=30, threshold=10):
        self.window_size = window_size  # 秒
        self.threshold = threshold      # 秒
        self.gaze_history = []          # (timestamp, is_on_road)
    
    def update(self, is_on_road, timestamp):
        """更新视线状态"""
        self.gaze_history.append((timestamp, is_on_road))
        
        # 清理过期数据
        cutoff = timestamp - self.window_size
        self.gaze_history = [
            (t, s) for t, s in self.gaze_history if t > cutoff
        ]
    
    def check_attention_sharing(self):
        """检查是否触发注意力共享警告"""
        # 计算累积视线偏离时间
        off_road_time = sum(
            1.0 / self.fps  # 假设帧率固定
            for _, is_on_road in self.gaze_history
            if not is_on_road
        )
        
        if off_road_time >= self.threshold:
            return True, off_road_time
        return False, off_road_time

2.3 警告机制

阶段 触发条件 警告方式
实时警告 累积 ≥10 秒/30 秒 音频 + 视觉警告
车队监控 事件发生 Guardian Live 实时推送
事后分析 所有事件 车队管理后台可查

三、与 Euro NCAP VATS 的关系

3.1 VATS 定义

Euro NCAP 2026 协议中的 VATS（Visual Attention Time Sharing） 定义：

VATS： 在 30 秒滑动窗口内，累积视线偏离超过 10 秒。

这与 Seeing Machines 的”注意力共享”完全一致。

3.2 Euro NCAP 评分

检测类型 分值 检测规则
长分心 部分 单次视线偏离 ≥3 秒
VATS（短分心） 部分 累积视线偏离 ≥10 秒/30 秒

3.3 实现难度

维度 长分心检测 VATS 检测
数据需求 单帧视线判断 时间序列追踪
算法复杂度 低 中
计算资源 低 中（需要历史数据缓存）
误报风险 低 中（需要排除驾驶相关视线）

四、开发落地方案

4.1 算法架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
注意力共享检测系统：

┌─────────────────────────────────────────────┐
│  输入层                                      │
│  ├─ 视线方向（每帧）                        │
│  └─ 视线是否在道路上（判断结果）            │
├─────────────────────────────────────────────┤
│  时间序列处理层                             │
│  ├─ 滑动窗口（30 秒）                       │
│  ├─ 视线状态缓存                            │
│  └─ 累积偏离时间计算                        │
├─────────────────────────────────────────────┤
│  驾驶相关过滤层                             │
│  ├─ 排除看后视镜                            │
│  ├─ 排除看仪表盘                            │
│  └─ 排除看侧窗外（驾驶相关）               │
├─────────────────────────────────────────────┤
│  决策层                                      │
│  ├─ 阈值判断（≥10 秒）                      │
│  └─ 警告触发                                 │
└─────────────────────────────────────────────┘

4.2 驾驶相关过滤

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# 驾驶相关视线区域定义
DRIVING_RELATED_ZONES = {
    "rearview_mirror": {"x_range": (-0.5, 0.5), "y_range": (0.3, 0.7)},
    "side_mirror_left": {"x_range": (-1.0, -0.5), "y_range": (0.2, 0.5)},
    "side_mirror_right": {"x_range": (0.5, 1.0), "y_range": (0.2, 0.5)},
    "instrument_cluster": {"x_range": (-0.3, 0.3), "y_range": (-0.2, 0.2)},
    "side_window_left": {"x_range": (-1.2, -0.8), "y_range": (-0.5, 0.5)},
    "side_window_right": {"x_range": (0.8, 1.2), "y_range": (-0.5, 0.5)},
}

def is_driving_related_gaze(gaze_direction):
    """判断视线是否指向驾驶相关区域"""
    for zone_name, zone_range in DRIVING_RELATED_ZONES.items():
        if (zone_range["x_range"][0] <= gaze_direction.x <= zone_range["x_range"][1] and
            zone_range["y_range"][0] <= gaze_direction.y <= zone_range["y_range"][1]):
            return True, zone_name
    return False, None

4.3 测试场景

场景 触发条件 预期结果
单次长分心 视线偏离 4 秒 长分心警告
短暂重复分心 6 次 × 2 秒，间隔 3 秒 VATS 警告（累积 12 秒）
驾驶相关视线 看后视镜 3 次 无警告
混合场景 看后视镜 + 看手机 仅计算手机时间

五、与 IMS 开发的关联

5.1 功能优先级

功能 Euro NCAP 要求 IMS 优先级
视线追踪 2026 必需 P0
长分心检测 2026 必需 P0
VATS 检测 2026 必需 P1
驾驶相关过滤 提升体验 P1

5.2 开发时间线

阶段 时间 交付物
阶段 1 1 月 基础视线追踪
阶段 2 2 月 长分心检测
阶段 3 3 月 VATS 检测算法
阶段 4 4 月 驾驶相关过滤
阶段 5 5-6 月 Euro NCAP 验证

5.3 性能要求

指标 要求
时间窗口精度 ±1 秒
累积时间精度 ±0.5 秒
误报率 < 5%
漏报率 < 10%

六、总结

关键要点

要点 说明
检测盲点 多次短暂分心累积风险
VATS 规则 累积偏离 ≥10 秒/30 秒
驾驶相关过滤 排除后视镜、仪表盘等
Euro NCAP 合规 2026 必需

开发启示

启示 说明
时间序列追踪 需要缓存历史视线数据
区域分类 区分驾驶相关 vs 无关区域
性能优化 滑动窗口算法效率
误报控制 驾驶相关过滤是关键

参考来源：

发布日期： 2026-04-13
标签： #SeeingMachines #VATS #注意力共享 #累积视线 #DMS

技术前沿 > DMS
#DMS #Seeing Machines #注意力共享 #VATS #累积视线
Seeing Machines 注意力共享检测：捕捉累积视线偏离的风险
https://dapalm.com/2026/04/13/2026-04-13-Seeing-Machines-Attention-Sharing-VATS/
作者
Mars
发布于
2026年4月13日
许可协议