BAE Systems Project Intuity：战斗机 AR 头盔对汽车 DMS 的跨领域启示

产品信息

  • 项目名称： Project Intuity
  • 开发方： BAE Systems
  • 发布时间： 2026年8月30日
  • 目标平台： 第六代战斗机（GCAP, 2035-2040部署）
  • 核心技术： AR 头盔显示器 + 感官融合 + AI 辅助决策
  • 来源： RaillyNews 报道

核心创新：从数据过载到认知减载

Project Intuity 解决的是战斗机驾驶舱的认知过载问题——飞行员同时处理雷达、声呐、通信、瞄准、无人机协同等多源数据，认知负荷极高。这与汽车驾驶员在复杂交通场景中的认知分心问题高度类似。

技术架构

核心技术拆解

1. 注视追踪 + 自适应显示

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
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
"""
BAE Project Intuity 注视追踪自适应显示系统
跨领域应用于汽车 DMS

战斗机场景：根据飞行员注视点动态调整 AR 显示内容
汽车场景：根据驾驶员注视区域动态调整 HUD 警告信息
"""

import numpy as np
from dataclasses import dataclass
from typing import Tuple, List

@dataclass
class GazePoint:
    """注视点"""
    x: float  # 归一化 x (0-1)
    y: float  # 归一化 y (0-1)
    timestamp: float  # 毫秒
    confidence: float  # 0-1

class AttentionAwareDisplay:
    """
    注意力感知显示系统
    
    源自战斗机 AR 头盔设计理念：
    - 检测飞行员/驾驶员注视区域
    - 在注视区域附近叠加关键信息
    - 周边威胁用空间音频提示
    """
    
    # 显示区域定义（归一化坐标）
    ZONES = {
        "road_center": (0.5, 0.5),    # 道路中心
        "left_mirror": (0.2, 0.4),   # 左后视镜
        "right_mirror": (0.8, 0.4),   # 右后视镜
        "dashboard": (0.5, 0.8),     # 仪表盘
        "hud_area": (0.5, 0.3),      # HUD区域
    }
    
    def __init__(self):
        self.gaze_history: List[GazePoint] = []
        self.current_zone = "road_center"
        self.alert_priority = {"critical": 0, "warning": 1, "info": 2}
        
    def update_gaze(self, gaze: GazePoint):
        """更新注视点"""
        self.gaze_history.append(gaze)
        if len(self.gaze_history) > 300:  # 10秒@30fps
            self.gaze_history.pop(0)
        
        # 确定当前注视区域
        self.current_zone = self._classify_gaze_zone(gaze)
        
    def _classify_gaze_zone(self, gaze: GazePoint) -> str:
        """分类注视区域"""
        min_dist = float('inf')
        closest_zone = "road_center"
        
        for zone, (zx, zy) in self.ZONES.items():
            dist = np.sqrt((gaze.x - zx)**2 + (gaze.y - zy)**2)
            if dist < min_dist:
                min_dist = dist
                closest_zone = zone
                
        return closest_zone
    
    def get_display_strategy(self) -> dict:
        """
        根据注视区域生成显示策略
        
        Returns:
            显示策略字典
        """
        strategies = {
            "road_center": {
                "hud_mode": "minimal",  # 注视道路时最小化HUD
                "alert_position": "peripheral",
                "audio_cue": True,
                "priority": "only_critical"
            },
            "left_mirror": {
                "hud_mode": "side_alert",  # 看左镜时显示左侧盲区
                "alert_position": "left_edge",
                "audio_cue": False,
                "priority": "blind_spot_warning"
            },
            "right_mirror": {
                "hud_mode": "side_alert",
                "alert_position": "right_edge",
                "audio_cue": False,
                "priority": "blind_spot_warning"
            },
            "dashboard": {
                "hud_mode": "enhanced",  # 看仪表盘时增强HUD
                "alert_position": "center",
                "audio_cue": True,
                "priority": "all"
            },
        }
        return strategies.get(self.current_zone, strategies["road_center"])
    
    def detect_cognitive_overload(self) -> bool:
        """
        检测认知过载
        
        战机理念：注视点频繁跳跃 = 认知过载
        汽车应用：视线分散 = 分心驾驶
        """
        if len(self.gaze_history) < 60:
            return False
        
        recent = self.gaze_history[-60:]  # 最近2秒
        
        # 计算注视点跳跃频率
        jumps = 0
        for i in range(1, len(recent)):
            dx = recent[i].x - recent[i-1].x
            dy = recent[i].y - recent[i-1].y
            if np.sqrt(dx**2 + dy**2) > 0.15:  # 大跳跃阈值
                jumps += 1
        
        # 每秒大跳跃>3次 = 认知过载
        jump_rate = jumps / (len(recent) / 30)
        return jump_rate > 3.0
    
    def get_recommendation(self) -> str:
        """获取交互建议"""
        if self.detect_cognitive_overload():
            return "COGNITIVE_OVERLOAD: 减少HUD信息，使用空间音频引导注意力"
        
        strategy = self.get_display_strategy()
        zone = self.current_zone
        
        if zone == "road_center":
            return "FOCUS_OK: 驾驶员注视道路，HUD保持最小化"
        elif zone in ["left_mirror", "right_mirror"]:
            return f"ZONE_CHECK: 驾驶员查看{zone}，激活盲区检测"
        elif zone == "dashboard":
            return "DASHBOARD: 驾驶员看仪表盘，增强HUD关键信息"
        return "UNKNOWN"


# 测试
if __name__ == "__main__":
    system = AttentionAwareDisplay()
    
    # 模拟正常驾驶（注视道路中心）
    for i in range(60):
        g = GazePoint(
            x=0.5 + np.random.normal(0, 0.03),
            y=0.5 + np.random.normal(0, 0.03),
            timestamp=i * 33,
            confidence=0.95
        )
        system.update_gaze(g)
    
    print(f"正常驾驶: {system.get_recommendation()}")
    
    # 模拟分心（频繁跳跃）
    zones = [(0.2, 0.4), (0.8, 0.4), (0.5, 0.8), (0.3, 0.6)]
    for i in range(60):
        z = zones[i % 4]
        g = GazePoint(
            x=z[0] + np.random.normal(0, 0.02),
            y=z[1] + np.random.normal(0, 0.02),
            timestamp=i * 33,
            confidence=0.90
        )
        system.update_gaze(g)
    
    print(f"分心驾驶: {system.get_recommendation()}")

2. 2D/3D 视图切换

Project Intuity 允许飞行员在 2D 地图和 3D 态势之间无缝切换。汽车 DMS 可借鉴：

  • 2D 模式： 正常驾驶时显示简化仪表数据
  • 3D 模式： 危险场景时显示 3D 周边态势图（车辆位置、行人轨迹）

3. 空间音频引导

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
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
"""
空间音频注意力引导系统
源自战斗机 AR 头盔，应用于汽车座舱

战机：威胁从左后方来 → 左耳空间音频提示
汽车：盲区有车 → 对应方向音频提示
"""
import numpy as np

class SpatialAudioAlert:
    """空间音频告警系统"""
    
    ALERT_TYPES = {
        "collision_warning": {"freq": 1000, "pattern": "continuous", "priority": 0},
        "lane_departure": {"freq": 800, "pattern": "beep_3x", "priority": 1},
        "blind_spot": {"freq": 600, "pattern": "beep_2x", "priority": 1},
        "fatigue": {"freq": 400, "pattern": "soft_chime", "priority": 2},
        "phone_use": {"freq": 500, "pattern": "voice_prompt", "priority": 1},
    }
    
    def generate_alert(self, alert_type: str, direction: str) -> dict:
        """
        生成空间音频告警
        
        Args:
            alert_type: 告警类型
            direction: 威胁方向 ("front", "left", "right", "rear_left", "rear_right")
        
        Returns:
            音频参数字典
        """
        alert = self.ALERT_TYPES.get(alert_type, self.ALERT_TYPES["fatigue"])
        
        # 方向到声道映射
        direction_map = {
            "front": {"left": 0.5, "right": 0.5, "delay_l": 0, "delay_r": 0},
            "left": {"left": 0.9, "right": 0.1, "delay_l": 0, "delay_r": 15},
            "right": {"left": 0.1, "right": 0.9, "delay_l": 15, "delay_r": 0},
            "rear_left": {"left": 0.8, "right": 0.2, "delay_l": 5, "delay_r": 20},
            "rear_right": {"left": 0.2, "right": 0.8, "delay_l": 20, "delay_r": 5},
        }
        
        params = direction_map.get(direction, direction_map["front"])
        
        return {
            "frequency": alert["freq"],
            "pattern": alert["pattern"],
            "priority": alert["priority"],
            "channel_balance": params,
            "haptic": direction in ["left", "right"],  # 方向性触觉反馈
        }

# 测试
audio = SpatialAudioAlert()
print("左前方碰撞告警:", audio.generate_alert("collision_warning", "left"))
print("右后方盲区告警:", audio.generate_alert("blind_spot", "rear_right"))

跨领域映射：战斗机→汽车

技术能力 战斗机应用 汽车座舱应用 IMS 开发启示
注视追踪 自适应 AR 显示 DMS 分心检测 + HUD 自适应 视线落点→HUD 内容动态调整
空间音频 威胁方向提示 盲区/碰撞方向告警 4声道音频引导系统
2D/3D 切换 地图↔态势 仪表↔周边态势 HUD 多模式渲染
AI 预测 威胁预判 碰撞预测 行为预测模型
认知过载检测 注视跳跃频率 分心检测 眼动熵分析
模块化设计 技术迭代更新 OTA 升级 接口抽象设计

对 IMS 开发的具体启示

1. 注意力感知 HUD 系统

概念： DMS 不仅要检测分心，还应主动引导注意力

1
2
3
4
5
6
DMS 检测 → 注视区域分类 → HUD 策略调整
  ↓
注视道路 → 最小化 HUD
注视仪表盘 → 增强关键信息
视线分散 → 空间音频引导回道路
认知过载 → 简化显示 + 语音提示

2. 多模态告警优先级

告警级别 视觉 听觉 触觉 场景
L1 紧急 HUD 红色闪烁 高频连续 方向性震动 碰撞预警
L2 警告 HUD 黄色图标 间歇蜂鸣 方向性震动 盲区/偏离
L3 提示 HUD 白色文字 柔和提示音 无 疲劳/分心
L4 信息 仪表盘显示 语音 无 导航/状态

3. 开发路线图

阶段 功能 周期 依赖
Phase 1 注视区域分类 2个月 DMS 摄像头
Phase 2 HUD 自适应显示 3个月 HUD 硬件
Phase 3 空间音频告警 2个月 4声道音响
Phase 4 认知过载检测 3个月 眼动追踪

结论

BAE Project Intuity 展示了认知减载的设计哲学——不是给驾驶员更多信息，而是在正确的时间、正确的位置、用正确的方式呈现信息。这对汽车 DMS 的演进方向有重要启示：DMS 不仅是检测器，更是注意力管理器。

核心洞察： 座舱感知的终极目标不是检测到分心后发出警告，而是在驾驶员分心之前就通过自适应界面预防分心的发生。