交通复杂度只解释 1.5% 行为方差、驾驶员身份占 23%:TUM×BMW 二十名真实驾驶员的方差分解精读,与 per-driver 基线的量化边界

DMS 行业这几年有一个几乎共识化的处方:误报太多,就上 per-driver 基线——先标定每个人的”正常”,再偏离告警。本站在 FIA 信任调研解读文里也给出过同款建议(本站:FIA ADAS 信任调研)。但这个处方一直没有被严格检验过:个性化到底能找回多少信号?TUM 交通工程与控制讲席(Köning)与 BMW(Miličić,BMW Assisted Driving Level 2 Product Owner;Bogenberger)2026 年 7 月挂在 arXiv 的论文给了迄今最干净的一次定量检验(Köning, Miličić & Bogenberger, 2026)——在 20 名真实驾驶员、量产级 L2 车型的真实城市交通里,交通复杂度只能解释行为方差的 1.5%,驾驶员身份解释 23%,剩下约 75% 是个体内残差;他们测了全部 8 种特征级个性化策略,无一改善,最好的一种也损失 18.3% 的复杂度信号。

这篇论文的更独特之处是研究方向的翻转:它做的不是”DMS 检测分心”,而是逆问题——从行为信号反推交通复杂度,用于复杂度自适应的 ADAS(如按场景调节接管请求时机)。结论对正反两个方向都成立:跨驾驶员泛化是共同瓶颈,四个分类器在 leave-one-subject-out 下全部收敛到 F1 0.422–0.452 的 3 个百分点窄带里,GRU+Attention 也没能突破——瓶颈是方差结构,不是模型容量。对 IMS 开发者,这篇论文给出的是一份”个性化税”的价目表,和一个唯一同时通过四项部署准则的特征:引导注视率(GFR)。

本文为 A 型(论文深读型)。全部数字出自 arXiv:2607.16847 全文(HTML 版,2026-07-18 提交)及补充材料,写作前已分段完整阅读;相邻工作引用 arXiv:2604.07651 摘要页(已读)。站内关联:FIA 信任调研(per-driver 基线建议出处)、可解释 DMS 个体标定、R171 DCAS 驾驶员可用性。

背景:外因指标与内因 DMS 之间的断桥

论文的出发点是一个结构性缺口:现有的交通复杂度度量(论文相关工作里点名的如势场法 Cheng et al. 2022、多尺度模糊熵 Cao et al. 2025,均在参考文献 [19][21])只刻画外部环境;DMS 只检测内生状态(分心、疲劳)。两者之间缺一环:外部需求如何转化为驾驶员实际感受到的情境负荷。驾驶行为是这座桥——而论文研究的是反向的桥:行为信号里到底有多少”复杂度”可读。

作者把缺口拆成四个研究问题(RQ1–RQ4):哪些行为特征对复杂度敏感(RQ1)、方差在复杂度与个体间如何分配(RQ2)、特征级 per-driver 归一化能否找回信号(RQ3)、能否泛化到没见过的驾驶员(RQ4)。这个拆法本身就是贡献——此前工作要么特征空间临时拼凑、要么不管速度混杂、要么根本不做方差分解与跨被试验证(论文引言的原文归纳)。

为什么现在重要:R171(DCAS)已经把”驾驶员持续可用性”写成 L2 组合辅助驾驶的准入条件,EURO NCAP 的 Assisted Driving 评级也在给 driver engagement 记分(本站:R171 解读、2025 AD 评级)。下一代系统的方向是按情境调节监测与接管策略——但调节的依据如果本身读不准,”自适应”就只是把误报换了个地方。这篇论文第一次把”行为读复杂度”这条传感通路的信息上限定量画了出来。

数据与标注:量产 L2、真实慕尼黑、专家逐时标注

先看实验设定,因为这决定了结论的可信层级——这不是模拟器研究:

标注质量是这类研究最容易塌的地方,论文的处理值得抄:三专家一致性用 ±2 s 容差窗把 Krippendorff’s α 从 0.50 提到 0.57(+14.3%),时序稳定性 ρ ≥ 0.83;个体评分员对聚合标签的 κ 为 0.68–0.82。α=0.57 只是中等一致——这是本文结论要打折的地方,后面局限一节会回到它。分层抽样而非全量的理由也很实际:专家视频标注成本约为真实时长的 3 倍。

核心机制

175 特征空间与两阶段筛选

35 个基础信号 × 6 种推导(原始值、滚动均值、滚动标准差、滚动香农熵、滚动样本熵 m=2 r=0.2·SD、一阶导数;3 s 窗 @10 Hz)= 175 个候选特征,分五个域:

flowchart LR
    subgraph SIG["35 基础信号"]
        G["视线<br/>10 信号"] 
        H["头部姿态<br/>9 信号"]
        L["纵向控制<br/>4 信号: a_brake, BR_t, BR_s, Δv"]
        F["引导注视<br/>6 信号: GFR, polling, δ_GF..."]
        S["扫视策略<br/>6 信号: 扫视路径长, 头-眼耦合..."]
    end
    SIG --> X["175 特征<br/>= 35 × (raw/均值/SD/香农熵/样本熵/一阶导)"]
    X --> K1["Stage 1 样本级<br/>Kruskal-Wallis + BH FDR<br/>η²≥0.01, p_adj<0.05<br/>+ OLS 速度残差化分 speed-robust/mediated<br/>+ TOST 等效检验证伪(Δ=±0.2 SD)"]
    K1 --> K2["Stage 2 驾驶员级<br/>每驾驶员×复杂度中位数聚合(N=60)<br/>Tier 1 稳健 / Tier 2 检验力受限 / Tier 3 丢弃"]
    K2 --> OUT["31 特征保留<br/>(32 过 Stage 1,1 个 Tier 3)<br/>140/143 未过者被 TOST 确证为零效应"]

图 1:特征空间构建与两阶段筛选管线(据原文 §III 整理)。

两处方法论细节对做 DMS 数据分析的团队直接可用。其一,速度混杂必须显式处理:对每个特征先做 OLS 残差化 y_res = y − (β̂₀ + β̂₁·speed) 再重测,残差后 η²_res ≥ 0.01 才算 speed-robust——否则你检出的”复杂度效应”很可能只是车速效应。其二,零效应也要用统计证伪而非”没测出”带过:对未通过 Kruskal-Wallis 的 143 个特征跑 TOST 等效检验(等效边界 ±0.2 合并标准差,N≈40 万样本时该效应量的 post-hoc 检验力 >0.99),结果 140 个被正式确认为零效应,其中 21 个贝叶斯因子 BF₀₁ > 10。样本级与驾驶员级的效应量排序在 speed-robust 子集上保持一致(Spearman ρ=0.618, p=.008),说明筛选不是采样伪影。

方差分解:15:1,这篇论文的核心数字

对 31 个保留特征逐个跑混合效应模型(随机截距 = 驾驶员身份 + 随机斜率,Nakagawa & Schielzeth 框架),得到全文最重要的三个数:

ICC:R²m ≈ 15:1——个体间差异比复杂度信号大一个数量级以上。域级分布也有信息量:制动特征个体差异最小(ICC 中位数 0.064)、复杂度信号最强(R²m=0.019);头部姿态个体差异最大(ICC 中位数 1.09)。按 ICC < 0.5 分界,31 个特征分出 25 个 universal 与 6 个 idiosyncratic,后者集中在离散度类与头部姿态指标(SD(Ψ_h) ICC=1.376、SD(Ψ_g) ICC=1.340、BR_t ICC=1.161)。随机斜率中位数份额 0.196——即约 20% 的个体差异不是”基线不同”,而是对复杂度的敏感度不同;制动熵类特征斜率份额最高(0.38–0.60)。

解读要精确:1.5% 不是说”行为与复杂度无关”,而是说在个体间差异和个体内波动都被正确建模之后,纯行为特征里留给复杂度的独立信息就是这么少。这直接给出 RQ2 的答案,也预告了 RQ3 的结局。

个性化策略全线失败:一张值得贴在墙上的表

RQ3 的检验设计很完整:8 种特征级归一化,覆盖 z-score 与均值消减两族 × 全程/标定期(3 min)/扩展窗/滑动窗(5 min)四种时间视野,评价指标是归一化后复杂度效应量 η² 相对原始基线(mean η²=0.019)的变化:

据原文 Table II。8 种策略无一优于不归一化。

失败机制论文讲得很清楚,三条都对 IMS 有直接含义:

1. universal 特征本来就没有大的个体偏移可扣——对 ICC<0.5 的 25 个特征做 per-driver 归一化,扣掉的是噪声不是偏置;
2. idiosyncratic 特征的偏移与复杂度斜率纠缠——归一化在去掉个体基线的同时把复杂度响应一并削了;
3. 残差占 75%,就算完美移除驾驶员成分也只找回边际信号——这是算术上限,不是工程没做好。

两个附加发现排除了”姿势不对”的辩解:均值消减一致优于 z-score(排除了方差重标定的度量伪影),且时间视野越短破坏越大(L4 −56.1% 最惨,M2 −18.3% 最轻)——在线滑动窗基线恰恰是量产系统最常用的形态。

跨驾驶员泛化:四模型 3 个百分点窄带

RQ4 用 leave-one-subject-out(LOSO)与 BlockGroupKFold(同驾驶员样本不跨训练/测试集)双策略对比六种模型:

据原文 Table III。

两个读法。第一,容量不是瓶颈:四个主力模型在 LOSO 下收敛到 0.422–0.452 的窄带,带时间注意力的 GRU 也没能突破——数据里就这么多跨被试可迁移的信号。第二,SVM 的 32.4 pp 泛化落差是行业性警讯:高容量模型在同驾驶员交叉验证下可以很漂亮(0.752),一旦落到新驾驶员身上掉到 0.428——如果你的 DMS/行为建模论文只报告随机切分或同被试 KFold,数字可能虚高一半。GB 模型的混淆结构也值得注意:LOSO 下 normal 类 recall 只有 37%(35% 被认成 simple、28% 认成 complex),simple/complex 两端反而分得开(62%/49%)——中间档难,符合”复杂度是 ordinal 连续量被硬切三段”的直觉。

实验与证据:GFR,唯一过四关的特征

在 31 个保留特征里,引导注视率(GFR) 是唯一同时满足全部四项部署准则的:

效果量 η²=0.029 是非纵向控制特征中最强的,GB×LOSO 的 SHAP 重要性排第 4(mean |SHAP|=0.080;第 1 是 M(Δv),0.167)。GFR 的定义:视线落在轨迹切点附近 ±10° 锥内、以速度相关前瞻距离计的比例——本质上是”驾驶员是否在用任务要求的视觉策略看该看的地方”。它的普适性来源也因此在机制上说得通:引导注视是任务强加的视觉行为,不是个性习惯,所以个体差异天然小。

我认为这是全文对 DMS 团队最有迁移价值的一个发现:它暗示了一个筛选准则——优先部署”任务主导型”特征(机制上由驾驶任务决定),而不是”习惯表达型”特征(机制上由个体风格决定)。前者跨被试稳定,后者无论怎么个性化都撞上 75% 残差墙。扫视策略域里的头-眼耦合、极端头部姿态率大概率属于后者(头部姿态域 ICC 中位数 1.09 是旁证)。

三种部署 regime:作者给出的路线图

论文 §V-E 把结论落成三个部署档位,正好可以作为 IMS 团队做”行为→情境感知”功能时的决策框架:

flowchart TD
    A["行为特征可读出的复杂度信号<br/>LOSO F1 ≈ 0.45(基线 0.21)"] --> B&#123;"部署目标?"&#125;
    B -->|"安全兜底/粗粒度"| C["Regime 1 · Driver-agnostic<br/>总体模型 + universal 特征<br/>GFR + 制动熵:信号强度×普适性最优折中<br/>不能独立部署,只能做辅助通道"]
    B -->|"个体化安全功能"| D["Regime 2 · Personalized<br/>few-shot 模型级标定<br/>候选:接管请求时机(TOR timing)<br/>注意 Table II:特征级归一化此路不通"]
    B -->|"量产目标"| E["Regime 3 · Hybrid<br/>行为特征 + 外部情境先验<br/>(路线复杂度先验、V2X 交通密度)<br/>突破 behavioral-only 天花板的唯一路径"]

图 2:三种部署 regime(据原文 §V-E 整理;Regime 2 的”模型级标定”与本文 Table II 的”特征级归一化”是不同层次,后者已被证伪)。

与已有方案的关系

表:本文在”情境-行为”研究空间中的位置(整理)。

这里有一个对站内观点的修正:FIA 信任调研文里”per-driver 基线抑制误报”的建议,在本论文的证据下需要限定条件——对 universal 特征做个体归一化基本无效(没有偏移可扣),对 idiosyncratic 特征做则连信号一起削。per-driver 思路若要成立,要么像 Regime 2 那样在模型层做 few-shot 标定,要么承认它只在”习惯表达型”指标(如个体基线的 PERCLOS、个体扫视风格)上有戏——而这恰是本文证伪的那一类方法(特征级)在量产里最常被实现成的那一种。

对 IMS 团队的启示

1. 把 15:1 写进立项依据。任何”用行为特征感知情境/负荷”的立项,预期收益上限先按复杂度信号 ≈1.5% 行为方差(跨被试)设定;想突破只能加外部信息源(Hybrid regime),不是堆模型。
2. 审报告先看验证策略。供应商或论文只报同被试 KFold 的,按 SVM 案例预期跨被试掉 30 pp 量级;LOSO 数字才可作量产参考。
3. 归一化采购决策:如果现有方案依赖滑动窗 per-driver 归一化(5 min 级),本文证据是它可能正在毁掉你的复杂度/负荷信号(−56.1%);标定期均值消减(3 min)是因果方案里最不坏的一种(−18.3%)。
4. 特征选型准则:优先”任务主导型”(GFR 类,斜率份额低、机制上任务强加),警惕”习惯表达型”(头部姿态离散度类,ICC>1)。GFR 可直接列入 DMS 特征清单做复现验证——注意其定义依赖轨迹切点与速度相关前瞻,需要自车路径预测模块配合。
5. 不要拿 normal 类做告警阈值校准。跨被试下中间档 recall 只有 37%,基于”复杂度中等就放松监测”的策略会在最难分的区间上裸奔。
6. 数据标注方法论可复用:±2 s 容差窗提升评分员间一致性(α 0.50→0.57)、Dawid–Skene 聚合、专家盲于行为数据的标注隔离——这是做任何连续时间情境标注(包括舱内场景)的最小工程集。

边界与局限

把结论用在量产决策前,先记住四个边界,全部来自原文可见的实验设定:(1) 单车型单路线——BMW i5 M60、慕尼黑 11 km 城区,行为-复杂度映射的绝对数值不可外推到高速或其它 DMS 信号集(其 DMS 输出只有 yaw/pitch 视线与头部三轴,粒度受限于量产信号接口);(2) 标注一致性中等(α=0.57),复杂度真值本身有噪声,1.5% 的信号量下限有可能部分来自标签噪声——但 TOST 证伪 140 个特征的方向性结论对此稳健;(3) 20 名被试、3 女 17 男,混合效应模型的组数偏少(a_brake 特征的随机斜率未收敛,作者做了 random-intercept-only 敏感性检验,ρ=0.99、30 个 regime 判定仅翻转 2 个,方向性结论稳定);(4) 只取 ADAS 激活段与首次驾驶,人机共享纵向控制的特殊软件版本是研究装置,量产行为分布会不同。另外提醒一句写作边界:这篇论文是 preprint(提交 IEEE 审稿中),引用时注明版本。

参考

1. Köning, L., Miličić, N., & Bogenberger, K. (2026). Driver Behavior Under Traffic Complexity: Variance Decomposition and Cross-Driver Generalization for Driver Monitoring. arXiv:2607.16847. https://arxiv.org/abs/2607.16847(全文 HTML 及补充材料已读)
2. Inoshita, K., Hayashida, N., & Imanishi, A. (2026). Cognitive-Causal Multi-Task Learning with Psychological State Conditioning for Assistive Driving Perception (CauPsi). arXiv:2604.07651. https://arxiv.org/abs/2604.07651(摘要页已读)
3. 本站:FIA ADAS 信任调研与 LKA 关断危机(per-driver 基线建议出处). /blog-posts/2026-10-16-001-fia-adas-trust-barometer-lka-switch-off-dms-2026.md
4. 本站:UN R171 DCAS 驾驶员可用性 × DMS. /blog-posts/2026-10-15-014-unece-r171-dcas-driver-availability-dms-2026.md
5. 本站:Euro NCAP Assisted Driving 2025 评级与 driver engagement. /blog-posts/2026-10-17-001-euroncap-assisted-driving-2025-grades-driver-engagement-dms.md
6. 本站:可解释 DMS 人脸关键点个体标定. /blog-posts/2026-09-21-04-interpretable-dms-facial-landmarks-individual-calibration-ims.md