置信度驱动自适应时间窗口：L2-L3自动驾驶疲劳检测的可部署神经机器人管道
置信度驱动自适应时间窗口：L2-L3自动驾驶疲劳检测的可部署神经机器人管道论文信息 项目 内容 标题 Confidence-driven adaptive time window for real-time driver fatigue detection in Level 2-3 autonomous vehicles: a multi-dataset validation study 期刊 Frontiers in Neurorobotics 发表 2026年6月23日 链接 https://www.frontiersin.org/articles/10.3389/fnbot.2026.1857548/full PubMed https://pubmed.ncbi.nlm.nih.gov/42416558/ 核心方法 自适应时间窗口+置信度反馈+嵌入式部署 验证数据集 多数据集 部署硬件 车载级嵌入式 核心创新 自适应时间窗口：窗口大小根据预测置信度动态调整，非固定窗口 L2-L3自动驾驶专用：解决条件自动化下”监督疲劳”悖论 可部署...
NTSM：神经生理学引导三流选择性状态空间模型——EEG-EOG实时疲劳检测8倍加速
NTSM：神经生理学引导三流选择性状态空间模型——EEG-EOG实时疲劳检测8倍加速论文信息 项目 内容 标题 NTSM: Neurophysiology-Guided Tri-Stream Selective State Space Model for Real-Time Driver Fatigue Detection with EEG-EOG Signals PubMed https://pubmed.ncbi.nlm.nih.gov/42647705/ 发表 2026年8月 核心方法 三流选择性状态空间模型（Tri-Stream SSM） 输入 EEG + EOG 数据集 SEED-VIG + MPDDF（跨数据集验证） 加速 8.19× over Transformer E2CF 核心创新 三流架构：EEG频谱流+EEG空间流+EOG时序流，各流独立SSM 神经生理学先验：顶枕区激活=清醒，额颞慢波=疲劳 选择性状态空间模型：Mamba风格SSM替代Transformer，8.19×加速 跨数据集泛化：SEED-...
ECG-驾驶行为因果融合四层疲劳评估：Pearson相关量化+自适应加权特征融合
ECG-驾驶行为因果融合四层疲劳评估：Pearson相关量化+自适应加权特征融合论文信息 项目 内容 标题 A Study on the Correlation Between Driving Behavior and ECG Data in Driving Fatigue 期刊 Sensors (MDPI), Vol. 26, Issue 11, Article 13441 发表 2026年5月29日 链接 https://doi.org/10.3390/s26113441 PubMed https://pubmed.ncbi.nlm.nih.gov/42280957/ 核心方法 四层生理-行为融合+Pearson相关+自适应加权 准确率 97.8%（重度疲劳） 响应时间 ≤0.5s 核心创新 四层架构：输入→预处理→特征融合→决策，工业级管道设计 Pearson因果量化：用统计相关性量化ECG-驾驶行为的因果关系 自适应加权融合：基于Pearson相关系数动态分配模态权重 双模态交叉验证：ECG-HRV和驾驶行为互相验证，降低误报 ...
ECG-驾驶行为相关性四层融合疲劳分级预警：Pearson量化+自适应加权特征融合
ECG-驾驶行为相关性四层融合疲劳分级预警：Pearson量化+自适应加权特征融合论文信息 项目 内容 标题 A Study on the Correlation Between Driving Behavior and ECG Data in Driving Fatigue 期刊 Sensors (MDPI), Vol. 26, Issue 11, Article 3441 发表 2026年5月29日 链接 https://doi.org/10.3390/s26113441 核心方法 四层生理-行为融合 + Pearson相关量化 + 自适应加权 准确率 97.8%（重度疲劳） 响应时间 ≤0.5s 核心创新 四层融合架构：生理信号→行为信号→Pearson量化→自适应加权 分级预警：轻度→中度→重度疲劳三级，各阶段准确率>90% Pearson因果量化：量化ECG特征与驾驶行为的统计相关性 0.5s响应：实时性满足量产要求 方法详解12345678910111213141516171819202122232425262728293...
低光照驾驶员睡意检测：双注意力机制+XAI可解释深度学习——隧道/夜间实时安全保障
低光照驾驶员睡意检测：双注意力机制+XAI可解释深度学习——隧道/夜间实时安全保障论文信息 项目 内容 标题 Low-light driver drowsiness detection for real-time safety assistance using dual attention mechanisms in deep learning model 期刊 Scientific Reports (Nature) 发表 2026年4月20日 链接 https://www.nature.com/articles/s41598-026-44442-3 核心方法 双注意力CNN + Grad-CAM可解释AI 场景 低光照/夜间/隧道 核心创新 双注意力机制：空间注意力+通道注意力联合，低光照下聚焦关键面部区域 Grad-CAM可解释性：热力图显示模型关注区域，满足ISO 26262要求 低光照专用：针对夜间/隧道光照不足场景优化 实时部署：轻量CNN满足边缘推理需求 方法详解123456789101112...
LLM对话代理缓解L3自动驾驶被动疲劳：闲聊大影响——从检测到干预的范式转变
LLM对话代理缓解L3自动驾驶被动疲劳：闲聊大影响——从检测到干预的范式转变论文信息 项目 内容 标题 Small Talk, Big Impact? LLM-based Conversational Agents to Mitigate Passive Fatigue in Conditional Automated Driving 来源 arXiv 2510.25421v2 发表 2026年3月17日 链接 https://arxiv.org/abs/2510.25421 后续验证 Cockram et al. (2026) 确认LLM对话代理有效维持L3驾驶中的警觉性 核心方法 LLM对话代理 vs 传统警报 vs 无干预 场景 SAE L3条件自动驾驶 核心创新 从检测到干预：不只是检测疲劳，用LLM对话主动缓解被动疲劳 闲聊vs任务对话：比较不同对话类型对警觉性的影响 LLM生成自然对话：非预录消息，动态生成上下文相关对话 减少微睡眠：对话代理使微睡眠事件从37%降至0% 问题定义L3被动疲劳悖论 阶段 驾驶员状态 问题 ...
EyeCue：视线-视觉上下文交互的认知分心检测——首个无需EEG的纯视觉认知分心方案
EyeCue：视线-视觉上下文交互的认知分心检测——首个无需EEG的纯视觉认知分心方案论文信息 项目 内容 标题 EyeCue: Driver Cognitive Distraction Detection via Gaze-Empowered Egocentric Video Understanding 来源 arXiv 2605.07859 发表 2026年5月8日 链接 https://arxiv.org/abs/2605.07859 核心方法 视线+自我视角视频交互建模 优势 无需EEG、无需额外传感器、纯视觉 核心创新 纯视觉认知分心检测：不依赖EEG/ECG，仅用摄像头+视线 视线-视觉上下文交互：建模”看哪里”和”看什么”的关系 自我视角视频理解：从驾驶员第一人称视角理解注意力 隐式认知状态推断：通过视线模式反推认知状态 问题定义认知分心vs视觉分心 类型 定义 检测方法 难度 视觉分心 眼睛离开道路 视线偏离检测 ✅ 容易 手动分心 手离开方向盘 手部检测 ⚠️ 中等 认知分心 思维离开驾驶任务 传统...
mmWave雷达+深度学习CPD儿童检测全景：2026量产方案、芯片选型与Euro NCAP 5分策略
mmWave雷达+深度学习CPD儿童检测全景：2026量产方案、芯片选型与Euro NCAP 5分策略信息来源 项目 内容 核心来源 CES 2026 In-Cabin Monitoring全景调研 + 多厂商产品分析 涉及厂商 TI、Novelic、Saykal、Seeing Machines、Aptiv、LG Innotek 法规驱动 Euro NCAP 2026 CPD最高5分奖励 技术路线 60GHz mmWave雷达 + 深度学习点云分类 量产状态 2026年多款产品进入量产 核心创新 2026年CPD量产元年：多家厂商从概念走向量产 60GHz mmWave主导：穿透毯子/座椅、隐私安全、成本<$5 雷达+摄像头融合：Novelic方案实现冗余安全 Euro NCAP 5分策略：CPD成为2026年关键得分项 技术方案对比CPD传感器对比 传感器类型 原理 优势 局限 成本 60GHz mmWave 反射回波点云 穿透毯子/座椅、隐私、全天候 分辨率有限 $3-5 77GHz mmWave 反射回...
Seeing Machines 3D座舱感知映射：统一感知层OOP检测+乘员3D姿态+座椅配置——CES 2026突破
Seeing Machines 3D座舱感知映射：统一感知层OOP检测+乘员3D姿态+座椅配置——CES 2026突破信息来源 项目 内容 厂商 Seeing Machines（堪培拉） 发布 CES 2026 平台 3D Cabin Perception Mapping 链接 https://www.prnewswire.com/news-releases/seeing-machines-breaks-new-ground-at-ces-2026-with-3d-cabin-perception-mapping-302659651.html 架构 多摄像头统一3D感知层 覆盖 3排座位、最多7人 核心创新 统一感知层：不再为每个功能建独立管道，一个3D感知覆盖全座舱 全乘员3D姿态：体型、身高、体重分类+完整3D关节位姿 OOP检测全覆盖： reclining后仰、feet on dash脚放仪表台、near-airbag近气囊 座椅配置识别：头枕存在、座椅位置、靠背角度 随机物体检测：手机、包、箱子 与传统方案对比 维度 传统多管道 S...
DrowSFormer-XAI：ConvNet-Transformer交叉注意力融合的驾驶员疲劳检测，99.58%准确率+可解释AI
DrowSFormer-XAI：ConvNet-Transformer交叉注意力融合的驾驶员疲劳检测，99.58%准确率+可解释AI 论文深度解读与代码复现 Rajalingam et al., “DrowSFormer-XAI: A Cross-Attentive Neural Network-Transformer Fusion Framework for Drowsiness Detection with Explainable AI”, Neural Processing Letters, 58(2), 2026. DOI: 10.1007/s11063-026-11841-6 论文信息 项目 内容 标题 DrowSFormer-XAI: A Cross-Attentive Neural Network-Transformer Fusion Framework for Drowsiness Detection with Explainable AI 作者 Kathirvel Rajalingam, Saravanan Srinivasan, Sa...