提出一种新的驾驶员注意力数据收集协议并介绍了一个新的驾驶员注意力数据集 BDD-A，进一步提出了人工加权采样（HWS）方法来构建驾驶员注意力预测模型，该模型不仅表现出比现有模型更好的性能，而且还是基于常规驾驶过程中的实际数据预测的。

Nov, 2017

本研究提出了一个新的驾驶员注意力数据集，CoCAtt，通过使用眼动仪设备来捕捉手动和自动驾驶模式下的注意力数据，包含表述驾驶员分心状态和意图的每帧注释。结果表明，将驾驶状态和意图纳入注意力建模中可以提高驾驶员注意力预测的性能，并且 CoCAtt 是目前自主等级、眼动仪分辨率及驾驶情境最多元和最大的驾驶员注意力数据集。

Jul, 2022

本文旨在预测驾驶员的注意力集中情况，提出了一种基于多分支深度架构的计算机视觉模型，集成了三种信息源：原始视频、动态和场景语义，并介绍了 DR (eye) VE，这是迄今为止最大的驾驶场景数据集，结果强调了跨驾驶员共享的注意力模式，可在人车交互和驾驶员注意力分析等多个应用方面受益。

May, 2017

本文提出了一种基于深度强化的交通事故预测方法 DRIVE，通过模拟仪表盘观察环境中的视觉注意机制和使用奖励机制改进强化学习算法来提高决策能力，进而实现较高准确性的预测。

Jul, 2021

提出了一种计算模型估计人们对所处环境的注意意识，测试了该模型在驾驶场景中的效果，结果表明该模型能够合理地估计被关注的意识区域，并在视觉显著性、凝视校准和去噪等任务中表现出较好的效果。

Oct, 2021

我们提出了一种使用安装在车辆挡风玻璃和仪表盘上的普通摄像头来估计驾驶员凝视点的新方法。该方法通过开发一种卷积网络来同时分析场景图像和驾驶员面部图像，其中包含一个相机校准模块，可以计算表示驾驶员和摄像头系统之间空间配置的嵌入向量，该模块改善了网络的性能并可以进行端到端的联合训练。我们还引入了一种大规模的驾驶数据集，其中包含了真实驾驶情景的图像以及驾驶员面部和凝视数据，对该数据集的实验表明，所提出的方法优于各种基准方法，均方误差为 29.69 像素，相对于场景摄像头的 $1280 {imes} 720$ 分辨率而言，误差较小。

Apr, 2024

这篇论文介绍了一种利用红外摄像机和车辆感知系统的双源方法，以便根据驾驶员的警觉程度评估其操作安全性，并在需要时进行干预，从而为 ADAS 和 AV 的整体安全和效率做出贡献。

Oct, 2023

本文呈现了用于自动驾驶关键方面的新数据集，介绍了交通参与者行为的可变性，并展示了天气条件、地理位置、交通和人口统计学等因素如何影响交通行为及场景的视觉复杂度。地面真相数据传达了有关参与者位置（边界框）、物理条件（例如照明和速度）和各参与方的行为的信息。

Sep, 2016

通过分析四个大规模公共数据集，本研究探讨了驾驶员注视预测算法的数据限制，并提出了对未来数据收集和处理的建议。

Apr, 2024

基于 Kinect 和计算机视觉技术，构建了一个有效的模块，用于检测驾驶员注意力分散和识别分散类型，每个子模块独立获得并可用于其他类型的推理，如疲劳检测，并可用于实际汽车系统。

Feb, 2015