本文介绍了一种基于自监督学习的用于驾驶员分心检测的新方法，该方法使用遮罩图像建模进行自监督学习，并利用 Swin Transformer 作为编码器以增强性能，最终使用各种数据增广策略加上最佳的随机遮罩策略来加强模型的识别和泛化能力，测试结果表明，该方法的准确率为 99.60％，接近先进的监督学习方法的出色表现。

Jun, 2023

本研究旨在利用深度学习和多模态传感器融合技术提高端到端自动驾驶的性能和泛化能力，通过同时实现场景理解和车辆控制命令的像素级语义分割来测试该深度学习驱动的自动驾驶模型在高度逼真的仿真城市驾驶条件下的性能和通用能力，结果显示，该模型定位和避障等任务的成功率强于先前的模型，并验证了多模态传感器融合和场景理解子任务的协同作用提高了模型的性能和可行性。

May, 2020

研究利用深度学习和卷积神经网络进行驾驶员分心检测，提供了一个包含更多分心姿态的公共数据集，并提出了一种可靠的基因加权集成方法，可以在现实环境中实现 84.64％分类准确率。

Jan, 2019

本文介绍一种新的基于卷积神经网络集成学习和遗传算法优化的 “分心驾驶” 姿势估计系统，能够高效检测和识别驾驶人员的姿态，同时降低交通事故风险。

Jun, 2017

2021 年与 2020 年相比，车辆事故率上升 20％，其中 45％的车祸是由于疲劳和分心驾驶所致。这项研究使用计算机视觉设计了低成本、精度高且侵入性小的检测方法，探讨了使用视觉变换器来优于 3D-CNNs 的最新准确性，针对分心和疲劳驾驶分别训练了两个变压器。其中，分心的模型表现超越最先进的模型，达到 97.5％的准确度。建议未来的研究使用新的和更强大的模型来实现更高的准确性和效率，在现有数据集的基础上扩展到检测醉酒驾驶和道路愤怒，以创建全面的解决方案来防止交通事故。

Jul, 2022

本文探讨了多传感器融合和集成学习方法在自动驾驶的手部活动识别任务中的应用，展示了采用并行卷积神经网络作为传感器间信息融合的一种迟到融合方法，提出了处理丢失信息的方案，并对该方法进行了比较分析。

Jan, 2023

本文提出了一种基于多头自我注意力的多视角多模式驾驶员监控系统和 GPU 友好型监督对比学习框架 SuMoCo，用于对驾驶员行为进行多类别识别，在 DAD 数据集上的实验证明，所提出的 MHSA 融合方法（AUC-ROC：97.0％）优于所有基线和先前的方法，通过使用补丁屏蔽训练后的 MHSA 能够提高其抗模态 / 视角崩溃能力。

Apr, 2023

通过使用激光雷达传感器数据，我们提出了一种名为 MultiXNet 的自动驾驶汽车感知和预测方法，可处理多种交通行为，包括多模态概率分布和轨迹精细矫正等，结果表明它优于现有的最先进方法。

Jun, 2020

驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

Feb, 2024

通过使用基于视觉和基于机器学习的方法，同时检测疲劳和注意力分散的行为，以提高智能车辆系统的驾驶行为监测能力并获得更准确和时间更短的结果。

Jan, 2024