疲勞駕駛監測的案例
ADAS輔助駕駛之：BSD盲區監測功能
自動駕駛實現的前提是車輛的駕駛過程無需駕駛員的參與，在那時，盲點監測系統是否還有存在的必要？
其實，在自動駕駛技術普及后，車輛行駛的任務被交由了車輛自身，道路路況的識別依舊十分重要，對道路的多樣化監測，將確保車輛自動駕駛時的安全。盲點監測系統也會隨著自動駕駛技術的升級轉變為另一種形式。
在L4級別自動駕駛時：
車輛雖然可以實現自主駕駛的功能，但還是需要安全員來輔助識別路況，在出現必要狀況時，還是需要安全員來接管車輛，此時盲區監測系統將會和現在一樣發揮自身作用，當車輛盲區出現車輛或行人時，依舊會通過聲光來提醒安全員，從而確保車輛駕駛的安全。
當自動駕駛技術達到L5級別時：
安全員的角色也不再需要，此時盲區監測系統將會轉變為道路監測系統，不斷進行道路狀況的監測，給車輛提供更完善的道路狀況，聲光提醒也將消失，車輛將自主實現車輛兩側及后方來車的識別，給系統進行路況數據采集，以便讓系統做好駕駛預判，給乘客提供完善的自動駕駛服務。
高級輔助駕駛系統的發展將是逐漸遞進的，現有的高級輔助駕駛系統更多是輔助駕駛員安全行駛，隨著自動駕駛技術的提升，這些輔助駕駛員行駛的高級輔助駕駛系統也將得到技術的提升，轉變為自動駕駛技術中另一種技術方向。
展開 電子后視鏡（CMS）和駕駛員監測系統(DMS)光學仿真解決方案
隨著智能汽車的發展，通過先進的攝像頭技術增強汽車安全性、效率和自動駕駛已經是必備功能。在各種車型上的廣泛采用，對攝像頭系統提出了更高的要求和挑戰。
高分辨率成像，用于精確的物體檢測和識別，實時處理，在動態駕駛環境中實現快速決策，對環境因素(包括天氣條件和照明變化)的適應性，攝像頭系統緊湊，低功耗設計，可無縫集成到車輛中。
面對這些挑戰，Ansys光學產品提供從組件到系統的光學仿真全鏈路解決方案。 7月9日，Ansys 將推出 「CMS/DMS系統光學仿真解決方案」主題 網絡研討會 ，屆時將以CMS和DMS為例，介紹光學仿真軟件在車載攝像頭設計仿真中的應用。
時間：7月9日，16:00-17:00
講師：
劉洋 | Ansys光學高級應用工程師
負責Ansys SPEOS光學仿真解決方案、咨詢和技術支持工作，在航空照明設計、駕駛艙內飾人機工效分析、光學系統成像領域有豐富設計仿真經驗。
形式：線上
費用：免費
掃碼免費報名
技術鄰簡介:
技術鄰專注于工科技術社區，從最早的CAE技術社區（中國CAE聯盟）發展而來，在CAE領域有20年的教學和咨詢服務經驗。
仿真服務、光學仿真系列往期錄播免費領取、更多資料，掃碼添加技術鄰客服咨詢更多~
點贊、分享、收藏免費領取光學相關精品資料包，等你來戳~
（??掃描二維碼添加客服了解更多??）
往期推薦
技術鄰周報Q19：振動噪聲/ABAQUS/二次開發/CFD/光學/DIANA/供工藝仿真/Ansys...
Camera虛擬實驗室性能測試數字仿真
Ansys Metalens光學設計仿真工作流開課啦>>>
四點開講 | Ansys Speos光學設計工具OPD功能更新【課程優惠】免費課程+COMSOL光學與RF系列視頻
展開 基于車輛運行數據的疲勞駕駛狀態檢測分析
目前， 國內外對疲勞駕駛的客觀檢測方法主要有三種：
(1) 基于駕駛員 生理指標， 如腦電信號、心電信號 、脈搏等；
(2) 基于駕駛員行為特征，如眼動特征 、瞳孔大小、眨眼頻率等；
(3) 基于車輛運行狀態，如車道偏離、轉向盤握力、轉向盤轉角、油門剎車等.
第一種方法依賴于直接接觸駕駛員， 需駕駛員佩戴設備進行疲勞檢測 . 通過駕駛員處于疲勞狀態時在生理指標(如腦部組織含氧情況、心電信號、肌電信號等)特征上的變化，檢測駕駛員是否處于疲勞狀態 . 這種方法檢測疲勞駕駛準確度高，但是成本高且有可能影響駕駛.
第二種方法依賴于圖像檢測， 根據駕駛員的眼動特征對駕駛員的疲勞狀態做出判斷. 這種方法受周圍環境(如光暗)及攝像頭位置的影響較大.
第三種方法中，通過分析正常與疲勞駕駛時， 車速、發動機轉速、方向盤轉角、剎車、油門、車道偏離等數據的差異，生成用于檢測疲勞駕駛的模型 . 目前已有很多學者研究從車輛運行時的方向盤轉角速度、車輛行駛速度、發動機轉速等數據判斷疲勞駕駛員的疲勞狀態. 如利用 BP神經網絡對駕駛員疲勞駕駛時的車輛行駛特性進行訓練, 并建立疲勞駕駛行為的檢測模型.
其中，車道偏離依賴于道路車道情況(清晰度)的影響，較難采集. 而轉向、油門剎車、車速等數據采集較為簡單， 同時較為穩定可靠. 研究表明， 當駕駛員處于疲勞狀態時， 對油門剎車、換擋及轉向盤等操作能力會下降 .
當前主流的疲勞駕駛檢測是通過防疲勞監控設備對司機面部圖像進行判別， 這種方法在實際應用中受到周圍環境及司機眼部大小的影響較大，同時設備較為昂貴. 而通過車輛運行數據進行判別，成本較低，且數據較為可靠.
目前，基于車輛運行數據的疲勞駕駛研究大部分采用特定的實驗數據， 與實際司機的駕駛有一定的偏差.
展開 駕駛員監控系統（DMS）
概述
經緯恒潤DMS（Driver Monitor System）駕駛員監控系統，能夠實現駕駛員疲勞監測、駕駛員注意力監測、危險駕駛行為監測以及駕駛員身份識別等功能。產品針對乘用車、商用車不同車型，不同自動駕駛等級設計不同的報警機制，能夠提高車輛的行駛安全，是高等級智能駕駛重要的傳感器。此外，產品能夠存儲關鍵駕駛數據并上傳云端。產品設計滿足功能安全ASIL-B 等級要求。
產品功能
??駕駛員疲勞監測
依據駕駛員疲勞識別，可與智能駕駛等級和功能開啟狀態關聯，設置不同報警級別
??駕駛員異常動作監測，抽煙、打電話、喝水……
??駕駛員注意力監測，視野范圍監測
??駕駛員身份識別
依據識別結果可與云端或本地進行對比，功能關聯可依據駕駛員身份進行座椅調節、后視鏡調節……
??眼球追蹤/視線區域識別
??基于功能安全ASIL B設計開發
主要客戶
展開 
日本住友理工研發氣墊裝置 可檢測駕駛員是否疲勞困倦
據外媒報道，日本住友理工株式會社（Sumitomo Riko Co Ltd）近日研發出一款氣墊裝置，可檢測到汽車駕駛員是否疲勞、困倦。
該公司預計，其氣墊與警告裝置的結合使用，可以降低交通事故風險。住友理工正向商用車和汽車座椅制造商推介該氣墊裝置，旨在2021年前實現該氣墊裝置商業化應用。
該最新研發的氣墊可以測量施加在其上的壓力分布以及壓力變化情況。基于壓力分布情況，可以判斷出駕駛員的姿勢變化和體格，此外，根據壓力變化情況，可以估計駕駛員的呼吸速率、心率以及其他狀態。住友理工株式會社表示，司機的疲勞和倦意能導致交通事故，而該狀態可通過分析氣墊裝置收集的數據被檢測到。
該氣墊裝置由三層橡膠組成：座椅型橡膠層夾在兩個導電的橡膠層（電極）之間。當上下電極（橡膠層）之間的距離因為駕駛員的活動而改變時，電極之間的電容量也會隨之改變。根據電容量的變化總量，可以測量施于氣墊裝置上的壓力。住友理工表示，根據壓力計算呼吸速率、心率等需要花費幾秒鐘的時間，公司未來發展的目標是進一步縮短計算時間。
由住友理工研發的電極（橡膠層）極具靈活性，可通過在由橡膠制成的基礎材料上打印“SR”（智能橡膠）柔性導電橡膠材料實現。此外，即使橡膠被完全拉伸，該電極（橡膠層）仍能保持導電性。該公司表示：“由于氣墊裝置是結合柔性橡膠材料制成的，因此，即便駕駛員坐在氣墊上開車，也不會覺得不舒服。”通過改變橡膠材料的尺寸，可以制成比座椅表面尺寸更大的氣墊。因此，該氣墊也可用作座椅靠背。
展開 汽車大觀｜全新物種，會有多顛覆？
嵐圖夢想家是第一款搭載高通8155車機芯片、具有L2+智能駕駛輔助、遙控泊車功能與三聯屏座艙的MPV。
全車搭載5個毫米波雷達、7個攝像頭、12個超聲波雷達，支持26項高級駕駛輔助功能，包括打轉向燈自動變道、全場景自動泊車、遠程遙控泊車等功能，是MPV里首個搭載L2+級駕駛輔助系統的車型，覆蓋全場景用車生活。
傳統MPV的安全性，向來是短板。嵐圖夢想家則采用超五星安全標準而開發，使用全球首創的2000Mpa一體式熱成型激光拼焊門環和2000Mpa鋁硅涂層車門防撞梁，全車采用超70%高強度鋼，打造超高強度籠式座艙骨架，重新定義MPV座艙安全。
考慮到MPV離地間隙更小，嵐圖夢想家采用全場景電池安全防護系統，首創1500MPa熱成型高強鋼電池包底護板，電池安全性領先同級。
嵐圖夢想家還配備疲勞駕駛監測、夜視系統等主動安全技術，將MPV的安全提升到了新的高度。
嵐圖夢想家的舒適程度，作為私人定制版車主的張朝陽，用其在嵐圖夢想家車廂里“好好地睡了一個午覺”進行了概括。
在這輛極致豪華的四座版MPV里，第二排設計在完美體現人機工程學的豪華舒適座椅上，配備了睡眠頭枕、獨立智控扶手屏、旗艦車載冰箱等。
同時，座艙內增加了隱藏式升降電視、可升降揚聲器、空調控制面板等豪華配置。
在豪華視覺營造上，私人定制版增加專屬logo門柱飾板和后排實木地板，配合二排超豪華零重力寬適座椅，讓用戶告別左右束縛感，享受如飛機頭等艙般的尊貴體驗。
最合適的價格與最誠懇的權益
嵐圖夢想家分為“夢”系列、“想”系列、“家”系列，其中：“家”系列369,900元，“想”系列389,900元，“夢”系列439,900元，私人定制版售價639,900元起，用戶可通過嵐圖汽車APP預定。
展開 DMS（Driver Monitor System）駕駛員監控系統
概述
DMS（Driver Monitor System）駕駛員監控系統，主要實現對駕駛員的身份識別、駕駛員疲勞監測以及危險駕駛行為的監測功能，產品針對自動駕駛功能等級，乘用車、商用車等不同領域的應用，設計不同的報警機制，并可對關鍵數據進行存儲和上傳云端，產品的設計遵循ASIL-B 的安全設計要求，能夠較好的提升智能駕駛安全等級，提高車輛行駛安全。 DMS Camera DMS ECU
產品功能
? 駕駛員疲勞監測 ? 依據駕駛員疲勞識別，可與智能駕駛等級和功能開啟狀態關聯，設置不同報警級別? 駕駛員異常動作監測，抽煙、打電話、喝水……? 駕駛員注意力監測，視野范圍監測? 駕駛員身份識別 ? 依據識別結果可與云端或本地進行對比，功能關聯可依據駕駛員身份進行座椅調節、后視鏡調節……? 眼球追蹤? ASIL B
展開 蔚來汽車事故的一些思考
圖1 蔚來的兩代輔助駕駛系統平臺
2017年12月，在蔚來日“NIO Day”首次發布了駕駛輔助系統NIO Pilot，在隨后的很長一段時間內，蔚來是采取硬件預裝，然后逐步升級的方式來進行，在感知層面助駕駛的硬件構成，包括3個前向攝像頭、4 個環視攝像頭、5 個毫米波雷達、12 個超聲波傳感器和1個車內駕駛狀態檢測攝像頭。
圖2 蔚來第一代的輔助駕駛系統軟件迭代
在2018年，輔助駕駛主要是以預警的方式體現；2018年底加入了自動緊急剎車；2019年4月份加入自適應巡航功能。比較重大的更新節點是在2019年6月，NIO Pilot系統完成首次重大升級，新增了7項功能，包括高速自動輔助駕駛、擁堵自動輔助駕駛、轉向燈控制變道、道路交通標識識別、車道保持功能、前側來車預警、自動泊車輔助系統；隨后一個月加入了全自動泊車系統。
2020年2月，NIO Pilot系統新增自動緊急制動（行人及自行車）、超車輔助以及車道內避讓功能；2020年10月，NIO Pilot系統加入了高精地圖的使用，新增了自動輔助導航駕駛功能（NOA）；在后方橫穿車輛預警功能的基礎上，增加了主動制動功能；將駕駛員疲勞監測功能進行了升級，新增了攝像頭對對駕駛員面部、眼部以及頭部姿態特征的識別信息，通過多種信息進行綜合判定。今年1月，NIO Pilot系統新增視覺融合全自動泊車、車輛近距離召喚；對NOA功能進行優化：增強了該功能在主動變道與匯入/駛離主路場景下的穩定性。到這個階段蔚來的第一代軟件系統基本在功能層面布局完成。
二、蔚來智能駕駛該背鍋嗎？
圖3可以簡單地理解為：目前智能駕駛的等級分為6級，L1-L2級叫輔助駕駛，L3-L5才能叫自動駕駛。（小編 注）
應該說，蔚來的輔助駕駛系統是按照L2級別來設置的，先部署硬件，然后再逐步完善軟件。
展開 蔚來汽車事故的一些思考
圖1 蔚來的兩代輔助駕駛系統平臺
2017年12月，在蔚來日“NIO Day”首次發布了駕駛輔助系統NIO Pilot，在隨后的很長一段時間內，蔚來是采取硬件預裝，然后逐步升級的方式來進行，在感知層面助駕駛的硬件構成，包括3個前向攝像頭、4 個環視攝像頭、5 個毫米波雷達、12 個超聲波傳感器和1個車內駕駛狀態檢測攝像頭。
圖2 蔚來第一代的輔助駕駛系統軟件迭代
在2018年，輔助駕駛主要是以預警的方式體現；2018年底加入了自動緊急剎車；2019年4月份加入自適應巡航功能。比較重大的更新節點是在2019年6月，NIO Pilot系統完成首次重大升級，新增了7項功能，包括高速自動輔助駕駛、擁堵自動輔助駕駛、轉向燈控制變道、道路交通標識識別、車道保持功能、前側來車預警、自動泊車輔助系統；隨后一個月加入了全自動泊車系統。
2020年2月，NIO Pilot系統新增自動緊急制動（行人及自行車）、超車輔助以及車道內避讓功能；2020年10月，NIO Pilot系統加入了高精地圖的使用，新增了自動輔助導航駕駛功能（NOA）；在后方橫穿車輛預警功能的基礎上，增加了主動制動功能；將駕駛員疲勞監測功能進行了升級，新增了攝像頭對對駕駛員面部、眼部以及頭部姿態特征的識別信息，通過多種信息進行綜合判定。今年1月，NIO Pilot系統新增視覺融合全自動泊車、車輛近距離召喚；對NOA功能進行優化：增強了該功能在主動變道與匯入/駛離主路場景下的穩定性。到這個階段蔚來的第一代軟件系統基本在功能層面布局完成。
二、蔚來智能駕駛該背鍋嗎？
圖3可以簡單地理解為：目前智能駕駛的等級分為6級，L1-L2級叫輔助駕駛，L3-L5才能叫自動駕駛。
展開 收藏！嵌入式AI創新峰會萬字干貨，16位大咖演講精華
其中，“周易”Z1是邊緣計算通用的AI IP，面向IoT&Edge，基于“周易”Z1研發的全志R329智能語音芯片即將大規模商用；“周易”Z2面向邊緣計算中高性能場景，基于“周易”Z2開發的芯片也即將應用落地，主要覆蓋中高端安防和自動駕駛/智能座艙領域。
此外，吳彤還介紹了兩款AI IP的應用案例，包括人體關鍵點檢測、駕駛員疲勞監測 (DMS) 和DTV超級分辨率應用等。
5、恩智浦：用AI工具鏈讓MCU煥發智能“魔力”
前面的嘉賓提到了AI工具鏈概念，恩智浦AI-IoT方案資深研發經理秦建峰在會上則進一步探討了《如何設計高效率MCU AI工具鏈》這一細分領域的核心問題。
▲恩智浦AI-IoT方案資深研發經理秦建峰
MCU（微控制單元）具有低算力、低功耗、低成本的特點，在MCU上做AI開發面臨眾多限制。秦建峰談到，一方面，MCU硬件限制了推理引擎規模，另一方面，已有的開源工具對算法優化仍缺乏標準，都阻礙了在MCU上做AI應用。
如何提升MCU邊緣端AI運算性能和精度 ？
秦建峰認為，需要選取成熟及高效率總線架構設計的MCU；同時避免采用大內核的卷積運算，找到精度和性能的平衡點；另外，要采用適當的量化算法或者是混合量化算法，以保持精度并減少冗余運算，等等。
恩智浦內部有一套持續維護優化的Nano.AI工具鏈，包括Nano.AI PC端工具和Nano.AI MCU邊緣端推理引擎兩大部分。開發者首先在PC端針對現有MCU完成精度和性能的仿真，當PC仿真效果達標后，再將最后生成的代碼全部放上來，做真實環境下的驗證，最后得到加速庫，包括模型和轉化過的文件。這樣一來，集成到MCU上花的時間會大大節省，使開發效率得到提升。
展開 