基于 fNIRS 融合乘客生理状态的自动驾驶安全决策研究

为解决传统自动驾驶决策方法存在功能不足等问题，研究人员开展基于功能性近红外光谱（fNIRS）融合乘客生理状态的自动驾驶安全决策算法研究。结果显示该算法收敛更快，安全舒适性更优，为提升自动驾驶安全性提供新方向。

　　随着自动驾驶技术的普及，其安全问题逐渐暴露。近年来多起严重交通事故表明，传统决策方法因功能不足和机器性能限制，难以应对潜在风险行为，仍需人类干预。如何让自动驾驶系统更好地感知风险并做出安全决策，成为亟待解决的难题。在此背景下，研究人员开展了相关研究，以提升自动驾驶的安全性和可靠性。

为解决上述问题，研究人员开展了基于功能性近红外光谱（functional near-infrared spectroscopy，fNIRS）融合乘客生理状态的自动驾驶安全决策研究。该研究由未知研究机构的人员进行，旨在通过分析乘客生理状态，为自动驾驶的安全决策提供新的思路和方法。研究得出，所提出的智能安全决策算法在收敛速度、安全性能和舒适性能方面均优于传统算法，为自动驾驶的安全发展提供了重要的技术支持。该研究成果发表在《Cyborg and Bionic Systems》。

研究中用到的主要关键技术方法包括：一是 fNIRS 风险检测技术，通过对 fNIRS 信号进行在线预处理、特征提取和分类模型构建，实现对人类风险感知的解码；二是 fNIRS 集成强化学习（reinforcement learning，RL）技术，设计了人类引导的 DRL 切换机制，当检测到风险信号时，控制从 TD3 算法切换到智能驾驶员模型（intelligent driver model，IDM），同时让 TD3 学习该决策，以加速学习速度并保持探索性能。

任务 1：收集分类模型训练数据

通过让参与者在 CARLA 模拟器中体验三种驾驶场景，并在感受到风险时按下按钮，收集 fNIRS 数据和主观标签。采用平衡准确率（balanced accuracy，BA）作为评估指标，结果显示，所提出的投票分类器在三个场景中的平均 BA 达到 0.77±0.09，优于其他 6 个基础分类器，表明其在风险检测中的有效性。

任务 2：人在环 RL 训练

• 学习过程：通过比较传统 TD3 和引入 fNIRS 风险检测的 TD3 在三个场景中的累积奖励曲线，发现引入 fNIRS 的算法能为 RL 代理提供更多风险情况的预测信息，加速其学习速度。
• 安全评估：采用驾驶风险场和最小碰撞时间（time-to-collision，TTC）指标评估。结果表明，fNIRS 风险检测有效降低了探索过程中的风险水平，在部分场景和阶段，fNIRS 组的最小 TTC 显著更高，说明其安全性更好。
• 舒适性评估：以平均 jerk（包括正负）为指标，引入 fNIRS 后，正负 jerk 均减少，表明算法在加速、减速和制动的时机和位置选择上表现更好，避免了突然操作，舒适性更优。

研究结论表明，该研究提出的基于 fNIRS 融合乘客生理状态的自动驾驶安全决策算法，通过在线分析乘客生理状态进行风险评估，有效克服了传统 TD3 的功能不足，在自动驾驶紧急制动、前车切入和行人穿越等场景中表现出更快的收敛速度和更优的安全舒适性。讨论指出，尽管研究存在场景相对简单、参与者年龄范围较窄和种族单一等局限性，但该研究首次将乘客的主观风险感知与智能算法 TD3 融合，为自动驾驶的安全决策提供了新方向。未来研究计划将算法部署在更复杂现实的驾驶场景中，结合 fNIRS 信号的风险检测和车辆的感官信息，进一步提升驾驶风险估计的鲁棒性和精度，以提高自动驾驶系统的安全标准。