基于摩擦电传感手套的自动驾驶车辆实时行为识别与接管时间动态调整系统

研究人员针对L3级自动驾驶车辆固定接管时间预算(TOTB)无法适应驾驶员非驾驶行为差异的问题，开发了由全方位传感手套(AS-Gloves)、行为识别模块和TOTB决策模块组成的智能接管辅助系统(ITAS)。通过摩擦电纳米发电机(F-TENG)传感器捕捉手部动作，结合TCNN-LSTM模型实现94.72%的行为识别准确率，首次实现根据非驾驶行为动态调整TOTB，显著提升接管安全性和稳定性。该研究为条件自动驾驶(CAD)系统的实际应用提供了关键技术支撑。

　　

在自动驾驶技术快速发展的今天，L3级条件自动驾驶(CAD)系统面临着一个关键瓶颈——当系统遇到无法处理的状况时，如何确保驾驶员能够安全接管车辆。传统方法采用固定接管时间预算(TOTB)，却忽视了驾驶员可能正在进行的各种非驾驶行为(NDRT)，如玩手机、喝水或操作中控台等。这些行为会显著影响驾驶员重新获得情境意识(SA)和做好接管准备所需的时间。固定TOTB设置可能导致时间冗余或不足，前者降低系统效率，后者则可能引发严重事故。

针对这一挑战，上海大学的研究团队在《Nature Communications》发表了一项创新研究。他们开发了智能接管辅助系统(ITAS)，通过摩擦电纳米发电机(F-TENG)传感器手套实时监测驾驶员手部动作，结合深度学习算法准确识别非驾驶行为，并据此动态调整接管时间。这一突破性技术为L3自动驾驶系统的安全实施提供了解决方案，标志着人机协同驾驶领域的重要进展。

研究团队主要采用了三项关键技术：1)开发柔性摩擦电传感器(F-TENG)手套，集成11个传感器节点捕捉手部动作和物体交互信号；2)构建时间分布式CNN-LSTM(TCNN-LSTM)深度学习模型，实现94.72%的六类非驾驶行为识别准确率；3)通过个性化实验确定不同行为所需的最小TOTB，建立动态调整机制。实验招募40名驾驶员(24男16女)在模拟和真实驾驶环境中采集数据。

全方位传感手套的设计与表征

研究团队设计的F-TENG传感器采用BaTiO₃纳米颗粒掺杂硅胶作为摩擦层，嵌入分支银纤维作为收集电极。优化后的传感器在0-3.5N范围内灵敏度达3.257V/N，响应时间仅27.4ms。AS-Gloves在11个关键位置布置传感器，通过递归特征加法(RFA)优化后保留7个传感器，在保证94.72%识别准确率的同时提高穿戴舒适性。

实时非驾驶行为识别模块

开发的TCNN-LSTM模型结合了CNN的空间特征提取能力和LSTM的时间序列处理优势。数据预处理采用低通滤波、多传感器数据融合和滑动窗口技术，将原始信号转换为适合深度学习处理的图像格式。模型在六类行为(手机操作、中控台操作、喝水、吸烟、无操作和握方向盘)识别中表现出色，特别是对手机操作和中控台操作的识别准确率超过95%。

最小TOTB确定模块与应用验证

通过个性化实验确定不同行为所需最小TOTB，结果显示不同行为间差异显著：握方向盘仅需4秒，而同时使用手机和吸烟需要11秒。对比实验证实，采用ITAS系统的驾驶员接管性能显著优于固定TOTB系统(p<0.05)，验证了动态调整策略的有效性。

这项研究的意义在于首次实现了基于驾驶员实时行为的接管时间动态调整，解决了L3自动驾驶系统实施中的关键安全难题。AS-Gloves的非侵入式设计保障了驾驶舒适性，而高精度识别算法确保了系统可靠性。该技术不仅可提升现有L3系统的安全性，也为未来更高水平自动驾驶系统的人机交互设计提供了新思路。随着自动驾驶技术的发展，这种融合柔性电子、人工智能和人因工程的多学科解决方案，将在智能交通领域发挥越来越重要的作用。