知情郎·眼｜

侃透天下专利事儿

智能驾驶这概念吹了多年，知情郎感触一般。

但能否识别醉驾、帮助醉驾司机平安驾驶，大家都很感兴趣。

因为这功能很实用，尤其国内陪客户喝酒文化盛行，天天有机会喝酒醉驾。

车辆要是真智能，就该主动识别、并劝阻驾驶员别强行醉驾！

不陪客户喝酒喝开心了，怎么搞业务呢？

华为就搞了个识别醉驾的专利！挺稀罕！

据悉，华为申请的是人工智能系统，该系统是一个可以进行自主学习的驾驶舱，可以快速、识别车主是否存在醉酒驾驶的情况，如果发生有醉驾可能，会在识别之后及时报警处理。

该驾驶舱应用了人工智能领域核心、热门的机器学习技术，可以在车辆正式启动之前，借助照片和视频采集，来识别驾驶员的面部表情以及身体行为状态，分析其语音、习惯等情况，了解当时驾驶员是否醉酒，有何特殊意图。确认驾驶员行为之后，汽车可决定采取行动，口头警告或锁上控制装置，甚至报警。

即使驾驶员在醉酒状态下，没有进行控制车辆的行为，该系统处于预防、保护的目的，也会自动开启。此外，如果驾驶员在行驶过程中出现了疲劳驾驶、精神不集中、打电话、发短信或爆发路怒症等情况，系统也可以识别，从而提高驾驶安全性。

使用人工智能技术来判定醉酒情况的并非只有华为一家公司。全球的出行服务企业Uber同样也有类似计划。

据国外媒体报道，Uber也申请过类似专利，试图利用人工智能技术来辨别用户是否醉酒，并以此为其提供定制的乘车服务。

据了解，该项专利名为“通过机器学习来预测用户的状态”。Uber意图借助人工智能机器算法，通过APP采集的实时数据，来识别乘客的异常行为，例如输入时的错别字、点击按钮或链接的度以及走路时的速度和路径等。此外，打车的时间、地点也被考虑在内。

01国内谁在做识别醉驾的研究？

以酒驾监测为关键词，从德高行全球专利数据库检索得出，国内主力研究部门是高校机构，排除高校以后，企业专利量不多，下为企业专利申请人排名：

企业主要以整车厂为主，可以理解，毕竟靠卖车吃饭的。

但传统车企更偏向物理机械领域，跟人工智能、AI自动驾驶，关联度不强。

02解读下华为识别酒驾专利

技术适用场景描述

驾驶员是安全驾驶的核心，不管自动驾驶系统开发到何种阶段，都应该把驾驶员的状态考虑进总体车辆安全领域。

以前的工作重点是了解外部驾驶环境（例如，交通、信号和行人），以增强自动驾驶的安全性。

但，华为专利涉及使用驾驶员表情和车辆内部图像了解驾驶员状况，比如驾驶员是否醉驾、是否疲劳驾驶、驾驶员是否有突然无法驾驶的历史疾病等原因。

华为工程师总结为，根据驾驶员状况预测驾驶意图，减少不安全的驾驶员进行控制，并促进对自动驾驶车辆的适当使用。

方案优点：更好地了解驾驶员状况，为所述驾驶员、乘客和与所述车辆共享道路的其他人提供了更安全的车辆出行。

其它优点还可能包括提升用户体验、开发驾驶员体验数据库，以及为所述车主提供更低的保险费和更少的潜在责任。

03流程简单暴力

图1A 基于驾驶员表情和内部环境的集成信息检测驾驶员状况的系统框图

看上图，华为工程师构思的识别驾驶员状态的流程非常简洁。

在图1A的实施例中，结合有关驾驶员104的数据（例如，面部表情、手势和生理数据）分析汽车内部环境102的图像（例如，包括可疑物体或环境变化的图像），以了解所述驾驶员的意图和状况106。

这一步，就是搜集驾驶员和驾驶舱的数据。

酒驾状态下的驾驶员表情、手势信息以及车内情况，和平时总有区别。

将这些信息自动录入深度学习网络，人工智能会根据算法确定驾驶员状况或意图，并对安全做出决策，包括是否采取行动。

可能的行动包括提供告警、限制驾驶员对所述车辆控制的访问、拨打911以及提供口头告警（包括识别的危险类型或其任何适当组合）。

在不脱离本主题范围的情况下，可以提供其它行动或告警。

驾驶员确定的状况可包括多种分类，例如醉酒和困倦。

04如何对信息分类判定

图3A，根据各种实施例的用于对内部车辆驾驶环境进行分类的方法的流程图

看上图3A的流程，机器学习会对拍摄的驾驶员面部表情进行分类，也会对车内内部环境进行分类，通过卷积神经网络（convolutional neural network，简称CNN），识别车内环境。

确定车内是否存在问题，如可包括显示文本或其它应用的电话、酒精、毒品或枪支。

确定驾驶员状态，如分心、醉酒、困倦或沮丧状态。有些醉酒、疲倦的表情是经典姿态，比如下图，反复出现这类姿势，说明驾驶员的状态极为疲劳，容易发生交通风险。

05算法亮点？

整个流程，难的就是如何判定驾驶员出问题的算法，毕竟只是通过外部姿态、手势、表情，来确定驾驶员的实际情况，误判的情况非常多，如何提高准确率，才是核心。

华为工程师提供了一种算法模型。

图为根据各种实施例的计算给定驾驶员状况的概率流程图

看上图，对于驾驶员情绪表情Xi 1002和汽车环境状况Yj 1004的训练数据，使用以下公式计算1006状况概率：

其中，假设类别的数量和类型是固定的，所述状况概率越高，给定dp的cq越有可能。

所示实施例使用以下变量：

Vi＝（Xi，Yi）：标记数据集对，其是所述索引，Xi和Yi分别是驾驶员状况和内部环境条件的数据集。数据集可以是一个或多个图像或视频，使用以下变量：

G＝（g1，g2，．．．，gi，．．．）：每对数据集的标签，其中gi＝｛0，1｝，1表示人被标记为危险，0表示不危险。D＝（d1，d2，．．．，dp，．．．）：驾驶员状况的类别，p是索引。C＝（c1，c2，．．．，cq，．．．）：内部环境状况的类别，q是索引。

f：Xi，or Yi的分类。

P（cq∈C｜dp∈D）：或简单地P（cq｜dp），给定驾驶员状况的内部环境状况的状况概率。

ths：阈值。

给定所述驾驶员状况，可以减少检测内部环境状况所需的活动滤波器数量。

减少所述活动滤波器具有以下优点：使用相同的CNN结构而不用构建新的CNN结构；减少活动滤波器；降低计算复杂度；缩短计算时间；避免机器学习过度拟合。

当所述输入数据涉及驾驶员状况dp时，所述分类结果从C更改为相当于将的结果设置为0。

反向传播的一般公式是：

和给定dp的状况概率，可以将所述输出类减少到为了从所述减少的输出类别中获益但使用相同的CNN，可以重新训练CNN，为所述特定的dp和获取一组新的W，

即，根据链式法则，可以推导为的函数，即，其中g是函数。

当输出为0时，此项在训练中设置为0，这将导致零即不会更新。

在这种情况下，可视为所述偏移的一部分，并在初始化时将其设置为零，即不使用的相应滤波器。

此公式应用于直接连接到所述当前层的输出，因此，在训练期间，可以逐层传播此方法。

具体而言，从所述最后一层开始，对于每一层，如果所述层输出为z次，即在收敛中相对稳定；设置即不使用相应的滤波器，其中thr＿st和thr＿out都是阈值。

与阈值的这种比较确定是否触发自适应滤波器。

所示实施例使用以下变量：

与dp对应的内部环境条件的类别，其中始终大于所述阈值，即r是索引。

是C的子集，即W：CNN的权重F：成本函数b：偏移层k和滤波器f的权重（参数）与连接的输出。

请注意，输出可以连接多个权重。

使用机器学习方法处理驾驶员图像和内部车辆环境图像的框图

上述推导公式，知情郎一头雾水，大概意思是明白的。

一句话就是概率问题，当驾驶员在一段时间内出现的某种醉酒驾驶、疲劳驾驶的特征数据越明显、频次越高，自然风险越高，高到一定预设的阈值后，机器就会提示危险、发出警报了。

06醉驾研究，高校才是主力军！

在醉驾检测方面，高校的专利远比企业要多。

华南理工大学的专利，一种用于醉驾和疲劳驾驶检测的智能方向盘。

这个专利，在知情郎看来，比前面华为专利的思路更简洁。通过心电图数据对比，来检测驾驶员状态！

看看华南理工大学研发者的构思。

技术背景介绍：

醉驾和疲劳驾驶是交通事故的重要原因，因此开发能及时检测驾驶员是否醉驾和疲劳驾驶并做出预警的系统，对于减少交通事故意义重大。

目前检测疲劳的研究可分为三类：1） 基于车辆行为的方法；2） 基于驾驶员行为的方法3） 基于生理信号的方法。

基于车辆行为的方法主要是通过测量转向角、速度、加速度、转弯角度等车辆数据，虽然收集车辆信号很方便，但是此时驾驶员已经明显表现出疲劳，因此这种方法无法有效的及时的检测到驾驶员是否醉驾或疲劳并做出预警。

基于行为的方法就是通过视觉分析驾驶员例如闭眼，眨眼，打哈欠，头部姿势、眼睑运动和面部表情等面部特征来检测是否疲劳。

这种方法虽然能采集到驾驶员的面部特征，但是在阴暗、遮挡等环境下检测的准确率会大幅降低，因此这种方法无法有效的及时的检测到驾驶员是否疲劳。

基于生理信号的方法，这些研究主要是研究心电图（ECG）和心率等生理信号。

通过心电检测醉酒存在一定的理论基础，例如正常人喝酒后，其心率一般会比他自己平时的心率快20－25次／分左右。并且基于生理信号的方法可以获得很高准确率，能够有效地检测驾驶员的醉驾和疲劳驾驶。

其次，在用于醉驾和疲劳检测的智能方向盘工作的第一步，如何有效地检测和采集驾驶员的心电图数据是一个关键步骤，这里涉及到何时开始采集和采集间隔时间的问题。

最后，采用何种神经网络技术对驾驶员的心电图数据进行分析和得出分类结果，神经网络技术对驾驶员醉驾和疲劳驾驶的精神状态的分类准确率还有待进一步提高。

华南理工的研发人员就提出设计一种用于醉驾和疲劳驾驶检测的智能方向盘。

本实用新型的方向盘能够实时检测和收集驾驶员驾驶过程中的心电图数据，通过神经网络对输入的心电图数据进行分析并得出驾驶员精神状态的分类结果，能够有效地检测驾驶员的醉驾和疲劳驾驶，减少交通事故的发生。

与此同时，本实用新型提高了醉驾和疲劳驾驶的识别准确率。

07智能方向盘结构图

图1，一种用于醉驾和疲劳驾驶检测的智能方向盘

如图1所示，包括方向盘本体1、侧盖2、柔性极片3、嵌入式芯片4、顶盖5和电池盒6；

方向盘本体左右两端的侧面均装配有侧盖2，两个柔性极片3分别贴在左右两端的侧盖2上；

方向盘本体1中心设置有嵌入式芯片4和电池盒6，通过顶盖5进行密封；

电池盒6通过导线连接嵌入式芯片4和贴在左右两端的侧盖2上的柔性极片3进行供电；

嵌入式芯片4通过导线连接贴在左右两端的侧盖2上的柔性极片3；

嵌入式芯片4带有心电检测模块和神经网络模块，将柔性极片3采集的电信号转化为心电信号获取心电图数据，并根据心电图数据实现醉驾和疲劳驾驶的检测。

所述方向盘本体1两端侧面均开有孔用于装配侧盖2，侧盖2上开有孔，使得两端的柔性极片3采用导线通过侧盖2上的孔与方向盘本体1中心的电池盒6和嵌入式芯片4完成连接。

所述心电检测模块用于对驾驶员驾驶过程中的心电图数据进行检测，完成收集和存储驾驶员的心电图数据，并将心电图数据发送至神经网络模块。

所述神经网络模块采用预训练得到的神经网络模型，将采集到的驾驶员的驾驶过程中的心电图数据作为输入传到神经网络模型中进行驾驶员精神状态分类，并获得驾驶员驾驶过程中的精神状态，完成醉驾和疲劳驾驶的检测。

知情郎看完这个专利后，感慨，不如把医院里体检的那套设备以及病历本都拿来，在开车前血压、心跳都测一次，就更安全了。