【都大探索】AI化身「智慧副駕」 預判駕駛狀態防車禍
俗語云︰「馬路如虎口。」世界衞生組織（WHO）最新報告指出，全球每年約有119萬人死於道路交通事故，另有約5,000萬人受傷。駕駛者分心、疲勞及壓力等人為因素，均是道路安全的重要隱患。自動駕駛技術被視為提升道路安全的長遠方向，而現時不少車輛亦已配備「駕駛者監控系統」。不過，反應普遍「慢半拍」，例如當汽車已偏離行車線，或鏡頭發現司機閉眼時，系統才發出警報。此時危險或已出現，駕駛者未必有足夠時間作出反應。
為解決此技術瓶頸，香港都會大學（都大）科技學院研究團隊近日於國際期刊《IEEE消費電子匯刊》（IEEE Transactions on Consumer Electronics）發表研究，提出一套以人工智能（AI）深度學習的「駕駛狀態預判系統」，把防護機制由「事後警告」大幅提前至「事前預測」。系統猶如具備「讀心術」的智慧副駕，可於駕駛者即將出現壓力、疲勞或分心狀態前的1至60秒作出預測，讓駕駛者及車輛安全系統及早採取措施，例如減速、增加跟車距離或提醒駕駛者休息。
讀懂司機反應與習慣
要讓人工智能具備預測能力，首要讓它學會「觀察」。都大團隊研發的系統主要收集兩種非入侵性的數據：1.透過安裝在軚盤或穿戴式裝置的感測器，收集駕駛者的心電圖訊號；2.利用車內鏡頭，實時捕捉駕駛者的動作影像。
每位駕駛者的生理反應和駕駛習慣皆不盡相同。為此，團隊研發名為「客製化核基深度堆疊自編碼器」的特徵提取技術。大家可以將它想像為一個極度敏銳的過濾器，不僅能找出所有人類在疲勞或緊張時的「共通特徵」，例如心跳變異率的改變，還能精準捕捉每位司機的「個人專屬特徵」。這種度身訂造的演算法，大幅提升模型對不同個體的預測準確度。
建立可靠的人工智能模型，往往受限於真實數據的不足。在實際駕駛數據庫中，駕駛者處於極度疲勞或嚴重分心的「危險數據」相對罕見。若直接以比例懸殊的數據訓練模型，系統容易出現偏差，難以及時辨識少見但關鍵的危險狀態。
為此，團隊引入「生成對抗網絡技術」，讓兩個人工智能模型在虛擬環境中互相學習與競爭，按真實數據的規律生成大量危險駕駛出現時高度逼真的生理及行為數據。這不僅解決數據不足的問題，更可讓預測模型學習應對各種極端情況，進一步提升系統在真實道路上的可靠性與穩健性。
不同危險駕駛行為的發生機制各不相同：「分心」通常在瞬間發生，如突然看手機；「疲勞」是從清醒逐漸陷入瞌睡的過程；而「壓力」則是累積而成，可能需要更長的時間才能消退。
針對這些差異，都大團隊採用「集成學習」（Ensemble Learning）策略，巧妙地融合三種不同的遞歸神經網絡（RNN、GRU、LSTM），猶如組成一個專家智囊團，例如擅長短期記憶的專家負責盯緊司機是否即將分心，擅長長期分析的專家則負責預測司機在未來一分鐘內會否因為持續的壓力而失控。實驗結果顯示，這套預測模型在1秒至60秒的預測時間範圍內，展現出極高的穩定性與準確度，成功突破以往研究只能作未來2秒或5秒等固定時間預測的局限。
隨着物聯網與人工智能技術的迅速發展，未來車輛將不只是交通工具，更可能成為主動協助駕駛者管理風險的安全伙伴。都大團隊的研究為智能交通系統提供嶄新的技術框架，更展現科技在保障人類生命安全上的巨大潛力。
團隊期望，這項具前瞻性的「智慧副駕」技術可進一步發展並應用於日常駕駛環境，及早察覺駕駛者的潛在危險狀態，真正做到防患於未然，守護駕駛者與所有道路使用者的安全。
●徐國泰博士 香港都會大學科技學院副教授
