可解释驾驶响应模型

响应快 24%，漏警减半

用可解释机器学习揭示过往误报如何延长驾驶员对后续真实前向碰撞警告的反应时间，并以此优化 ADAS 预警逻辑，提升真实环境中的响应速度与接受率。

Yichang, Shao · Xu, Yueru · 叶智锐 · Zhang, Yuhan · Weijie, Chen · Shiwakoti, Nirajan · 施晓蒙

Engineering Applications of Artificial Intelligence 2025

参数信息

平均响应时间

1.6 s

忽略警告比例

6 %

驾驶员接受率

71 %

技术优势

响应时间缩短24%

通过优化预警触发条件，平均响应时间从2.1秒降至1.6秒，驾驶员能更快采取制动或规避动作。

漏警减半

通过分析误报对信任的侵蚀，调整警告策略，使忽略警告的比例从12%降至6%。

接受率提升至71%

驾驶员对系统警告的接受率从59%提升至71%，表明信任得以重建。

应用场景

• 商用车主动安全：危险品运输车需快速响应前向碰撞预警，减少误报干扰带来的延迟，降低追尾风险。
• 人机共驾交互：通过解释模型理解驾驶员信任动态，优化人机协作时的警告时机，避免过度干预或忽视。
• 车队安全监控：车队管理者可依据模型调整不同驾驶员的预警阈值，提升整体安全并减少误报投诉。
• 工业车辆ADAS：工业车辆在复杂厂区环境下易受误报干扰，该模型可针对性优化预警逻辑，提高作业安全性。