DMS是如何实现的？DMS面临的技术挑战

零事故，是汽车电子特别是自动驾驶的终极追求。因此，在ADAS和自动驾驶方案的研发中，很大的笔墨都是围绕着安全展开的，比如为了在全天候环境中感知行车环境，避免和远离危险，专门在车辆四周引入了多种传感器——如视觉摄像头、毫米波雷达、激光雷达、超声波雷达等——编织成了一个蚕茧般360°无死角的感知界面，将汽车罩在其中。 但是想要真正“无死角”地应对安全问题，仅有这些位于车辆外部、“向外看”的传感器还是不够的，还有需要有一只“向内看”的“眼睛”，从车辆内部对驾驶员进行监测，随时关注其健康和疲劳状态——毕竟在还没有实现完全的自动驾驶之前，驾驶员对于车辆仍有相当的控制权，其驾驶状态好坏对于行车安全至关重要。 中国交通部统计表明，中国48%的车祸是由驾驶员疲劳驾驶引起；而德国的研究也显示，在德国境内高速公路上25%导致人员伤亡的交通事故，都与疲劳驾驶相关。因此，Euro-NCAP发布的2025路线图中，要求从2022年7月开始新车都必须配备驾驶员监测系统（DMS），在中国也已立法对商用车强制装配DMS系统，乘用车搭载要求也在推进制定中。

图1：自动驾驶需要传感器融合（图片来源：安森美半导体） 这一关乎安全问题的新“刚需”，也带来了市场新机遇。据佐思汽研的研究数据，2019年中国主动DMS系统的乘用车新车安装量为10,170套，同比增长174%，而2020第一季度安装量就达到了5,137套，同比增长360%，而且增长动力来自于价格15-20万主流车型中的装配。 面对这样的大趋势，对于车企和开发者来说，跟还是不跟以及如何跟进，就成了一个必须回答的问题。

DMS是如何实现的？

DMS一般分为主动式DMS和被动式DMS两种。被动式DMS是基于方向盘转向和行驶轨迹等特征来间接判断驾驶员状态；而主动式DMS系统一般是直接检测驾驶员生理体征和行为动作，因此受外界其他因素干扰小，检测的结果来得更准确，所以已经成为主流的研发方向。 主动式DSM又分为两种：

生理信号检测：即通过对驾驶员脑电信号EEG、心电信号ECG等生理指标的测量，反映其疲劳状态。这种方法虽然准确性高，但需采用“接触测量”的方式，在驾驶过程中局限性较大。

生理反应检测：基于摄像头对驾驶员面部特征变化（如眼部和头部的运动）进行捕捉和识别，推断其疲劳状态，这属于一种非接触的检测方法，对驾驶者干扰少，而且随着近年图像处理软硬件技术的成熟测量的速度和准确性提升了不少，因此已经成为了最具商用可行性的方法，行业内主流的厂商也都是围绕着这条技术路径做文章。

所以说，目前我们探讨的主动式DMS方案，就是一个典型的视觉识别系统——它通过安装在驾驶座舱中的摄像头和近红外技术采集驾驶员的面部和身体视觉信息；这些数据交给一个计算平台进行分析和判断，根据驾驶员眼睑闭合、眨眼、凝视方向、打哈欠和头部运动等确定其是否处于疲劳驾驶状态，在这个计算处理的过程中通常会用到机器学习的方法，通过训练出的模型去做推理，提升识别的准确性和效率；一旦检测到有疲劳驾驶的征兆，就会触发车辆中的灯光、声音等报警系统，给予驾驶员警示。这样一来，所有危险或可疑的动作，都逃不过DMS的“法眼”了。

DMS面临的技术挑战

可以说，在众多技术公司的努力下，目前对于实现主动式DMS的技术路径已经很清晰了，不过在具体的产品和方案研发中，DMS的应用落地仍然面临诸多挑战。

首先，基于视觉的DMS方案，最大的技术难点之一就是在强光或弱光状态下表现，需要确保其在不同环境中能够持续获取满足质量要求的视觉信号。

其次，这个视觉识别系统同样面临着由于算力不足，或通信等问题造成的延时问题。

再有，如何提高检测的准确率，减少误报，也是一大挑战，因为如果误报次数太多，对用户造成干扰，就会在用户体验上得不偿失。这方面很大程度上要依赖机器学习过程中大量高质量的数据样本，以及训练算法的优化。

最后，在小型化和成本上的要求也必须要重视，因为汽车座舱空间有限，DMS系统不能碍眼碍事。

围绕着上述这些挑战的技术攻坚一直在紧锣密鼓地进行中，也有越来越多的成果呈现在大家眼前。

比如在应对光学挑战方面，安森美半导体的AR0144 CMOS图像传感器就是一个理想的方案。AR0144是一个1/4英寸、1.0M（1280H×800V）分辨率的图像传感器，在明亮和微光条件下均不会有伪影，高快门效率和信噪比充分降低重影和噪音干扰，提高了整体图像品质。由于采用了创新的全局快门设计，AR0144能在静态和动态场景应用中捕捉准确和快速的影像。加之其灵活多样的图像操作模式、紧凑的产品尺寸，它几乎是为DMS量身定制的。 随着时间的推移，以及相关安全法规的推动，未来适用于DMS的产品和方案也会越来越多。

从DMS到OMS

如果我们将视野再放大一些，实际上DMS只是汽车座舱主动安全策略的一部分，除了驾驶员监测，未来对于乘客监控系统（OMS）的需求也会成为一个市场亮点。

有消息称，Euro NCAP将从2022年开始对儿童车内遗留检测（child presence detection）打分，该功能可以检测出一个孩子独自留在车内，并向车主或紧急服务部门发出警报。美国国家公路交通安全管理局（NHTSA）也在制定新规则，强制汽车安装“预警系统”，以提醒驾驶员检查后座，避免儿童遗留问题。而这只是OMS应用的典型场景之一 以往的OMS应用比较简单，常见的就是乘客占位检测（通过压力传感器）以及安全带佩戴检测，但是传统的技术方案比较容易产生误报，且容易被“欺骗”——比如用一个金属片插入安全带插孔，就可以取消报警。 而上文所述的DMS采用的图像识别系统，完全可以延伸到OMS领域，通过增加专门的针对乘客的摄像头及其后端的技术处理系统，实现OMS的应用要求。这样一来，DMS的很多技术沉淀在OMS都可以复用，而且同样的技术架构也不会增加座舱主动安全系统额外的复杂性。 值得一提的是，视觉方案并不是OMS的唯一选择，比如有厂商已经将毫米波雷达的方案，引入到后排乘客的监测中。与其他方案相比，毫米波雷达可以提高检测精度，且可以穿透衣服，避免遮挡问题，并测量各种生物信号（包括呼吸、心率等具体的健康指征），甚至基于一定的机器学习算法，雷达方案还可以提供足够的精确度来区分成人、婴儿和宠物。

图2：座舱主动安全感知应用及方案（图片来源：安森美半导体）

如何选择合适方技术方案？

不同方案的竞逐，从市场和用户的角度是个好事，但是对于开发者和厂商来说，也会带来不少困扰：如何评估各种方案的优劣；如何选择合适的产品，实现差异化；有哪些可以利用的资源……都是一系列问号。 想要消除这些问号，现在有一个好机会——在“安富利ADAS/自动驾驶主题月”的活动中，将举办一期围绕“驾驶员疲劳检测系统（DMS）设计及开发”的专场研讨会，届时安富利与合作伙伴的专家，将深入探讨DMS等主动驾舱安全技术的发展趋势、开发难点及应对方案，特别将针对视觉解决方案，做详细而全面的阐释。相信通过这一研讨会，大家对于如何在ADAS和自动驾驶中，打造一颗“看向座舱内”的智慧之眼，一定能够有更清晰的认知。

责任编辑：lq