基于神经肌肉特性与多任务Transformer模型的驾驶员转向行为建模

研究提出融合肌电信号的多任务时序模型，实现高精度转向意图预测

全文速览

驾驶员转向意图预测对提升智能汽车人机交互效率与驾驶安全性具有重要意义。在高级自动驾驶系统中，精准预测驾驶员转向行为有助于实现平滑的人机协同控制，并评估紧急情况下的接管能力。本研究提出一种基于上肢肌电特性的多任务时间序列Transformer模型，联合建模方向盘握姿识别与转向力矩预测，实现对转向行为与意图的精确表征。

研究重点

研究人员分析了不同方向盘握姿（单手与双手）下驾驶员上肢肌电信号与转向力矩之间的动态关系，发现肌电信号在时序上领先于实际转向动作，具备用于提前预测的生理基础。该超前相位特征为基于生物信号的实时意图识别提供了实验依据。

主要贡献

通过分析四种典型特征融合结构，构建了面向肌电信号的多任务Transformer时序模型，同步完成离散姿态分类与连续力矩回归任务。
实验结果表明，所提模型显著优于单任务模型，在两类驾驶模式下均实现更高精度：
- 单手操作：握姿识别准确率达90.10%，转向力矩预测误差低至0.0564 N·m；
- 双手操作：识别准确率提升至97.47%，预测误差进一步降至0.0399 N·m。
研究验证了双手握姿条件下肌电信号更具稳定性与可预测性，更有利于模型性能提升。

图表展示

Table 1 不同驾驶模式与姿态下的时间延迟分析（ms）

Fig. 1 两种驾驶模式下的六种驾驶姿态

Fig. 2 四种设计的多任务时序Transformer网络结构

Fig. 3 单手模式下不同模型的姿态识别与转向力矩预测结果对比

Fig. 4 双手模式下不同模型的姿态识别与转向力矩预测结果对比

研究成果

研究表明，双手驾驶模式下肌电信号更稳定，能有效提升模型识别精度并降低力矩预测误差。该成果为基于生理信号的人车协同控制系统设计提供了理论支撑与实证依据，有望推动智能驾驶系统向更自然、更安全的人机交互方向发展。

作者团队简介

邢阳，助理教授，英国克兰菲尔德航空学院，研究方向为人机交互与自主系统。
胡中旭，教授，华中科技大学机械科学与工程学院，研究方向为自主系统与机器视觉。
莫小雨，博士后，南洋理工大学机械与航空学院，研究方向为自动驾驶与轨迹预测。
杭鹏，特聘研究员，同济大学交通运输工程学院，研究方向为自动驾驶与智能控制理论。
李树静，博士后，吉林大学计算机科学与技术学院，研究方向为自动驾驶与智能网络通信。
刘亚辉，副教授，清华大学车辆与运载学院，研究方向为人-车系统动力学、智能汽车协同控制。
赵一帆，教授，克兰菲尔德大学制造与材料学院，研究方向为非线性系统与信号处理。
吕辰，副教授，南洋理工大学机械与航空学院，研究方向为自动驾驶决策控制与人机交互。