XiaoMi-AI文件搜索系统
World File Search System驶过
驾驶过程中的认知负荷：EEG Microstate指标对任务难度敏感并预测安全结果
重复使用本文是根据创意共享归因（CC BY）许可的条款分发的。此许可证允许您在作品上分发，混音，调整和建立工作，只要您将作者归功于作者的原始作品。此处的更多信息和许可证的完整条款：https：//creativecommons.org/licenses/
d5.2基于V2X的合作感和驾驶过渡...
TransAID（基础设施辅助驾驶过渡区）项目的目标是处理协作型自动驾驶汽车（CAV）在接近其自动驾驶系统无法自行处理的交通状况或区域时可能面临的情况。在这些情况下，驾驶员需要接管车辆；这就是所谓的控制转移（ToC）。TransAID 开发并演示交通管理程序和协议，以提高整体交通安全和效率，特别是在过渡区（即应该进行 ToC 的区域），考虑到 CAV、自动驾驶汽车（AV）、协作型汽车（CV）和传统汽车（LV）的共存。TransAID 措施要求使用车辆之间的通信（V2V）以及车辆与道路基础设施之间的通信（V2I），主要用于通过协作传感收集有关交通流的信息，并通过协作操作支持协调车辆的操作。在此背景下，本文档展示了 TransAID 正在开发的传感器设备和融合其数据的技术。这包括在配备摄像头的基础设施上实施的技术，这些基础设施能够使用光流检测、创建边界框和唯一地跟踪物体，以及在车辆上采用混合传感器融合策略，该策略包含一个低级激光雷达融合模块，可以转换传感器
使用功能性近红外光谱技术展示驾驶过程中视觉空间注意力需求与工作记忆负荷之间的大脑层面相互作用
驾驶是一项复杂的任务，需要同时调动多种认知资源。然而，目前还缺乏研究在双任务处理中不同驾驶子任务在大脑层面的相互作用。本研究调查了与驾驶难度增加相关的视觉空间注意力需求如何与大脑层面的不同工作记忆负荷 (WML) 水平相互作用。使用多通道全头高密度功能近红外光谱 (fNIRS) 大脑激活测量，我们旨在预测驾驶难度水平，既针对每个 WML 水平进行单独预测，也使用组合模型进行预测。参与者在虚拟现实驾驶模拟器中在有并发交通的高速公路上驾驶了大约 60 分钟。在一半的时间里，路线穿过一个车道宽度较窄的建筑工地，增加了视觉空间注意力需求。同时，参与者执行了 n-back 任务的修改版本，其中有五个不同的 WML 级别（从 0-back 到 4-back），迫使他们不断更新、记忆和回忆前几个“n”速度符号的序列，并相应地调整速度。使用多元逻辑岭回归，我们能够在 15 名参与者的 75.0% 信号样本（1.955 Hz 采样率）中正确预测驾驶难度，在对每个 WML 级别分别在 fNIRS 数据上训练的分类器的样本外交叉验证中。WML 级别对驾驶难度预测有显著影响