Drowsiness-Aware Adaptive Autonomous Braking System based on Deep Reinforcement Learning for Enhanced Road Safety

📄 arXiv: 2604.13878v1 📥 PDF

作者: Hossem Eddine Hafidi, Elisabetta De Giovanni, Teodoro Montanaro, Ilaria Sergi, Massimo De Vittorio, Luigi Patrono

分类: cs.LG

发布日期: 2026-04-15

备注: This manuscript is 10 pages long and includes 12 figures and 3 tables. The figures provide detailed visualizations of the proposed system architecture, ECG-based drowsiness detection pipeline, Double-Dueling DQN framework, and experimental evaluation results in the CARLA simulation environment

💡 一句话要点

提出基于深度强化学习的驾驶员生理状态自适应自动刹车系统，提升道路安全

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 深度强化学习 自动刹车系统 驾驶员疲劳检测 生理信号处理 CARLA仿真

📋 核心要点

  1. 现有驾驶辅助系统无法根据驾驶员的实时生理状态（如疲劳程度）进行调整，存在安全隐患。
  2. 该论文提出一种基于深度强化学习的自动刹车系统，将驾驶员生理数据（ECG）融入决策过程，实现疲劳状态下的自适应刹车。
  3. 实验结果表明，该系统在CARLA仿真环境中实现了99.99%的避撞成功率，验证了生理感知控制策略的有效性。

📝 摘要（中文）

驾驶员疲劳驾驶会严重影响其对安全制动距离的判断，据估计，在欧洲，疲劳驾驶导致的交通事故占10%-20%。传统的驾驶辅助系统缺乏对驾驶员实时生理状态（如疲劳程度）的适应性。本文提出了一种基于深度强化学习的自动刹车系统，该系统集成了车辆动力学和驾驶员生理数据。通过循环神经网络（RNN）从心电图（ECG）信号中检测疲劳状态，RNN的选择经过了对不同分割和重叠配置的2分钟窗口的大量基准分析。推断出的疲劳状态被纳入双重决斗深度Q网络（DQN）代理的可观察状态空间，其中驾驶员损伤被建模为动作延迟。该系统在高保真CARLA仿真环境中实现和评估。实验结果表明，所提出的代理在疲劳和非疲劳条件下均实现了99.99%的避撞成功率。这些发现证明了生理感知控制策略在增强自适应和智能驾驶安全系统方面的有效性。

🔬 方法详解

问题定义：论文旨在解决驾驶员疲劳状态下，传统驾驶辅助系统无法有效避免交通事故的问题。现有方法的痛点在于缺乏对驾驶员生理状态的实时感知和自适应能力，导致在驾驶员疲劳时，系统无法及时采取有效的制动措施。

核心思路：论文的核心思路是将驾驶员的生理状态（通过ECG信号检测疲劳程度）融入到深度强化学习的决策过程中。通过将疲劳状态作为DQN代理的状态输入，使代理能够根据驾驶员的疲劳程度调整制动策略，从而实现自适应的自动刹车。驾驶员的损伤被建模为动作延迟，模拟疲劳状态下驾驶员反应迟缓的现象。

技术框架：整体框架包括三个主要模块：1) ECG信号采集与疲劳检测模块，使用RNN从ECG信号中提取疲劳特征；2) 深度强化学习控制模块，使用Double-Dueling DQN代理根据车辆状态和驾驶员疲劳状态做出制动决策；3) CARLA仿真环境，用于模拟车辆行驶和评估系统性能。流程是：CARLA环境提供车辆状态信息，ECG信号用于检测驾驶员疲劳状态，两者共同作为DQN代理的输入，代理输出制动指令，CARLA环境根据指令更新车辆状态，形成闭环控制。

关键创新：最重要的技术创新点在于将驾驶员的生理状态（疲劳程度）融入到深度强化学习的决策过程中，实现了生理感知的自适应自动刹车。与现有方法相比，该方法能够根据驾驶员的实时生理状态动态调整制动策略，从而更有效地避免交通事故。

关键设计：论文使用了Recurrent Neural Network (RNN) 来进行疲劳检测，并通过benchmark分析选择了最优的分割和重叠配置。DQN代理使用了Double-Dueling架构，以提高学习效率和稳定性。驾驶员损伤被建模为动作延迟，模拟疲劳状态下驾驶员反应迟缓的现象。具体参数设置和损失函数等细节在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的基于深度强化学习的自动刹车系统在CARLA仿真环境中取得了显著的性能提升。在疲劳和非疲劳驾驶条件下，该系统均实现了99.99%的避撞成功率。这一结果表明，将驾驶员生理状态融入到自动驾驶决策过程中，可以有效提高系统的安全性和可靠性。

🎯 应用场景

该研究成果可应用于高级驾驶辅助系统（ADAS）和自动驾驶系统，尤其是在长途货运、公共交通等对驾驶员疲劳监测有较高要求的场景中。通过实时监测驾驶员生理状态并自适应调整车辆控制策略，可以显著降低疲劳驾驶导致的交通事故风险，提升道路安全水平。未来，该技术还可以与其他传感器数据（如眼动追踪、头部姿态等）融合，进一步提高疲劳检测的准确性和鲁棒性。

📄 摘要（原文）

Driver drowsiness significantly impairs the ability to accurately judge safe braking distances and is estimated to contribute to 10%-20% of road accidents in Europe. Traditional driver-assistance systems lack adaptability to real-time physiological states such as drowsiness. This paper proposes a deep reinforcement learning-based autonomous braking system that integrates vehicle dynamics with driver physiological data. Drowsiness is detected from ECG signals using a Recurrent Neural Network (RNN), selected through an extensive benchmark analysis of 2-minute windows with varying segmentation and overlap configurations. The inferred drowsiness state is incorporated into the observable state space of a Double-Dueling Deep Q-Network (DQN) agent, where driver impairment is modeled as an action delay. The system is implemented and evaluated in a high-fidelity CARLA simulation environment. Experimental results show that the proposed agent achieves a 99.99% success rate in avoiding collisions under both drowsy and non-drowsy conditions. These findings demonstrate the effectiveness of physiology-aware control strategies for enhancing adaptive and intelligent driving safety systems.