CN103264696B - 基于驾驶员工作负担调度驾驶员接口任务的系统和方法 - Google Patents

Abstract

公开了一种基于驾驶员工作负担调度驾驶员接口任务的系统和方法。可检查车辆的动力操控状态、驾驶员到车辆的输入等来确定驾驶员工作负担的一个或多个测量。然后，可基于驾驶员工作负担延迟和/或阻止驾驶员接口任务被执行，从而不增加驾驶员工作负担。例如，可选择地，可基于驾驶员工作负担对驾驶员接口任务的执行进行调度，并使得驾驶员接口任务根据调度被执行，以最小化执行驾驶员接口任务为驾驶员工作负担带来的影响。

Description

基于驾驶员工作负担调度驾驶员接口任务的系统和方法

本申请是申请日为2010年7月29日，申请号为201080068204.9，发明名称为“用于基于驾驶员工作负担调度驾驶员接口任务的系统和方法”的发明专利申请的分案申请。

技术领域

本发明的实施例总体涉及一种用于基于驾驶员工作负担调度驾驶员接口任务的系统和方法。

背景技术

特定车辆可提供资讯娱乐信息、导航信息等以增强驾驶体验。随着驾驶员和这些车辆之间的交互增加，在不增加驾驶员工作负担的情况下促进这样的交互会是有益的。

发明内容

可从车辆、驾驶员和/或环境信息确定驾驶员工作负担的测量。可基于确定的驾驶员工作负担选择性地延迟或阻止特定驾驶员接口任务的执行。可选择地，可基于确定的驾驶员工作负担调度驾驶员接口任务的执行，并随后使驾驶员接口任务根据该调度执行。

附图说明

图1是混合工作负担估计系统的示例框图。

图2是车辆速度、牵引和制动曲线的示例曲线图。

图3A至图3C是以偏航率和侧滑角表示的车辆运动状态的示例曲线图。

图4A至图4C是偏航、纵向以及侧滑操控极限余量的示例曲线图。

图5是车辆速度、牵引和制动曲线的示例曲线图。

图6A至图6C是以偏航率和侧滑角表示的车辆运动状态的示例曲线图。

图7A至图7C是偏航、纵向以及侧滑操控极限余量的示例曲线图。

图8和图9是最终操控极限余量和风险的示例曲线图。

图10和图11分别是针对高要求环境和低要求环境的加速踏板位置的示例曲线图。

图12和图13分别是图10和图11的加速踏板位置的标准偏差的直方图。

图14是与图12和图13的直方图相符的曲线的曲线图。

图15A至图15D分别是加速踏板位置、方向盘角度、驾驶员控制动作（DCA）指数和车辆速度的示例曲线图。

图16A至图16C分别是转向指示器激活、空调控制激活、仪表板（IP）指数的示例曲线图。

图17是车辆跟随另一车辆的示意图。

图18、图19和图20分别是车辆速度、接近速度和行驶里程的示例曲线图。

图21和图22分别是间隔和间隔（HW）指数的示例曲线图。

图23A至图23E分别是基于规则的指数、IP指数、DCA指数、合成工作负担估计（WLE）指数和车辆速度的示例曲线图。

图24是用于基于WLE指数表征驾驶员要求的隶属函数的示例曲线图。

具体实施方式

Ⅰ.引言

驾驶员工作负担/要求可指示这样的视觉、身体和感知要求，诸如资讯娱乐、电话、前瞻性建议等的次要激活将驾驶员置于主要驾驶激活之上并超越所述主要驾驶激活（使得驾驶员除了进行主要驾驶激活之外还进行建议的次要激活）。

驾驶员有时可能不正确地认为他们会在以上讨论的主要驾驶激活和次要激活之间分散注意力。因此，如果将估计驾驶员要求的操作用于调制通信以及与驾驶员的车辆系统交互，则估计驾驶员要求的操作会具有显著价值。然而，复杂的驾驶环境可能需要创新性预测方法以估计驾驶员工作负担。能够进行驾驶员工作负担识别的智能系统的发展有益于定制输出给驾驶员的人机接口（HMI）。

为了连续估计工作负担，可能需要设计在不同驾驶环境和/或驾驶员的情况下预测工作负担的估计器。自适应的车厢内通信服务可基于在其中预测驾驶要求的环境，并且服务的值被发送给驾驶员。此外，表征一段时间内的驾驶员工作负担（例如，长期表征）可以是有益的。对于驾驶员工作负担的这样的估计可允许不仅在高工作负担时间段期间抑制或延迟车厢内通信技术，而且使得车厢内通信技术适应于长期驾驶要求。

这里描述的特定实施例可提供用于工作负担估计（WLE）的方法和系统。WLE可以从用于自适应实时HMI任务管理的可观察的车辆、驾驶员和环境数据来执行驾驶员工作负担的状态估计/分类。在某些情况下，WLE可使用单独的实时技术和/或采用实时混合方法来估计工作负担。例如，可基于驾驶员、车辆和环境交互对基于规则（rule-based）的算法补充对于驾驶员工作负担的附加连续预测。WLE算法可与专门的学习和计算智能技术结合以计算并预测汇总的WLE指数（例如，表示针对驾驶员的工作负担负荷估计的连续信号）。在某些情况下，可从可观察的车辆信息推断驾驶员的驾驶要求，所述车辆信息包括速度、加速度、制动、转向、间隔、仪表板和/或中控台交互等的变化。

作为示例，WLE指数可用于设置/避免/限制/定制语音命令和/或呈现给驾驶员的其它任务/信息以改善功能。在需要车辆操控操作期间、在危险的驾驶环境中、在通过仪表板进行高活动的时间段期间等，可限制/定制/阻止针对驾驶员的特定信息。

智能混合算法方法可考虑长期和短期驾驶员动作。WLE混合方法可捕捉驾驶员事件、情况和行为，以调整车辆与驾驶员的通信。在此描述的这些和其它技术可帮助预测驾驶员增加/减少的感知条件状态并可使用现有车辆传感器。

WLE指数还可允许基于驾驶要求/工作负担将通信的层级呈现给驾驶员。消息优先级（例如，低、高等）可基于预测的负担确定是否在特定时间期间将消息传递给驾驶员。还可基于驾驶员的长期驾驶要求将特定HMI信息呈现给驾驶员。可选择地，混合WLE框架可结合GPS以及数字地图数据库以考虑道路场景情况和条件。关于驾驶员的生理状态（包括心率、视线以及呼吸）的信息可作为输入额外地结合到WLE框架，用于不规则检测。在其它示例中，预测的WLE指数可被传送到驾驶员以提醒驾驶员避免在高工作负担情况下进行次要任务。其它方案也是可行的。

图1是用于车辆11的WLE系统10的实施例的框图。系统10可包括基于规则的工作负担指数子系统12、车辆、驾驶员和/或环境跟踪和计算工作负担指数子系统13、依赖环境的工作负担指数汇总子系统14以及整体汇总/WLE长期表征子系统16。子系统12、13、14、16（单独地或相结合地）可被实现为一个或多个控制器/处理装置等。

子系统12（如在以下的部分Ⅶ中解释的）可将驾驶员信息和/或环境信息（例如，可从车辆的控制器局域网（CAN）获得）用作输入车辆信息，并输出表示驾驶员工作负担的基于规则的指数。子系统13（如在以下的部分Ⅲ至Ⅵ中解释的）可将驾驶员信息和/或环境信息（例如，可从车辆的CAN获得）用作输入车辆信息，并输出表示驾驶员工作负担的一个或多个连续指数（例如，操控极限（HL）指数、驾驶员控制动作（DCA）指数、仪表板（IP）指数、间隔（HW）指数）。子系统14（如在以下的部分Ⅷ中解释的）可将由子系统13产生的指数用作输入，并输出跟踪（T）指数。子系统16（如在以下的部分Ⅷ中解释的）可将基于规则的指数和T指数用作输入，并输出WLE指数（如在以下的部分Ⅸ中解释的）和/或WLE指数的长期表征。

在其它实施例中，系统10可缺少子系统12、14、16。也就是说，特定实施例可被构造为仅产生一个或多个工作负担指数。作为示例，系统10可被构造为仅基于特定车辆信息（在以下描述）产生IP指数。在仅存在驾驶员工作负担的单个测量的这些情况下，不需要汇总。因此，在该示例中，WLE指数是IP指数。在这些和其它实施例中，调度器18可被构造为产生WLE指数的长期表征。其它布置方式也是可行的。

WLE指数可被发送到调度器18，调度器18可被实现为一个或多个控制器/处理装置/等。调度器18（如在以下的部分Ⅹ中解释的）可用作滤波器—基于WLE指数阻止/延迟将被传输给驾驶员的信息到达驾驶员。例如，如果WLE指数大于0.8，则可阻止所有意在用于驾驶员的信息。如果WLE指数接近0.5，则可仅阻止娱乐类型的信息，等。调度器18还可基于WLE指数对将被传输给驾驶员的信息的传递进行调度。例如，可在高工作负担的时间段期间延迟车辆保养信息、文本到语音读出、呼入电话等。此外，调度器18可基于长期WLE指数表征使得车辆输出为驾驶员所定制，如以下更详细地讨论的。例如，包括巡航控制、自适应巡航控制、音乐建议、可配置HMI等的特定车辆系统的输出可基于长期驾驶要求。

可从可观察的车辆信息推断驾驶员的工作负担状态，所述车辆信息包括速度、加速度、制动、转向、间隔、仪表板交互等的变化。表1列出与驾驶员工作负担负荷相关的示例特征/标准(metric)。

表1

与驾驶员工作负担相关的示例特征/标准

标准	意在量化的行为效应
		平均速度	大的速度增加/减少
最大速度	大的速度增加
		平均时间间隔（间隔时间）	减少的间隔
最小时间间隔	减少的最小间隔
		制动反应时间（BRT）	减少的BRT
制动陡变	增加的频率
		方向盘反转率	小反转的增加的频率
与IP的交互（例如，按压IP按钮）	增加的频率
		交通密度	增加的密度
驾驶位置	新的驾驶环境
		平均速度	大的速度增加/减少
最大速度	大的速度增加

表2a和表2b列出可经由本领域已知的CAN获得/访问的示例信息。以下信息可被用作在此描述的任何算法的输入。

表2a

可经由CAN获得的示例信息

加速踏板位置	麦克风输入
		方向盘角度	杯架传感器
座椅传感器	车速
		转向信号	偏航率
除霜信号	横向加速度
		温度控制	纵向加速度
前灯状态	轮速
		远光灯状态	油门位置
雾灯状态	主缸压力
		收音机调谐器命令	驾驶员请求扭矩

雨刷器状态	总的车轴扭矩
		档位	总的扭矩分配
雨量传感器	侧倾角速度
		可配置HMI	侧滑角
触摸HMI	相关侧倾角

表2b

可经由CAN获得的示例系统信息

牵引控制系统
	防抱死制动系统
电子稳定控制
	自适应巡航控制
通过制动的碰撞缓和
	盲点监视
自动停车帮助

Ⅱ.车辆稳定控制的简单讨论

车辆的操控决定车辆转弯和操纵的能力。车辆需要通过其四个轮胎接触面紧挨路面，从而最大化其操控性能。超过其附着极限的轮胎会自旋转、打滑或滑转。一个或多个轮胎超过其附着极限的条件可被称为极限操控条件，附着极限可被称为操控极限。一旦轮胎达到其操控极限，普通的驾驶员通常不再能控制车辆。在所谓的转向不足的情况下，车辆没有充分执行驾驶员的转向输入，车辆的前轮胎超过其操控极限，并且车辆不顾驾驶员的转向请求而继续直行。在所谓的转向过度的情况下，车辆过度执行驾驶员的转向输入，车辆的后轮胎超过其操控极限，并且车辆继续自旋转。为了安全的目的，多数车辆被制造为在其操控极限时转向不足。

为了在驾驶员不能控制达到或超过操控极限的车辆的情况下补偿车辆控制，电子稳定控制（ESC）系统被设计为重新分配轮胎力以产生可以有效地使车辆与驾驶员的转向请求相符地转向的力矩。也就是说，控制车辆避免转向不足或转向过度的情况。

自1995年问世以来，ESC系统已经被实现在各种平台中。在车型年2010逐渐推行，到车型年2012实现全面安装，联邦机动车辆安全标准126要求ESC系统安装于毛重等级在10,000磅以下的任何车辆上。ESC系统可被实现为防抱死制动系统（ABS）和全速牵引控制系统（TCS）的扩展。ESC系统可以以驾驶员的意图为中心向车辆动力学提供偏航和横向稳定帮助。其还可使制动压力（高于或低于驾驶员施加的压力）与单个车轮成比例，从而产生有效力矩以抵抗车辆的非预期的偏航和横向滑运。这使得在制动、加速或滑行期间针对任何牵引表面在操控极限时转向控制增强。更具体地说，当前ESC系统将驾驶员的意图路径与从车载传感器推断的实际车辆响应进行比较。如果车辆的响应与意图路径不同（转向不足或转向过度），并且如果要求ESC控制器将车辆保持在意图路径上并最小化车辆的失控，则ESC控制器对选择的车轮施加制动并减少引擎扭矩。

可使用已经在ESC系统中存在的数据来检测极限操控情况，所以不需要新的传感器。作为示例，考虑装配有ESC系统的车辆，ESC系统使用偏航率传感器、方向盘传感器、横向加速度计、车轮速度传感器、主缸制动压力传感器、纵向加速度计等。如在ISO-8855中定义的那样，在坐标系统中定义车辆运动变量，其中，在车体上固定的车框具有向上的垂直轴、沿着车体的纵向方向的轴以及从乘客侧指向驾驶员侧的横向轴。

一般而言，可以从单个运动变量（诸如偏航率、侧滑角或者它们的组合）以及其它控制命令（诸如驾驶员制动、引擎扭矩请求、ABS和TCS）中的判定来计算车辆反馈级别控制。下面讨论车辆控制级别命令。

公知的车辆模型获得车辆动力学、车辆沿着车体的垂直轴的偏航率ω_z以及在其后车轴定义的车辆侧滑角β_r，并符合以下等式：

$I_z{\stackrel{\·}{\mathrm{\ω}}}_z=-b_f{c}_f({\mathrm{\β}}_r+b{\mathrm{\ω}}_{\mathrm{zr}}{v}_x^{-1}-\mathrm{\δ})+b_r{c}_r{\mathrm{\β}}_r+M_z$ (1)

$M({\stackrel{\·}{v}}_x{\mathrm{\β}}_r+v_x{\stackrel{\·}{\mathrm{\β}}}_r+b_r{\stackrel{\·}{\mathrm{\ω}}}_z+{\mathrm{\ω}}_z{v}_x)=-c_f({\mathrm{\β}}_r+b{\mathrm{\ω}}_z{v}_x^{-1}-\mathrm{\δ})-c_r{\mathrm{\β}}_r$

其中，v_x是车辆的行驶速度，M和I_z是车辆的总质量和车辆的偏航转动惯量，c_f和c_r是前轮胎和后轮胎的侧偏刚度，b_f和b_r是从车辆的重心到前车轴和后车轴的距离，b=b_f+b_r，M_z是施加到车辆的有效力矩，δ是前车轮转向角。

可使用测量的方向盘角度δ和估计的行驶速度v_x作为输入来从式子（1）计算用于反映驾驶员的转向意图的目标偏航率ω_zt和目标侧滑角β_rt。在这样的计算中，我们假设在普通路面条件（例如，高摩擦水平以及微小的侧偏刚度c_f和c_r）下驾驶车辆。还可执行用于稳定状态极限转弯的信号调节、滤波和非线性校正以微调目标偏航率和目标侧滑角。这些计算的目标值表示驾驶员在普通路面上的意图路径。

偏航率反馈控制器主要是从偏航误差（测量的偏航率和目标偏航率之间的差）计算的偏航控制器。如果车辆向左转并且ω_z≥ω_zt+ω_zdbos（其中，ω_zdbos是随时间变化的死区），或者车辆向右转并且ω_z≤ω_zt-ω_zdbos，则车辆过度转向并且激活ESC中的转向过度控制功能。例如，（施加到车辆以减少转向过度趋势的）有效扭矩请求可以如下计算：

在左转向期间： $M_z=\min (0,-k_{\mathrm{os}}({\mathrm{\ω}}_z-{\mathrm{\ω}}_{\mathrm{zt}}-{\mathrm{\ω}}_{\mathrm{zdbos}}))$ (2)

在右转向期间： $M_z=\max (0,-k_{\mathrm{os}}({\mathrm{\ω}}_z-{\mathrm{\ω}}_{\mathrm{zt}}+{\mathrm{\ω}}_{\mathrm{zdbos}}))$

其中，k_os是依赖速度的增益，其可以如下定义：

$k_{\mathrm{os}}=k_0+(v_x-v_{\mathrm{xdbl}})\frac{k_{\mathrm{dbu}}-k_{\mathrm{dbl}}}{v_{\mathrm{xdbu}}-v_{\mathrm{xdbl}}}---\left(3\right)$

其中，参数k_o、k_dbl、k_dbu、v_xdbl、v_xdbu是可调的。

如果当车辆向左转时ω_z≤ω_zt-ω_zdbos（其中，ω_zdbos是随时间变化的死区），或者当车辆向右转时ω_z≥ω_zt+ω_zdbos，则ESC中的转向不足控制功能被激活。有效扭矩请求可如下计算：

在左转向期间： $M_z=\max (0,-k_{\mathrm{us}}({\mathrm{\ω}}_z-{\mathrm{\ω}}_{\mathrm{zt}}+{\mathrm{\ω}}_{\mathrm{zdbus}}))$ (4)

在右转向期间： $M_z=\min (0,-k_{\mathrm{us}}({\mathrm{\ω}}_z-{\mathrm{\ω}}_{\mathrm{zt}}-{\mathrm{\ω}}_{\mathrm{zdbus}}))$

其中，k_us是可调参数。

侧滑角控制器是上述转向过度偏航反馈控制器的补充反馈控制器。侧滑角控制器将估计侧滑角β_r与目标侧滑角β_rt进行比较。如果二者之差超过阈值β_rdb，则侧滑角反馈控制被激活。例如，有效扭矩请求如下计算：

在左转向期间： ${\mathrm{\β}}_r\≥0:M_z=\min (0,k_{\mathrm{ss}}({\mathrm{\β}}_r-B_{\mathrm{rt}}-B_{\mathrm{rdb}})-k_{\mathrm{sscmp}}{\stackrel{\·}{\mathrm{\β}}}_{\mathrm{rcmp}})$ (5)

在右转向期间： ${\mathrm{\&beta;}}_r<0:M_z=\max (0,k_{\mathrm{ss}}(\mathrm{\&beta;}-B_{\mathrm{rt}}+B_{\mathrm{rdb}})-k_{\mathrm{sscmp}}{\stackrel{\&CenterDot;}{\mathrm{\&beta;}}}_{\mathrm{rcmp}})$ .

其中，k_ss和k_sscmp是可调参数，是侧滑角的补偿的时间导数。

可以类似地产生基于变量的其它反馈控制术语，诸如偏航加速度和侧滑梯度。当主车辆运动变量是偏航率或侧滑角时，上述有效扭矩可直接用于确定必需控制的车轮和将被发送到相应控制车轮的制动压力的量。如果车辆动力学取决于多个运动变量，则将进行控制判定和排列优先次序。随后最终判定的有效扭矩被用于确定最终控制车轮和相应的制动压力。例如，在转向过度的事件期间，外前车轮被选为控制车轮，而在转向不足的事件期间，内后车轮被选为控制车轮。在大的侧滑情况下，外前车轮始终被选为控制车轮。当同时发生侧滑和转向过度偏航时，可通过整体考虑偏航误差和侧滑角控制命令来计算制动压力的量。

除了以上的由于驾驶员的转向操作导致超过操控极限的情况以外，车辆可以在其纵向运动方向到达其极限操控条件。例如，在积雪以及结冰道路上进行制动可能导致锁住车轮，这增加了车辆的停止距离。在相似道路上加大油门开度可能导致驱动轮打滑而不会使车辆前进。为此，操控极限也可被用于这些非转向驾驶情况。也就是说，轮胎纵向制动或驱动力到达其峰值的情况也可被包括在操控极限的定义中。

ABS功能监视各个车轮相对于车辆行驶速度的旋转运动，这可由纵向滑动率λ_i表示，其中，i=1、2、3、4，分别针对于左前轮、右前轮、左后轮和右后轮，λ_i如下计算：

${\mathrm{\&lambda;}}_1=\frac{{\mathrm{\&kappa;}}_1{\mathrm{\&omega;}}_1}{\max ((v_x+{\mathrm{\&omega;}}_z{t}_f)\cos \left(\mathrm{\&delta;}\right)+(v_y+{\mathrm{\&omega;}}_z{b}_f)\sin \left(\mathrm{\&delta;}\right),v_{\min })}-1$

${\mathrm{\&lambda;}}_2=\frac{{\mathrm{\&kappa;}}_2{\mathrm{\&omega;}}_2}{\max ((v_x+{\mathrm{\&omega;}}_z{t}_f)\cos \left(\mathrm{\&delta;}\right)+(v_y+{\mathrm{\&omega;}}_z{b}_f)\sin \left(\mathrm{\&delta;}\right),v_{\min })}-1---\left(6\right)$

${\mathrm{\&lambda;}}_3=\frac{{\mathrm{\&kappa;}}_3{\mathrm{\&omega;}}_3}{\max (v_x-{\mathrm{\&omega;}}_z{t}_r,v_{\min })}-1,{\mathrm{\&lambda;}}_4=\frac{{\mathrm{\&kappa;}}_4{\mathrm{\&omega;}}_4}{\max (v_x+{\mathrm{\&omega;}}_z{t}_r,v_{\min })}-1$

其中，t_f和t_r是前车轴和后车轴的轮距的一半，ω_i是第i个车轮速度传感器输出，κ_i是第i个车轮速度比例因子，v_y是车辆在其c.g.位置的横向速度，v_min是反应可允许的最小纵向速度的预设参数。注意式子（6）只在车辆不在倒车模式下时才有效。当驾驶员启动的制动在车轮处产生太大滑动（例如，-λ_i≥λ_bp=20%），则ABS模块将释放在车轮处的制动压力。类似地，在施加大的油门导致在第i个从动车轮上产生大的滑动的过程中，TCS模块将请求减小引擎扭矩和/或请求制动压力施加到相同车轴上的相对车轮上。结果，可通过监视λ_i与λ_bp和λ_tp有多接近来预测ABS或TCS激活。

Ⅲ.操控极限指数

虽然上述ESC（包括ABS和TCS）有效地实现安全目的，但是进一步的增强也是可行的。例如，针对侧倾稳定性控制可能期望增加ESC系统。然而，ESC尝试进行的适当的校正可被驾驶员或周围环境抵消。在加速的车辆的轮胎力远远超过道路/轮胎的牵引能力，可导致该车辆即使在ESC的干预下也不能避免转向不足的事件。

一般来说，操控极限情况的精确确定通常会涉及道路和轮胎特性的直接测量，或者在直接测量不可行的情况下从许多相关变量获得内含的信息。目前，这两种方法都不够成熟以实时实现。

由于ESC系统的反馈特征，使得ESC系统可被配置为通过监视车辆运动变量（车辆操控参数）（诸如上一部分描述的变量）来确定潜在极限操控情况。当运动变量与其参考值相差特定量（例如，超过特定死区）时，ESC系统可以开始计算差分制动控制命令并确定控制车轮。随后相应的制动压力被发送到控制车轮以稳定车辆。ESC激活的开始点可被视为操控极限的开始。

更具体地说，我们可以对相对操控极限余量h_x进行如下定义：

其中，x是运动变量与其参考值的偏差，定义在不启动ESC、ABS或TCS的情况下x落入的死区间隔。x可以是在上一部分中定义的任何控制变量（或任何其它合适的控制变量）。

在式子（7）中定义h_x的优点在于驾驶情况可被量化地表示为不同类别。例如，当h_x≤10%时，驾驶情况可被分类为红色区域情况，在红色区域情况下，驾驶员需要特别注意或采取一些特殊动作（例如，使车辆减速）；当10%<h_x<40%时，驾驶情况可被分类为黄色区域情况，在黄色区域情况下，驾驶员需要某个等级的特别注意；当40%<h_x≤100%时，驾驶情况可被分类为普通情况。在普通情况下，驾驶员只需要保持他的正常驾驶注意力。当然，还可使用其它范围。

更具体地说，让我们使用在上一部分计算的控制变量来讨论h_x的计算。可通过设置x=ω_z-ω_zt以及来从式子（7）计算在转向过度情况（此时，当车辆向左转时ω_z>ω_zt，当车辆向右转时ω_z>ω_zt）期间车辆的偏航操控极限余量h_OS，其中，ω_zdbos是在式子（2）中定义的转向过度偏航率死区（OSDB）。

类似地，可通过设置x=ω_z-ω_zt以及来从式子（7）计算在转向不足情况下车辆的偏航操控极限余量h_US，其中，ω_zdbus是在式子（4）中定义的转向不足偏航率死区（USDB）。注意，上述死区可能是车速、目标偏航率的量、测量的偏航率的量等的函数。转向不足情况（x<0）下的死区和转向过度情况（x>0）下的死区是不同的，并且它们是可调参数。

可通过设置x=β_r-β_rt以及来从式子（7）计算车辆的侧滑操控极限余量h_SSRA。

车辆的纵向操控极限涉及轮胎的驱动力或制动力到达操控极限的情况。可通过设置x=λ_i、以及来从式子（7）计算针对第i个从动车轮的牵引控制操控极限余量。还可通过设置x=λ_i、以及来从式子（7）计算针对第i个车轮的ABS操控极限余量。最终牵引操控极限余量和制动操控极限余量可被定义为：

$h_{\mathrm{ABS}}=\underset{i\&Element;\left\{\mathrm{1,2,3,4}\right\}}{\min }{h}_{{\mathrm{ABS}}_i},h_{\mathrm{TCS}}=\underset{i\&Element;\left\{\mathrm{1,2,3,4}\right\}}{\min }{h}_{{\mathrm{TCS}}_i}---\left(8\right)$

注意，在计算上述操控极限余量时可使用进一步的筛选条件。例如，可使用以下条件中的一个条件或以下条件中的一些条件的组合来将操控极限余量设为0：目标偏航率的量超过特定阈值；测量的偏航率的量大于特定阈值；驾驶员的转向输入超过特定阈值；或者，极限情况，诸如车辆的转弯加速度大于0.5g、车辆的减速度大于0.7g、车辆以超过阈值（例如，100mph）的速度行驶等。

针对已知驾驶条件，为了测试上述操控极限余量计算并验证它们的有效性，装配有由福特汽车公司开发的研究用ESC系统的车辆被用于执行车辆测试。

针对在图2中描绘的通过车辆速度、油门和制动所绘制的驾驶条件，测量和计算的车辆运动变量如图3A至图3C所示。相应的单独操控极限余量h_US、h_OS、h_TCS、h_ABS、h_SSRA在图4A至图4C中示出。该测试执行为在所有ESC计算运行的情况下，在雪垫上的自由形式绕障碍滑雪行驶。关闭制动压力施加，从而车辆接近真实的极限操控条件。

作为另一测试，在具有高摩擦水平的路面上驾驶车辆。在图5中描绘车速、牵引和制动曲线。车辆运动状态在图6A至图6C中示出。相应的单独操控极限余量h_US、h_OS、h_TCS、h_ABS、h_SSRA在图7A和图7B中示出。

所有的单独操控极限余量的包络变量被定义为

h_env＝min{h_OS，h_US，h_TCS，h_ABS，h_SSRA}(9)

考虑到由于信号噪声可能导致包络操控极限余量的突然变化，使用低通滤波器F(z)来使h_env平滑，从而获得最终的操控极限（HL）指数或余量：

h＝F(z)h_env(10)

针对图2以及图3A至图3C中示出的车辆测试数据，最终操控极限余量在图8中描绘，而针对在图5以及图6A至图6C中示出的车辆测试数据，最终操控极限余量在图9中描绘。

HL指数可提供0和1之间的连续变量，并指示驾驶员与车辆的操控极限有多接近（其中，值1表示驾驶员处于车辆的操控极限）。该基于模型的HL指数可在例如低μ道路驾驶条件期间提供尤其重要的驾驶要求信息。

假设随着车辆接近其操控极限，需要更多的视觉、身体和感知注意来维持车辆控制，可以从HL指数推断驾驶员工作负担信息。随着驾驶员的工作负担增加，HL指数增加。随着驾驶员的工作负担减少，HL指数减少。

Ⅳ.驾驶员控制动作指数

驾驶员控制动作（DCA）指数可提供0和1之间的连续变量，并指示驾驶员针对例如加速、制动和转向的控制动作的总变化率。从驾驶员的操作层面增加变化率可反映增加的驾驶要求，反之亦然。因此，DCA指数可提供与进行不同层面的车辆控制动作的不同驾驶员相关的变化率（驾驶要求）的测量。

例如，考虑加速踏板变化率对驾驶要求的影响。参照图10和图11，例如，分别在低要求情况和高要求情况下按时间画出实时加速踏板位置。相比于低要求情况，在高要求情况下的加速踏板的变化率显然是相对更大些。

图10和图11的加速踏板位置的标准偏差分别在图12和图13中示出。

参照图14，使用标准形式的伽马函数来产生与图12和图13的分布相应的概率：

$y=f\left(x\right|a,b)=\frac{1}{b^a\mathrm{\&Gamma;}\left(a\right)}{x}^{(a-1)}{e}^{(-\frac{x}{b})}---\left(11\right)$

其中，a是比例因子，b是形状因子。虚线表示低驾驶要求标准偏差分布，实线表示高驾驶要求标准偏差分布。加速踏板变化率的这些概率分布示出驾驶要求类别和当前分类时机之间的差异的等级。例如，2%的标准偏差会以更大概率表示低驾驶要求，而10%的标准偏差会以更大概率表示高驾驶要求等。该技术可类似地应用于制动踏板位置、方向盘角度和/或其它驾驶员控制动作参数。因此，DCA指数可基于针对加速踏板、制动踏板、方向盘等的驾驶员动作的变化率来估计驾驶员要求。

图14中示出的标准偏差变化率的均值可针对不同驾驶员而改变。DCA指数计算可考虑这些改变的均值并计算相对变化率。驾驶员输入的导数还可被结合为获得预期动作。可从分析每个因子（例如，加速踏板位置/速率、制动踏板位置/速率、方向盘角度位置/速率等）的协方差行列式来获得方差计算。

在特定实施例中，通过基于以下式子递归计算每个因子的影响驾驶要求的协方差行列式来计算DCA指数：

$\mathrm{\&Delta;}{x}_k=x_k-{\stackrel{\&OverBar;}{x}}_k---\left(12\right)$

${\stackrel{\&OverBar;}{x}}_{k+1}=(1-\mathrm{\&alpha;}){\stackrel{\&OverBar;}{x}}_k+\mathrm{\&alpha;}\&CenterDot;x_k---\left(13\right)$

$G_{k+1}=\left[\frac{(I-P_k\&CenterDot;\mathrm{\&Delta;}{x}_k)\&CenterDot;G_k}{(1-\mathrm{\&alpha;})}\right]---\left(14\right)$

$P_{k+1}=G_k\&CenterDot;\mathrm{\&Delta;}{x}_k^T\&CenterDot;\frac{\mathrm{\&alpha;}}{(1-\mathrm{\&alpha;})+\mathrm{\&alpha;}\&CenterDot;\mathrm{\&Delta;}{x}_k\&CenterDot;P_k\mathrm{\&Delta;}{x}_k^T}---\left(15\right)$

其中，x_k是（在时刻k处的）每个驾驶员控制动作及其导数的二维矢量，是平均数（其可以在每个驾驶周期期间不断更新，并在每个驾驶周期之后重置），α是校准遗忘因子，G_k是估计的协方差逆矩阵，I是单位矩阵，P_k是估计的协方差矩阵，是来自式子（12）的Δx_k的转置矩阵。

协方差矩阵的递归计算行列式det，在下面给出：

${\det }_{k+1}={(1-\mathrm{\&alpha;})}^n{\det }_k\&CenterDot;(1-\mathrm{\&alpha;}\&CenterDot;\mathrm{\&Delta;}{x}_k\&CenterDot;G_k\&CenterDot;\mathrm{\&Delta;}{x}_k^T)---\left(16\right)$

其中，n是矢量x_k的大小。其利用这些参数提供相对于特定驾驶员的平均数的驾驶员加速、制动和/或转向性能的估计变化率的测量。其还提供总方差的一维测量，其中，可跟踪所述一维测量来捕捉驾驶员控制动作的汇总的变化率的显著变化。

最终DCA指数（index）可被比例为0和1之间的连续信号，并可由下式给出：

DCAindex=max（加速踏板方差、制动踏板方差、转向方差）(17)

已经使用以上技术分析了如图15A中绘出的加速踏板位置和如图15B中绘出的方向盘角度。图15C示出了基于图15A和图15B的输入的用于DCA指数的示例输出。在该示例中，协方差矩阵的行列式（16）提供驾驶员加速和转向性能的估计变化率的测量。通过使用各个变化率的最大值来产生在图15C中绘出的DCA指数而对各个变化率进行均一化和汇总。车速在图15D中绘出，作为参考。在DCA指数中将增加的变化率捕捉为更接近1的值（指示更高的驾驶要求），而在DCA指数中将降低的变化率捕捉为例如0和0.2之间的值（指示低驾驶要求）。

Ⅴ.仪表板指数

驾驶员与仪表板和/或其它与触摸/语音相关的接口的交互可提供驾驶员激活的指示。这样的驾驶员激活级别的增加可增加对驾驶员的感知要求。如表1中所示，驾驶员按钮按压激活的增加可增加驾驶员工作负担。与车舱控制的交互频率可被汇总为综合指数，其中，与车舱控制的交互包括雨刷器控制、气候控制、音量控制、转向指示器、中控台控制台、车窗控制、电动座椅控制、语音命令接口等。因此，仪表板（IP）指数提供表示驾驶员与仪表板、电子和/或任何其它HMI交互的连续输出（在0和1之间）。

例如，当在任何时刻k按压/触发按钮/接口装置时，输出由下式给出：

BP_i(k)＝α·BP_i(k-1)+(1-α)·1(18)

当没有按压/触发按钮/接口装置时，输出由下式给出：

BP_i(k)＝α·BP_i(k-l)+(l-α)·0(19)

其中，BP_i是用于每个被跟踪的按钮/接口的按钮/接口按压/触发跟踪值，α是校准遗忘因子。

然后，IP指数输出可由下式给出：

IPindex=max(BP₁,BP₂,BP₃,BP₄.......BP_n)(20)

其中，n是被跟踪的按钮/接口的数量。还可使用这里描述的任何汇总技术来确定IP指数。作为示例，可使用与以下参照式子（28）和（29）描述的技术类似的技术等。

示例转向指示器和空调激活输入分别在图16A和图16B中绘出。由此得到的IP指数根据式子（18）、（19）和（20）确定并在图16C中绘出。在该示例中，上升时间和稳态值基于激活的时长。

Ⅵ.间隔指数

间隔指数提供0和1之间的连续变量，并指示正被驾驶的车辆与前方（或侧方）车辆（或其它物体）的接近程度。如在表1中示出的，可从减少的平均时间间隔和/或减小的最小间隔推断增加的工作负担负荷。

可从下式得到依赖当前速度的间隔：

${\mathrm{HW}}_{\mathrm{curr}}=\frac{(r_p\left(k\right)-r_f\left(k\right))}{v_f\left(k\right)}---\left(21\right)$

其中，r_p(k)是在任意时刻k前方车辆的位置，r_f(k)是跟随车辆的位置，v_f(k)是跟随车辆的速度。平均间隔HW_m(k)可由下式获得：

HW_M(k)＝HW_M(k-1)+α(HW_curr-HW_M(k-1))(22)

其中，α是用于指数过滤的时间常数，可根据需要选择。然后，HW指数可从下式获得：

$\mathrm{HW\; Index}=\left[\mathrm{\&gamma;}(1-\frac{{\mathrm{HW}}_M}{{\mathrm{HW}}_{\mathrm{MAX}}})\right]---\left(23\right)$

其中，γ是HW指数敏感增益，HW_MAX是校准值。可根据满足最大指数1所需的间隔时间选择/调节增益。

在其它实施例中，可基于例如驾驶员类型选择/调节敏感增益。如果已知驾驶员类型（诸如“青年”、“老年”、“青少年”、“新手”、“老手”等），则可相应地调整敏感增益。可基于本领域已知的由驾驶员携带的证件来将驾驶员识别为“青年”、“老年”、“青少年”等。可由车辆检测证件，并且证件被用于识别驾驶员的类型。可选择地，车辆可提供让驾驶员识别他们自己的类型的选择按钮。然而，可使用任何合适/已知的技术给驾驶员分类。针对“青少年”和“新手”驾驶员可增加敏感增益，而针对“老手”驾驶员等可降低敏感增益。在其它实施例中，针对“青少年”和“新手”驾驶员可将敏感增益选择为更大值，而针对“老手”驾驶员等可将敏感增益选择为更小值。因此，在相同间隔的情况下，HW指数可对于“青少年”驾驶员为更大值而对于“老手”驾驶员等为更小值。

可选择地（或额外地），可基于环境情况选择/调节敏感增益。通过合适/已知的技术（诸如通过检测车轮滑动）确定的潮湿或结冰的道路情况可导致敏感增益增加。干燥道路情况可导致敏感增益降低。可使用包括交通密度、地理位置等的任何合适的环境情况来选择/改变敏感增益。

还可以与在式子（21）、（22）和（23）中的计算类似地计算与基础设施相距的间隔，其中，基础设施包括十字路口、公路、高要求公路几何结构等。在这种情况下，HW指数可由下式获得：

HWindex=max(HW₁,HW₂,......HW_n)(24)

其中，n是正被跟踪的高驾驶要求的相距间隔的项目的数量。还可使用针对式子（24）的加权函数。

在其它实施例中，从相邻车道的增加的交通量返回的增加的间隔可被用作HW指数的偏差（bias）输入。（增加的交通密度可增加驾驶要求，如表1中示出。）

在其它实施例中，可在小于1000ms的方案中跟踪碰撞时间。在潜在即将发生碰撞的情况下，HW指数输出可被默认为最大值1。

参照图17，碰撞时间t_c可由下式计算：

$t_c=\frac{-V_x\&PlusMinus;\sqrt{{\left(V_x\right)}^2+2\left(A_x\right)\left(X\right)}}{\left(A_x\right)}$ (25)

或 $t_c=\frac{X}{V_x}$

其中，V_x是接近速度，A_x是相对加速度，X是车辆之间的距离。可从任何合适/已知的雷达系统、视觉系统、激光雷达系统、车对车通信系统等获得距离和接近速度信息。

考虑在示例车辆跟随场景中的HW指数的计算，图18至图20示出该场景期间的主车辆速度、车辆之间接近速度和行驶里程。图21和图22分别示出了间隔（通过式子（22）计算）和HW指数（通过式子（23）计算）。

Ⅶ.基于规则的子系统

再次参照图1，基于规则的子系统12可包括用于确定事件二进制输出标志的事实和知识库。子系统12可提供特定专家工程学和车辆驾驶员环境交互规则以作为系统10的其它组件的补充。知识可被表示为一组规则。可包含车辆系统的特定激活。

每个规则指定输出工作负担的建议，并具有如果（条件）、然后（动作）结构。当满足规则的条件部分时执行动作部分。每个规则可指定输出工作负担的建议（0或1）。可以以任何合适/已知的方式由子系统12从例如车辆的CAN总线监视/获得多个车辆参数，所述车辆参数包括纵向加速度、横向加速度、减速度、方向盘角度、按钮使用等（例如，见表2a和表2b）。与这些参数相关的事实及其组合可用于设置条件规则。

由子系统12实现的总体规则可以按照以下形式：

如果

Vehicle_parameter1>x_i并且Vehicle_parameter2>y_i

则(26)

从专家规则启用在事件期间对于车舱系统或信息娱乐系统的特定延迟或限制。基于规则的输出还可被处理以基于专家主张的针对条件的驾驶要求和特定特征的使用来提供相关输出汇总。

规则可基于信息，例如，在以上的表2a和2b中列出。例如，如果方向盘角度>105度，则Event_Flag=1（事件标志=1）。当然，还可构建其它规则。

Ⅷ.汇总

HW指数、DCA指数、IP指数和HL指数中的一个或多个可被子系统14汇总以使用下述的技术形成跟踪（T）指数。然而，在仅需要使用/计算/确定一个指数的实施例中，可以不需要汇总。

在特定实施例中，短期汇总可被用于调度/延迟/推迟将被传输给驾驶员的信息/任务。在需要估计的最高驾驶要求的情况下，T指数可由下式给出：

TIndex＝max(DCAIndex，IPIndex，HLIndex，HWIndex)(27)

在其它实施例中，对如下所述的指数值的平均/最大输出组合采用依赖环境的汇总。例如，参照图1，DCA指数、IP指数、HL指数和HW指数可由子系统14组合以形成由下式给出的T指数：

$\mathrm{T\; Index}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_i{y}_i}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_i}---\left(28\right)$

其中，w_i是根据加到输入上的驾驶要求值的依赖环境的权重。展开式子（28）得到：

$\mathrm{T\; Index}=\frac{{\mathrm{WLE}}_{\mathrm{DCA}}{w}_{\mathrm{DCA}}+{\mathrm{WLE}}_{\mathrm{IP}}{w}_{\mathrm{IP}}+{\mathrm{WLE}}_{\mathrm{HL}}{w}_{\mathrm{HL}}+{\mathrm{WLE}}_{\mathrm{HW}}{w}_{\mathrm{HW}}}{w_{\mathrm{DCA}}+w_{\mathrm{IP}}+w_{\mathrm{HL}}+w_{\mathrm{HW}}}+\mathrm{bias}---\left(29\right)$

Max(Tracking_Index)=1.0

其中，WLE_DCA、WLE_IP、WLE_HL、WLE_HW分别是DCA指数、IP指数、HL指数和HW指数输出。相应的权重由w_DCA、w_IP、w_HL、w_HW给出。

表3和表4列出用于汇总的示例规则。

表3

用于基于环境的汇总的示例规则

表4

用于基于环境的汇总的更多示例规则

子系统16可使用以上参照子系统14描述的技术来将基于规则的指数和T指数汇总为WLE指数。作为示例，WLE指数可由下式给出：

WLEIndex＝max(TIndex，Rule-BasedIndex)(30)

示例性基于规则的指数、IP指数和DCA指数分别在图23A和图23C中绘出。针对考虑了估计的最高驾驶要求情况的情形，已经使用在此描述的技术汇总了这些指数并且在图23D中绘出。在图23E中绘出车速，用于参考。

Ⅸ.长期表征

在其它实施例中，可以由子系统16和/或调度器18（根据配置）随时间表征WLE指数以提供HMI建议。长期WLE表征可使得HMI基于随时间的驾驶要求为驾驶员所定制。例如，考虑r_k是反映（在任何时刻k）针对驾驶员的WLE指数值的变量。假设驾驶要求被分类为以{a,b,c}表示的3类，并具有如在图24中定义的模糊隶属函数μ_a、μ_b、μ_c。然后，驾驶行为d_k可从下面的示例计算中推断：

d_k＝[μ_a(r_k)，μ_b(r_k)，μ_c(r_k)](31)

例如，如果r_k的值为0.4，则d_k可被表示为[0.18,0.62,0]（根据图24）。滤波后的（长期）变形驾驶行为可由下式表示：

$d_{f_k}=(1-\mathrm{\&alpha;})d_{f_{k-1}}+\mathrm{\&alpha;}{d}_k---\left(32\right)$

其中，α是校准遗忘因子（从而α指定/确定评估长期变形驾驶行为的时间段）。针对每个类别的长期概率(p_k)_i可从下式获得：

${\left(p_k\right)}_i={\left(d_{f_k}\right)}_i{\left(\underset{j\&Element;\{a,b,c\}}{\mathrm{\&Sigma;}}{\left(d_{f_k}\right)}_j\right)}^{-1}---\left(33\right)$

根据式子（33），针对每个类别的滤波后的变形驾驶行为除以针对所有类别的滤波后的变形驾驶行为之和。例如，如果被表示为[0,0.16,0.38]，则(p_k)_a将等于0除以0+0.016+0.38（(p_k)_a将等于0），(p_k)_b将等于0.16除以0+0.016+0.38（(p_k)_b将等于0.29），(p_k)_c将等于0.38除以0+0.016+0.38（(p_k)_c将等于0.71）。

然后，驾驶要求的最终的长期WLE指数表征i_k可从下式推断：

$i_k=\underset{i\&Element;\{a,b,c\}}{\arg }\max {\left(p_k\right)}_i---\left(34\right)$

使用以上示例，(p_k)_i值的最大值为0.71（(p_k)_c）。因此，可从式子（34）推断驾驶行为当前处于“高要求”类别。

Ⅹ.调度器

调度器18可应用计算的WLE指数、WLE指数的长期表征、或DCA指数、IP指数、HL指数和HW指数中的任何一个（针对仅使用/计算/确定单个指数的实施例）来对资讯娱乐系统和/或其它对话系统与驾驶员之间的交互进行调制。WLE指数提供估计的工作负担负荷，用于设置/避免/定制/限制/调度被呈现给驾驶员的语音命令和其它任务，以提高功能性和安全性。

与驾驶员的示例交互可包括：产生文本到语音转换、产生化身通信、产生关于呼入电话的提醒、产生前瞻性动力系命令、产生前瞻性语音建议、经由例如感触方向盘产生触觉响应、或产生其它音频、视觉和/或触觉输出等。这些示例驾驶员接口任务中的每个任务可具有与其相关的优先级。例如，产生关于呼入电话的提醒可具有高优先级，而产生前瞻性语音建议可具有低优先级。

任何合适/已知技术可被用于将优先级类型分配给给定驾驶员接口任务。作为示例，调度器18可实现高/低优先级协议，其中，将被产生的关于呼入电话的所有提醒分配高优先级，将被发送到驾驶员的所有车辆发起的建议分配低优先级。然而，可使用其它优先级方案。作为示例，0和1.0之间的数字可表示任务的优先级：特定任务可分配0.3的优先级，而其它任务可分配0.8的优先级等。在其它实施例中，可由产生本领域已知的任务的控制器/处理器/子系统（未示出）来分配与驾驶员接口任务相关的优先级类型。

因此，特定实施例可允许驾驶员接口任务基于工作负担和优先级按调度顺序呈现。例如，如果WLE指数（或视情况而定的任何一个指数）具有0.4和0.6之间的值，则调度器18可仅允许执行高优先级驾驶员接口任务。在WLE指数达到小于0.4的值的情况下，调度器18可将较低的优先级任务调度为更晚执行。例如，如果WLE指数具有0.7和1.0之间的值，则调度器18可阻止所有的驾驶员接口任务的执行。在这些高工作负担期间，在WLE指数达到小于0.7的值的情况下，调度器18可将高优先级任务调度为更晚执行，在WLE指数达到小于0.4的值的情况下，调度器18可将较低的优先级任务调度为更晚执行。

类似地，如果长期驾驶行为表征为“高要求”，则不管其优先级，特定/所有任务可被推迟/延迟/调度，直到长期驾驶行为表征为“中要求”或“低要求”。可选择地，如果长期驾驶行为具有处于例如“高要求”类别的任何概率，则特定/所有任务可被推迟/延迟/调度，直到处于“高要求”的概率为0。当然，其它方案也是可行的。例如，在优先级类型不被用于给任务分类的实施例中，所有任务可根据推断的工作负担被推迟/延迟/调度。

在高工作负担期间接收到呼入电话的情况下，调度器18可将呼入电话转入语音邮件系统。一旦WLE指数达到适当值，调度器18就可产生指示接收到呼入电话的提醒。

这里公开的算法可被传送到处理装置，诸如系统12、13、14、16和18中的任何/全部，所述处理装置可包括呈多种形式的任何现有的电子控制单元或专门的电子控制单元，所述多种形式包括但不限于：永久存储在不可写存储介质（诸如ROM装置）中的信息和可变地存储在可写存储介质（诸如软盘、磁带、CD、RAM装置以及其它磁和光介质）上的信息。所述算法还可实现为软件可执行的对象。可选择地，可使用合适的硬件组件（诸如专用集成电路（ASIC）、现场可编程门阵列（FPGA）、状态机、控制器）或其它硬件组件或装置、或硬件、软件和固件组件的组合来全部或部分地实施算法。

虽然已经示出和描述了本发明的实施例，但是不意在使这些实施例示出和描述本发明的所有可能形式。在说明书中使用的词语是描述性词语而不是限制性词语，应理解，在不脱离本发明的精神和范围的情况下可以进行各种改变。

Claims (17)

1.一种车辆，包括：

至少一个处理器，被配置为：（ⅰ）随时间监视驾驶员控制动作输入，（ⅱ）针对特定驾驶员确定与驾驶员控制动作输入的平均值相关的驾驶员控制动作输入的变化率，（ⅲ）接收将被执行的多个驾驶员接口任务，（ⅲ）基于所述变化率对用于执行的所述多个驾驶员接口任务进行调度，（ⅳ）使调度后的驾驶员接口任务被执行。

2.如权利要求1所述的车辆，其中，驾驶员控制动作输入包括加速踏板位置、制动踏板位置或方向盘角。

3.如权利要求1所述的车辆，其中，所述多个驾驶员接口任务中的每个驾驶员接口任务包括优先级类型，其中，所述至少一个处理器被配置为还基于优先级对所述多个驾驶员接口任务进行调度。

4.如权利要求1所述的车辆，其中，所述至少一个处理器还被配置为：递归地计算驾驶员控制动作输入的协方差行列式，以确定驾驶员控制动作输入的变化率。

5.如权利要求4所述的车辆，其中，所述至少一个处理器还被配置为：对所述行列式进行比例缩放以确定表示驾驶员工作负担的指数。

6.如权利要求1所述的车辆，其中，所述多个驾驶员接口任务包括以下操作中的至少一个：产生音频输出、产生视觉输出和产生触觉输出。

7.一种用于车辆的驾驶员接口系统，包括：

至少一个处理器被配置为：（ⅰ）随时间监视驾驶员控制动作输入，（ⅱ）针对特定驾驶员确定与驾驶员控制动作输入的平均值相关的驾驶员控制动作输入的变化率，（ⅲ）基于所述变化率确定驾驶员工作负担，（ⅳ）接收将被执行的多个驾驶员接口任务，（ⅴ）基于所述驾驶员工作负担选择性地延迟或阻止所述多个驾驶员接口任务中的至少一些任务被执行。

8.如权利要求7所述的系统，其中，所述至少一个处理器还被配置为：递归计算驾驶员控制动作输入的协方差行列式，以确定驾驶员控制动作输入的变化率。

9.如权利要求7所述的系统，其中，驾驶员控制动作输入包括加速踏板位置、制动踏板位置或方向盘角度。

10.如权利要求7所述的系统，其中，所述多个驾驶员接口任务中的每个驾驶员接口任务包括优先级类型，其中，所述至少一个处理器被配置为：还基于优先级类型选择性地延迟或阻止所述多个驾驶员接口任务中的至少一些任务被执行。

11.如权利要求7所述的系统，其中，所述多个驾驶员接口任务包括以下操作中的至少一个：产生音频输出、产生视觉输出和产生触觉输出。

12.一种用于管理驾驶员接口任务的方法，包括：

随时间监视驾驶员控制动作输入；

针对特定驾驶员确定与驾驶员控制动作输入的平均值相关的驾驶员控制动作输入的变化率；

接收将被执行的多个驾驶员接口任务；

基于所述变化率选择性地延迟或阻止所述多个驾驶员接口任务中的至少一些任务被执行。

13.如权利要求12所述的方法，其中，确定驾驶员控制动作输入的变化率的步骤包括：递归计算驾驶员控制动作输入的协方差行列式。

14.如权利要求12所述的方法，其中，驾驶员控制动作输入包括加速踏板位置、制动踏板位置或方向盘角度。

15.如权利要求12所述的方法，其中，所述多个驾驶员接口任务中的每个驾驶员接口任务包括优先级类型，其中，还基于优先级类型选择性地延迟或阻止所述多个驾驶员接口任务中的至少一些任务被执行。

16.如权利要求12所述的方法，其中，所述多个驾驶员接口任务包括产生关于呼入电话的提醒，其中，基于变化率选择性地延迟或阻止所述多个驾驶员接口任务中的至少一些任务被执行的步骤包括：将呼入电话转入语音邮件系统。

17.如权利要求12所述的方法，其中，所述多个驾驶员接口任务包括以下操作中的至少一个：产生音频输出、产生视觉输出和产生触觉输出。