- 绝大多数认知负荷估计算法针对非自动驾驶车辆设计，无法适配L3级场景（驾驶员无需持续控车，传统驾驶绩效、眼动指标存在局限性）；
- 现有算法大多依赖手工提取生理特征，忽略生理信号的时空依赖关系，存在信息损失、泛化性差的问题。
本研究旨在填补上述空白，提出适配L3级自动驾驶的认知负荷估计算法，验证其精度与鲁棒性。
- 认知负荷理论：认知负荷是个体完成任务时所需的信息处理容量与认知资源，高认知负荷会导致驾驶员反应延迟、风险感知能力下降，严重损害自动驾驶接管性能。
- 多模态融合理论：多生理信号（心电、皮电、呼吸）可从不同维度反映自主神经活动，相比单一信号，能更全面、精准地表征驾驶员认知负荷水平。
- Transformer注意力机制理论：自注意力机制可有效捕捉时序信号的长距离依赖关系，对齐注意力可实现多模态信号的有效融合，解决传统模型时空信息利用不足的问题。
- 假设1：本研究提出的CogFormer模型，在L3级条件自动驾驶场景下，驾驶员认知负荷估计的准确率、F1分数、AUC指标，显著优于现有主流基线模型。
- 假设2：ECG、EDA、RESP三类生理信号的全量融合，相比单一信号、双信号组合，能显著提升模型的认知负荷估计性能。
- 假设3：多流Transformer编码模块、对齐注意力模块，是CogFormer模型的核心贡献模块，剔除任一模块都会导致模型性能显著下降。
- 假设4：CogFormer模型在数据缺失、噪声干扰的真实场景下，鲁棒性显著优于现有主流基线模型。
- 核心结论：本研究提出的CogFormer模型，可有效适配SAEL3级条件自动驾驶场景，无需复杂的人工特征提取，仅通过原始生理信号即可实现高精度、高鲁棒性的驾驶员认知负荷估计，为自动驾驶驾驶员状态监测系统的设计提供了核心技术支撑。
- 研究局限：模型未区分认知负荷的来源；被试间泛化能力仍有不足；未针对接管前瞬时的认知负荷做高精度监测。
- 未来方向：融合驾驶员视觉行为、交通上下文信息优化模型；设计适配个体差异的泛化算法；拓展接管过程中的认知负荷实时估计研究。
