BATON：当自动驾驶不再被动，迈向双向智能交互的里程碑
在高速公路上，一辆开启辅助驾驶功能的汽车平稳跟随前车行驶，驾驶员双手轻搭方向盘，眼神偶尔扫向后视镜。突然，系统发出接管请求，他迅速握紧方向盘完成干预。这一看似寻常的场景背后，隐藏着自动驾驶系统中一个长期被忽视却至关重要的环节：控制权如何自然、安全地在人与机器之间流转？
当前绝大多数量产自动驾驶系统采用的设计范式，本质上是一种“半开放”的协作模式——人类必须时刻准备接管，而系统则被动等待指令。这种架构迫使驾驶员承担大量情境判断责任，不仅学习曲线陡峭，还极易因过度依赖系统或反应迟缓导致安全隐患。更关键的是，现有的评估体系几乎完全忽略了控制权双向流动的真实动态：既需要预判何时系统应移交控制权给人类，也需要预测人类何时会主动夺回控制。
从被动监控到主动感知：BATON填补关键数据空白
为突破这一困境，一支研究团队推出了名为BATON的大规模自然驾驶数据集。该项目历时两年，采集了来自127名不同背景驾驶员在真实道路环境中使用辅助驾驶系统的完整行为轨迹，总时长达136.6小时。与传统数据集仅关注单一视角不同，BATON创新性地构建了一个闭环的多模态记录体系：
- 车外视觉：高分辨率前视摄像头捕捉道路环境与交通参与者动态
- 车内视觉：舱内摄像头监测驾驶员头部姿态、视线方向与肢体动作
- 车辆总线：CAN总线解码提供车速、加速度、转向角等实时动力学参数
- 雷达交互：毫米波雷达精确追踪前车距离与相对速度变化
- 路径上下文：GPS数据结合高精度地图标记关键路段特征
所有数据源均实现微秒级时间同步，确保每一帧画面、每一条传感器读数都与具体控制权事件精确对应。这种前所未有的细粒度标注，使得研究人员能够首次系统分析控制权交接的前兆特征与触发机制。
三大基准任务揭示控制权转移的本质差异
基于BATON，研究团队定义了三个具有工程指导意义的基准任务，并测试了涵盖传统机器学习与前沿多模态大模型的多种方法：
“我们发现，单纯依靠前视视频虽能识别道路结构，但完全无法感知驾驶员分心或疲劳状态；而舱内视频虽能反映注意力水平，却对突发路况无能为力。” —— 实验结果摘要
实验结果显示，视觉模态单独使用时预测准确率普遍低于70%。但当引入CAN总线信号（如急刹预警）与导航路径信息（如下一出口提示）后，模型性能跃升至85%以上。这表明不同模态间存在强烈的互补效应：外部场景决定系统边界条件，内部状态决定人类响应能力，两者缺一不可。
更值得注意的是，研究发现了控制权交接的非对称性特征：
- 移交事件（Handover）：通常由清晰外部信号触发（如施工区限速），具有较强即时性，适合短时预警（<3秒）
- 接管事件（Takeover）：往往由渐进式风险累积形成（如车道线模糊+前车突然变道），需要更长时间窗口（≥5秒）供人类处理
这一发现直接挑战了当前多数系统采用统一接管策略的做法，为个性化HMI设计指明方向——应根据具体交接类型动态调整提示强度与提前量。
超越技术验证：重构人机协同新范式
BATON的意义远不止于提供一个新的评测工具。它实质上提出了一种全新的交互哲学：未来的自动驾驶不应是“让人类适应机器”，而是“让机器理解人类”。通过建立精准的交接预测能力，系统得以主动规划交互节奏，在适当时候给予充分提示，在不适当时候避免干扰，真正实现“润物无声”的智能协作。
对行业而言，该研究暴露出当前自动驾驶评价体系的结构性缺陷——过于聚焦单车智能表现，而忽略了对复杂社会技术系统中人因要素的深度考量。BATON提供的不仅是数据资源，更是一种方法论启示：真正成熟的辅助驾驶系统，必须具备双向意图理解与自适应调节能力。
展望未来，随着L3级以上自动驾驶逐步落地，控制权管理将成为区分产品体验优劣的核心指标。BATON所确立的多模态融合框架与交接不对称理论，有望成为下一代智能座舱系统的设计准则。那些能精准预判交接时机、动态调整人机权责边界的产品，终将赢得市场青睐。这不仅是技术的胜利，更是对人类驾驶主体地位尊重的回归。