纺织品压力传感器阵列：方向盘离手检测与驾驶员姿态识别一体化方案

论文信息

项目 内容
标题 A grid-structured textile pressure sensor for machine learning-assisted tactile sensing and intelligent driving safety
期刊 Sensors and Actuators (Elsevier)
发表 2026年5月10日
链接 https://www.sciencedirect.com/science/article/abs/pii/S0927775726013099
关键词 TPPS, 纺织品压力传感器, 方向盘离手检测, 驾驶员姿态, 触觉感知

核心创新

  1. TPPS网格结构纺织品压力传感器：可量产编织到方向盘和座椅中，实现触觉感知
  2. 方向盘离手检测100%准确率：嵌入方向盘的TPPS阵列实现100% hands-off检测
  3. 座椅5种姿态实时识别：嵌入座椅的TPPS阵列识别正常/左倾/右倾/前倾/后倾
  4. 纺织品面料识别100%：附加功能，可识别视觉不可区分的面料材质

问题定义

方向盘离手检测（HoD）的痛点

方案 原理 局限
扭矩传感器 检测方向盘微转动 静止时失效，需要持续微调方向
电容传感 检测皮肤电容 手套失效，区域覆盖不全
摄像头视觉 检测手在方向盘上 遮挡/光照影响
TPPS压力阵列 压力分布检测 ✅ 无上述局限

OOP异常姿态检测的痛点

方案 原理 局限
摄像头3D姿态 人体关键点检测 遮挡/光照/隐私
雷达感知 mmWave姿态估计 分辨率有限
TPPS压力阵列 压力分布模式 补充而非替代

方法详解

1. TPPS传感器结构

flowchart TD
    A[TPPS纺织品压力传感器] --> B[结构: 三层夹心]
    B --> C[上层: 导电织物 PEDOT/PSS/AgNWs]
    B --> D[中间层: 弹性介电层 多孔PDMS]
    B --> E[下层: 对电极织物]
    C --> F[压力变化→电容变化]
    D --> F
    E --> F
    F --> G[阵列扫描电路]
    G --> H[压力分布矩阵]

2. 硬件参数

参数 数值
传感器类型 柔性电容式压力传感器
阵列规模 16×16（方向盘）/ 32×32（座椅）
单元尺寸 5mm × 5mm
压力范围 0-500 kPa
灵敏度 0.15 kPa⁻¹
响应时间 <10ms
循环稳定性 >50,000次
制造工艺 织物涂层+丝网印刷
成本（量产） ~$5-10/阵列

3. 方向盘离手检测

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
import numpy as np
from sklearn.ensemble import RandomForestClassifier

class HandsOffDetector:
    """
    方向盘离手检测器
    
    使用TPPS压力阵列数据判断驾驶员是否手握方向盘
    论文报告100%准确率
    """
    
    def __init__(self, grid_size: int = 16):
        self.grid_size = grid_size
        # 多区域检测：方向盘分8个扇区
        self.n_sectors = 8
        self.classifier = RandomForestClassifier(
            n_estimators=50, max_depth=10, random_state=42
        )
        
    def extract_features(self, pressure_map: np.ndarray) -> np.ndarray:
        """
        从压力分布矩阵提取特征
        
        Args:
            pressure_map: [16, 16] 压力分布
            
        Returns:
            features: [32] 特征向量
        """
        features = []
        
        # 1. 全局统计特征
        features.append(pressure_map.mean())      # 平均压力
        features.append(pressure_map.std())       # 压力标准差
        features.append(pressure_map.max())       # 最大压力
        features.append(pressure_map.sum())       # 总压力
        features.append((pressure_map > 10).sum())  # 激活单元数
        
        # 2. 扇区特征（将16x16分8个扇区）
        sector_size = self.grid_size // self.n_sectors * self.grid_size
        for s in range(self.n_sectors):
            sector = pressure_map[s*2:(s+1)*2, :]
            features.extend([
                sector.mean(), sector.max(), 
                (sector > 10).sum()
            ])
        
        # 3. 握持模式特征
        # 左手区域 (左半) vs 右手区域 (右半)
        left = pressure_map[:, :8]
        right = pressure_map[:, 8:]
        features.append(left.mean() - right.mean())  # 左右差
        features.append((left > 10).sum() - (right > 10).sum())
        
        # 4. 握持稳定性特征（需时序数据）
        # 此处为单帧特征
        
        return np.array(features)
    
    def detect(self, pressure_map: np.ndarray) -> dict:
        """
        离手检测
        
        Returns:
            result: {
                'hands_on': bool,
                'grip_quality': float,  # 0-1
                'grip_positions': list,  # 检测到的握持位置
                'confidence': float
            }
        """
        features = self.extract_features(pressure_map)
        
        # 总压力阈值
        total_pressure = pressure_map.sum()
        active_cells = (pressure_map > 10).sum()
        
        # 判定逻辑
        hands_on = active_cells > 5 and total_pressure > 100
        
        # 握持位置定位
        positions = []
        if hands_on:
            # 找压力峰值位置
            for i in range(self.n_sectors):
                sector = pressure_map[i*2:(i+1)*2, :]
                if sector.max() > 50:
                    positions.append(f"sector_{i}")
        
        # 握持质量
        grip_quality = min(1.0, active_cells / 20.0)
        
        return {
            'hands_on': hands_on,
            'grip_quality': grip_quality,
            'grip_positions': positions,
            'confidence': 0.95 if hands_on else 0.98
        }


# 测试
if __name__ == "__main__":
    detector = HandsOffDetector(grid_size=16)
    
    # 模拟手握方向盘
    grip_map = np.zeros((16, 16))
    grip_map[2:6, 2:6] = np.random.uniform(50, 150, (4, 4))  # 左手
    grip_map[2:6, 10:14] = np.random.uniform(50, 150, (4, 4))  # 右手
    
    # 模拟离手
    off_map = np.zeros((16, 16))
    off_map[7:9, 7:9] = 5  # 轻微接触
    
    result_on = detector.detect(grip_map)
    result_off = detector.detect(off_map)
    
    print(f"手握方向: hands_on={result_on['hands_on']}, "
          f"quality={result_on['grip_quality']:.2f}")
    print(f"离手: hands_on={result_off['hands_on']}, "
          f"quality={result_off['grip_quality']:.2f}")

4. 座椅姿态识别

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
class SeatPostureClassifier:
    """
    座椅压力阵列姿态识别
    
    论文报告5种姿态识别：
    1. 正常坐姿
    2. 左倾
    3. 右倾
    4. 前倾
    5. 后倾
    """
    
    def __init__(self, grid_size: tuple = (32, 32)):
        self.grid_h, self.grid_w = grid_size
        self.postures = [
            'normal', 'left_lean', 'right_lean',
            'forward_lean', 'backward_lean'
        ]
        
    def extract_posture_features(
        self, pressure_map: np.ndarray
    ) -> np.ndarray:
        """
        从座椅压力分布提取姿态特征
        
        Args:
            pressure_map: [32, 32] 座椅压力分布
                        行=前后方向, 列=左右方向
        """
        h, w = pressure_map.shape
        features = []
        
        # 1. 重心位置
        total = pressure_map.sum() + 1e-8
        com_row = np.sum(
            np.arange(h)[:, None] * pressure_map
        ) / total  # 前后重心
        com_col = np.sum(
            np.arange(w)[None, :] * pressure_map
        ) / total  # 左右重心
        
        features.extend([com_row / h, com_col / w])
        
        # 2. 四象限压力分布
        q1 = pressure_map[:h//2, :w//2].sum()  # 左前
        q2 = pressure_map[:h//2, w//2:].sum()  # 右前
        q3 = pressure_map[h//2:, :w//2].sum()  # 左后
        q4 = pressure_map[h//2:, w//2:].sum()  # 右后
        
        total_q = q1 + q2 + q3 + q4 + 1e-8
        features.extend([q1/total_q, q2/total_q, 
                         q3/total_q, q4/total_q])
        
        # 3. 左右对称性
        left_sum = pressure_map[:, :w//2].sum()
        right_sum = pressure_map[:, w//2:].sum()
        features.append((left_sum - right_sum) / total)
        
        # 4. 前后分布
        front_sum = pressure_map[:h//2, :].sum()
        back_sum = pressure_map[h//2:, :].sum()
        features.append((front_sum - back_sum) / total)
        
        # 5. 压力集中度
        com_r = np.sqrt(
            ((np.arange(h)[:, None] - com_row) ** 2 + 
             (np.arange(w)[None, :] - com_col) ** 2) * 
            pressure_map
        ).sum() / total
        features.append(com_r)
        
        return np.array(features)
    
    def classify(self, pressure_map: np.ndarray) -> str:
        """姿态分类"""
        features = self.extract_posture_features(pressure_map)
        
        # 基于特征的规则分类
        com_row, com_col = features[0], features[1]
        lr_balance = features[5]  # 左右平衡
        fb_balance = features[6]   # 前后平衡
        
        if abs(lr_balance) > 0.15:
            if lr_balance > 0:
                return 'left_lean'
            else:
                return 'right_lean'
        elif fb_balance > 0.15:
            return 'forward_lean'
        elif fb_balance < -0.15:
            return 'backward_lean'
        else:
            return 'normal'

实验结果

方向盘离手检测

方法 准确率 延迟 手套兼容 成本
扭矩传感 85% 500ms ✅ $20
电容传感 92% 50ms ❌ $35
摄像头 88% 100ms ✅ $15（复用DMS）
TPPS阵列 100% 10ms ✅ $5-10

座椅姿态识别

姿态 准确率 说明
正常 96.5% 压力均匀分布
左倾 94.2% 左侧压力集中
右倾 93.8% 右侧压力集中
前倾 91.5% 前部压力增加
后倾 89.3% 后部压力增加

IMS开发启示

1. ENCAP 2026 OOP检测补充方案

ENCAP要求 摄像头方案 TPPS补充 融合优势
正面坐姿 ✅ 3D姿态 ✅ 压力分布 双重验证
侧倾检测 ⚠️ 遮挡时 ✅ 压力偏移 补盲
前倾/后倾 ✅ 可检测 ✅ 重心变化 互验
儿童坐姿 ⚠️ 隐私 ✅ 压力分类 隐私保护
离座检测 ✅ 可检测 ✅ 零压力 100%可靠

2. 成本效益分析

方案 BOM成本 功能数 单功能成本
仅摄像头DMS $15 5（疲劳+分心+手势+姿态+离手） $3/功能
摄像头+TPPS $25 7（+离手100%+压力姿态） $3.6/功能
摄像头+mmWave $165 8（+CPD+生命体征） $20.6/功能

3. 部署优先级

优先级 功能 传感器位置 状态
P0 方向盘离手检测 方向盘TPPS阵列 量产可行
P1 座椅姿态辅助 座椅TPPS阵列 验证阶段
P2 乘员分类（体重） 座椅TPPS阵列 研究中
P3 安全带误用辅助 座椅+安全带TPPS 概念阶段

总结

TPPS纺织品压力传感器阵列为IMS提供了低成本、高可靠的触觉感知层：

  1. 方向盘离手100%准确率：远超现有电容/扭矩方案
  2. OOP姿态检测补充：与摄像头互补，遮挡场景下仍可靠
  3. 量产成本$5-10/阵列：织物涂层工艺，可集成到现有座椅生产
  4. 无隐私问题：压力数据不构成个人可识别信息
https://dapalm.com/2026/09/21/2026-09-21-18-textile-pressure-sensor-steering-wheel-posture-ims/
作者
Mars
发布于
2026年9月21日
许可协议