近日，国家知识产权局公开信息显示，赛力斯汽车有限公司提交的一项名为“一种晕车识别方法、装置、存储介质及设备”的专利技术正式进入公示阶段。该技术聚焦于车载场景下驾乘人员晕车状态的智能识别，通过创新性的模型压缩方案突破了传统方案的局限性。
据专利文件披露，研发团队构建了基于多源信号的教师模型作为基础框架，通过采集包括加速度、角速度等在内的多维数据样本进行深度训练。在此基础上，创新性地引入知识蒸馏技术，将复杂的多源信号模型压缩为仅需IMU（惯性测量单元）信号输入的轻量化学生模型。这种双模型架构既保证了预测精度，又显著降低了计算资源需求。
技术实现路径显示，系统首先通过教师模型生成包含晕车概率分布的软标签，再利用这些软标签结合IMU信号样本训练学生模型。经过多轮优化迭代后，最终部署于车载芯片的识别模型可直接处理实时采集的车辆运动数据，输出驾乘人员的晕车状态评估结果。整个过程无需额外传感器设备，仅依赖车辆已有的IMU模块即可完成。
该技术的核心优势在于解决了车载环境下的两大痛点：一方面通过模型压缩技术突破了多源信号采集的硬件限制，另一方面轻量化模型设计有效缓解了车端芯片算力不足的问题。实验数据显示，优化后的识别模型在保持90%以上预测准确率的同时，计算资源消耗降低65%，为车载健康监测系统的商业化应用提供了可行方案。
