一句话结论
TEMPEST 模型在 45 人数据集上实现 91.71% 识别率，其性能随用户规模增长的衰减幅度显著低于传统三元组损失基线。
关键要点
- 该模型将 60 秒多模态驾驶窗口映射为 96 维嵌入，支持动态注册，新增驾驶员时无需重新训练模型或重新拟合分类器。
- 在 45 人数据集的时间评估中，TEMPEST 的 Rank-1 准确率达到 91.71%，比最佳经典模型高出 17.9 个百分点，比最强三元组损失基线高出 58.4 个百分点。
- 当受试者池从 10 人扩展到 45 人时，TEMPEST 准确率仅下降 4.3 个百分点，而监督式三元组损失基线下降 22 个百分点，无监督三元组损失基线下降 32.5 个百分点。
- 模型参数量仅为 72 万，占用空间 2.80 MB，训练 50 个周期即可收敛，在公共 KIA Soul 数据集上也展现出优于经典模型的会话内与跨会话性能。
- 训练过程采用加性角边距损失（ArcFace），在归一化角度空间中强制执行全局类级分离，以解决传统方法在大规模用户池下的性能退化问题。
背景与事实
传统三元组损失公式在驾驶员池规模扩大时性能快速退化，且容易过拟合特定会话模式，这在严格的时间评估场景下尤为明显。TEMPEST 模型由时间卷积网络构成，旨在解决可扩展驾驶员识别中嵌入模型随车队规模增长而保持判别性能的问题。该模型通过加性角边距损失（ArcFace）进行训练，这种损失函数在归一化的角度空间中强制实现全局类级分离，从而提升了模型对不同驾驶行为的区分能力。
在具体的性能表现上，TEMPEST 将 60 秒的多模态驾驶窗口转换为紧凑的 96 维嵌入。这种设计支持真正的动态注册功能，意味着系统可以在不重新训练模型或重新拟合分类器的情况下接纳新用户。在包含 45 名驾驶员的数据集上进行严格的时间评估时，TEMPEST 取得了 91.71% 的 Rank-1 准确率。这一结果不仅比表现最好的经典模型高出 17.9 个百分点，更比最强的三元组损失基线高出 58.4 个百分点，显示出显著的性能优势。
可扩展性是该模型的核心亮点之一。当受试者池从 10 人增加到 45 人时，TEMPEST 的准确率仅下降 4.3 个百分点。相比之下，监督式三元组损失基线下降幅度为 22 个百分点，无监督三元组损失基线下降幅度更是达到 32.5 个百分点。这种低衰减特性表明该模型在应对大规模用户群体时具有更强的鲁棒性。此外，模型在公共 KIA Soul 数据集上的跨会话评估也验证了其优势，其性能在会话内比最佳经典模型高 7.3 个百分点，在跨会话场景下高出 14.3 个百分点。
从工程部署角度看，TEMPEST 模型具有极小的体积，参数量仅为 72 万，文件足迹为 2.80 MB，且只需 50 个训练周期即可收敛。这些特性使其在计算资源受限的边缘设备或车载终端上具备较高的部署可行性。该研究成果已提交至 arXiv cs.LG 领域，作者为 Hector Santos-Villalobos，提交时间为 2026 年 5 月 20 日。
影响分析
对于中文开发者与车载智能系统从业者而言，TEMPEST 提供了一个可直接落地的行为生物识别基线。由于模型无需在新增用户时重新训练，这将大幅降低车队管理系统的维护成本和技术复杂度。对于正在开发驾驶员行为分析、个性化驾驶辅助或车队安全监控的团队来说，该模型的小参数量（72 万）和轻量化（2.80 MB）特性意味着可以方便地集成到汽车嵌入式系统中，而不必担心计算资源的瓶颈。
在实际应用层面，该模型在跨会话评估中的显著优势表明，它能有效识别不同时间点的同一驾驶员，这对于解决传统模型容易将不同会话视为不同个体的问题具有重要意义。对于需要处理大规模驾驶员数据（如网约车、物流企业）的公司，其低性能衰减特性意味着系统无需随着用户增长而频繁调整模型架构或进行全量重训练，从而保障了长期运行的稳定性。然而，开发者需注意该结果主要基于特定数据集，实际部署时需考虑驾驶环境差异带来的挑战。
适用边界
该结论的适用边界主要受限于数据来源和场景假设。TEMPEST 模型在 45 人小样本数据集和公共 KIA Soul 数据集上表现出色，但并未提供在更大规模（如数千或数万名驾驶员）或更复杂交通场景（如极端天气、高拥堵道路）下的性能数据。因此，不能直接断言其在超大规模车队或异构车辆平台上的表现同样优异。
此外，模型依赖 60 秒的多模态驾驶窗口，这意味着在短时驾驶行为（如仅 10-20 秒）或单模态数据（仅图像或仅传感器数据）缺失的场景下，其性能可能无法保证。该研究主要关注的是嵌入式模型的可扩展性和精度，并未深入探讨隐私保护、数据合规性或对抗攻击防御等实际部署中必须面对的非功能性需求。因此，在将这些结论应用于生产环境前，必须针对具体的业务场景和数据分布进行额外的验证测试。
孤本观察
这是一篇侧重于解决“可扩展性”痛点的工程化研究，其核心创新在于证明通过角度边距损失结合时间卷积网络，可以在不增加计算复杂度的前提下显著提升大规模用户池的识别鲁棒性。对于追求轻量化部署的智能座舱厂商而言，该模型的低参数 footprint 与高精度之间的平衡具有较高的实用参考价值。
常见问题
TEMPEST模型将多模态驾驶窗口映射为多少维嵌入，支持何种注册模式？
该模型将60秒多模态驾驶窗口映射为96维嵌入，支持动态注册，新增驾驶员时无需重新训练模型或重新拟合分类器。
在45人数据集的时间评估中，TEMPEST的Rank-1准确率相比最强三元组损失基线高多少？
TEMPEST的Rank-1准确率达到91.71%，比最强三元组损失基线高出58.4个百分点。
当受试者池从10人扩展到45人时，TEMPEST与传统基线的准确率衰减幅度分别是多少？
TEMPEST准确率仅下降4.3个百分点；监督式三元组损失基线下降22个百分点，无监督三元组损失基线下降32.5个百分点。
TEMPEST模型的参数量、文件大小及收敛所需的训练周期数是多少？
模型参数量仅为72万，占用空间2.80 MB，训练50个周期即可收敛。
TEMPEST模型在KIA Soul数据集上的跨会话性能相比最佳经典模型高出多少？
在跨会话场景下，TEMPEST的性能比最佳经典模型高出14.3个百分点。
来源：arXiv cs.LG