Învățarea automată poate îmbunătăți siguranța rutieră prin monitorizarea volumului de muncă al șoferului

Cercetătorii au dezvoltat un algoritm adaptiv care poate îmbunătăți siguranța rutieră, anticipând când șoferii sunt capabili să interacționeze în siguranță cu sistemele din mașină sau să primească mesaje, cum ar fi alerte de trafic, apeluri primite sau indicații de conducere.

Cercetătorii de la Universitatea din Cambridge, care lucrează în parteneriat cu Jaguar Land Rover (JLR), au folosit o combinație de experimente rutiere și învățare automată, precum și tehnici de filtrare virtuală pentru a măsura în mod fiabil și continuu „sarcina de lucru” a șoferului. Conducerea într-o zonă necunoscută se poate traduce într-un volum mare de muncă, în timp ce naveta zilnică poate însemna un volum de muncă mai mic.

Algoritmul rezultat este foarte adaptabil și poate răspunde aproape în timp real la schimbarea comportamentului și stării șoferului, condițiilor drumului, tipului de drum sau caracteristicilor șoferului.

Aceste informații pot fi apoi integrate în sistemele vehiculului, cum ar fi infotainment, navigație, afișaje, sisteme avansate de asistență pentru șofer (ADAS) și multe altele. Orice interacțiune dintre șofer și vehicul poate fi apoi personalizată pentru a acorda prioritate siguranței și a îmbunătăți experiența utilizatorului, oferind interacțiuni adaptabile om-mașină. De exemplu, șoferii sunt alertați doar în momentele în care volumul de muncă este scăzut, astfel încât șoferul să își poată menține concentrarea deplină pe drum în scenarii de conducere mai stresante. cel rezultate Acestea sunt raportate în jurnalul IEEE Transactions on Intelligent Vehicles.

Co-primul autor, Dr. Bashar Ahmed de la Departamentul de Inginerie din Cambridge, a declarat: „Din ce în ce mai multe date sunt puse la dispoziția șoferilor tot timpul. Cu toate acestea, odată cu creșterea nivelurilor de cerere din partea șoferilor, acesta ar putea fi un factor de risc major pentru siguranța rutieră. ” „Există o mulțime de informații pe care un vehicul le poate oferi șoferului, dar nu este sigur sau practic să faci acest lucru decât dacă cunoști starea șoferului.”

Starea unui șofer – sau volumul de muncă – se poate schimba frecvent. Conducerea într-o zonă nouă, în trafic intens sau în condiții proaste de drum, de exemplu, este de obicei mai dificilă decât naveta zilnică.

„Dacă vă aflați într-o situație dificilă de condus, acesta ar fi un moment prost pentru ca un mesaj să apară pe ecran sau head-up display”, a spus Ahmed. „Problema pentru producătorii de mașini este cum să măsoare implicarea șoferului și să instige interacțiuni sau să emită mesaje sau solicitări numai atunci când șoferul este fericit să le primească.”

Există algoritmi pentru măsurarea nivelului cererii șoferului folosind instrumente de urmărire a privirii ochilor și date biometrice de la monitoarele de ritm cardiac, dar cercetătorii de la Cambridge au dorit să dezvolte o abordare care să poată face același lucru folosind informațiile disponibile în orice mașină, în special semnale de performanță de conducere, cum ar fi direcția, accelerația și date de frânare. De asemenea, ar trebui să poată consuma și integra diferite fluxuri de date asincrone care au rate de reîmprospătare diferite, inclusiv de la senzori biometrici, dacă sunt disponibili.

Pentru a măsura volumul de muncă al șoferului, cercetătorii au dezvoltat mai întâi o versiune modificată a unei sarcini de detectare periferică pentru a colecta informații subiective despre sarcina de lucru în timpul conducerii într-un mod automat. Pentru experiment, un telefon care arăta o rută în aplicația de navigare a fost montat pe orificiul central de ventilație al mașinii, lângă un mic inel luminos cu LED care clipea la intervale regulate. Toți participanții au urmat același traseu printr-un amestec de drumuri rurale, urbane și principale. Li s-a cerut să apese un buton purtat pe deget atunci când un LED s-a aprins în roșu, iar șoferul și-a dat seama că se aflau într-un scenariu de sarcină redusă.

Analiza video a experimentului, combinată cu datele de la butoane, a permis cercetătorilor să identifice situații cu volum mare de muncă, cum ar fi intersecțiile aglomerate sau o mașină în fața sau în spatele șoferului care se comportă neobișnuit.

Datele rutiere au fost apoi utilizate pentru a dezvolta și valida un cadru de învățare automată supravegheat pentru a profila șoferii în funcție de volumul mediu de lucru cu care se confruntă și o abordare de filtrare bayesiană adaptivă pentru a estima volumul de lucru instantaneu al șoferului în mod secvenţial și în timp real, utilizând conducerea multiplă. semnale de performanță, inclusiv direcția și frânarea. Cadrul combină valorile macro și micro ale volumului de muncă, în care prima este profilul mediu de lucru al șoferului, iar cea de-a doua este valoarea imediată.

„Pentru majoritatea aplicațiilor de învățare automată ca aceasta, ar trebui să-l antrenați pe un anumit driver, dar am reușit să adaptăm modelele din mers folosind tehnici simple de filtrare virtuală”, a spus Ahmed. „Se poate adapta cu ușurință la diferite tipuri și condiții de drum sau la diferiți șoferi care folosesc același vehicul.”

Cercetarea a fost realizată în colaborare cu JLR care a realizat designul experimental și colectarea datelor. A făcut parte dintr-un proiect sponsorizat de JLR în cadrul unui acord CAPE cu Universitatea din Cambridge.

„Această cercetare este vitală pentru a înțelege impactul designului nostru din perspectiva utilizatorului, astfel încât să putem îmbunătăți continuu siguranța și să oferim experiențe de conducere excepționale pentru clienții noștri”, a declarat Dr. Lee Skrypchuk, specialist tehnic șef pentru interfața om-mașină la Jaguar Land Rover. „Aceste constatări vor ajuta la informarea modului în care folosim programarea inteligentă în vehiculele noastre pentru a ne asigura că șoferii primesc notificările potrivite la momentul potrivit, permițând călătorii simple și ușoare.”

Cercetarea a fost efectuată la Cambridge de o echipă de cercetători de la Laboratorul de Procesare și Comunicații a Semnalului (SigProC) din cadrul Departamentului de Inginerie, sub supravegherea profesorului Simon Godsell. Proiectul a fost condus de Dr. Bashar Ahmed și a inclus Nermin Kaber (un doctorand la acea vreme) și Dr. Jiaming Liang, care au lucrat cu toții la proiect în timp ce erau la Departamentul de Inginerie al Universității din Cambridge.