CC BY
9
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА БЕЗОПАСНОСТИ ВОДИТЕЛЯ, ИСПОЛЬЗУЮЩАЯ ОБНАРУЖЕНИЕ УСТАЛОСТИ
Е.С. Кириллова, магистрант С.А. Сериков, д-р техн. наук, доцент
Санкт-Петербургский государственный университет аэрокосмического приборостроения
(Россия, Санкт-Петербург)
DOI:10.24412/2500-1000-2024-4-3-7-10
Аннотация. В статье рассматриваются перспективы и возможности использования интеллектуальных систем обнаружения усталости водителя для повышения уровня безопасности на дорогах. Отмечено, что благодаря развитию современных технологий, системы обнаружения усталости водителей значительно снизили количество дорожно-транспортных происшествий. Выявлено что, интеллектуальные системы позволяют на ранних этапах обнаруживать отклонения в поведении водителя и генерировать соответствующие сигналы предупреждения и оповещения. Сделан вывод, что наибольшую эффективность в процессе контроля состояния водителя можно получить при комбинации различных методов и приемов интеллектуального анализа.
Ключевые слова: водитель, усталость, интеллектуальный анализ, дорога.
Усталость водителей является важной причиной дорожно-транспортных происшествий, которая представляет серьезную угрозу жизни и имуществу людей. Согласно опросу Национального фонда сна, 60% водителей в США (около 168 миллионов человек) утверждают, что водили машину в сонном состоянии, а треть (103 миллиона человек) признались, что уснули за рулем. По данным Национальной администрации безопасности дорожного движения США, 21% аварий со смертельным исходом происходит именно из-за усталости водителя, а на отдельных маршрутах - до 50%. В Испании сон стал причиной 20 600 несчастных случаев, из них 24 000 легких травм, 3300 серьезных травм и 800 смертей [1].
Исходя из причинных факторов, усталость можно разделить на утомление, связанное с выполнением задачи (ТЯР), и утомление, связанное со сном ^ЯР). В зависимости от условий и задачи вождения ТЯР также подразделяется на активную и пассивную части. Активная TRF связана с перегруженными ситуациями вождения, которые включают в себя интенсивное движение, плохую видимость или когда водитель должен выполнять второстепенную деятельность в дополнение к вождению.
Монотонные условия вождения и автоматизированные задачи связаны с пассивной ТЯР. На SRF влияют недостаток сна, длительные периоды бодрствования и влияние циркадного ритма.
В контексте вышеизложенного не подлежит сомнению тот факт, что усталость необходимо измерять и контролировать для обеспечения безопасности водителя и дорожного движения в целом, поскольку многие предпочитают продолжать движение даже в состоянии усталости. Это может быть связано с рабочей нагрузкой, выгодой и невнимательностью.
В последние годы обнаружение усталости вступило в новый период развития благодаря широкому использованию камеры ЯОВ-О и технологий глубокого обучения. Построенные на основании этих технологий интеллектуальные системы, которые также используют передовые технологии биосенсоров и физиологических вычислений, позволяют объединять информацию о разных характеристиках усталости для повышения надежности обнаружения. Однако, учитывая тот факт, что системы мониторинга безопасности водителя с помощью мультисенсорной, мобильной и облачной архитектуры, технологий искусственного интеллекта находятся на начальном
этапе своего развития, необходимость дальнейших, более углубленных исследований является очевидной, что и обусловило выбор темы данной статьи.
Методы и технологии обнаружения усталости водителя с разных точек зрения, например, психология и эмоциональное состояние, измерение физиологических сигналов, обнаружение усталости на основе поведения или производительности водителя, описывают в своих трудах Фэн К., Афанасьев Г.И., Нестеров Ю.Г., Си-вов А.А., Аввакумов А.А., Son Anh Vo, Luke Mirowski, Joel Scanlan, Paul Turner, Saroj K.L. Lal, Ashley Craig.
Анализ датчиков, используемых в различных средствах обнаружения усталости, и оценка их эффективности нашли свое отражение в работах Дубинина А.А., Моисеева Ю.И., Малиновского М.П., Смолко Е.С., Qichang He, Wei Li, Xiumin Fan, Zhimin Fei, Shuyan Hu, Gangtie Zheng, Björn Peters.
Однако, несмотря на имеющиеся труды и наработки, ряд вопросов в данной предметной плоскости остается открытым. Так, особого внимания заслуживают подходы к обнаружению сонливости водителя, используя автомобильные, психологические и поведенческие измерения, реализуемые с помощью различных алгоритмов прогнозирования. Отдельного внимания заслуживают проблемы новейших систем мониторинга водителей с использованием Интернета вещей с учетом различных
параметров, таких как функции, методы машинного обучения, степень точности, параметры системы и детали окружающей среды.
Таким образом, цель статьи заключается в рассмотрении особенностей интеллектуальной системы безопасности водителя для обнаружения усталости.
Интеллектуальная система безопасности водителя, которая основывается на обнаружении усталости, использует датчики, такие как автомобильные камеры, компьютерное зрение, искусственный интеллект, смартфоны и облачные вычисления, чтобы получить представление о состоянии и поведении водителя [2]. Рассмотрим более подробно некоторые из уже существующих систем.
Интеллектуальная система оповещения, основанная на анализе различных поведенческих и визуальных установок водителя
Эта система основана на измерении движения лица и моргании глаз, что позволяет изучить состояние водителя. В данном случае анализ моргания глаз в основном направлен на выявление сонливости водителя. На рисунке 1 представлен тестовый сценарий предлагаемой системы. Цель, изображенной на рисунке 1 системы - анализ движения лица и частоты моргания глаз, на основании чего можно сделать вывод о состоянии водителя, степени его усталости и вероятности столкновения.
Рис. 1. Интеллектуальная система обнаружения сонливости
Как известно, пороговое значение коэффициента пропорциональности глаз находится выше 0,25 без какого-либо эффекта усталости [3]. Когда водитель автоматически отключается, пороговое значение коэффициента пропорциональности снижается ниже заданного диапазона. Пороговое значение выборки моргания глаз при сонливости представляет собой количество видеокадров закрытых глаз водителя. Если количество последовательных кадров подсчета увеличивается выше диапазона порогового значения, то обнаруживается сонливость водителя.
Для проведения мониторинга в системе используется камера У2, позволяющая осуществлять регулярную запись общего движения глаз, с помощью которой вычисляется пороговое значение коэффициента пропорциональности. В нее также встроен счетчик для подсчета количества кадров. Предположим, что оно превысило диапазон 30. В этом случае активируется голос из динамика и автоматически отправляется письмо ответственному лицу, которое может предупредить спящего водителя звонком, если тот все еще не проснулся после включения голосового оповещения в динамике.
Таким образом, данная интеллектуальная система может успешно использоваться для обнаружения сонливости
водителя и выявления столкновении в результате торможения автомобиля с помощью датчика столкновения и датчика силы. В случае столкновения данные, собранные с датчиков, и данные о местоположении отправляются уполномоченному лицу (владельцу) и в ближайшие больницы с помощью GPS-модуля. Описанные модули интеллектуальной системы корректно работают через микрокомпьютер Raspberry Pi3, который запрограммирован на языке Python.
Мультимодальные системы (M-DFD), использующие архитектуру глубокого обучения
M-DFD играют важную роль в распознавании различных видов активности водителя и его усталости на разных уровнях. Для этого используется широкий спектр данных, такие как физическое состояние водителя, звуковые, визуальные характеристики и информация об автомобиле. Основными источниками данных являются изображения водителя, включающие лицо, руки и кисти, сделанные камерой, установленной внутри автомобиля.
Визуальная диаграмма, на которой наглядно представлены используемые системой (M-DFD) блоки и признаки для прогнозирования усталости водителя, изображена на рисунке 2.
Рис. 2. Пример мультимодального обучения признаков для прогнозирования уровня
усталости водителя на платформе 1оТ
Как свидетельствует рисунок 2, M-DFD собирает и обрабатывает различные муль-тимодальные признаки для выявления усталости, объединив конволюционную нейронную сеть (CCN) с рекуррентной нейронной сетью (RNN). Обычно, системы M-DFD разрабатываются на основе гибридных функций, например, на базе архитектуры IoT.
Для выявления визуальных особенностей усталости водителя из кадров реального времени извлекаются такие паттерны, как положение рта, поворот головы, частота моргания глаз и их закрытия в разных направлениях обзора для учета процента закрытия век. Для сбора визуальных признаков из видеокадров используется CNN. Архитектура модели CNN основана на двух конволюционных слоях, одном слое отсева, одном слое с полным подключением и одном слое с мягким максимумом. Для определения невизуальных признаков модель
предполагает применение набора датчиков ЭЭГ и ЭКГ, установленных на рулевом колесе, что позволяет получать данные в режиме реального времени. После сбора всех данных нейронные сети классифицируют состояние водителя и активизируют, в случае необходимости, системы его предупреждения и оповещения [4].
Таким образом, подводя итоги, отметим, что усталость водителей является важнейшим фактором ежегодного увеличения частоты дорожно-транспортных происшествий и смертельных исходов. Она ухудшает качество вождения из-за недостатка концентрации и замедления реакции. Для своевременного обнаружения усталости и предупреждения водителя, а также ответственных лиц, значительный потенциал имеют интеллектуальные системы, основанные на датчиках, Интернете вещей, искусственном интеллекте, облачных вычислениях, компьютерном зрении.
Библиографический список
1. Васильев И.И., Абин И.А. Разработка и исследование устройства для контроля за усталостью водителя // Научный Лидер. - 2021. - № 14 (16). - С. 167-168.
2. Ядрихинская А. Применение системы оценки и контроля усталости водителя // Охрана труда и техника безопасности на промышленных предприятиях. - 2020. - № 7. - С. 23-28.
3. Сапрыкин Я.Д., Рязанцев В.И., Смирнов А.А. Обзор подходов к распознаванию усталости водителя и существующих технических решений // Известия МГТУ МАМИ. - 2020.
- № 3 (45). - С. 48-58.
4. Сивов А.А., Аввакумов А.А. Алгоритм мобильного приложения для технических средств и методов контроля усталости водителей на линии // Наукосфера. - 2023. - № 5-1.
- С. 300-308.
INTELLIGENT DRIVER SAFETY SYSTEM UTILIZING FATIGUE DETECTION E.S. Kirillova, Graduate Student
S.A. Serikov, Doctor of Technical Sciences, Associate Professor St. Petersburg State University of Aerospace Instrumentation (Russia, Saint-Petersburg)
Abstract. The article discusses the prospects and possibilities of using intelligent driver fatigue detection systems to improve the level of safety on the roads. It is noted that due to the development of modern technologies, driver fatigue detection systems have significantly reduced the number of road accidents. It is revealed that, modern intelligent systems allow early detection of deviations in driver behavior and generate appropriate warnings. It is concluded that the greatest efficiency in the process of controlling the driver's condition can be obtained by combining various methods and techniques of intelligent analysis.
Keywords: driver, fatigue, intelligent analysis, road.
