CC BY
41
Онтологическая модель системы предупреждения аварийных ситуаций на основе поведения водителя в кабине транспортного средства
И.Б. Лашков А.М. Кашевник
СПИИРАН Университет ИТМО
Санкт-Петербург, Россия Санкт-Петербург, Россия
igla@iias.spb. su alexey@iias.spb.su
Аннотация. Рассматриваются вопросы создания систем активной безопасности, позволяющих снизить вероятность возникновения дорожно-транспортного происшествия. Такие системы ограничены в возможностях персонализации работы системы для водителя, а также использовании контекста и генерации рекомендаций для принятия им мер по предотвращению аварийной ситуации. Решение этой задачи лежит в основе создания системы предупреждения аварийных ситуаций с помощью мониторинга поведения водителя транспортного средства. В статье предложена онтологическая модель, построенная на основе данных о предметной области, позволяющая формализовать описание дорожной ситуации, в которой находится водитель транспортного средства в некоторый момент времени. Такая модель позволит учитывать данные о самом водителе, транспортном средстве, контексте, опасных состояниях и рекомендациях. Онтологическая модель послужит основой создания систем предупреждения аварийных ситуаций, ориентированных на мониторинг поведения водителя в кабине транспортного средства во время его движения.
Ключевые слова: онтологическая модель, сценарная модель, водитель, сенсоры, транспортное средство, аварийная ситуация, опасное состояние, система активной безопасности, контекст, рекомендации.
Введение
Согласно отчетам Госавтоинспекции МВД [1], на территории России за 2017 г. произошло около 170 тыс. дорожно-транспортных происшествий, в результате которых погибло 20 тыс. чел. и более 200 тыс. человек было ранено. Несмотря на уменьшение показателей аварийности в сравнении с аналогичным периодом прошлого года, абсолютные цифры дорожных происшествий остаются высокими. По статистике, больше половины дорожных происшествий происходит в результате человеческого фактора. Количество ДТП, вызванных состоянием усталости [2] или ослабленного внимания [3] водителя за рулём транспортного средства (далее - ТС), с каждым годом растет и приводит к травматизму среди населения во всем мире.
В качестве решения этой проблемы научным сообществом предложен подход к разработке систем активной
безопасности [4], направленных на предотвращение аварийных ситуаций на основе мониторинга поведения водителя ТС и его своевременного оповещения о текущей ситуации за счет генерации уведомлений.
Технологии, составляющие системы повышения безопасности водителя, могут быть условно разделены по виду контекста на те, которые осуществляют мониторинг окружающей обстановки (дорожной обстановки), и те, которые направлены на слежение за поведением водителя
[5] в кабине транспортного средства. В качестве контекста используется любая информация, которая является релевантной при описании ситуации, в которой находится некоторый объект (водитель, ТС) в определенный момент времени. Исходя из того, что основные направления в системах активной безопасности связаны с мониторингом окружающей обстановки вокруг автомобиля, основной фокус статьи направлен на анализ поведения водителя в кабине транспортного средства для выявления признаков его опасного поведения.
Как правило, создание системы активной безопасности
[6] подразумевает использование системы телеметрии [7], предоставляющей показания с встроенных в транспортное средство камер видеонаблюдения, сенсоров, радаров с целью их дальнейшего анализа; информационно-развлекательной системы, отвечающей за отображение актуальной информации о поездке для водителя; системы повышения безопасности, осуществляющей мониторинг поведения водителя [8]. В качестве дополнительного компонента системы может использоваться удаленный сервис, отвечающий за адаптацию системы к поведению водителя, а также анализ накапливаемой статистики управления ТС для страховых компаний или автопарков.
В статье предложена сценарная модель системы предупреждения аварийных ситуаций на основе мониторинга поведения водителя за счет начального определения основных сценариев использования системы, описывающих цели, действия лиц в системе, а также онтологическая модель, позволяющая объединить и сопоставить знания о предметной области и обеспечить поддержку сценариев работы системы.
Исследование выполнено за счет гранта Российского научного фонда (проект № 18-71-10065).
В настоящее время технологии повышения безопасности и комфорта вождения, составляющие системы активной безопасности для автомобилей, основаны на считывании и обработке данных с датчиков, радаров, лидаров, видеокамер в комплексе. Таким образом, целесообразно рассмотреть основные технологические подходы, которые находят применение в создании систем активной безопасности, нацеленных на мониторинг поведения водителя в кабине транспортного средства.
Подходы к созданию систем активной безопасности
По способу функционирования системы активной безопасности условно разделены на современные системы содействия водителю, существующие в виде аппаратно-программных комплексов и устанавливаемые на заводах автопроизводителей; мобильные системы генерации рекомендаций, разрабатываемые на основе программных решений в виде мобильных приложений [9]; устройства видеонаблюдения, устанавливаемые в кабине ТС и осуществляющие слежение за дорогой или водителем; устройства носимой электроники, носимые водителем во время вождения.
Общими недостатками для этих категорий систем являются ограничения, связанные с невозможностью адаптации индивидуально для водителя и отсутствием выработки контекстно ориентированных рекомендаций. Использование алгоритмов персонализации к стилю вождения водителя позволит расширить возможности существующих решений на базе мобильных систем генерации рекомендаций и выделить отдельный класс систем предупреждения аварийных ситуаций [10], учитывающих информацию о профиле водителя, Тс, контекст, предыдущий опыт использования системы.
Внедрение системы предупреждения аварийных ситуаций на транспортном предприятии способно повысить эффективность использования транспортных средств и снизить эксплуатационные расходы всего предприятия. На основе рассмотренных решений и публикаций [11] в области систем активной безопасности все устройства и программные методы, применяемые при построении подобных систем, можно разделить на две отдельные группы: направленные на мониторинг поведения водителя в кабине Тс и предназначенные для слежения за дорожной ситуацией вокруг автомобиля. Ввиду недостаточной проработанности мониторинга поведения водителя в кабине транспортного средства основной акцент в статье сделан на анализ взаимодействия водителя с транспортным средством.
среди технических устройств, специально разработанных и применяемых в процессе вождения в кабине автомобиля для выявления признаков ослабленного внимания или усталости водителя, можно выделить: средства носимой электроники (например, кепка, браслет) [12], измеряющие состояние водителя при помощи таких физиологических показателей, как пульс, частота дыхания, электроэнцефалография [13], электродермальная активность кожи [14] и т. д.; видеокамеры, направленные на лицо водителя и анализирующие его состояние по лицевым характеристикам, к которым можно отнести поворот и наклон головы, частоту моргания век, закрытость глаз и т. д.
Видеокамеры, устанавливаемые внутри кабины транспортного средства и осуществляющие непрерывный мониторинг поведения водителя, широко используются системами активной безопасности для извлечения (захвата) отдельных кадров изображений лица водителя с некоторой заданной частотой (например, 20 кадров в секунду), которые в дальнейшем используются при цифровой предобработке изображения и непосредственном распознавании тех или иных объектов (по положению головы, чертам лица) и их характеристик (определение размера области и цвета объекта, расстояние до объекта, глубина объекта и т.д.) в определенный момент времени. Специализированные программные интерфейсы и алгоритмы, фронтальные камеры, устанавливаемые в смартфонах, также позволяют получить непрерывный ряд изображений, которые могут быть использованы при компьютерной обработке и детектировании лица водителя. Рассмотрим несколько подходов к распознаванию лиц, каждый из которых обладает как преимуществами, так и недостатками.
На сегодняшний день технология распознавания лиц [15, 16], часто используемая в системах активной безопасности, является одним из популярных и развиваемых направлений компьютерного зрения. Использование видеокамер при построении систем безопасности подразумевает применение методов компьютерной обработки изображений водителя с целью определения присутствия объекта на изображении, нахождения его положения в системе координат пикселей исходного изображения и распознавания. В зависимости от выбора алгоритма распознавания положение объекта может быть определено координатами прямоугольника, ограничивающими объект, контуром этого объекта или координатами точек, наиболее характерных для объекта. Стоит отметить, что в первую очередь алгоритмы поиска объектов на изображениях должны хорошо справляться с нахождением лиц людей и черт лица. Широко распространенные методы распознавания лиц на изображениях можно условно разделить на две группы: методы, использующие в своей работе некоторый заданный набор правил для обнаружения лица на изображении (сравнение с эталоном — Template matching, например, метод Виолы-Джонса [17]) и метод, использующий вектор признаков для дальнейшей классификации изображения на классы (модели внешнего вида (Appearance Models, AAM), включающие в себя такие методы, как скрытые марковские модели (Hidden Markov Model, HMM) [18], нейронные сети, линейный дискрими-нантный анализ и т. д.). Рассмотрим несколько методов каждой из этих категорий.
Одним из распространенных методов поиска объектов на изображении является алгоритм Виолы-Джонса, изначально предназначенный для поиска лиц на изображениях в режиме реального времени. В своей работе алгоритм использует принцип сканирования скользящим «окном» для поиска лица и черт лица человека. Среди существующих методов обнаружения объектов на изображениях метод Виолы-Джонса показывает один из лучших результатов по соотношению показателей эффективности распознавания и скорости работы, при этом обладает низкой вероятностью ложного обнаружения лица. Среди недостатков можно отметить, что данный метод накладывает определенные ограничения на пространственное положение лица и степень его освещенности. Алгоритм хорошо распознает черты лица человека только при небольшом
угле обзора, не превышающем 30 градусов. При угле наклона более 30 градусов процент обнаружений резко падает, что не дает возможности распознавать лицо человека при произвольном угле поворота.
Другим распространенным методом обнаружения объектов является применение нейронных сетей [19]. Отличительной особенностью нейронной сети является ее обучаемость, которая позволяет с высокой эффективностью решать поставленную задачу. Обучение нейронной сети происходит на некоторой выборке с помощью готовых примеров. В ходе обучения выделяются ключевые признаки и формируются взаимосвязи между ними. В дальнейшем обученная нейронная сеть позволяет распознать ранее неизвестный ей объект, применив полученный в процессе обучения опыт. Сверточная нейронная сеть показывает наилучшие результаты в области распознавания, но считается наиболее сложной для реализации. Такие особенности сети, как общие веса (определение лица в любом месте на изображении), локальные рецепторные поля обеспечивают устойчивость к различным искажениям (смещение, изменение масштаба и т. д.). Одним из преимуществ применения такого метода является возможность обработки лицевых структур при различном угле наклона относительно вертикальной оси. В то же время метод имеет ряд существенных недостатков, одним из которых является ложное обнаружение объектов, отдаленно напоминающих лицо человека.
Обнаружение лица человека на изображении может выполняться другим адаптивным методом - опорных векторов (Support Vector Machine - SVM) [20]. Метод опорных векторов рассматривает каждое изображение как точку в n-мерном пространстве, где n соответствует размерности данных или общему числу пикселей изображения. Каждая из этих точек принадлежит к некоторому классу. Основной задачей SVM является поиск плоскости, расстояние до которой от ближайшей точки максимально в пределах множества вариантов, и соответствующего ей оптимального классификатора. В сравнении с обученной нейронной сетью, требующей незначительного количества вычислительных ресурсов, время работы SVM-алгоритма может существенно увеличиться в случае, если число векторов значительно превышает размер выборки. К преимуществам метода можно отнести сравнительно небольшое время обучения и высокую точность распознавания лиц на изображениях.
Основными трудностями, возникающими при распознавании лиц на изображениях, являются пространственные характеристики положения лица и его масштаб, количество лиц на изображении, разрешение изображения, возможные искусственные помехи на лице (например, очки, макияж, маска и т. д.), условия освещенности, тени и отражение от окружающих объектов. Алгоритмы детектирования лицевых характеристик водителя находят применение в существующих системах активной безопасности. Стоит отметить, что использование таких алгоритмов в комплексе с другими способами распознавания опасного поведения водителя за рулем позволяет повысить точность детектирования опасных состояний и общую эффективность системы в целом.
Другим подходом к детектированию небезопасного вождения автомобиля является такой, который подразумевает считывание, накопление и анализ сенсорных дан-
ных со встроенных в автомобиль датчиков, включая радары, лидары, лазеры. В таком случае основные исследования и технологические решения сосредоточены на применении различных алгоритмов машинного обучения и подходов к работе с накапливаемой статистикой вождения с целью анализа паттернов поведения водителей и оценки их стиля управления ТС. Примерами реализации таких систем служат как системы телеметрии, встраиваемые в ТС на этапе их производства, так и мобильные приложения, использующие ряд встроенных в смартфон сенсоров.
Подходы, основанные на классификации водителей и вычислении их стиля вождения, используют в своей работы широкий спектр алгоритмов, включая: DTW (динамическая трансформация временной шкалы) [21], определяющий отношение между временными последовательностями; принципы нечеткой логики [22] на основе правил; методы кластеризации [23], классифицирующие водителей со схожими характеристиками управления ТС, 8УМ, НММ, и другие. Стоит отметить, что накапливаемая статистика вождения позволяет выполнить прогноз некото -рой дорожной ситуации и заранее предупредить водителя о вероятности возникновения аварийной ситуации.
При обнаружении вероятности возникновения аварийной ситуации системы активной безопасности задействуют ряд технических методов с целью оповещения и предупреждения водителя о необходимости предпринять ряд мер во избежание аварийной ситуации. В качестве примера: система контроля уровня усталости водителя является одной из технологий, использующих в своей работе методы компьютерной обработки и анализа изображений. На основе контроля процесса движения и угла поворота рулевого колеса данная система способна заблаговременно распознавать признаки возникновения у водителя усталости или ослабленного внимания и подавать ему сигнал о необходимости сделать перерыв для отдыха.
По уровню и силе восприятия все меры помощи водителю можно разделить на три категории: информационные (например, предупредительный звуковой сигнал), вспомогательные (например, изменение силы продавлива-ния педали акселератора) и частичное или полное вмешательство в управление ТС системой активной безопасности (например, уменьшение впрыска топлива при превышении определенной скорости). Использование тех или иных мер предупреждения и предотвращения аварийной ситуации помогает не допустить возникновения ДТП.
Несмотря на то, что системы активной безопасности, ориентированные на заблаговременное обнаружение и предупреждение водителя о наступлении дорожных происшествий, набирают популярность и распространенность среди большого количества автопроизводителей, информация о данной категории систем в разной степени открыта и распределена между разработчиками таких систем. Таким образом, с целью объединения и формализации данных, поступающих от систем активной безопасности, и обеспечения выполнения сценариев использования системы предполагается разработать сценарную и онтологическую модели. Одним из ключевых преимуществ использования онтологий [24] является системный подход к описанию предметной области, в которой концептам и связям даны уникальные имена и определения.
Сценарная модель системы предупреждения
аварийных ситуаций на основе рассмотренных подходов к разработке систем активной безопасности определены и описаны следующим образом четыре варианта использоавания системы различными действующими лицами (рис. 1), участвующими в процессе взаимодействия с системой.
Вариант использования системы водителем с личным ТС. Данный вариант подразумевает использование системы при вождении частными водителями, управляющими собственным (личным) ТС (рис. 1). Преимуществами такого взаимодействия является стремление водителя к повышению собственной безопасности за рулем транспортного средства за счет реагирования на генерируемые рекомендации, учитывающие контекст, а также повышение навыков вождения.
Вариант использования системы администратором автопарка. Несмотря на то, что дорожные аварии по вине грузового автотранспорта происходят гораздо реже, чем по вине легковых автомобилей, смертность в ДТП с грузовыми автомобилями остается крайне высокой. Среди факторов, вызывающих снижение бдительности водителя и, как следствие, приводящих к происшествиям с участием грузового автотранспорта, можно выделить такие: плотные рабочие графики, неверно спланированный маршрут или проявление торопливости со стороны работодателя или заказчика. В этом случае подобные системы предупреждения аварийных ситуаций могут с легкостью найти применение в логистических компаниях, выполняющих грузовые перевозки (см. рис. 1).
Водитель из штата автопарка
Администратор автопарка Водитель с личным ТС
Рис. 1. Сценарная модель системы предупреждения аварийных ситуаций
Другой сферой применения системы являются таксомоторные компании, осуществляющие пассажирские перевозки. Предлагаемый вариант подразумевает мониторинг осуществляемых поездок администратором автопарка и использование системы генерации рекомендаций штатными водителями автопарка. Преимуществами данного варианта является обеспечение контроля выполнения рабочего графика и учет труда и отдыха водителями из штата при непрерывном отслеживании местонахождения каждого из них, а также их психофизиологического состояния.
Вариант использования системы страховой компанией. Принцип Usage Based Insurance («Страхование на основе фактического использования») (UBI) [25] был введен
на рынок моторных ТС еще 10 лет назад. Вместо того чтобы рассчитывать стоимость страхового полиса на основе марки и модели автомобиля, стажа водителя, его возраста и истории вождения, принцип UBI описывает модель, согласно которой риск вычисляется в зависимости от индивидуального стиля вождения водителя на основе различных параметров (например, время использования, пройденное расстояние, скорость движения, опасные маневры, поведение водителя и места поездок). На текущий момент различают два вида моделей UBI: Pay As You Drive (PAYD) и Pay How You Drive (PHYD). Если в первом случае страховой взнос зависит от пробега, пройденного транспортным средством за время действия страхового полиса, то во втором стоимость полиса рассчитыва-
ется на основе данных о стиле вождения водителя (например, резкость ускорения или торможения). При этом страховые компании все чаще применяют технику PHYD в области автострахования, в результате работы которой проводится анализ поведения водителя за рулем ТС и динамически рассчитывается стоимость страхования транспортного средства при последующем оформлении.
Для применения подобной техники страховые компании задействуют либо телеметрическое оборудование, подключаемое, как правило, через диагностический порт ТС, или смартфон водителя с установленным на нем соответствующим мобильным приложением. В процессе эксплуатации ТС за счет анализа сведений, полученных с сенсоров (например, акселерометра, гироскопа, GPS), о стиле вождения водителя страховая компания предоставляет возможность скорректировать тарифный план страхования ТС. В этом случае с целью «поощрения» водителей страховыми компаниями могут применяться некоторые из следующих программ: выгодное предложение при пролонгации полиса (окончание срока страхования), снижение стоимости тарифного плана при оформлении полиса и использовании телеметрического оборудования. Преимуществом применения такого сценария (рис. 1) является стремление страховых компаний снизить риски при страховании на основе анализа показателей вождения водителя и таким образом повысить безопасность дорожного движения, снизить расходы на оформление страховых полисов для водителей и, как результат, привлечь больше клиентов.
Онтологическая модель системы предупреждения
аварийных ситуаций
Процессы формирования контекстно зависимых решений модулем выявления и предупреждения опасных состояний в процессе вождения и осуществления персона-лизации системы для водителя требуют обеспечения формализации описания текущей ситуации в кабине транспортного средства.
С целью поддержки сформированных сценариев использования системы предупреждения аварийных ситуаций предлагается онтологическая модель, построенная на основе знаний о следующих объектах при помощи четырех высокоуровневых классов: «Водитель» (поведение водителя в кабине ТС), «ТС» (характеристики управления транспортным средством), «Смартфон» (смартфон водителя, объединяющий в себе фронтальную камеру и сенсоры и используемый для обеспечения детектирования опасных состояний водителя) и «ОпасныеСостояния» (состояния усталости и ослабленного внимания, с которыми водитель может столкнуться при управлении транспортным средством). Данная онтологическая модель ориентирована на достижение следующих задач: выявление опасных состояний водителя на основе наблюдаемых и обработанных параметров с фронтальной камеры и сенсоров смартфона; генерация рекомендаций на основе определенных опасных состояний для предотвращения наступления дорожно-транспортных происшествий. Общая схема онтологической модели системы представлена на рис. 2.
Рис. 2. Онтологическая модель системы предупреждения аварийных ситуаций
Онтологическая модель позволяет сопоставить наблюдаемые сигналы поведения водителя и опасные состояния, с которыми он может столкнуться при управлении ТС. Понятие «Водитель» характеризуется и формируется на основе наблюдаемых (класс «НаблюдаемыеПараметры-
Водителя») параметров, непосредственно считываемых с фронтальной камеры (класс «ФронтальнаяКамера») и обработанных (класс «ОбработанныеПараметрыВодителя») параметров в поведении водителя. Наблюдаемые параметры являются первичными значениями с фронтальной
камеры смартфона, которые проходят предварительную обработку, и описывают лицевые характеристики водителя, включая (отношение «являются») в себя такие объекты, как «ГлазаОткрыты», «ГлазаЗакрыты», «СтепеньОт-крытостиРта» и «ПоложениеГоловы». На основе распознанных лицевых характеристик система предупреждения аварийных ситуаций вычисляет (обработанные) параметры, представляющие собой предобработанные сведения о водителе в кабине ТС и используемые в дальнейшем для выявления возможных опасных состояний. К обработанным параметрам относятся (отношение «являются») такие визуальные объекты, как «PERCLOS» [26] (доля времени, в течение которого глаза закрыты), «ЧастотаМоргани-яВек» (частота смыкания век в течение времени), «Про-должительностьМорганияВек» (время мигания век), «По-воротГоловы» (угол поворота головы водителя влево/вправо), «Зевота» (отношение высоты и ширины рта водителя) и «НаклонГоловы» (угол наклона головы водителя вперед/назад).
Другим составляющим классом онтологической модели является «ТС», включающий (отношение «являются») различные параметры и атрибуты управления ТС водителем, формирующиеся на основе наблюдаемых («Наблю-даемыеПараметрыТС») и обработанных («Обработан-ныеПараметрыТС») характеристик движения. Наблюдаемые параметры являются первичными значениями, формирующимися при помощи получаемых данных с сенсоров (класс «Сенсоры», объединяющий (отношение «являются») в себе объекты «Акселерометр» (датчик, измеряющий ускорение и скорость ТС), «Магнитометр» (датчик, измеряющий направление движения ТС), «Гироскоп» (датчик, измеряющий положение ТС в пространстве), «GPS» (датчик, используемый при получении текущей скорости и географического местоположения), «Микрофон» (датчик, вычисляющий уровень звукового сигнала извне), «ДатчикОсвещенности» (датчик, измеряющий уровень освещенности в кабине ТС), каждый из которых соответствует одноименному сенсору) смартфона, включая следующие параметры: «ЛинейноеУскорение», «Ско-ростьДвижения», «УровеньШумаВКабинеТС», «Направ-лениеДвиженияТС», «КоординатыМестоположения» и «СтепеньОсвещенностиВКабинеТС». На основе анализа характеристик движения ТС система предупреждения аварийных ситуаций переходит к обработанным параметрам, используемым при выявлении опасных состояний, а именно: «ПоворотТС» (угол поворота ТС, вычисляемый на основе измерений с гироскопа), «УскорениеТС» и «ТорможениеТС» (ускорение и торможение ТС, определяемое при помощи данных с акселерометра), «Пол-наяОстановкаТС» (остановка ТС фиксируется при скорости движения 0 км/ч), «СредняяСкоростьДвижения-НаУчастке» (определяется на основе данных с GPS и акселерометра), «ГеографическоеМестоположение» и «Го-лосЧеловека» (определение присутствия других людей в кабине ТС помимо водителя по входному аудиосигналу с микрофона). На основе обработанных параметров, описывающих поведение водителя и характеристики движения ТС, система предупреждения аварийных ситуаций принимает решение о присутствии или отсутствии признаков опасного состояния у водителя («ОпасныеСостояния»), к которым относятся (отношение «являются») усталость
(объект «Усталость») и ослабленное внимание (объект «ОслабленноеВнимание»).
Результаты распознавания опасного состояния водителя являются начальной точкой входа для предупреждения водителя и выработки для него контекстно ориентированных рекомендаций. Для оповещения водителя об опасном состоянии и генерации рекомендаций системой предупреждения аварийных ситуаций задействуются информационные оповещения (класс «ИнформационныеОповеще-ния»), включающие (отношение «являются») такие виды уведомлений смартфона, как вибрация (колебания) (класс «Вибрация»), текстовое сообщение (например, отображение на дисплее смартфона) (класс «ТекстовоеСообще-ние») и звуковое уведомление (например, при помощи динамика смартфона) (класс «ЗвуковоеУведомление»). При обнаружении признаков состояния усталости у водителя ему генерируются (отношение «являются») следующие рекомендации (класс «Рекомендации»): выключить радио или музыку, съехать на обочину и отдохнуть или закончить разговор. В случае определения признаков состояния ослабленного внимания у водителя ему предлагаются (отношение «являются») следующие рекомендации: съехать на обочину и отдохнуть, включить радио или музыку, выпить тонизирующий напиток (кофе), начать разговор с пассажиром, напеть мелодию или проветрить салон ТС.
Применение разработанной онтологической модели дает возможность определить метаданные модели предметной области и функциональные возможности системы предупреждения об аварийных ситуациях. Предложенная модель позволит не только достичь семантической инте-роперабельности во взаимодействии отдельных компонентов в системе, но и при необходимости вносить изменения в ее поведение, не перепрограммируя составляющие ее компоненты и модули.
Заключение
На основе анализа подходов к созданию систем активной безопасности разработана сценарная модель, объединившая возможные сценарии использования системы предупреждения аварийных ситуаций на основе поведения водителя в кабине транспортного средства, ориентированные на получение контекстно-ориентированных персонализированных рекомендаций, мониторинг и анализ поездок водителей. В качестве лиц, осуществляющих взаимодействие с системой, выделены водитель с личным транспортным средством, водитель из штата и администратор автопарка, а также представитель страховой компании. Разработанная сценарная модель послужила основой для создания онтологической модели, отличающейся комплексным накоплением и анализом статической и динамической информации о водителе, транспортном средстве, опасных состояниях и смартфоне. Такая модель позволяет сопоставить наблюдаемые и обработанные параметры поведения водителя, характеристики управления транспортным средством и опасные состояния, с которыми водитель может столкнуться при вождении. Онтологическая модель дает возможность объединить эти знания для выработки рекомендаций водителю на основе информации об опасном состоянии и контексте.
Литература
1. Сведения о показателях состояния безопасности дорожного движения. URL: https://stat.gibdd.ru/ (дата обращения: 21.11.2018).
2. Teff B.C. Acute Sleep Deprivation and Risk of Motor Vehicle Crash Involvement // Report, Washington, DC 20005, AAAFoundation.org, December 2016. - 21 p.
3. National Center for Statistics and Analysis. Distracted Driving: 2016 // Traffic Safety Facts Research Note. Report No. DOT HS 812 517, Washington, DC: National Highway Traffic Safety Administration. - April 2018. - 6 p.
4. Современные системы активной безопасности автотранспортных средств (САБ АТС) и перспективы их совершенствования / И.С. Сазонов, В.А. Ким, В.Д. Рогожин, А.М. Михайлюк // Материалы, оборудование и ресурсосберегающие технологии : материалы Международной научно-технической конференции. - 2005. - С. 265266.
5. A study on the causes of rear-end collision based on an analysis of driver behavior / N. Kuge, H. Ueno, H. Ichikawa, K. Ochiai // JSAE Review. - 1995. - Vol. 16. - no. 1. - P. 5560.
6. Зайнеев И.Р., Ерхова О.А. Основные компоненты обеспечения системы активной безопасности современного автомобиля // Актуальные направления научных исследований XXI века: теория и практика. - 2016. - Т. 4. 5-3 (25-3) - С. 236-241.
7. CarTel: A Distributed mobile sensor computing system / V. Bychkovsky, K. Chen, M. Goraczko, H. Hu, B. Hull, A. Miu, E. Shih, Y. Zhang, H. Balakrishnan, S. Madden // InSen-Sys'06. - 2006. - P. 383-384.
8. Smartphone-Based Identification of Dangerous Driving Situations: Algorithms and Implementation / A.V. Smirnov, A.M. Kashevnik, I. Lashkov, O. Baraniuc, V. Parfenov // Proceedings of the 18th Conference of Open Innovations Association FRUCT. - 2016. - P. 306-313.
9. Комплекс программ для навигации мобильных устройств внутри помещений с помощью нейронных сетей / П.А. Новиков, А.Д. Хомоненко, Е.Л. Яковлев // Информационно-управляющие системы. - 2016. - № 1 (80). -С. 32-39.
10. Context-Based Driver Support System Development: Methodology and Case Study / A. Kashevnik, I. Lashkov, V. Parfenov, N.G. Mustafin, O. Baraniuc // Proceedings of the 21st Conference of Open Innovations Association FRUCT. -2017. - P. 162-171.
11. Kutila M. Methods for Machine Vision Based Driver Monitoring Applications // VTT publication series 621. -2006. - 82 p.
12. Комплексная система мониторинга состояния водителя в рейсе / В.В. Дементиенко, И.И. Иванов, Д.В. Мака-ев // Современные проблемы безопасности жизнедеятель-
ности: интеллектуальные транспортные системы : материалы IV Международной научно-практической конференции. - 2016. - C. 191-195.
13. Система мониторинга состояния водителя и безопасность на автомобильном транспорте / Т.Ф. Щербакова, С.С. Седов, И.А. Киртаев, А.М. Вафин // Новые технологии, материалы и оборудование российской авиакосмической отрасли : материалы Всероссийской научно-практической конференции с международным участием. -2016. - С. 763-768.
14. Boucsein W. Electrodermal Activity // Springer Science & Business Media. - Vol. 2. - 2012. - 618 p.
15. Кухарев Г.А., Щеголева Н.Л. Системы распознавания человека по изображению лица. - СПб. : ЛЭТИ, 2006. -175 с.
16. Локализация контуров объектов на изображениях при вариациях масштаба с использованием преобразования Хафа / В. А. Фурсов, С. А. Бибиков, П.Ю. Якимов // Компьютерная оптика. - 2013. - 37(4). С. 496-502.
17. Viola P., Jones M. Robust Real-time Object Detection // International Journal of Computer Vision. - 2004. - Vol. 57, no. 2. - P. 137-154.
18. Rabiner L.R. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition // Proceedings of the IEEE. - Vol. 77, no. 2. - 1989. - P. 257-286.
19. Neural network-based face detection / H. Rowley, S. Baluja, T. Kanade // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1998. - Vol. 20. - P. 22-38.
20. Suykens J., Vandewalle J. Least Squares Support Vector Machine Classifiers // Neural Processing Letters. - 1999. -Vol. 9. Issue 3. - P. 293-300.
21. Detecting driving events using smartphone / C. Saiprasert, T. Pholprasit, W. Pattara-Atikom // Proceedings of the 20th ITS World Congress. - 2013. - 11 p.
22. Zadeh L.A. Fuzzy sets // Information and Control. 1965. - Vol. 8, Issue 3. - Pр. 338-353.
23. Kalsoom R., Halim Z. Clustering the driving features based on data streams // Proceedings of the 2013 16th International Multi Topic Conference, Lahore, Pakistan. - 2013. -Pр. 89-94.
24. Построение модели данных для системы моделирования сетевых атак на основе онтологического подхода / И.В. Котенко, О.В. Полубелова, А. А. Чечулин // Труды СПИИРАН. - Вып. 3 (26). - С. 26-39.
25. Telematics System in Usage Based Motor Insurance / S. Husnjaka, D. Perakovic, I. Forenbacher, M. Mumdzievb // Procedia Engineering. - 2015. - Vol. 100. - P. 816-825.
26. Wierville W. Overview of research on driver drowsiness definition and driver drowsiness detection // Proceedings of the fourteenth international technical conference on enhanced safety of vehicles. - Munich, 1995. - Pр. 462-470.
An Ontology Model for Dangerous Situation Prevention Based on the In-cabin Driver Analysis
I.B. Lashkov SPIIRAS St. Petersburg, Russia igla@iias.spb.su
Abstract. Active safety systems are aimed at improving driver safety and reducing the probability of the traffic accident. Basically, existing active safety systems are limited in adaptation system for a driver, as well as in the use of context and generation of the context-relevant recommendations for taking actions to prevent a traffic accident. To solve this problem, it is proposed to develop the dangerous situation prevention system. Considering this type of systems, the paper presents an ontology model based on the problem domain of the active safety systems and allows to formalize the description of the road situation that can describe the vehicle driver. The model considers the information about driver, vehicle, context, dangerous situations and recommendations. The proposed ontology model will serve as the basis for the creation of the dangerous situation prevention systems focused on monitoring driver behavior.
Keywords: ontology model, scenario model, driver, sensors, vehicle, emergency situation, dangerous state, active safety system, context, recommendations.
References
1. Information on road safety indicators [Svedeniya o pokazatelyakh sostoyaniya bezopasnosti dorozhnogo dvizheniya]. Available at: https://stat.gibdd.ru/ (accessed 21 November 2018).
2. Teff B.C. Acute Sleep Deprivation and Risk of Motor Vehicle Crash Involvement. Report, Washington, DC 20005, AAAFoundation.org, 2016. - 21 p.
3. National Center for Statistics and Analysis. Distracted Driving: 2016. Traffic Safety Facts Research Note. Report No. DOT HS 812 517, Washington, DC: National Highway Traffic Safety Administration, 2018. - 6 p.
4. Modern vehicle active safety systems and prospects for its improvement [Sovremennye sistemy aktivnoy bezopasnosti avtotransportnykh sredstv (SAB ATS) i perspektivy ikh sovershenstvovaniya] / I.S. Sazonov, V.A. Kim, V.D. Rogozhin, A.M. Mikhaylyuk // Materials, equipment and resource-saving technologies. Materials of the international scientific and technical conference [Materialy, oborudovanie i resursosberegayushchie tekhnologii. Materialy mezhdunarodnoy nauchno-tekhnicheskoy konferentsii], 2005, pp. 265-266.
5. A study on the causes of rear-end collision based on an analysis of driver behavior / N. Kuge, H. Ueno, H. Ichikawa, K. Ochiai // JSAE Review, 1995, vol. 16, no. 1, pp. 55-60.
6. Zayneev I.R., Erkhova O.A. The main components of the active safety system of a modern car [Osnovnye kompo-nenty obespecheniya sistemy aktivnoy bezopasnosti sov-
A.M. Kashevnik ITMO University St. Petersburg, Russia alexey@iias.spb.su
remennogo avtomobilya]. Current research areas of the XXI century: theory and practice [Aktual'nye napravleniya nauch-nykh issledovaniy XXI veka: teoriya i praktika], vol. 4, 2016, pp. 236-241.
7. CarTel: A Distributed mobile sensor computing system / V. Bychkovsky, K. Chen, M. Goraczko, H. Hu, B. Hull, A. Miu, E. Shih, Y. Zhang, H. Balakrishnan, S. Madden // InSen-Sys'06, 2006, pp. 383-384.
8. Smartphone-Based Identification of Dangerous Driving Situations: Algorithms and Implementation / A.V. Smirnov, A.M. Kashevnik, I. Lashkov, O. Baraniuc, V. Parfenov // Proceedings of the 18th Conference of Open Innovations Association FRUCT, 2016. - Pp. 306-313.
9. Complex of programs for navigation of mobile devices indoors using neural networks [Kompleks programm dlya nav-igatsii mobil'nykh ustroystv vnutri pomeshcheniy s pomoshch'yu neyronnykh setey] / P.A. Novikov, A.D. Kho-monenko, E.L. Yakovlev // Information and Control Systems [Informatsionno-upravlyayushchie sistemy], 2016, 1 (80), pp. 32-39.
10. Context-Based Driver Support System Development: Methodology and Case Study / A. Kashevnik, I. Lashkov, V. Parfenov, N.G. Mustafin, O. Baraniuc // Proceedings of the 21st Conference of Open Innovations Association FRUCT, 2017, pp. 162-171.
11. Kutila M. Methods for Machine Vision Based Driver Monitoring Applications. VTTpublication series 621, 2006. -82 p.
12. A comprehensive system for monitoring driver state in the trip [Kompleksnaya sistema monitoringa sostoyaniya voditelya v reyse] / V.V. Dementienko, I.I. Ivanov, D.V. Makaev // Modern problems of life safety: intelligent transportation systems. Proceedings of the IV international scientific-practical conference [Sovremennye problemy bezopasnosti zhiznedeyatel'nosti: intellektual'nye transportnye sistemy. Materialy IV mezhdunarodnoy nauchno-prakticheskoy konferentsii], 2016, pp. 191-195.
13. Driver state monitoring system and vehicle safety [Sistema monitoringa sostoyaniya voditelya i bezopasnost' na avtomobil'nom transporte] / T.F. Shcherbakova, S.S. Sedov, I.A. Kirtaev et al. //All-Russian scientific and practical conference with international participation "New technologies, materials and equipment of the Russian aerospace industry" [Vserossiyskaya nauchno-prakticheskaya konferentsiya s mezhdu-narodnym uchastiem «Novye tekhnologii, materialy i oborudovanie rossiyskoy aviakosmicheskoy otrasli»], 2016, pp. 763-768.
14. Boucsein W. Electrodermal Activity. Springer Science & Business Media, vol. 2, 2012. - 618 p.
15. Kukharev G.A., Shchegoleva N.L. Facial recognition systems [Sistemy raspoznavaniya cheloveka po izobrazheniyu litsa]. - SPb. : LETI, 2006, 175 p.
16. Localization of contours of objects on images for variations of a scale using Hough transform is proposed [Loka-lizatsiya konturov ob''ektov na izobrazheniyakh pri vari-atsiyakh masshtaba s ispol'zovaniem preobrazovaniya Khafa] / V.A. Fursov, S.A. Bibikov, P.Yu. Yakimov // Computer optics [Komp'yuternaya optika], 2013, vol. 4, Issue 37, pp. 496-502.
17. Viola P., Jones M. Robust Real-time Object Detection. International Journal of Computer Vision, 2004, vol. 57, no. 2, pp. 137-154.
18. Rabiner L.R. A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition // Proceedings of the IEEE, 1989, vol. 77, no. 2, pp. 257-286.
19. Neural network-based face detection / H. Rowley, S. Baluja, T. Kanade // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, vol. 20, pp. 22-38.
20. Suykens J., Vandewalle J. Least Squares Support Vector Machine Classifiers // Neural Processing Letters, 1999, vol. 9, Issue 3, pp. 293-300.
21. Detecting driving events using smartphone // C. Saiprasert, T. Pholprasit, W. Pattara-Atikom // Proceedings of the 20th ITS World Congress, 2013, p. 11.
22. Zadeh L.A. Fuzzy sets. Information and Control, 1965, vol. 8, Issue 3, pp. 338-353.
23. Kalsoom R., Halim Z. Clustering the driving features based on data streams. Proceedings of the 2013 16th International Multi Topic Conference, Lahore, Pakistan, 2013, pp. 89-94.
24. Building a data model for a network attack modeling system based on the ontological approach [Postroenie modeli dannykh dlya sistemy modelirovaniya setevykh atak na osnove ontologicheskogo podkhoda] / I.V. Kotenko, O.V. Polubelova, A.A. Chechulin // SPIIRAS proceedings [Trudy SPIIRAN], Issue 3, SPb. : Nauka, 2013, pp. 26-39.
25. Telematics System in Usage Based Motor Insurance / S. Husnjaka, D. Perakovic, Forenbacher I., Mumdzievb M. // Procedia Engineering, 2015, vol. 100, pp. 816-825.
26. Wierville W. Overview of research on driver drowsiness definition and driver drowsiness detection // Proceedings of the fourteenth international technical conference on enhanced safety of vehicles. - Munich, 1995, pp. 462-470.
