Alle vet om farene ved å kjøre i påvirket tilstand eller sende tekstmeldinger mens man kjører. Det er imidlertid ikke mye oppmerksomhet rettet mot døsighet. I 2019 var tretthet i førere årsaken til 697 dødsfall i USA – som var 1.9 % av det totale antallet dødsfall i trafikken det året.
Tretthet hos sjåfører kan være dødelig, men det kan forebygges. En god natts søvn og å unngå alkohol før man kjører kan redusere ulykker. Teknologi kan også bidra til å oppdage og forhindre dødsfall på grunn av tretthet hos sjåfører. Så la oss snakke om teknologien som advarer sjåføren om tretthet og tretthet.
Hva er DDS?
System for deteksjon av døsighet hos førere (DDS) er en del av kjøretøysikkerhetsteknologi som fungerer på en algoritme som oppdager endringer i førerens kjøreatferd, for eksempel uberegnelige hjulbevegelser, filavvik, problemer med å holde øynene åpne og konstant gjesping, og mer.
Noen systemer varsler sjåføren om å ta en pause ved hjelp av lydvarsler, mens noen viser et kaffesymbol, og noen biler har til og med førersetene vibrerer.
Hvordan fungerer DDS?
DDS fungerer ved å registrere rattets oppførsel fra reisen starter og holde oversikt over førerens tretthetsnivå gjennom hele turen.
Den AI-baserte algoritmen kommer opp med en verdi ved å beregne hyppigheten av plutselige bevegelser, tidspunktet på dagen, kjørelengden, avvik fra kjørefeltmarkeringer og hyppigheten av å treffe rumlestripen. Hvis nevnte verdi er over et visst nivå, blinker systemet med et kaffekoppsymbol på bilens instrumentpanel, noe som indikerer at føreren trenger en pause.
Sjåføren overvåkes kontinuerlig for å bestemme tretthetsnivået ved hjelp av et infrarødt kamera som vender mot sjåføren. Maskinlærings- og ansiktsgjenkjenningsalgoritmer bestemmer nøyaktig tretthet ved å spore sjåførens ansiktstrekk, hodebevegelser , blunking og øyebevegelser.
Eksempler fra den virkelige verden
Systemet for registrering av døsighet i føreren har blitt brukt i noen år nå. Noen av de største bilprodusentene som er interessert i å overvåke førerens oppmerksomhet er Mercedes-Benz, Volvo og Land Rover.
Mercedes-Benz sin 'Attention Assist' er en eksklusiv teknologi tilgjengelig på enkelte Benz-biler som overvåker sjåførenes kjørevaner og varsler dem ved hjelp av visuelle og akustiske advarsler når de oppdager uoppmerksomhet eller tretthet.
Land Rover har også sitt Driver Condition Monitor-system, som har en serie sensorer som registrerer sjåførens ansikts- og øyebevegelser for å identifisere om sjåføren er uoppmerksom, distrahert eller sliten.
Volvos «Driver Alert», eller DAC-funksjonen, overvåker nøyaktig hvordan kjøretøyet kjøres. For eksempel varsler den føreren når kjøretøyet kjøres ukontrollert ved hjelp av et førerdisplay, et akustisk signal og en tekstmelding som ber føreren om å ta en tepause.
I motsetning til noen andre systemer overvåker ikke Volvos Driver Alert førerens tretthetsnivå, men ser nøye på kjøretøyets drift.
Fordeler og begrensninger med Driver Drowsiness Detection-systemet
Det er mange fordeler med DDS, og den første fordelen vi tenker på er kanskje en reduksjon av dødsulykker forårsaket på grunn av sjåførtrøtthet.
Med et system som kan gi varsler om filskifte , er det mulig å unngå større ulykker og redde livene til sjåføren, medpassasjerene og fotgjengere.
Systemets nøyaktighet ligger i effektiv trening av algoritmen ved hjelp av en samling bilder. Det er imidlertid umulig å utvikle en robust DDS hvis øyerammene ikke fanges opp riktig, og systemet ikke er trent på store datasett. Dessuten kan lokalisering på øyet bli vanskelig hvis føreren bruker hindringer som vernebriller eller luer.
Viktigheten av opplæringsdata for å bygge DDS-modeller
Konsekvensene av døsig kjøring kan være farlige for alle på veien. En døsig sjåfør bruker tid på å fokusere, reagerer sakte og kan ikke bedømme hastigheter og avstander.
En døsig sjåfør er ikke alltid en som ikke har fått nok søvn. Derfor er det viktig å utvikle et verktøy for å varsle trøtte sjåfører om forestående fare. Du må ha nok datasett til å trene maskinlærings- og ansiktsgjenkjenningsmodellen for å gjøre dette mulig.
For å trene en DDS-modell nøyaktig, trenger du en omfattende samling av treningsdatasett (som inneholder både døsige og ikke-døsige bilder av mennesker) som kan hjelpe med å plassere ansikts landemerker på bilder. Denne metoden hjelper systemet med å identifisere sjåførenes ansiktstrekk i sanntidsscenarier.
I tillegg, siden systemet er spesielt interessert i øynene, presenteres koordinater for øynene, som vil hjelpe til med å oppdage blinkende og øyeåpnende verdier.
Datasett som inneholder bilder som kan hjelpe systemet med å gjenkjenne gjesping bør også inkluderes. I tillegg til blinkdeteksjon er gjesping også en kritisk parameter som systemet må lære for å varsle en advarsel til sjåføren. En maskinlæringsmodell kan bygges ved hjelp av nøyaktig merkede datasett og dyplæringsmetoder.
Behovet for et nøyaktig system for registrering av døsighet i førere fortsetter å vokse. Bedrifter ser etter svært pålitelige treningsdatasett som kan brukes til å trene maskinlæringsmodellene sine.
Når pålitelighet og variasjon i datasett er nødvendig, foretrekker mange ledende teknologileverandører Shaip. Shaip har vært sentral i utviklingen av avanserte DDS-modeller med varierte datasett, bildemerking av høy kvalitet og annotering. Har du en banebrytende DDS-applikasjon i tankene? Ta kontakt med Shaip, og utforsk varierte treningsdatasett til konkurransedyktige priser.
