Fahrer­safer­heit durch Aufmerksamkeitsüberwachung verbessern

Visuelle Auffälligkeitserkennung ist eine Methode, um zu verstehen, was unsere Aufmerksamkeit in der Umgebung auf sich zieht. In den letzten Jahren haben sich Forscher im Automobilbereich dafür interessiert, wie wir beim Fahren Aufmerksamkeit schenken. Beim Fahren konzentrieren sich die Menschen natürlicherweise auf bestimmte Objekte, was ihnen hilft, sicher auf der Strasse zu bleiben. Dieser Artikel behandelt ein System, das darauf abzielt, die Sicherheit der Fahrer zu verbessern, indem es eine Methode zur Überwachung der Drowsiness mit einer Methode zur Analyse der Fahrumgebung kombiniert.

#Überwachung von Drowsiness und Aufmerksamkeit

Drowsiness kann ein erhebliches Risiko für Unfälle auf der Strasse darstellen. Viele Studien haben untersucht, wie man die Wachsamkeit eines Fahrers überwachen kann. Forscher haben einen Zusammenhang zwischen Aufmerksamkeit und Herzaktivität gefunden, die durch die Herzfrequenzvariabilität (HRV) gemessen wird. Durch die Analyse der HRV können wir verstehen, wie wachsam ein Fahrer ist. Es ist jedoch wichtig, die Fahrbedingungen zu berücksichtigen, wenn man die Aufmerksamkeit misst. Niedrig frequentierte und langsame Situationen erfordern weniger geistige Anstrengung als risikoreiche Szenarien wie Überholmanöver.

Um die Aufmerksamkeit besser zu bewerten, kombiniert dieses System die visuelle Analyse der Fahrumgebung mit der physiologischen Überwachung des Fahrers. Ziel ist es, sich auf wichtige Merkmale in der Fahrumgebung zu konzentrieren und gleichzeitig die Wachsamkeit des Fahrers im Auge zu behalten. Mit diesem kombinierten Ansatz wird die Rechenlast verringert und die Leistung verbessert.

#Verwandte Arbeiten

Viele Studien haben sich mit Möglichkeiten beschäftigt, die Aufmerksamkeit eines Fahrers zu überwachen und Verkehrssituationen zu analysieren. Einige Forscher haben Elektrocardiografie (EKG) verwendet, um die Herzaktivität zu messen und Drowsiness zu bestimmen. Das Erfassen des EKG-Signals erfordert jedoch mehrere Sensoren am Körper des Fahrers, was unpraktisch sein kann. Um dies zu lösen, haben andere begonnen, die Photoplethysmographie (PPG) zu verwenden, die nur einen Kontaktpunkt benötigt, um Daten zu sammeln.

Eine andere Studie untersuchte den Zusammenhang zwischen PPG-Signalen und Fahrermüdigkeit, was erfolgreich war. Forscher haben auch verschiedene Algorithmen verwendet, um Herzfrequenzen und Augenbewegungen zu analysieren, um die Aufmerksamkeitsfähigkeit des Fahrers zu bewerten. Trotz der Fortschritte in der Technologie gibt es weiterhin Herausforderungen, insbesondere in Bezug auf verschiedene Umweltfaktoren, die die Leistung von Bildverarbeitungssystemen beeinflussen können.

#Aufmerksamkeitsüberwachungssystem

Das Herzstück dieses Systems ist die Komponente zur Aufmerksamkeitsüberwachung, die das PPG-Signal vom Fahrer erfasst. PPG-Signale geben uns Einblicke in die Herzaktivität, die den Gesamtzustand des Körpers und die Wachsamkeit widerspiegeln kann. Sie bestehen aus zwei Teilen: einem AC-Signal, das mit den Herzschlägen korreliert, und einem DC-Signal, das leichte Veränderungen durch Atmung und andere Faktoren anzeigt.

Um das PPG-Signal zu erfassen, strahlt ein Gerät Licht auf die Haut und misst, wie viel Licht reflektiert wird. Dieser Prozess ermöglicht es dem System, Veränderungen im Blutvolumen in Zusammenhang mit Herzschlägen zu erkennen. Das Gerät ist benutzerfreundlich gestaltet, sodass der Fahrer es leicht während der Fahrt verwenden kann.

Mehrere PPG-Sensoren sind am Lenkrad angebracht, sodass der Fahrer seine Hand über einen legen kann, um Daten zu sammeln. Das rohe PPG-Signal wird mit spezieller Software verarbeitet, was zu einem bereinigten Signal führt, das bereit für die Analyse ist.

#Deep Learning und Signalverarbeitung

Die verarbeiteten PPG-Signale durchlaufen eine erweiterte Analyse mit Hilfe von Deep-Learning-Methoden. Ein eindimensionales temporales Faltungsnetzwerk wird verwendet, um die PPG-Daten zu interpretieren und den Aufmerksamkeitsgrad des Fahrers zu bestimmen. Die Ausgabe dieses Systems ist ein Wert zwischen 0 und 1, der zeigt, wie wachsam oder schläfrig der Fahrer ist.

Darüber hinaus umfasst das System eine Videoanalyse-Komponente, die die Fahrszene mit einer automobiltauglichen Kamera aufnimmt. Ein Deep-Learning-Modell verarbeitet die Videoframes, um Objekte zu identifizieren und eine Auffälligkeitskarte zu erstellen, die zeigt, was in der Szene am wichtigsten ist. Die Auffälligkeitskarte hilft dem System, die Aufmerksamkeitsbedürfnisse des Fahrers basierend auf der Umgebung zu verstehen.

Dieser duale Ansatz, der PPG-Analyse und Szenenauffälligkeit kombiniert, ermöglicht es dem System zu bewerten, ob der Fahrer ausreichend auf seine Umgebung achtet.

#Kombinieren von Aufmerksamkeitsdaten

Der Aufmerksamkeitsanalysator des Fahrers kombiniert Informationen aus dem PPG-System und der Auffälligkeitskarte. Dadurch kann das System den Aufmerksamkeitsgrad des Fahrers mit den Bedürfnissen der Verkehrssituation in Einklang bringen. Wenn die Auffälligkeitskarte auf eine komplexe oder risikobehaftete Situation hinweist, der Aufmerksamkeitswert des Fahrers aber niedrig ist, wird der Fahrer durch ein akustisches Signal gewarnt.

Um die Effektivität zu gewährleisten, werden die Schwellenwerte zur Bestimmung niedriger und hoher Aufmerksamkeitslevel während der Trainingsphase kalibriert. Dadurch kann das System die Leistung basierend auf realen Fahrbedingungen maximieren und eine angemessene Reaktion auf verschiedene Szenarien sicherstellen.

#Experimentelle Ergebnisse

Dieses System wurde mit einem Datensatz getestet, der verschiedene Verkehrssituationen enthielt. Videoaufnahmen wurden mit einer hochauflösenden Kamera gemacht, die unterschiedliche Szenarien festhielten, die unterschiedliche Aufmerksamkeit erforderten. Insgesamt wurden während der Experimente Daten von 43 Probanden gesammelt, um ein breites Spektrum an Fahrerfahrungen und Aufmerksamkeitsniveaus abzudecken.

Die gesammelten Daten wurden in Trainings- und Testsets aufgeteilt, um das Aufmerksamkeitsüberwachungssystem effektiv zu trainieren. Die Ergebnisse zeigen, dass die Kombination des PPG-Signals mit der Auffälligkeitskarte erfolgreich bei der Beurteilung der Wachsamkeit des Fahrers ist. Das System kann die Aufmerksamkeitslevels des Fahrers effektiv mit den Anforderungen des Fahrens vergleichen und so die Sicherheit verbessern.

In Szenarien, in denen das Aufmerksamkeitslevel des Fahrers niedrig war, während die Verkehrssituation komplex war, hat das System rechtzeitig gewarnt. Diese Funktionalität ist entscheidend, um Unfälle durch Müdigkeit oder Ablenkung zu verhindern.

#Fazit

Die Ergebnisse dieser Studie zeigen das Potenzial eines kombinierten Ansatzes zur Überwachung der Fahrermüdigkeit und zur Verbesserung der Sicherheit. Indem es sich auf das leicht zugängliche PPG-Signal stützt und die Fahrszene nach auffälligen visuellen Elementen analysiert, bietet dieses System eine proaktive Lösung zur Bekämpfung von Drowsiness.

Die Abhängigkeit des Systems von einem einfachen, aber effektiven Design ermöglicht es, ohne komplexe Hardware oder umfangreiche Rechenressourcen zu funktionieren. Das macht es nicht nur praktisch für den Einsatz in der realen Welt, sondern auch leicht integriert in verschiedene Automobilsysteme.

Zukünftige Arbeiten werden die Fähigkeiten des Systems erweitern, indem sie vielfältigere Daten sammeln und die Anpassungsfähigkeit an verschiedene Verkehrssituationen verbessern. Das Ziel ist es, ein robustes und effektives Fahrerassistenzsystem zu schaffen, das sicherere Fahrerlebnisse für alle auf der Strasse gewährleistet.