KI-Algorithmus verbessert die Verkehrssicherheit durch Überwachung der Fahrerbelastung

Forscher der Universität Cambridge haben in Zusammenarbeit mit Jaguar Land Rover (JLR) einen anpassungsfähigen Algorithmus entwickelt, der das Potenzial hat, die Verkehrssicherheit erheblich zu verbessern, indem er vorhersagt, wann Fahrer sicher mit Fahrzeugsystemen interagieren oder Nachrichten während der Fahrt erhalten können. Dieser innovative Ansatz kombiniert Straßentests mit maschinellen Lerntechniken, um die Fahrerbelastung kontinuierlich zu messen, was Echtzeitanpassungen in Reaktion auf sich ändernde Bedingungen und Fahrerverhalten ermöglicht.

Adaptiver Algorithmus für erhöhte Verkehrssicherheit

Der von den Forschern entwickelte Algorithmus ist hochgradig anpassungsfähig und reagiert auf Variationen in der Fahrerbelastung, Straßenbedingungen, Straßentypen und Fahrermerkmalen. Er nutzt eine Kombination aus maschinellem Lernen und Bayes-Filtertechniken, um die Belastung des Fahrers kontinuierlich zu bewerten. Zum Beispiel kann das Fahren in einem unbekannten Gebiet oder im starken Verkehr auf eine höhere Belastung hindeuten, während der tägliche Pendelweg eine niedrigere Belastung anzeigen kann.

Das primäre Ziel dieser Technologie ist es, die Verkehrssicherheit zu verbessern, indem die Interaktionen zwischen Fahrer und Fahrzeug angepasst werden. Zum Beispiel werden Fahrer während Perioden mit niedriger Belastung auf nicht dringende Nachrichten und Benachrichtigungen hingewiesen, sodass sie ihre volle Konzentration auf die Straße während anspruchsvollerer Fahrszenarien aufrechterhalten können.

Die zunehmende Verfügbarkeit von Daten in Fahrzeugen kann ein erheblicher Risikofaktor für die Verkehrssicherheit sein, da sie zu Ablenkungen der Fahrer führen kann. Um dieser Herausforderung zu begegnen, ist es entscheidend, ein System zu haben, das die Belastung des Fahrers kontinuierlich bewertet. Durch das Verständnis des Engagementsgrads des Fahrers und der Straßenbedingungen kann das System priorisieren, wann Informationen oder Warnungen an den Fahrer übermittelt werden, um sicherzustellen, dass dies während Perioden mit niedrigerer Belastung geschieht.

Messung der Fahrerbelastung

Während es bereits Algorithmen gibt, die die Fahrerbelastung mittels Eye-Gaze-Trackern und biometrischer Daten messen, zielten die Forscher von Cambridge darauf ab, einen Ansatz zu entwickeln, der auf leicht verfügbaren Daten jedes Fahrzeugs basiert, insbesondere auf Fahrdynamiksignalen wie Lenk-, Beschleunigungs- und Bremsdaten. Dieser Ansatz ermöglicht die Verarbeitung und Fusion verschiedener unsynchronisierter Datenströme, einschließlich Daten von biometrischen Sensoren, falls verfügbar.

Um die Fahrerbelastung zu messen, führten die Forscher Straßentests mit einer modifizierten Version der Peripheral Detection Task durch. Die Teilnehmer wurden gebeten, einen fingergetragenen Knopf zu drücken, wann immer sie ein Szenario mit niedriger Belastung wahrnahmen, angezeigt durch ein rotes LED-Licht, das in regelmäßigen Abständen auf einem Telefon mit einer Navigations-App blinkte. Videoanalysen und Knopfdaten ermöglichten die Identifizierung von Situationen mit hoher Belastung, wie das Navigieren durch belebte Kreuzungen oder das Auftreten ungewöhnlichen Fahrzeugverhaltens.

Adaptiver maschineller Lernrahmen

Die während der Experimente gesammelten Daten wurden verwendet, um einen überwachten maschinellen Lernrahmen zu entwickeln und zu validieren. Dieser Rahmen profiliert Fahrer basierend auf ihrer durchschnittlichen Belastung und verwendet Bayes-Filtertechniken für die Echtzeitschätzung der momentanen Belastung des Fahrers. Er kombiniert makro- und mikroanalytische Maßnahmen der Belastung, was eine Anpassung an verschiedene Straßentypen, Bedingungen oder Fahrer unter Verwendung desselben Fahrzeugs ermöglicht.

Die Forschungszusammenarbeit mit Jaguar Land Rover (JLR) umfasste das experimentelle Design und die Datenerhebung. Dr. Lee Skrypchuk, Senior Technical Specialist für Mensch-Maschine-Schnittstellen bei JLR, betonte die Bedeutung dieser Forschung für das Verständnis der Auswirkungen des Designs aus Benutzersicht. Sie wird dazu beitragen, Sicherheit und Fahrerlebnisse zu verbessern, indem der Zeitpunkt von Benachrichtigungen und Interaktionen in den Fahrzeugen von JLR optimiert wird.

Stetige Verbesserung der Sicherheit

Durch die Verwendung dieses adaptiven Algorithmus können Fahrzeuge Benachrichtigungen und Interaktionen zu angemessenen Zeiten an Fahrer übermitteln, wodurch das Risiko von Ablenkungen in Situationen mit hoher Belastung reduziert wird. Diese Technologie stellt einen bedeutenden Schritt zur Verbesserung der Verkehrssicherheit dar, indem sichergestellt wird, dass Fahrer sich auf die Straße konzentrieren, insbesondere in anspruchsvollen Fahrsituationen.

Die Forschung an der Universität Cambridge wurde von einem Team von Forschern des Signal Processing and Communications Laboratory (SigProC), Department of Engineering, unter der Aufsicht von Professor Simon Godsill durchgeführt. Angeführt von Dr. Bashar Ahmad bestand das Team aus Nermin Caber und Dr. Jiaming Liang, die alle zum Erfolg des Projekts beitrugen.

In einer Ära zunehmender Konnektivität in Fahrzeugen sind die Überwachung und Anpassung an die Fahrerbelastung für die Verkehrssicherheit unerlässlich. Der innovative Algorithmus, der von der Universität Cambridge in Zusammenarbeit mit Jaguar Land Rover entwickelt wurde, bietet eine vielversprechende Lösung für diese Herausforderung. Durch die Priorisierung der Sicherheit und die Optimierung der Interaktionen zwischen Fahrer und Fahrzeug hat diese Technologie das Potenzial, das gesamte Fahrerlebnis erheblich zu verbessern und gleichzeitig Ablenkungen auf der Straße zu reduzieren.