El algoritmo de IA mejora la seguridad vial monitoreando la carga de trabajo del conductor

Investigadores de la Universidad de Cambridge, en colaboración con Jaguar Land Rover (JLR), han desarrollado un algoritmo adaptable que tiene el potencial de mejorar significativamente la seguridad vial al predecir cuándo los conductores pueden interactuar de forma segura con los sistemas del vehículo o recibir mensajes mientras conducen. Este enfoque innovador combina experimentos en carretera con técnicas de aprendizaje automático para medir continuamente la carga de trabajo del conductor, permitiendo ajustes en tiempo real en respuesta a las condiciones cambiantes y el comportamiento del conductor.

Algoritmo adaptable para una mayor seguridad vial

El algoritmo desarrollado por los investigadores es altamente adaptable y capaz de responder a las variaciones en la carga de trabajo del conductor, las condiciones de la carretera, los tipos de carretera y las características del conductor. Utiliza una combinación de técnicas de aprendizaje automático y filtrado bayesiano para evaluar continuamente la carga de trabajo del conductor. Por ejemplo, conducir en un área desconocida o en un tráfico denso puede indicar una mayor carga de trabajo, mientras que un viaje diario puede significar una carga de trabajo menor.

El objetivo principal de esta tecnología es mejorar la seguridad vial personalizando las interacciones entre el conductor y el vehículo. Por ejemplo, los conductores son alertados sobre mensajes y notificaciones no urgentes durante los períodos de baja carga de trabajo, asegurando que puedan mantener toda su concentración en la carretera durante escenarios de conducción más exigentes.

La creciente disponibilidad de datos dentro de los vehículos tiene el potencial de ser un factor de riesgo importante para la seguridad vial, ya que puede llevar a distracciones para los conductores. Para abordar este desafío, es crucial tener un sistema en su lugar para evaluar continuamente la carga de trabajo del conductor. Al comprender el nivel de compromiso del conductor y las condiciones de la carretera, el sistema puede priorizar cuándo presentar información o alertas al conductor, asegurando que ocurra durante períodos de menor carga de trabajo.

Medición de la carga de trabajo del conductor

Aunque existen algoritmos existentes que miden la demanda del conductor utilizando rastreadores de mirada ocular y datos biométricos, los investigadores de Cambridge tuvieron como objetivo desarrollar un enfoque que dependa de datos fácilmente disponibles de cualquier vehículo, específicamente señales de rendimiento de conducción como datos de dirección, aceleración y frenado. Este enfoque permite el consumo y la fusión de varias fuentes de datos no sincronizadas, incluidos datos de sensores biométricos si están disponibles.

Para medir la carga de trabajo del conductor, los investigadores realizaron experimentos en carretera utilizando una versión modificada de la Tarea de Detección Periférica. Se pidió a los participantes que presionaran un botón usado en el dedo siempre que percibieran un escenario de baja carga de trabajo, indicado por una luz LED roja parpadeando a intervalos regulares en un teléfono que mostraba una aplicación de navegación. El análisis de video y los datos del botón permitieron identificar situaciones de alta carga de trabajo, como navegar por cruces ocupados o encontrar un comportamiento vehicular inusual.

Marco de aprendizaje automático adaptable

Los datos recopilados durante los experimentos se utilizaron para desarrollar y validar un marco de aprendizaje automático supervisado. Este marco perfila a los conductores en función de su carga de trabajo promedio y emplea técnicas de filtrado bayesiano para la estimación en tiempo real de la carga de trabajo instantánea del conductor. Combina medidas macro y micro de la carga de trabajo, permitiendo la adaptación a diferentes tipos de carretera, condiciones o conductores utilizando el mismo vehículo.

La colaboración de investigación con Jaguar Land Rover (JLR) involucró el diseño experimental y la recopilación de datos. Dr. Lee Skrypchuk, Especialista Técnico Senior de Interfaz Humano-Máquina de JLR, enfatizó la importancia de esta investigación para comprender el impacto del diseño desde una perspectiva de usuario. Esto ayudará a mejorar la seguridad y las experiencias de conducción optimizando el momento de las notificaciones e interacciones dentro de los vehículos de JLR.

Mejora continua de la seguridad

Al utilizar este algoritmo adaptativo, los vehículos pueden enviar notificaciones e interacciones a los conductores en los momentos adecuados, reduciendo el riesgo de distracciones durante escenarios de alta carga de trabajo. Esta tecnología representa un paso significativo hacia la mejora de la seguridad vial, asegurando que los conductores mantengan la atención en la carretera, especialmente en situaciones de conducción exigentes.

La investigación en la Universidad de Cambridge fue realizada por un equipo de investigadores del Laboratorio de Procesamiento de Señales y Comunicaciones (SigProC), del Departamento de Ingeniería, bajo la supervisión del profesor Simon Godsill. Liderado por el Dr. Bashar Ahmad, el equipo incluía a Nermin Caber y al Dr. Jiaming Liang, quienes contribuyeron al éxito del proyecto.

En una era de creciente conectividad dentro de los vehículos, monitorear y adaptarse a la carga de trabajo del conductor es esencial para la seguridad vial. El innovador algoritmo desarrollado por la Universidad de Cambridge, en colaboración con Jaguar Land Rover, ofrece una solución prometedora a este desafío. Al priorizar la seguridad y optimizar las interacciones entre el conductor y el vehículo, esta tecnología tiene el potencial de mejorar significativamente la experiencia general de conducción mientras reduce las distracciones en la carretera.