I ricercatori dell'Università di Cambridge, in collaborazione con Jaguar Land Rover (JLR), hanno sviluppato un algoritmo adattabile che ha il potenziale per migliorare significativamente la sicurezza stradale prevedendo quando i conducenti possono interagire in sicurezza con i sistemi di bordo o ricevere messaggi durante la guida. Questo approccio innovativo combina esperimenti su strada con tecniche di apprendimento automatico per misurare costantemente il carico di lavoro del conducente, consentendo adattamenti in tempo reale in risposta alle mutevoli condizioni e al comportamento del conducente.
Algoritmo adattivo per una maggiore sicurezza stradale
L'algoritmo sviluppato dai ricercatori è altamente adattabile e in grado di rispondere alle variazioni del carico di lavoro del conducente, delle condizioni stradali, della tipologia di strada e delle caratteristiche del conducente. Utilizza una combinazione di apprendimento automatico e tecniche di filtraggio bayesiano per valutare costantemente il carico di lavoro del conducente. Ad esempio, guidare in una zona sconosciuta o in condizioni di traffico intenso può indicare un carico di lavoro maggiore, mentre un tragitto giornaliero per andare al lavoro può indicare un carico di lavoro minore.
L'obiettivo principale di questa tecnologia è migliorare la sicurezza stradale personalizzando le interazioni tra conducente e veicolo. Ad esempio, i conducenti vengono avvisati di messaggi e notifiche non urgenti durante i periodi di basso carico di lavoro, garantendo loro di mantenere la massima concentrazione sulla strada anche durante gli scenari di guida più impegnativi.
La crescente disponibilità di dati all'interno dei veicoli può rappresentare un importante fattore di rischio per la sicurezza stradale, in quanto può causaretracai conducenti. Per affrontare questa sfida, è fondamentale disporre di un sistema in grado di valutare costantemente il carico di lavoro del conducente. Comprendendo il livello di coinvolgimento del conducente e le condizioni stradali, il sistema può stabilire la priorità di presentazione di informazioni o avvisi al conducente, garantendo che ciò avvenga nei periodi di minore carico di lavoro.
Misurazione del carico di lavoro del conducente
Sebbene esistano algoritmi che misurano la domanda del conducente utilizzando tracdello sguardo e dati biometrici, i ricercatori di Cambridge hanno mirato a sviluppare un approccio che si basa su dati facilmente reperibili da qualsiasi veicolo, in particolare segnali relativi alle prestazioni di guida come dati di sterzo, accelerazione e frenata. Questo approccio consente l'utilizzo e la fusione di vari flussi di dati non sincronizzati, inclusi i dati provenienti da sensori biometrici, se disponibili.
Per misurare il carico di lavoro del conducente, i ricercatori hanno condotto esperimenti su strada utilizzando una versione modificata del Peripheral Detection Task. Ai partecipanti è stato chiesto di premere un pulsante indossato sul dito ogni volta che percepivano uno scenario di basso carico di lavoro, indicato da una luce LED rossa che lampeggiava a intervalli regolari su un telefono con un'app di navigazione. L'analisi video e i dati dei pulsanti hanno permesso didentsituazioni di carico di lavoro elevato, come la guida in incroci trafficati o il rilevamento di comportamenti insoliti del veicolo.
Framework di apprendimento automatico adattivo
I dati raccolti durante gli esperimenti sono stati utilizzati per sviluppare e validare un framework di apprendimento automatico supervisionato. Questo framework profila i conducenti in base al loro carico di lavoro medio e impiega tecniche di filtraggio bayesiano per una stima in tempo reale del carico di lavoro istantaneo del conducente. Combina misure macro e micro del carico di lavoro, consentendo l'adattamento a diversi tipi di strada, condizioni o conducenti che utilizzano lo stesso veicolo.
La collaborazione di ricerca con Jaguar Land Rover (JLR) ha comportato la progettazione sperimentale e la raccolta di dati. Il Dott. Lee Skrypchuk, Senior Technical Specialist dell'interfaccia uomo-macchina di JLR, ha sottolineato l'importanza di questa ricerca per comprendere l'impatto del design dal punto di vista dell'utente. Contribuirà a migliorare la sicurezza e l'esperienza di guida ottimizzando la tempistica delle notifiche e delle interazioni all'interno dei veicoli JLR.
Miglioramento continuo della sicurezza
Utilizzando questo algoritmo adattivo, i veicoli possono inviare notifiche e interazioni ai conducenti al momento opportuno, riducendo il rischio ditracdurante gli scenari di carico di lavoro elevato. Questa tecnologia rappresenta un passo significativo verso il miglioramento della sicurezza stradale, garantendo che i conducenti rimangano concentrati sulla strada, soprattutto in situazioni di guida impegnative.
La ricerca presso l'Università di Cambridge è stata condotta da un team di ricercatori del Signal Processing and Communications Laboratory (SigProC) del Dipartimento di Ingegneria, sotto la supervisione del Professor Simon Godsill. Guidato dal Dott. Bashar Ahmad, il team includeva Nermin Caber e il Dott. Jiaming Liang, che hanno tutti contribuito al successo del progetto.
In un'era di crescente connettività all'interno dei veicoli, il monitoraggio e l'adattamento al carico di lavoro del conducente sono essenziali per la sicurezza stradale. L'innovativo algoritmo sviluppato dall'Università di Cambridge, in collaborazione con Jaguar Land Rover, offre una soluzione promettente a questa sfida. Dando priorità alla sicurezza e ottimizzando le interazioni tra conducente e veicolo, questa tecnologia ha il potenziale per migliorare significativamente l'esperienza di guida complessiva, riducendo al contempo letracsulla strada.
