L'algoritmo AI migliora la sicurezza stradale monitorando il carico di lavoro del conducente

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 mentre guidano. Questo approccio innovativo combina esperimenti su strada con tecniche di machine learning per misurare continuamente il carico di lavoro del conducente, consentendo regolazioni in tempo reale in risposta a condizioni mutevoli 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, alle condizioni stradali, ai tipi di strada e alle caratteristiche del conducente. Utilizza una combinazione di tecniche di machine learning e filtraggio bayesiano per valutare continuamente il carico di lavoro del conducente. Ad esempio, la guida in un'area sconosciuta o in un traffico intenso può indicare un carico di lavoro più elevato, mentre un pendolarismo quotidiano può significare un carico di lavoro inferiore.

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, assicurando che possano mantenere la piena concentrazione sulla strada durante scenari di guida più impegnativi.

La crescente disponibilità di dati all'interno dei veicoli potrebbe essere un importante fattore di rischio per la sicurezza stradale, poiché può portare a distrazioni per i conducenti. Per affrontare questa sfida, è fondamentale disporre di un sistema in grado di valutare continuamente il carico di lavoro del conducente. Comprendendo il livello di coinvolgimento del conducente e le condizioni stradali, il sistema può prioritizzare quando presentare informazioni o avvisi al conducente, assicurando che ciò avvenga durante periodi di carico di lavoro inferiore.

Misurazione del carico di lavoro del conducente

Sebbene esistano algoritmi esistenti che misurano la domanda del conducente utilizzando tracker del movimento oculare e dati biometrici, i ricercatori di Cambridge hanno mirato a sviluppare un approccio che si affidi a dati facilmente disponibili da qualsiasi veicolo, in particolare segnali di guida come dati di sterzo, accelerazione e frenata. Questo approccio consente il consumo e la fusione di vari flussi di dati non sincronizzati, inclusi i dati dei 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 che visualizzava un'app di navigazione. L'analisi video e i dati del pulsante hanno consentito l'identificazione di situazioni ad alto carico di lavoro, come la navigazione in incroci trafficati o l'incontro con comportamenti insoliti dei veicoli.

Framework di machine learning adattivo

I dati raccolti durante gli esperimenti sono stati utilizzati per sviluppare e convalidare un framework di machine learning supervisionato. Questo profilo i conducenti in base al loro carico di lavoro medio e utilizza tecniche di filtraggio bayesiano per la 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 coinvolto la progettazione sperimentale e la raccolta dei dati. Dr. Lee Skrypchuk, Senior Technical Specialist di Human Machine Interface di JLR, ha sottolineato l'importanza di questa ricerca per comprendere l'impatto del design da una prospettiva utente. Aiuterà a migliorare la sicurezza e le esperienze di guida ottimizzando il timing delle notifiche e delle interazioni all'interno dei veicoli JLR.

Miglioramento continuo della sicurezza

Utilizzando questo algoritmo adattivo, i veicoli possono fornire notifiche e interazioni ai conducenti nei momenti appropriati, riducendo il rischio di distrazioni durante scenari ad alto carico di lavoro. Questa tecnologia rappresenta un passo significativo verso il miglioramento della sicurezza stradale, assicurando che i conducenti rimangano concentrati sulla strada, specialmente 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), Dipartimento di Ingegneria, sotto la supervisione del Professor Simon Godsill. Guidato dal Dr. Bashar Ahmad, il team includeva Nermin Caber e il Dr. Jiaming Liang, che hanno tutti contribuito al successo del progetto.

In un'era di connettività crescente all'interno dei veicoli, il monitoraggio e l'adattamento al carico di lavoro del conducente sono essenziali per la sicurezza stradale. L'algoritmo innovativo sviluppato dall'Università di Cambridge, in collaborazione con Jaguar Land Rover, offre una soluzione promettente a questa sfida. Prioritizzando la sicurezza e ottimizzando le interazioni tra conducente e veicolo, questa tecnologia ha il potenziale per migliorare significativamente l'esperienza di guida complessiva riducendo le distrazioni sulla strada.