Pesquisadores da Universidade de Cambridge, em colaboração com a Jaguar Land Rover (JLR), desenvolveram um algoritmo adaptável com potencial para melhorar significativamente a segurança rodoviária, prevendo quando os motoristas podem interagir com segurança com os sistemas do veículo ou receber mensagens enquanto dirigem. Essa abordagem inovadora combina experimentos em vias públicas com técnicas de aprendizado de máquina para medir continuamente a carga de trabalho do motorista, permitindo ajustes em tempo real em resposta às mudanças nas condições e no comportamento do condutor.
Algoritmo adaptativo para maior segurança rodoviária
O algoritmo desenvolvido pelos pesquisadores é altamente adaptável e capaz de responder a variações na carga de trabalho do motorista, nas condições da estrada, nos tipos de vias e nas características do condutor. Ele utiliza uma combinação de técnicas de aprendizado de máquina e filtragem Bayesiana para avaliar continuamente a carga de trabalho do motorista. Por exemplo, dirigir em uma área desconhecida ou em trânsito intenso pode indicar uma carga de trabalho maior, enquanto o trajeto diário para o trabalho pode significar uma carga de trabalho menor.
O principal objetivo dessa tecnologia é aprimorar a segurança viária por meio da personalização das interações entre motorista e veículo. Por exemplo, os motoristas são alertados sobre mensagens e notificações não urgentes durante períodos de baixa demanda de trabalho, garantindo que possam manter total concentração na estrada em situações de direção mais exigentes.
A crescente disponibilidade de dados dentro dos veículos tem o potencial de se tornar um fator de risco importante para a segurança rodoviária, pois pode levar atracpara os motoristas. Para enfrentar esse desafio, é crucial ter um sistema em funcionamento para avaliar continuamente a carga de trabalho do motorista. Ao compreender o nível de atenção do motorista e as condições da estrada, o sistema pode priorizar o momento de apresentar informações ou alertas ao motorista, garantindo que isso ocorra durante períodos de menor carga de trabalho.
Medição da carga de trabalho do motorista
Embora já existam algoritmos que medem a demanda do motorista usando tracoculares e dados biométricos, os pesquisadores de Cambridge buscaram desenvolver uma abordagem que se baseie em dados facilmente disponíveis de qualquer veículo, especificamente sinais de desempenho de direção, como dados de direção, aceleração e frenagem. Essa abordagem permite o consumo e a fusão de vários fluxos de dados não sincronizados, incluindo dados de sensores biométricos, se disponíveis.
Para medir a carga de trabalho do motorista, os pesquisadores realizaram experimentos em vias públicas usando uma versão modificada da Tarefa de Detecção Periférica. Os participantes foram instruídos a pressionar um botão preso ao dedo sempre que percebessem uma situação de baixa carga de trabalho, indicada por uma luz LED vermelha piscando em intervalos regulares em um telefone exibindo um aplicativo de navegação. A análise de vídeo e os dados do botão permitiram adentde situações de alta carga de trabalho, como navegar por cruzamentos movimentados ou encontrar comportamentos incomuns de outros veículos.
Estrutura adaptativa de aprendizado de máquina
Os dados coletados durante os experimentos foram usados para desenvolver e validar uma estrutura de aprendizado de máquina supervisionado. Essa estrutura cria perfis de motoristas com base em sua carga de trabalho média e emprega técnicas de filtragem Bayesiana para estimar em tempo real a carga de trabalho instantânea do motorista. Ela combina medidas macro e micro de carga de trabalho, permitindo a adaptação a diferentes tipos de estrada, condições ou motoristas que utilizam o mesmo veículo.
A colaboração em pesquisa com a Jaguar Land Rover (JLR) envolveu o planejamento experimental e a coleta de dados. O Dr. Lee Skrypchuk, Especialista Técnico Sênior em Interface Homem-Máquina da JLR, enfatizou a importância desta pesquisa para a compreensão do impacto do design sob a perspectiva do usuário. Ela ajudará a aprimorar a segurança e a experiência de direção, otimizando o momento das notificações e interações nos veículos da JLR.
Melhoria contínua em segurança
Ao utilizar esse algoritmo adaptativo, os veículos podem enviar notificações e interações aos motoristas em momentos apropriados, reduzindo o risco detracem situações de alta carga de trabalho. Essa tecnologia representa um avanço significativo para a melhoria da segurança viária, garantindo que os motoristas permaneçam concentrados na estrada, especialmente em situações de direção exigentes.
A pesquisa na Universidade de Cambridge foi conduzida por uma equipe de pesquisadores do Laboratório de Processamento de Sinais e Comunicações (SigProC), do Departamento de Engenharia, sob a supervisão do Professor Simon Godsill. Liderada pelo Dr. Bashar Ahmad, a equipe incluiu Nermin Caber e o Dr. Jiaming Liang, que contribuíram para o sucesso do projeto.
Em uma era de crescente conectividade nos veículos, o monitoramento e a adaptação à carga de trabalho do motorista são essenciais para a segurança viária. O algoritmo inovador desenvolvido pela Universidade de Cambridge, em colaboração com a Jaguar Land Rover, oferece uma solução promissora para esse desafio. Ao priorizar a segurança e otimizar as interações entre motorista e veículo, essa tecnologia tem o potencial de aprimorar significativamente a experiência de direção como um todo, reduzindo astracna estrada.
