Algoritmo de IA Melhora a Segurança Viária Monitorando a Carga de Trabalho dos Motoristas

Pesquisadores da Universidade de Cambridge, em colaboração com a Jaguar Land Rover (JLR), desenvolveram um algoritmo adaptável que tem o potencial de melhorar significativamente a segurança rodoviária, prevendo quando os motoristas podem interagir com segurança com os sistemas do veículo ou receber mensagens enquanto dirigem. Esta abordagem inovadora combina experimentos em estradas com técnicas de aprendizado de máquina para medir continuamente a carga de trabalho do motorista, permitindo ajustes em tempo real em resposta a condições em mudança e ao comportamento do motorista.

Algoritmo adaptável para maior segurança rodoviária

O algoritmo desenvolvido pelos pesquisadores é altamente adaptável e capaz de responder a variações na carga de trabalho do motorista, condições da estrada, tipos de estrada e características do motorista. 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 tráfego pesado pode indicar uma carga de trabalho mais alta, enquanto um deslocamento diário pode significar uma carga de trabalho mais baixa.

O objetivo principal desta tecnologia é melhorar a segurança rodoviária personalizando as interações entre motorista e veículo. Por exemplo, os motoristas são alertados sobre mensagens e notificações não urgentes durante períodos de baixa carga de trabalho, garantindo que possam manter toda a sua concentração na estrada durante cenários de direção mais exigentes.

A crescente disponibilidade de dados dentro dos veículos tem o potencial de ser um grande fator de risco para a segurança rodoviária, pois pode levar a distrações para os motoristas. Para enfrentar esse desafio, é crucial ter um sistema em vigor para avaliar continuamente a carga de trabalho do motorista. Ao compreender o nível de engajamento do motorista e as condições da estrada, o sistema pode priorizar quando apresentar informações ou alertas ao motorista, garantindo que isso ocorra durante períodos de menor carga de trabalho.

Medindo a carga de trabalho do motorista

Embora existam algoritmos existentes que medem a demanda do motorista usando rastreadores de olhar e dados biométricos, os pesquisadores de Cambridge visavam desenvolver uma abordagem que dependa de dados prontamente 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 estradas usando uma versão modificada da Tarefa de Detecção Periférica. Os participantes foram convidados a pressionar um botão usado no dedo sempre que percebessem um cenário de baixa carga de trabalho, indicado 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 a identificação de situações de alta carga de trabalho, como navegar em cruzamentos movimentados ou encontrar comportamento incomum de veículos.

Estrutura de aprendizado de máquina adaptável

Os dados coletados durante os experimentos foram usados para desenvolver e validar uma estrutura de aprendizado de máquina supervisionada. Essa estrutura perfila os motoristas com base em sua carga de trabalho média e emprega técnicas de filtragem bayesiana para a estimativa em tempo real da carga de trabalho instantânea do motorista. Ela combina medidas macro e micro da carga de trabalho, permitindo a adaptação a diferentes tipos de estrada, condições ou motoristas usando o mesmo veículo.

A colaboração de pesquisa com a Jaguar Land Rover (JLR) envolveu o design experimental e a coleta de dados. Dr. Lee Skrypchuk, Especialista Técnico Sênior de Interface Humana e Máquina da JLR, enfatizou a importância desta pesquisa para compreender o impacto do design de uma perspectiva do usuário. Isso ajudará a melhorar a segurança e as experiências de direção otimizando o momento das notificações e interações dentro dos veículos da JLR.

Melhoria contínua na segurança

Ao usar este algoritmo adaptável, os veículos podem entregar notificações e interações aos motoristas nos momentos apropriados, reduzindo o risco de distrações durante cenários de alta carga de trabalho. Esta tecnologia representa um passo significativo em direção à melhoria da segurança rodoviária, garantindo que os motoristas permaneçam focados 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), Departamento de Engenharia, sob a supervisão do Professor Simon Godsill. Liderada pelo Dr. Bashar Ahmad, a equipe incluía Nermin Caber e Dr. Jiaming Liang, que contribuíram para o sucesso do projeto.

Em uma era de conectividade crescente dentro dos veículos, monitorar e adaptar-se à carga de trabalho do motorista é essencial para a segurança rodoviária. 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, esta tecnologia tem o potencial de melhorar significativamente a experiência geral de direção, ao mesmo tempo em que reduz as distrações na estrada.