Alle kender til farerne ved at køre påvirket eller sms'e under kørslen. Der er dog ikke meget opmærksomhed på at køre i døsighed. I 2019 var førertræthed det årsag til 697 dødsfald i USA – hvilket var 1.9 % af de samlede trafikdræbte det år. Ud over, 1 i 25 voksne har sagt ja til falde i søvn ved rattet i de foregående 30 dage.
Førerens døsighed kan vise sig at være dødelig, men det kan forebygges. En god nats søvn og undgå alkohol, før du tager bilen, kan reducere ulykker. Teknologi kan også hjælpe med at opdage og forhindre dødsulykker på grund af sløvhed hos føreren. Så lad os tale om teknologien advarer føreren af døsighed og træthed.
Hvad er DDS?
Driver Døsighed Detection System (DDS) er en del af køretøjssikkerhedsteknologi, der fungerer på en algoritme, der registrerer ændringer i førerens køreadfærd, såsom uregelmæssige hjulbevægelser, vognbaneafvigelser, svært ved at holde øjnene åbne og konstant gaben og meget mere.
Nogle systemer advarer føreren om at holde en pause ved hjælp af lydadvarsler, mens nogle viser et kaffesymbol, og nogle biler har endda deres førersæder vibrerende.
Hvordan virker DDS?
DDS virker ved at optage rat adfærd fra når turen begynder og holde styr på chaufførens træthedsniveau under hele turen.
Den AI-baserede algoritme kommer op med en værdi ved at beregne hyppigheden af pludselige bevægelser, tidspunktet på dagen, turens varighed, afvigelser fra vognbaneafmærkning, og hyppigheden af at ramme rumble-striben. Hvis den nævnte værdi er over et vist niveau, blinker systemet a kaffekop symbol på bilens instrumentpanel, der angiver, at føreren skal holde en pause.
Føreren overvåges konstant for at bestemme deres træthedsniveauer ved hjælp af et infrarødt kamera, der vender mod føreren. Maskinlæring og ansigtsgenkendelsesalgoritmer bestemmer nøjagtigt træthed ved at spore førerens ansigtstræk, hovedets bevægelser, blink og øjenbevægelser.
Eksempler fra den virkelige verden
Driver Detektion af døsighed systemet har været brugt i et par år nu. Nogle af de store bilproducenter, der er interesseret i at overvåge førerens opmærksomhed, er Mercedes Benz, Volvo og Land Rover.
Mercedes-Benz' Attention Assist er en eksklusiv teknologi, der er tilgængelig på visse Benz-biler, og som overvåger chaufførers kørevaner og advarer dem ved hjælp af visuelle og akustiske advarsler, når de registrerer uopmærksomhed eller træthed.
Land Rover har også sit Driver Condition Monitor-system, som har en række sensorer, der registrerer førerens ansigts- og øjenbevægelser for at identificere, om føreren er uopmærksom, distraheret eller træt.
Volvos 'Driver Alert' eller DAC-funktionen overvåger nøjagtigt, hvordan køretøjet betjenes. For eksempel advarer den føreren, når køretøjet køres ukontrolleret ved hjælp af et førerdisplay, et akustisk signal og en tekst, der beder føreren om at tage en te pause.
I modsætning til nogle andre systemer overvåger Volvos Driver Alert ikke førerens træthedsniveauer, men ser nøje på køretøjets drift.
Fordele og begrænsninger ved Driver Drowsiness Detection-systemet
Der er mange fordele ved DDS, og den første fordel, vi tænker på, er måske en reduktion af dødsulykker forårsaget på grund af træthed hos chauffører.
Med et system der kan yde advarsler om vognbaneskift, er det muligt at undgå større ulykker og redde livet for føreren, medpassagererne og fodgængere.
Systemets nøjagtighed ligger i effektivt træning af algoritmen ved hjælp af en samling billeder. Det er imidlertid umuligt at udvikle en robust DDS, hvis øjenrammerne ikke fanges korrekt, og systemet ikke trænes på store datasæt. Desuden kan lokalisering på øjet blive vanskelig, hvis føreren bærer forhindringer som beskyttelsesbriller eller kasketter.
Vigtigheden af træningsdata til at bygge DDS-modeller
Virkningerne af døsig kørsel kan være farligt for alle på vejen. En døsig bilist tager tid til at fokusere, reagerer langsomt og kan ikke bedømme hastigheder og distancer.
En døsig bilist er ikke altid en person, der ikke har fået nok søvn. Derfor er det vigtigt at udvikle et værktøj til at advare trætte bilister om forestående fare. Du skal have nok datasæt til at træne maskinlærings- og ansigtsgenkendelsesmodellen for at gøre dette muligt.
For at træne en DDS-model nøjagtigt, har du brug for en omfattende samling af træningsdatasæt (som indeholder både døsige og ikke-døsige billeder af mennesker), som kan hjælpe med at placere ansigtets vartegn på billeder. Denne metode hjælper systemet med at identificere chaufførers ansigtstræk i realtidsscenarier.
Derudover, da systemet er særligt interesseret i øjnene, præsenteres koordinater for øjnene, som vil hjælpe med at detektere blinkende og øjenåbnende værdier.
Datasæt, der indeholder billeder, der kan hjælpe systemet med at genkende gab, bør også inkluderes. Udover blinkdetektion er gaben også en kritisk parameter, som systemet skal lære for at advare føreren. En maskinlæringsmodel kan bygges ved hjælp af nøjagtigt mærkede datasæt og deep learning-metoder.
Behovet for en nøjagtig Driver døsighed Detektionssystem fortsætter med at vokse. Virksomheder leder efter yderst pålidelige træningsdatasæt, der kan bruges til at træne deres ML-modeller.
Når der er behov for pålidelighed og variation i datasæt, foretrækker mange topteknologiske udbydere Shaip. Saip har været medvirkende til at udvikle avancerede DDS-modeller med forskellige datasæt, billedmærkning af høj kvalitet og annotering. Har du en banebrydende DDS-applikation i tankerne? Få forbindelse til Shaip, og udforsk forskellige træningsdatasæt til konkurrencedygtige priser.
