Sonolência 2.0 - Alertar os motoristas antes que seja tarde demais
Dirigir com sono é um risco sério para as frotas comerciais. O Drowsiness 2.0 da LightMetrics usa IA para detectar sinais precoces de fadiga do motorista, analisando a abertura dos olhos, a taxa de piscadas e a duração. Essa atualização fornece alertas em tempo real aos motoristas, ajudando a evitar acidentes e reduzindo os custos relacionados à frota. Ao lidar com a fadiga antes que ela se torne crítica, o Drowsiness 2.0 aumenta a segurança do motorista e protege os ativos da frota, garantindo que os motoristas permaneçam alertas e seguros na estrada.
Dirigir com sono é um dos comportamentos de risco mais perigosos, mas frequentemente negligenciado, especialmente em frotas comerciais. A fadiga prejudica o tempo de reação, a atenção e a tomada de decisões do motorista, aumentando significativamente a probabilidade de acidentes. De acordo com o National Safety Council, dirigir com sono é responsável por aproximadamente 100.000 acidentes, 71.000 feridos e 1.550 mortes por ano somente nos EUA. A National Highway Traffic Safety Administration (NHTSA) estima que os acidentes relacionados à fadiga custam à economia dos EUA mais de US$ 109 bilhões por ano, excluindo danos materiais. Para as frotas comerciais, esses incidentes resultam em prêmios de seguro mais altos, perda de produtividade e aumento dos custos operacionais, o que torna crucial abordar a sonolência com sistemas de detecção e alerta em tempo real.
O combate à direção sonolenta e à fadiga foi um dos principais motivos por trás da introdução da regulamentação de horas de serviço nos EUA para motoristas de caminhão (e legislações equivalentes em outros países).
A LightMetrics introduziu alertas de sonolência e fadiga há mais de um ano, com base na detecção de olhos fechados ou quase fechados pela IA.
Estamos entusiasmados em apresentar o Drowsiness 2.0, uma atualização significativa do algoritmo anterior - o aprimoramento se deve a todos os nossos parceiros em todo o mundo, pois os dados tornam o sistema melhor.
Fig.1 A abertura dos olhos é usada por humanos e IA para determinar a sonolência
Os observadores humanos detectam a sonolência com base na abertura dos olhos (entre outros fatores) e a IA pode ser treinada para fazer exatamente o mesmo, baseando-se na porcentagem de fechamento e em outras métricas semelhantes que caracterizam quanto do olho está aberto.
Embora a Drowsiness 1.0 tenha se concentrado apenas nas estatísticas de duração do fechamento dos olhos, nossa análise de dados abrangentes nos levou a aprimorar essa abordagem. A sonolência 2.0 é baseada em vários recursos. Além da abertura dos olhos, recursos adicionais, como taxa de piscadas, duração das piscadas, fechamento dos olhos e estatísticas derivadas dessas medições, são usados para decidir se o motorista está sonolento ou fatigado com uma precisão muito alta.
Alertar os motoristas aos primeiros sinais de sonolência
É altamente desejável alertar os motoristas antes que os olhos se fechem ou quase se fechem - detectar os primeiros sinais de fadiga ou sonolência é muito desafiador, especialmente quando não se quer falsos positivos.
Usando estatísticas de piscadas, é possível diferenciar entre um estado normal e um motorista sonolento.
A Figura 2 ilustra os estágios iniciais da sonolência, que são caracterizados por estatísticas curtas de fechamento dos olhos. Identificar as transições de olhos lentamente abertos para fechados, bem como de olhos lentamente fechados para abertos, é fundamental para caracterizar com precisão a sonolência inicial. Ao nos concentrarmos nessas transições, podemos detectar a sonolência em seus estágios iniciais. Isso permite alertas oportunos bem antes de o motorista cair no sono.
Fig.2 Detecção dos estágios iniciais de sonolência com base na análise de piscadas
Detectar quando um motorista está se esforçando para ficar alerta
Frequent eye blinks, especially those lasting longer than normal, are a reliable predictor of drowsiness Figure 3 illustrates one such example. These blinks can serve as indicators, additionally when combined with eye closure and eye open <-> close transitions in future windows to predict drowsy confidently
Fig. 3 Ilustração do padrão de piscadas frequentes durante os estágios iniciais do sono
Fusão de vários recursos
Embora a extração de recursos seja incrivelmente desafiadora, ainda é necessário muito mais processamento para extrair percepções precisas sobre o estado do motorista. Vários estágios de pré-processamento para filtrar o ruído, incorporando metadados adicionais, como a posição da cabeça, pontos de referência etc., garantem um maior refinamento dos recursos. Várias medidas estatísticas, incluindo frequência, duração e magnitude, e a relação entre esses recursos são usadas para atribuir pesos aos recursos de acordo com diferentes parâmetros configurados para estabelecer o nível de confiança do evento. Isso garante uma precisão muito alta (baixos falsos positivos) e, ao mesmo tempo, mantém uma boa recuperação (baixos falsos negativos).
Sonolência 2.0 - alertando os motoristas antes que eles caiam no sono
Concluindo, nossa última atualização, **Drowsiness 2.0**, representa um avanço significativo na prevenção de incidentes de direção com sonolência. Ao detectar os primeiros sinais de fadiga com mais precisão do que nunca, podemos alertar os motoristas antes que eles atinjam o estágio crítico de realmente adormecerem ao volante. Essa abordagem proativa não apenas aumenta a segurança do motorista, mas também reduz o risco de acidentes, protege os ativos da frota e diminui os custos operacionais relacionados a acidentes. Com alertas em tempo real na cabine, o Drowsiness 2.0 garante que os motoristas permaneçam alertas e seguros na estrada, reforçando nosso compromisso de ajudar as frotas comerciais a operar com mais eficiência e segurança.
Para saber mais sobre o Drowsiness 2.0 e os benefícios do RideView para as frotas com as quais você trabalha, entre em contato com contact@lightmetrics.co
