Istraživači su razvili prilagodljiv algoritam koji bi mogao da poboljša bezbednost na putu predviđanjem kada će vozači moći bezbedno da komuniciraju sa sistemima u vozilu ili primaju poruke, kao što su saobraćajna upozorenja, dolazni pozivi ili uputstva za vožnju.
Istraživači sa Univerziteta u Kembridžu, koji rade u partnerstvu sa Jaguar Land Roverom (JLR), koristili su kombinaciju eksperimenata na putu i mašinskog učenja, kao i Bajesove tehnike filtriranja da bi pouzdano i kontinuirano merili „opterećenje vozača“. Vožnja u nepoznatom području može značiti veliko opterećenje, dok svakodnevno putovanje može značiti manje opterećenje.
Dobijeni algoritam je veoma prilagodljiv i može da reaguje u skoro realnom vremenu na promene u ponašanju i statusu vozača, uslovima na putu, tipu puta ili karakteristikama vozača.
Ove informacije bi se zatim mogle ugraditi u sisteme u vozilu kao što su infotainment i navigacija, displeji, napredni sistemi za pomoć vozaču (ADAS) i drugi.
Svaka interakcija između vozača i vozila može se zatim prilagoditi da bi se dala prednost bezbednosti i poboljšalo korisničko iskustvo, pružajući prilagodljive interakcije čoveka i mašine. Na primer, vozači se upozoravaju samo u vreme malog opterećenja, tako da vozač može da zadrži punu koncentraciju na putu u stresnijim situacijama vožnje. Rezultati su objavljeni u časopisu IEEE Transactions on Intelligent Vehicles.
„Sve više i više podataka je dostupno vozačima sve vreme. Međutim, sa povećanjem nivoa potražnje za vozačima, ovo može biti glavni faktor rizika za bezbednost na putevima“, rekao je koautor dr Bašar Ahmad sa Kembridžovog odeljenja za inženjering. „Postoji mnogo informacija koje vozilo može učiniti dostupnim vozaču, ali nije bezbedno niti praktično to učiniti osim ako ne znate status vozača.
Status vozača—ili radno opterećenje—može se često menjati. Vožnja u novom području, u gustom saobraćaju ili lošim uslovima na putu, na primer, obično je zahtevnija od svakodnevnog putovanja.
„Ako ste u zahtevnoj situaciji u vožnji, to bi bio loš trenutak da se poruka pojavi na ekranu ili heads-up displeju“, rekao je Ahmad. „Pitanje za proizvođače automobila je kako da izmere koliko je vozač zauzet i da podstaknu interakcije ili izdaju poruke ili upite samo kada ih vozač rado primi.
Postoje algoritmi za merenje nivoa potražnje vozača pomoću uređaja za praćenje pogleda i biometrijskih podataka sa monitora otkucaja srca, ali istraživači sa Kembridža su želeli da razviju pristup koji bi mogao da uradi istu stvar koristeći informacije koje su dostupne u bilo kom automobilu, posebno signale performansi vožnje kao što su kao podaci o upravljanju, ubrzanju i kočenju. Takođe bi trebalo da bude u stanju da koristi i spaja različite nesinhronizovane tokove podataka koji imaju različite stope ažuriranja, uključujući i biometrijske senzore ako su dostupni.
Da bi izmerili opterećenje vozača, istraživači su prvo razvili modifikovanu verziju zadatka za otkrivanje periferije kako bi na automatizovan način prikupili informacije o subjektivnom opterećenju tokom vožnje. Za eksperiment, telefon koji pokazuje rutu u aplikaciji za navigaciju je postavljen na centralni ventilacioni otvor automobila, pored malog LED prstenastog svetla koje bi treperilo u redovnim intervalima.
Svi učesnici su pratili istu rutu kroz mešavinu ruralnih, gradskih i glavnih puteva. Od njih je zatraženo da pritisnu dugme koje se nosi na prstima kad god se LED svetlo upali crveno i vozač primeti da su u scenariju malog opterećenja.
Video analiza eksperimenta, uparena sa podacima sa dugmadi, omogućila je istraživačima da identifikuju situacije visokog opterećenja, kao što su prometne raskrsnice ili vozilo ispred ili iza vozača koje se ponaša neobično.
Podaci na putu su zatim korišćeni za razvoj i validaciju nadgledanog okvira za mašinsko učenje za profilisanje vozača na osnovu prosečnog radnog opterećenja koje imaju, i prilagodljivog Bajesovog pristupa filtriranja za sekvencijalno procenjivanje trenutnog radnog opterećenja vozača u realnom vremenu, koristeći nekoliko signali performansi vožnje uključujući upravljanje i kočenje. Okvir kombinuje makro i mikro mere radnog opterećenja gde je prvi profil prosečnog radnog opterećenja vozača, a drugi trenutni.
„Za većinu aplikacija za mašinsko učenje poput ove, morali biste da je obučite na određenom vozaču, ali smo bili u mogućnosti da prilagodimo modele u pokretu koristeći jednostavne Bajesovske tehnike filtriranja“, rekao je Ahmad. „Lako se može prilagoditi različitim vrstama puteva i uslovima, ili različitim vozačima koji koriste isti automobil.
Istraživanje je sprovedeno u saradnji sa JLR koji je uradio eksperimentalni dizajn i prikupljanje podataka. Bio je to deo projekta koji je sponzorisao JLR u okviru CAPE sporazuma sa Univerzitetom u Kembridžu.
„Ovo istraživanje je od vitalnog značaja za razumevanje uticaja našeg dizajna iz perspektive korisnika, tako da možemo kontinuirano da poboljšavamo bezbednost i da obezbedimo izuzetna iskustva u vožnji za naše klijente“, rekao je JLR-ov viši tehnički specijalista za interfejs ljudi-mašina dr Li Skripčuk.
„Ovi nalazi će pomoći da se definiše način na koji koristimo inteligentno zakazivanje u našim vozilima kako bismo osigurali da vozači dobiju prava obaveštenja u najprikladnije vreme, omogućavajući besprekorna putovanja bez napora.“
