Multimodal Driver Visual Load Assessment and Prediction under Dynamic Lighting Environments Using RaceGrid-OPTICS and WA-PSRSMformer
Questo studio propone un framework multimodale che integra dati di movimento oculare, illuminazione e velocità del veicolo con un nuovo algoritmo di clustering RaceGrid-OPTICS e un modello di deep learning WA-PSRSMformer per valutare e prevedere accuratamente il carico visivo del conducente in condizioni di illuminazione dinamica, raggiungendo un'accuratezza del 90,13% in ambienti di galleria.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Guidare è un atto di costante negoziazione tra la mente umana e la strada. Per la maggior parte di noi, questa negoziazione avviene senza pensiero conscio, ma si basa pesantemente su un senso: la vista. Quando la luce cambia improvvisamente — passando da un'autostrada soleggiata e luminosa all'interno buio di un tunnel, o guidando attraverso un tratto di strada dove le ombre degli alberi sfarfallano rapidamente sul parabrezza — gli occhi e il cervello devono lavorare il doppio per adattarsi. Questa improvvisa richiesta di informazioni visive crea uno stato noto come carico visivo. È lo sforzo mentale richiesto per elaborare ciò che gli occhi vedono. Quando questo carico diventa troppo pesante, la capacità di un conducente di notare pericoli, riconoscere forme e reagire ai pericoli può diminuire, trasformando un tragitto di routine in un potenziale rischio. Sebbene sappiamo che questi sbalzi di luminosità siano pericolosi, comprendere esattamente quanto sforzo mentale impongano a un conducente in tempo reale è rimasto difficile da misurare.
Un team di ricercatori della Chang'an University ha sviluppato un nuovo modo per scrutare questo invisibile sforzo mentale. Si sono posti l'obiettivo di costruire un sistema che possa non solo misurare il carico visivo di un conducente mentre accade, ma anche prevedere quando sta per subire un picco, il tutto mentre l'auto si muove attraverso una luce complessa e mutevole. Per farlo, sono andati oltre gli ambienti controllati e artificiali dei simulatori di guida e hanno portato il loro esperimento sulle strade reali. Hanno reclutato dieci conducenti e hanno equipaggiato una berlina standard con una serie di sensori: una telecamera indossabile per tracciare dove il conducente stava guardando e come reagivano le sue pupille, una telecamera da cruscotto per registrare la strada davanti a sé e un luxmetro per misurare l'esatta luminosità dell'ambiente. I conducenti hanno navigato attraverso tre scenari distinti: una strada lunga e dritta con luce costante, una sezione ombreggiata dove la luce solare sfarfallava attraverso gli alberi e un tunnel dove la luce cambiava drasticamente dalla luce diurna brillante all'oscurità e viceversa.
I ricercatori hanno raccolto una quantità massiccia di dati, sincronizzando i movimenti oculari dei conducenti con il cambiamento della luce e la velocità dell'auto. Si sono concentrati su segnali biologici specifici, come la dimensione delle pupille e la velocità con cui cambiavano, insieme a dove gli occhi erano fissi e quanto spesso saltavano verso nuovi punti. Questi segnali sono la reazione onesta del corpo alla capacità di lavoro del cervello; quando gli occhi faticano ad adattarsi a un improvviso cambiamento di luce, le pupille e i modelli di sguardo cambiano in modi prevedibili. Tuttavia, trasformare questo flusso grezzo di numeri in un'immagine chiara di "carico alto" o "carico basso" è un puzzle complesso. Il team ha prima utilizzato un metodo sofisticato per raggruppare modelli simili, insegnando efficacementamente a un computer a riconoscere la differenza tra una guida rilassata e una stressante senza fare affidamento su regole preimpostate. Hanno scoperto che questo approccio poteva classificare con successo i dati in cinque livelli distinti di carico visivo, dalla calma allo sforzo elevato.
Una volta che il sistema è stato in grado di identificare questi stati, i ricercatori si sono dedicati al compito più difficile: la previsione. Volevano sapere se il sistema potesse guardare i dati attuali e indovinare quale sarebbe stato il carico visivo del conducente qualche istante dopo. Hanno testato diversi modelli informatici, compresi alcuni capaci di individuare modelli nelle immagini e altri progettati per ricordare sequenze di eventi nel tempo. L'approccio di maggior successo è stato un tipo di modello di intelligenza artificiale noto come Transformer, che è particolarmente bravo a comprendere come un evento porti a un altro in una lunga sequenza. Per rendere questo modello ancora migliore per la specifica sfida della guida, il team ha aggiunto tre miglioramenti chiave. Primo, hanno insegnato al modello a prestare un'attenzione extra ai momenti rari e di alto stress, che accadono meno spesso della guida tranquilla ma sono i più critici da intercettare. Secondo, hanno snellito la sua elaborazione interna in modo che potesse gestire lunghi tratti di dati di guida senza appesantirsi con calcoli non necessari. Infine, hanno ottimizzato l'uso della memoria, permettendogli di funzionare efficientemente sull'hardware che potrebbe essere trovato in un'auto reale.
I risultati di questi test nel mondo reale sono stati sorprendenti. Nell'ambiente più impegnativo — il tunnel, dove la luce cambia bruscamente — il nuovo sistema ha previsto il carico visivo del conducente con un'accuratezza superiore al 90 percento. Questo era significativamente migliore rispetto agli altri modelli testati, che faticavano a tenere il passo con i rapidi cambiamenti. Il sistema era anche straordinariamente efficiente, elaborando i dati in una frazione del tempo richiesto dai modelli precedenti, un fattore cruciale per qualsiasi tecnologia che debba funzionare istantaneamente in un veicolo in movimento. Lo studio ha confermato che la combinazione di dati di eye-tracking, misurazioni della luce e velocità del veicolo fornisce un quadro completo dello stress del conducente. Ha dimostrato che, mentre le strade dritte sono generalmente facili da prevedere, i momenti di ingresso e uscita da un tunnel creano le richieste visive più complesse, spingendo spesso i conducenti in stati di carico elevato che il sistema è in grado di rilevare e anticipare.
Questo lavoro non offre solo un modo per misurare lo stress; offre un progetto per un futuro più sicuro. Comprendendo esattamente come le condizioni di illuminazione affatichino la visione di un conducente, gli ingegneri possono progettare migliori sistemi di avviso che avvertano i conducenti prima che diventino sopraffatti. Il sistema ha dimosttato che è possibile monitorare il carico mentale invisibile della guida in tempo reale, utilizzando le reazioni naturali dell'occhio umano. Mentre le strade diventano più complesse e i sistemi di guida autonoma assumono maggiori responsabilità, avere un modo affidabile per valutare la capacità dell'elemento umano di vedere e reagire sarà essenziale. I ricercatori hanno dimostrato che, con gli strumenti giusti, possiamo vedere l'onere invisibile della strada e, forse, facendo ciò, prevenire gli incidenti che accadono quando quel peso diventa troppo pesante da portare.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.