Resumo Técnico: Mecanismo de Detecção e Prevenção de Acidentes Baseado em IoT

Declaração do Problema

Os acidentes de trânsito permanecem uma crise global crítica, impulsionada principalmente por erros humanos evitáveis, como excesso de velocidade, condução sob o efeito de álcool e fadiga cognitiva. Estatísticas do Ministério dos Transportes Rodoviários e Rodoviários indicam que o excesso de velocidade foi responsável por 72,3% dos acidentes rodoviários e 71,2% das mortes totais em 2022, com fatalidades adicionais ligadas ao consumo de álcool e ao uso de dispositivos móveis. Embora a indústria automotiva tenha integrado diversos sensores para monitoramento mecânico, os sistemas existentes muitas vezes carecem de estratégias de mitigação abrangentes e em tempo real para esses riscos específicos de fatores humanos e protocolos de resposta de emergência automatizados.

Metodologia

Os autores propõem um Sistema de Detecção e Resposta a Acidentes Inteligente (SADRS) construído sobre uma estrutura de Internet das Coisas (IoT). O sistema é projetado para integrar-se à Unidade de Controle Eletrônico (ECU) de um veículo usando uma arquitetura de múltiplos níveis que combina fusão de sensores, computação de borda (edge computing) e conectividade em nuvem.

Arquitetura do Sistema e Hardware:
O núcleo do framework utiliza um Arduino UNO como microcontrolador central, orquestrado com um NodeMCU para conectividade em nuvem (plataforma Blynk IoT) e um módulo GSM SIM800L para comunicações de emergência. A integração do hardware inclui:

• Triagem de Sobriedade: Um sensor de álcool MQ3 posicionado próximo ao assento do motorista para detectar níveis de álcool (25–500 ppm). O sistema emprega um Módulo Relé para controlar um motor DC (simulando o motor), impedindo a ignição se o álcool for detectado.
• Monitoramento de Impacto e Orientação: Um acelerômetro ADXL345 monitora o ângulo de repouso do veículo e detecta mudanças súbitas de gradiente ou impactos. Um sensor de botão de gravidade é colocado à frente do sistema de airbag para confirmar o acionamento após uma colisão.
• Rastreamento de Localização: Um módulo GPS NEO 6M captura coordenadas espaciais em tempo real para enviar alertas a contatos de emergência e instalações médicas.
• Monitoramento Visual: Um módulo de câmera OV7270 é montado no painel/Display de Projeção no Para-brisa (HUD) para capturar sinais de trânsito e características faciais do motorista.

Software e Algoritmos:

• Aplicação de Limite de Velocidade: Imagens capturadas pela câmera são processadas usando Redes Neurais Convolucionais (CNN) em dispositivos de borda para detectar sinais de trânsito e limites de velocidade. Se o veículo exceder o limite, o sistema aciona alertas auditivos contínuos.
• Detecção de Sonolência: Um modelo CNN, treinado no Dataset de Olhos UMass MRL, analisa os movimentos oculares do motorista em tempo real para identificar sinais de fadiga (ex: fechamento prolongado dos olhos). O sistema emite sons de alerta ao detectar sonolência.
• Protocolo de Emergência: Ao detectar um acidente (via acelerômetro ou sensor de airbag), o sistema transmite automaticamente as coordenadas de GPS e alertas do incidente para contatos pré-designados e serviços de emergência via módulo GSM.

Configuração Experimental:
Os autores desenvolveram um modelo em miniatura do SADRS para validar a funcionalidade. O modelo substituiu o motor de um carro por um motor DC e utilizou uma protoboard para o design do circuito. Os testes envolveram a simulação de cenários de acidentes, presença de álcool e sonolência, com os dados visualizados através da aplicação Blynk IoT.

Principais Contribuições

1. Mecanismo de Prevenção Integrado: O artigo introduz um sistema unificado que aborda múltiplas causas de acidentes simultaneamente: comprometimento por álcool, excesso de velocidade e fadiga do motorista.
2. Resposta de Emergência Automatizada: O sistema automatiza o fluxo de trabalho pós-colisão ao agregar imediatamente os dados de GPS e despachar alertas para instalações médicas e contatos de emergência, visando reduzir os tempos de resposta.
3. Aprendizado de Máquina Baseado em Borda (Edge-Based): A implementação de modelos CNN para reconhecimento de limites de velocidade e detecção de sonolência diretamente em unidades de processamento embarcadas garante a tomada de decisão em tempo real e de baixa latência, sem dependência de conectividade constante com a nuvem.
4. Sinergia Hardware-Software: O design demonstra uma integração funcional de diversos sensores (MQ3, ADXL345, NEO 6M, OV7270) com microcontroladores para criar uma rede de segurança coesa.

Resultados e Avaliação de Desempenho

O sistema foi avaliado através de simulação de hardware e testes de modelo de software:

• Precisão da Detecção de Sonolência: O modelo CNN alcançou uma precisão geral de aproximadamente 91,97% (arredondado para 92%). As métricas de desempenho incluíram:
  • Precisão (Precision): Variou de 90,4% a 95,2% entre as condições de alerta, leve sonolência e muita sonolência.
  • Revocação (Recall): Variou de 88,6% a 93,7%.
  • F1-Score: Variou de 89,5% a 94,4%.
• Validação Funcional: O modelo em miniatura demonstrou com sucesso a prevenção da partida do motor após detecção de álcool, o disparo de alertas para violações de velocidade e a transmissão automática de dados de localização e notificações de acidente via app Blynk quando anomalias foram simuladas.
• Robustez: Testes sob várias condições de iluminação (dia, noite, luz artificial) mostraram uma precisão consistentemente alta no modelo de detecção de sonolência.

Significância e Alegações

Os autores afirmam que este projeto oferece uma solução prática e de baixo custo para aumentar a segurança do motorista ao mitigar sistematicamente o erro humano. Ao integrar frameworks de IoT nas ECUs dos veículos, o sistema não visa apenas prevenir acidentes através de avisos proativos (travas de álcool, alertas de velocidade, avisos de fadiga), mas também otimizar os resultados pós-colisão através de relatórios de emergência automatizados. O artigo postula que tal sistema tem o potencial de reduzir substancialmente as fatalidades relacionadas a acidentes, garantindo intervenção médica oportuna e impondo comportamentos de direção mais seguros.

Os autores reconhecem que, embora o protótipo atual seja um modelo em miniatura, a arquitetura é escalável. Eles sugerem melhorias futuras, incluindo processamento de imagem adaptativo para condições climáticas, detecção de sonolência multimodal (incorporando frequência cardíaca/EEG) e aprendizado contínuo baseado em nuvem, enfatizando a necessidade de considerações de privacidade em relação ao monitoramento do motorista.