Drowsiness 2.0 - Alertando motoristas antes que seja tarde demais
Dirigir com sono é um risco grave para frotas comerciais. O Drowsiness 2.0 da LightMetrics utiliza IA para detectar sinais precoces de fadiga do motorista, analisando a abertura dos olhos, a frequência e a duração das piscadas. Esta atualização envia alertas em tempo real aos motoristas, ajudando a prevenir acidentes e reduzindo os custos operacionais das frotas. Ao combater a fadiga antes que ela se torne crítica, o Drowsiness 2.0 aumenta a segurança do condutor e protege os ativos da frota, garantindo que os motoristas permaneçam atentos e seguros na estrada.
Dirigir com sono é um dos comportamentos de risco mais perigosos e, muitas vezes, negligenciados, especialmente em frotas comerciais. A fadiga prejudica o tempo de reação, a atenção e a capacidade de tomada de decisão do motorista, aumentando significativamente a probabilidade de acidentes. De acordo com o National Safety Council, a sonolência ao volante é responsável por aproximadamente 100.000 colisões, 71.000 ferimentos e 1.550 mortes anualmente apenas nos EUA. A National Highway Traffic Safety Administration (NHTSA) estima que acidentes relacionados à fadiga custam à economia dos EUA mais de US$ 109 bilhões por ano, sem contar os danos materiais. Para frotas comerciais, esses incidentes levam a prêmios de seguro mais altos, perda de produtividade e aumento dos custos operacionais, tornando crucial o combate à sonolência com sistemas de detecção e alerta em tempo real.
O combate à sonolência e à fadiga ao volante foi um dos principais motivos para a introdução da regulamentação de horas de serviço nos EUA para caminhoneiros (e legislações equivalentes em outros países).
A LightMetrics introduziu alertas para sonolência e fadiga há mais de um ano — baseados na detecção por IA de olhos fechados ou quase fechados.
Estamos entusiasmados em apresentar o Drowsiness 2.0, uma atualização significativa do algoritmo anterior — o aprimoramento é fruto da colaboração com todos os nossos parceiros globais, cujos dados tornam o sistema cada vez melhor.
Fig. 1 A abertura dos olhos é usada por humanos e pela IA para determinar a sonolência
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 outras métricas similares que caracterizam o quanto o olho está aberto.
Enquanto o Drowsiness 1.0 focava apenas nas estatísticas de duração do fechamento dos olhos, nossa análise de uma vasta quantidade de dados nos levou a aprimorar essa abordagem. O Drowsiness 2.0 baseia-se em múltiplas características. Além da abertura dos olhos, recursos adicionais como frequência de piscadas, duração das piscadas, fechamento dos olhos e estatísticas derivadas dessas medições são utilizados para determinar se o motorista está com sono ou fadiga com uma precisão muito elevada.
Alertar motoristas aos primeiros sinais de sonolência
É altamente desejável alertar os motoristas antes que os olhos se fechem ou estejam quase fechados - detectar os primeiros sinais de fadiga ou sonolência é um grande desafio, especialmente quando se deseja evitar falsos positivos.
Usando estatísticas de piscadas, é possível diferenciar um estado normal de um motorista com sonolência.
A Figura 2 ilustra os estágios iniciais da sonolência, que são caracterizados por estatísticas de fechamento ocular curto. Identificar as transições de olhos lentamente abertos para fechados, bem como de fechados para abertos, é crucial para caracterizar com precisão a sonolência precoce. Ao focar nessas transições, podemos potencialmente detectar a sonolência em seus estágios iniciais. Isso permite alertas oportunos bem antes que o motorista adormeça.
Fig. 2 Detecção dos estágios iniciais de sonolência com base na análise de piscadas
Detectar quando um motorista está lutando para se manter alerta
Piscadas frequentes, especialmente aquelas com duração superior ao normal, são um indicador confiável de sonolência. A Figura 3 ilustra um desses exemplos. Essas piscadas podem servir como indicadores, além de serem combinadas com o fechamento dos olhos e transições de abrir <-> fechar em janelas futuras para prever a sonolência com confiança.
Fig. 3 Ilustração do padrão de piscadas frequentes durante os estágios iniciais do sono
Combinando múltiplos recursos
Embora a extração de recursos seja extremamente desafiadora, ainda é necessário muito mais processamento para extrair insights precisos sobre o estado do motorista. Vários estágios de pré-processamento para filtrar ruídos, incorporando metadados adicionais, como pose da cabeça, pontos de referência, etc., garantem um maior refinamento dos recursos. Múltiplas 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 (poucos falsos positivos), mantendo um bom recall (poucos falsos negativos).
Drowsiness 2.0 - alertando motoristas antes que adormeçam
Em suma, nossa atualização mais recente, **Drowsiness 2.0**, representa um salto significativo na prevenção de incidentes causados por sonolência ao volante. 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 adormecer ao volante. Essa abordagem proativa não apenas aumenta a segurança do condutor, mas também reduz o risco de acidentes, protege os ativos da frota e diminui os custos operacionais relacionados a colisões. Com alertas em tempo real dentro da cabine, o Drowsiness 2.0 garante que os motoristas permaneçam atentos e seguros na estrada, reforçando nosso compromisso em ajudar frotas comerciais a operar de forma mais eficiente e segura.
Para saber mais sobre o Drowsiness 2.0 e os benefícios do RideView para as frotas com as quais você trabalha, entre em contato pelo e-mail contact@lightmetrics.co
