Förutse trötthet vid autonom körning

I och med att körning med stöd av automation resulterar i en mer monoton körupplevelse så ökar risken för trötthet. Feng Zhou och kollegor från University of Michigan, University of Wisconsin och Ford har publicerat en studie där de utvecklat en teknik för att förutse trötthet innan förare själva märker att de är trötta [1]. Att kunna förutse trötthet i ett tidigt skede gör att fordonet kan göra nödvändiga beslut och handlingar som exempelvis väcka uppmärksamhet, ge över kontrollen till föraren och rekommendera en paus i körningen.

I den nya studien används PERCLOS (PERcent of time the eyelids CLOSure) – en metod för detektering av trötthet som går ut på att beräkna hur stor del av tiden som pupillerna täcks av ögonlocken. Forskarna sållade även bland 35 fysiologiska parametrar för trötthet där de kvarstående blev: hjärtslagsvariation, hjärtslag, andningsrytmsvariation och andningsrytm.

Nätverket som bearbetade datat var ett så kallat Nonlinear Autoregressive Exogenous Network (NARX). NARX kombinerar de fysiologiska mätningarna med PERCLOS för att förutsäga ett PERCLOS-värde för de kommande sekunderna. Om det förutsagda PERCLOS-värdet överstiger ett givet tröskelvärde för trötthet skickas en varning till föraren. De testade två olika modeller för prediktering med hjälp av NARX.

Forskarna validerade det förutsagda PERCLOS-värdet mot det sanna PERCLOS-värdet i en simulatorstudie med 20 deltagare. Resultaten visade att övergången till trötthet kunde detekteras 13.8 sekunder i förväg med en noggrannhet mellan 97% och 99%, beroende på vilken predikteringsmodell som användes.

Egen kommentar

Resultatet i studien är lovande för tekniken. Jag är fundersam kring PERCLOS och blink-data ifall det är pålitligt även när föraren har t.ex. ögonbesvär i form av allergier eller av någon annan anledning blinkar mer och/eller längre än vad som skulle bedömas som icke-trött.

Källa

[1] Zhou et al., Expert Systems with Applications. Driver fatigue transition prediction in highly automated driving using physiological features. 2020-06 Länk