Occhi Aperti al Volante: L’IA Rivoluzionaria che Rileva la Stanchezza alla Guida

Ciao a tutti! Oggi voglio parlarvi di qualcosa che tocca da vicino molti di noi, specialmente chi passa tante ore al volante: la stanchezza alla guida. Sappiamo tutti quanto possa essere pericolosa, vero? Un colpo di sonno, un attimo di distrazione, e le conseguenze possono essere devastanti. Pensate che secondo il Consiglio Europeo per la Sicurezza dei Trasporti, la guida in stato di affaticamento contribuisce a una percentuale tra il 10% e il 20% di tutti gli incidenti stradali! È un numero enorme.

E il problema è particolarmente sentito da chi guida mezzi pesanti: lunghe ore, percorsi monotoni… la stanchezza è sempre in agguato. Rilevarla in tempo è una sfida enorme, molto più difficile che multare per eccesso di velocità. Ecco perché nel campo dell’intelligenza artificiale si lavora sodo per trovare soluzioni che ci aiutino a guidare più sicuri.

La Sfida: Riconoscere la Stanchezza in Tempo Reale

Negli anni sono stati sviluppati diversi metodi per “captare” i segnali di stanchezza. Alcuni si basano sul comportamento del veicolo (sterzate strane, cambi di velocità), altri su sensori fisiologici che misurano onde cerebrali (EEG), battito cardiaco (ECG) o movimenti oculari (EOG).

Il problema? I metodi basati sul veicolo non sono sempre affidabili, dipendono troppo dallo stile di guida e dalle condizioni della strada. Quelli fisiologici, invece, richiedono dispositivi spesso scomodi da indossare per il guidatore e difficili da implementare su larga scala.

Poi ci sono i metodi basati sulla visione artificiale, che usano telecamere per analizzare il volto del guidatore. Questi sono promettenti perché non sono invasivi. Tuttavia, anche qui ci sono delle sfide:

• Accuratezza e velocità: i sistemi attuali a volte faticano a essere precisi e rapidi, specialmente in condizioni complesse.
• Disturbi visivi: la presenza di occhiali, mascherine, o persino passeggeri nell’inquadratura può confondere l’algoritmo.
• Tempestività: il tempo tra il momento in cui un guidatore si rende conto di essere stanco e un potenziale incidente grave può essere brevissimo. Serve una risposta immediata!

La Nostra Soluzione: Un Approccio Innovativo in Tre Fasi

Ecco dove entriamo in gioco noi. Abbiamo sviluppato un nuovo sistema per il rilevamento della stanchezza alla guida che punta proprio a superare questi limiti, combinando alta precisione e velocità in tempo reale. Il nostro metodo si basa su tre moduli principali:

1. Driver’s State Detection (DSD): Il primo passo è capire chi è il guidatore e dove guardare. Usiamo una rete neurale chiamata MTCNN (Multi-task Cascaded Convolutional Network), super efficiente nel trovare il volto del guidatore e identificarne i punti chiave (occhi, bocca) in tempo reale. Ma non solo! Abbiamo aggiunto un nostro algoritmo di “filtraggio” intelligente: se la telecamera inquadra anche un passeggero sul sedile posteriore, il sistema lo riconosce e lo ignora, concentrandosi solo sul guidatore. Niente più falsi allarmi!

2. Dense Multi-Pooling Convolutional Network (DMP-Net): Questa è la vera star del nostro sistema! Abbiamo progettato da zero una rete neurale convoluzionale, la DMP-Net, specificamente per analizzare lo stato degli occhi (aperti o chiusi) e della bocca (aperta o chiusa). La sua forza?

• È leggera: ha pochi parametri, quindi richiede meno potenza di calcolo.
• È veloce: fondamentale per il rilevamento in tempo reale.
• È accurata: supera molti metodi esistenti in termini di precisione.

Come ci riesce? Si ispira a concetti avanzati come le connessioni “dense” (DenseNet), dove ogni strato della rete impara da tutti quelli precedenti, e il “multi-pooling” (ispirato a SPP), che permette alla rete di analizzare le caratteristiche dell’immagine a diverse scale contemporaneamente. In pratica, è come un detective super efficiente che sa esattamente quali indizi (occhi e bocca) guardare e come interpretarli al meglio.

3. Driving Fatigue Detection (DFD): Una volta che DMP-Net ha analizzato lo stato di occhi e bocca frame dopo frame, entra in gioco l’ultimo modulo. Qui calcoliamo due parametri chiave, ben noti nel settore:

• PERCLOS (Percentage of Eyelid Closure Over Time): la percentuale di tempo in cui le palpebre sono chiuse oltre una certa soglia (noi usiamo l’80% della chiusura) in un dato intervallo.
• FM (Frequency of Mouth opening): la frequenza con cui la bocca viene rilevata aperta (un indicatore di sbadiglio) nello stesso intervallo.

Confrontiamo questi valori con delle soglie ragionevoli, che abbiamo determinato sperimentalmente (0.3 per PERCLOS e 0.5 per FM). Se uno o entrambi i valori superano la soglia, il sistema capisce che il guidatore è affaticato e può inviare un allarme. Abbiamo anche definito diversi livelli di stanchezza (lieve, moderata, severa) in base alla combinazione dei due parametri.

Ma Funziona Davvero? I Risultati dei Test

Ovviamente, non basta avere una bella idea, bisogna dimostrare che funziona! Abbiamo messo alla prova il nostro sistema su diversi fronti:

• Dataset Standard: Abbiamo testato DMP-Net su dataset pubblici molto usati nella ricerca (ZJU Eyeblink e CEW), ottenendo precisioni stratosferiche: 99.24% su ZJU e 99.25% su CEW!
• Il Nostro Dataset: Abbiamo anche creato un nostro dataset raccogliendo immagini e video da 20 volontari in condizioni simulate di guida, usando sia telecamere normali che a infrarossi (per funzionare anche di notte o con poca luce), con e senza occhiali. Anche qui, la precisione è stata altissima: 99.12%.
• Confronto con Altri Metodi: Abbiamo confrontato DMP-Net con altre reti neurali note (AlexNet, ResNet) e metodi specifici per questo compito. Risultato? La nostra DMP-Net non solo è più accurata, ma è anche significativamente più veloce e leggera (richiede meno risorse computazionali). Ad esempio, il tempo di elaborazione per immagine è di soli 1.156 ms, contro i 37.570 ms di un metodo concorrente!
• Test di Affaticamento: Abbiamo simulato scenari reali con 20 tester (metà con occhiali, metà senza), chiedendo loro di mimare stati di stanchezza e non (parlare, cantare, sbadigliare, ecc.). Il nostro sistema ha raggiunto una precisione del 99.16% e un tasso di richiamo (capacità di non “mancare” un caso di fatica) del 99.31%.

Questi numeri ci dicono che il nostro approccio è non solo estremamente preciso, ma anche abbastanza veloce ed efficiente da poter essere implementato su dispositivi reali a bordo dei veicoli.

Perché è Importante e Cosa Ci Aspetta

Sviluppare un sistema così performante per il rilevamento della stanchezza alla guida ha un significato enorme. Può contribuire concretamente a ridurre il numero di incidenti stradali e a salvare vite umane. La capacità di funzionare in tempo reale e con alta precisione, anche in presenza di occhiali o passeggeri, lo rende uno strumento potenzialmente molto valido per migliorare la sicurezza sulle nostre strade.

Certo, la ricerca non si ferma qui. Al momento, i nostri test si basano principalmente su dati raccolti in ambienti simulati. Il prossimo passo sarà:

• Testare e addestrare il sistema con dati provenienti da condizioni di guida reali.
• Migliorare la robustezza del sistema a fattori ancora più complessi, come diverse posizioni della testa del guidatore o occlusioni parziali del volto.
• Integrare altre modalità di analisi, come la direzione dello sguardo o le espressioni facciali, per avere un quadro ancora più completo dello stato di attenzione del guidatore.

Insomma, la strada è tracciata e siamo convinti che l’intelligenza artificiale possa davvero darci una mano fondamentale per rendere la guida un’attività più sicura per tutti. Tenere gli occhi aperti, letteralmente e metaforicamente, è la chiave!

Fonte: Springer