Sistema de monitoreo del conductor basado en fuzzy para evaluar la conducción peligrosa en las carreteras

Área de la Ciencia:

• Inteligencia artificial
• Visión por computadora
• Ingeniería de seguridad vial

Sus antecedentes:

• Los accidentes de tráfico tienen su origen en la fatiga del conductor, la velocidad, el clima y los factores temporales.
• Los sistemas de seguimiento existentes a menudo carecen de una evaluación exhaustiva de los riesgos.
• Se necesitan sistemas avanzados para identificar y mitigar proactivamente los riesgos de conducción.

Objetivo del estudio:

• Diseñar y evaluar un sistema de seguimiento difuso del conductor (FDMS, por sus siglas en inglés) para la detección automática de conductas de conducción peligrosas.
• Mejorar la seguridad vial mediante la integración de múltiples parámetros críticos de conducción en un modelo de evaluación de riesgos.
• Mejorar la precisión y fiabilidad de los sistemas de vigilancia del conductor.

Principales métodos:

• Desarrolló un FDMS que incorpora una lógica difusa para evaluar los riesgos de conducción.
• Utilizado BlazeFace para la detección de la cara del conductor y el aprendizaje profundo (LSTM, CNN) para la estimación de la somnolencia.
• Velocidad del vehículo integrada, somnolencia del conductor, clima, día de la semana y hora del día como parámetros de entrada.
• Se ha creado una interfaz gráfica de usuario (GUI) para la visualización de datos en tiempo real y la indicación del nivel de riesgo.

Principales resultados:

• El FDMS evaluó con precisión los niveles de riesgo de conducción en condiciones simuladas y reales.
• El algoritmo de detección de somnolencia logró una precisión del 70,46%, con una puntuación F1 del 71,64% y un AUC del 0,75.
• El sistema demostró una precisión del 77,5% al proporcionar alertas reales a los conductores, lo que confirma su aplicabilidad en el mundo real.

Conclusiones:

• El FDMS detecta con precisión las condiciones de conducción de alto riesgo con una estimación oportuna y precisa del riesgo.
• La incorporación de múltiples factores de riesgo mejora significativamente la precisión de las predicciones para la prevención de accidentes.
• El sistema muestra un gran potencial para reducir los accidentes de tráfico a través de advertencias proactivas al conductor.