Kann man die Müdigkeit von Fahrern in Echtzeit mit fast perfekter Genauigkeit erkennen?

Einschlafen am Steuer bleibt eine der Hauptursachen für tödliche Unfälle weltweit. Jedes Jahr verursacht es Tausende von Todesfällen und wirtschaftliche Verluste von über hundert Milliarden Dollar. Ein neuer Ansatz auf Basis von künstlicher Intelligenz und Computer Vision könnte dies ändern, indem er Müdigkeitsanzeichen erkennt, bevor es zu spät ist.

Forscher haben ein System entwickelt, das in Echtzeit erste Anzeichen von Müdigkeit bei Fahrern erkennen kann. Im Gegensatz zu herkömmlichen Methoden, die das Fahrzeugverhalten analysieren oder invasive Sensoren erfordern, nutzt diese Lösung eine einfache eingebaute Kamera. Sie beobachtet Gesichtsbewegungen wie Augenblinzeln, Gähnen oder das Neigen des Kopfes. Diese oft subtilen Anzeichen verraten einen Vigilanzverlust lange bevor der Fahrer die Kontrolle verliert.

Das Herzstück des Systems besteht aus einem hybriden Modell, das zwei KI-Technologien kombiniert: konvolutionelle neuronale Netze und visuelle Transformer. Erstere sind hervorragend geeignet, um lokale Details wie die Augenform oder die Mundposition zu analysieren. Letztere erfassen die Zusammenhänge zwischen diesen Elementen über einen längeren Zeitraum, was es ermöglicht, die Entwicklung der Müdigkeit Minute für Minute zu verfolgen. Dieser doppelte Ansatz macht das System besonders effektiv, um zwischen einer einfachen Ablenkung und tiefer Müdigkeit zu unterscheiden.

Um eine zuverlässige Erkennung unter allen Bedingungen zu gewährleisten, wurde das Modell mit über einer Million Fahrvideos trainiert. Es hat gelernt, Müdigkeitsanzeichen selbst bei schlechten Lichtverhältnissen, abrupten Bewegungen oder partiellen Hindernissen wie Sonnenbrillen zu erkennen. Eine Selbstlerntechnik mit nicht gekennzeichneten Daten verbesserte seine Robustheit weiter, während ein zeitlicher Aufmerksamkeitsmechanismus sowohl Mikroexpressionen als auch Trends über mehrere Minuten analysiert.

Die Ergebnisse sind beeindruckend: Das System erreicht eine Genauigkeit von 99,3 % bei einer Latenz von nur 42 Millisekunden. Es funktioniert in Echtzeit auf eingebetteten Computern, wie sie in autonomen Fahrzeugen verwendet werden, ohne zu verlangsamen oder zu viel Energie zu verbrauchen. Visuelle Erklärungstools zeigen, dass es sich auf relevante Hinweise wie das allmähliche Schließen der Augenlider oder das Absinken des Kopfes stützt und nicht auf Artefakte ohne Bezug zur Müdigkeit.

Dieses System könnte auch in anderen Bereichen eingesetzt werden, in denen Wachsamkeit entscheidend ist, wie in der Luftfahrt oder der industriellen Überwachung. Sein Hauptvorteil liegt in der Fähigkeit, zu warnen, bevor Müdigkeit gefährlich wird, und bietet eine nicht-invasive und skalierbare Lösung. Tests an sechs verschiedenen Datenbanken bestätigen seine Wirksamkeit in unterschiedlichen Situationen, vom Tageslicht bis zur Dunkelheit.

Die Herausforderung geht über die reine technische Leistung hinaus. Durch die Reduzierung von Unfällen aufgrund von Müdigkeit könnte diese Technologie Leben retten und Milliarden von Dollar an Schäden pro Jahr vermeiden. Ihre Einführung wirft jedoch Fragen zum Datenschutz und zur Fairness auf, da Müdigkeitsanzeichen je nach Individuum variieren können. Die Entwickler haben Schutzmechanismen integriert, um die Vertraulichkeit der Bilder zu gewährleisten und Verzerrungen zu begrenzen, doch eine kontinuierliche Überwachung wird erforderlich sein, um daraus ein universell zuverlässiges Werkzeug zu machen.

Optimiert für den eingebetteten Einsatz ebnet dieses System den Weg für sicherere Fahrzeuge, die Fahrer selbst vor ihren eigenen Grenzen schützen können. Seine breite Akzeptanz wird nun von der Integration in die Vorschriften und der Annahme durch die Nutzer abhängen, die wissen, dass die Technologie über ihre Sicherheit wacht, ohne in ihre Privatsphäre einzugreifen.

Bases documentaires

Rapport de référence

DOI : https://doi.org/10.1186/s43067-026-00335-z

Titre : Enhancing road safety through deep learning-based drowsiness detection using vision AI

Revue : Journal of Electrical Systems and Information Technology

Éditeur : Springer Science and Business Media LLC

Auteurs : Godfrey Perfectson OISE; Prosper Otega EJENARHOME; Abiodun Samuel OYEDOTUN