Einschlafen am Steuer bleibt eine der Hauptursachen f\u00fcr t\u00f6dliche Unf\u00e4lle weltweit. Jedes Jahr verursacht es Tausende von Todesf\u00e4llen und wirtschaftliche Verluste von \u00fcber hundert Milliarden Dollar. Ein neuer Ansatz auf Basis von k\u00fcnstlicher Intelligenz und Computer Vision k\u00f6nnte dies \u00e4ndern, indem er M\u00fcdigkeitsanzeichen erkennt, bevor es zu sp\u00e4t ist.<\/p>\n
Forscher haben ein System entwickelt, das in Echtzeit erste Anzeichen von M\u00fcdigkeit bei Fahrern erkennen kann. Im Gegensatz zu herk\u00f6mmlichen Methoden, die das Fahrzeugverhalten analysieren oder invasive Sensoren erfordern, nutzt diese L\u00f6sung eine einfache eingebaute Kamera. Sie beobachtet Gesichtsbewegungen wie Augenblinzeln, G\u00e4hnen oder das Neigen des Kopfes. Diese oft subtilen Anzeichen verraten einen Vigilanzverlust lange bevor der Fahrer die Kontrolle verliert.<\/p>\n
Das Herzst\u00fcck 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 Zusammenh\u00e4nge zwischen diesen Elementen \u00fcber einen l\u00e4ngeren Zeitraum, was es erm\u00f6glicht, die Entwicklung der M\u00fcdigkeit Minute f\u00fcr Minute zu verfolgen. Dieser doppelte Ansatz macht das System besonders effektiv, um zwischen einer einfachen Ablenkung und tiefer M\u00fcdigkeit zu unterscheiden.<\/p>\n
Um eine zuverl\u00e4ssige Erkennung unter allen Bedingungen zu gew\u00e4hrleisten, wurde das Modell mit \u00fcber einer Million Fahrvideos trainiert. Es hat gelernt, M\u00fcdigkeitsanzeichen selbst bei schlechten Lichtverh\u00e4ltnissen, abrupten Bewegungen oder partiellen Hindernissen wie Sonnenbrillen zu erkennen. Eine Selbstlerntechnik mit nicht gekennzeichneten Daten verbesserte seine Robustheit weiter, w\u00e4hrend ein zeitlicher Aufmerksamkeitsmechanismus sowohl Mikroexpressionen als auch Trends \u00fcber mehrere Minuten analysiert.<\/p>\n
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 Erkl\u00e4rungstools zeigen, dass es sich auf relevante Hinweise wie das allm\u00e4hliche Schlie\u00dfen der Augenlider oder das Absinken des Kopfes st\u00fctzt und nicht auf Artefakte ohne Bezug zur M\u00fcdigkeit.<\/p>\n
Dieses System k\u00f6nnte auch in anderen Bereichen eingesetzt werden, in denen Wachsamkeit entscheidend ist, wie in der Luftfahrt oder der industriellen \u00dcberwachung. Sein Hauptvorteil liegt in der F\u00e4higkeit, zu warnen, bevor M\u00fcdigkeit gef\u00e4hrlich wird, und bietet eine nicht-invasive und skalierbare L\u00f6sung. Tests an sechs verschiedenen Datenbanken best\u00e4tigen seine Wirksamkeit in unterschiedlichen Situationen, vom Tageslicht bis zur Dunkelheit.<\/p>\n
Die Herausforderung geht \u00fcber die reine technische Leistung hinaus. Durch die Reduzierung von Unf\u00e4llen aufgrund von M\u00fcdigkeit k\u00f6nnte diese Technologie Leben retten und Milliarden von Dollar an Sch\u00e4den pro Jahr vermeiden. Ihre Einf\u00fchrung wirft jedoch Fragen zum Datenschutz und zur Fairness auf, da M\u00fcdigkeitsanzeichen je nach Individuum variieren k\u00f6nnen. Die Entwickler haben Schutzmechanismen integriert, um die Vertraulichkeit der Bilder zu gew\u00e4hrleisten und Verzerrungen zu begrenzen, doch eine kontinuierliche \u00dcberwachung wird erforderlich sein, um daraus ein universell zuverl\u00e4ssiges Werkzeug zu machen.<\/p>\n
Optimiert f\u00fcr den eingebetteten Einsatz ebnet dieses System den Weg f\u00fcr sicherere Fahrzeuge, die Fahrer selbst vor ihren eigenen Grenzen sch\u00fctzen k\u00f6nnen. Seine breite Akzeptanz wird nun von der Integration in die Vorschriften und der Annahme durch die Nutzer abh\u00e4ngen, die wissen, dass die Technologie \u00fcber ihre Sicherheit wacht, ohne in ihre Privatsph\u00e4re einzugreifen.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1186\/s43067-026-00335-z<\/a><\/p>\n Titre\u00a0:<\/strong> Enhancing road safety through deep learning-based drowsiness detection using vision AI<\/p>\n Revue : <\/strong> Journal of Electrical Systems and Information Technology<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Godfrey Perfectson OISE; Prosper Otega EJENARHOME; Abiodun Samuel OYEDOTUN<\/p>\n","protected":false},"excerpt":{"rendered":" Kann man die M\u00fcdigkeit von Fahrern in Echtzeit mit fast perfekter Genauigkeit erkennen? Einschlafen am Steuer bleibt eine der Hauptursachen f\u00fcr t\u00f6dliche Unf\u00e4lle weltweit. Jedes Jahr verursacht es Tausende von Todesf\u00e4llen und wirtschaftliche Verluste von \u00fcber hundert Milliarden Dollar. Ein neuer Ansatz auf Basis von k\u00fcnstlicher Intelligenz und Computer Vision k\u00f6nnte dies \u00e4ndern, indem er… Kann man die M\u00fcdigkeit von Fahrern in Echtzeit mit fast perfekter Genauigkeit erkennen?<\/span> weiterlesen<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6,4],"tags":[],"class_list":["post-20","post","type-post","status-publish","format-standard","hentry","category-international","category-mensch-humanitaer","entry"],"_links":{"self":[{"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/posts\/20","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/comments?post=20"}],"version-history":[{"count":1,"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/posts\/20\/revisions"}],"predecessor-version":[{"id":21,"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/posts\/20\/revisions\/21"}],"wp:attachment":[{"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/media?parent=20"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/categories?post=20"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/theroboticsreview.com\/de\/wp-json\/wp\/v2\/tags?post=20"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}