Forschung zur Müdigkeitserkennung bei UAV‑Bedienern basierend auf der Methode des zufälligen Entscheidungswaldes

Warum es wichtig ist, Drohnenpiloten wach zu halten

Da Drohnen immer mehr Aufgaben übernehmen – von der Inspektion von Freileitungen bis zur Unterstützung von Rettungseinsätzen – müssen die Personen, die sie vom Boden aus steuern, konzentriert bleiben. Lange Einsätze, monotone Bildschirme und Nachtschichten können Bediener jedoch schleichend in Müdigkeit treiben und so das Risiko kostspieliger oder sogar tödlicher Fehler erhöhen. Dieser Beitrag untersucht, wie ein kamerasystem das Geschehen im Gesicht eines Piloten in Echtzeit überwachen und mit einer transparenten Methode des maschinellen Lernens entscheiden kann, wann jemand zu schläfrig ist, um sicher zu fliegen.

Drei Ansätze, um einen müden Bediener zu erkennen

Die Autoren skizzieren zunächst drei große Familien der Müdigkeitserkennung. Der eine betrachtet das Verhalten des Fahrzeugs: Schwanken innerhalb einer Spur, Abdriften oder vermehrte Steuerfehler. Ein anderer überwacht Signale aus Körper und Gehirn, wie Gehirnwellen, Herzrhythmus, Atmung oder Hautleitfähigkeit. Diese Ansätze können genau sein, erfordern aber oft das Tragen von Sensoren, was unbequem und in realen Kontrollräumen unpraktisch ist. Die dritte Gruppe beobachtet das äußere Verhalten: wie oft jemand blinzelt, wie lange die Augen geschlossen bleiben, ob er gähnt und wie der Kopf geneigt ist. Da Kameras diese Informationen berührungslos erfassen können, sind Verhaltensmethoden für Drohnensteuerzentralen besonders attraktiv.

Gesichtssignale lesen

Das in dieser Studie entwickelte System konzentriert sich auf einige wenige Gesichtsmerkmale, die frühere Untersuchungen mit Müdigkeit in Verbindung bringen. Eine Computer‑Vision‑Bibliothek verfolgt 3D‑Punkte im Gesicht des Bedieners im Live‑Video. Aus diesen Landmarken berechnet das Programm das „Eye Aspect Ratio“, um die Augenöffnung zu messen, den Anteil der Zeit, in der die Augen innerhalb einer Minute größtenteils geschlossen bleiben (ein bekanntes Maß, PERCLOS), wie weit der Mund geöffnet ist und wie stark der Kopf nach vorn, hinten oder zur Seite geneigt ist. Die Software läuft schnell genug auf Consumer‑Hardware, um nahezu in Echtzeit Rückmeldung zu geben, und speichert alle Messwerte zur späteren Analyse.

Eine einfache Regel mit intelligenter Absicherung

Um zu entscheiden, ob ein Pilot schläfrig ist, kombinieren die Autoren eine bewährte Regel mit einem flexibleren Modell. PERCLOS, das in der Schlaf‑ und Sicherheitsforschung gut abgesichert ist, dient als primärer Torwächter: sehr niedrige Werte deuten auf Wachheit, sehr hohe Werte auf Müdigkeit hin. Wenn PERCLOS in einem Zwischenbereich liegt, greift das System auf einen Random‑Forest‑Klassifikator zurück, der Augenöffnung, Mundöffnung und Kopfneigung gemeinsam betrachtet. Ein Random Forest besteht aus vielen kleinen Entscheidungsbäumen, die jeweils eine Stimme abgeben; die kombinierte Abstimmung bestimmt das Ergebnis. Das System glättet Entscheidungen außerdem über ein kurzes Zeitfenster, sodass ein einzelnes ungewöhnliches Frame keinen unnötigen Alarm auslöst.

Einblick in das Denken des Modells

Im Gegensatz zu vielen Deep‑Learning‑Systemen, die als undurchsichtige „Black Boxes“ agieren, lässt sich ein Random Forest untersuchen, um zu zeigen, wie er zu seinen Entscheidungen gelangt. Die Autoren trainierten ihr Modell an einem weit verbreiteten Video‑Datensatz zur Fahrermüdigkeit und testeten es sowohl an ausgesparten Personen aus diesem Set als auch an einer separaten Datenbank. Die Leistung war solide: Das System löste eher einen Fehlalarm aus, als dass es einen tatsächlich schläfrigen Bediener übersah – eine sicherere Abwägung in der Luftfahrt. Durch das Auftragen, wie sich das vorhergesagte Risiko mit den einzelnen Merkmalen ändert, zeigen sie beispielsweise, dass sehr kleine Augenöffnungen das Modell stark in Richtung Müdigkeit treiben, während extreme Kopfneigungen erst jenseits eines bestimmten Winkels verdächtig werden. Eine Analyse der Merkmalswichtigkeit bestätigt, dass die Augenöffnung die Bewertung des Modells dominiert, während Mundöffnung und Kopfneigung unterstützende Rollen spielen.

Was das für sicherere Drohnenflüge bedeutet

Die Studie kommt zu dem Schluss, dass ein interpretierbares Gesichtüberwachungssystem, das an einem gut validierten Lid‑Schluss‑Maß verankert und durch einen Random Forest gestützt ist, Müdigkeit bei Drohnenpiloten zuverlässig erkennen kann, ohne sie an medizinische Instrumente anschließen zu müssen. Zugleich macht das transparente Modell Verzerrungen und Lücken in den Trainingsdaten sichtbar und weist so, wie künftige Systeme verbessert werden sollten – etwa durch die Aufnahme vielfältigerer Probanden, Beleuchtungsbedingungen und zusätzlicher Signale von der Drohne selbst. Einfach gesagt zeigt diese Arbeit einen Weg zu einer cockpitähnlichen Sicherheitsüberwachung für Fernpiloten auf, die sich praktisch einführen lässt und offen überprüfbar ist, sodass Organisationen der Technik vertrauen und sie weiter verfeinern können.

Zitation: Wojtowicz, K., Wojciechowski, P. & Panasiewicz, A. Research on drowsiness detection in UAV operators based on the random decision forest method. Sci Rep 16, 9726 (2026). https://doi.org/10.1038/s41598-026-39195-y

Schlüsselwörter: Müdigkeitserkennung, Drohnenpiloten, Gesichtsüberwachung, Random Forest, Flugsicherheit