Recherche sur la détection de somnolence des opérateurs d’UAV basée sur la méthode de forêt d’arbres de décision aléatoires

Pourquoi il est important de maintenir les pilotes de drone éveillés

À mesure que les drones accomplissent davantage de tâches — de l’inspection des lignes électriques au soutien des missions de sauvetage — les personnes qui les pilotent depuis le sol doivent rester pleinement concentrées. Pourtant, les missions longues, les écrans monotones et les postes de nuit peuvent pousser insidieusement les opérateurs vers la somnolence, augmentant le risque d’erreurs coûteuses voire mortelles. Cet article examine comment un système basé sur caméra peut surveiller le visage du pilote en temps réel et utiliser une méthode d’apprentissage automatique transparente pour déterminer quand quelqu’un devient trop somnolent pour piloter en toute sécurité.

Trois manières de repérer un opérateur somnolent

Les auteurs commencent par présenter trois grandes familles de détection de la somnolence. La première observe le comportement du véhicule : zigzags dans la voie, dérive de la trajectoire ou augmentation des erreurs de commande. Une autre surveille des signaux corporels et cérébraux, tels que les ondes cérébrales, le rythme cardiaque, la respiration ou la conductance de la peau. Ces approches peuvent être précises mais exigent souvent le port de capteurs, ce qui peut être inconfortable et peu pratique dans des salles de contrôle réelles. La troisième famille observe le comportement externe : la fréquence des clignements, la durée des yeux fermés, les bâillements et l’inclinaison de la tête. Parce que les caméras peuvent capturer ces informations sans contact avec l’opérateur, les méthodes comportementales sont particulièrement attractives pour les centres de contrôle de drones.

Lire les signes sur le visage

Le système développé dans cette étude se concentre sur quelques indices faciaux que des recherches antérieures associent à la somnolence. Une bibliothèque de vision par ordinateur suit des points 3D sur le visage de l’opérateur dans un flux vidéo en direct. À partir de ces repères, le programme calcule le « ratio d’aspect de l’œil » pour évaluer à quel point les yeux sont ouverts, la fraction du temps pendant laquelle les yeux restent majoritairement fermés sur une minute (une mesure bien connue appelée PERCLOS), l’ouverture de la bouche et l’inclinaison de la tête vers l’avant, l’arrière ou les côtés. Le logiciel s’exécute assez rapidement sur du matériel grand public pour fournir un retour quasi temps réel, et il enregistre également toutes les mesures pour une analyse ultérieure.

Une règle simple avec un secours intelligent

Pour décider si un pilote est somnolent, les auteurs combinent une règle éprouvée avec un modèle plus flexible. Le PERCLOS, qui bénéficie d’un solide appui dans la recherche sur le sommeil et la sécurité, sert de gardien principal : des valeurs très faibles indiquent la vigilance, des valeurs très élevées indiquent la somnolence. Lorsque le PERCLOS se situe dans une zone intermédiaire, le système fait appel à un classifieur en forêt aléatoire qui considère simultanément l’ouverture des yeux, l’ouverture de la bouche et l’inclinaison de la tête. Une forêt aléatoire est un ensemble de nombreux petits arbres de décision, chacun votant sur l’état ; leur vote combiné détermine le résultat. Le système lisse aussi les décisions sur une courte fenêtre temporelle, de sorte qu’une seule image aberrante ne déclenche pas une alarme inutile.

Voir à l’intérieur du raisonnement du modèle

À la différence de nombreux systèmes de deep learning jouant le rôle de « boîtes noires » opaques, une forêt aléatoire peut être sondée pour révéler comment elle parvient à ses décisions. Les auteurs ont entraîné leur modèle sur un jeu de données vidéo largement utilisé pour la somnolence au volant et l’ont testé à la fois sur des sujets mis de côté de ce jeu et sur une base de données distincte. Les performances étaient solides, le système ayant une plus grande tendance à générer une fausse alarme qu’à manquer un opérateur réellement somnolent — un compromis plus sûr en aviation. En traçant l’évolution du risque prédit lorsque chaque caractéristique varie, ils montrent, par exemple, que de très petites ouvertures des yeux poussent fortement le modèle vers un verdict de somnolence, tandis que des inclinaisons extrêmes de la tête deviennent suspectes seulement au-delà d’un certain angle. Une analyse de l’importance des caractéristiques confirme que l’ouverture des yeux domine le jugement du modèle, l’ouverture de la bouche et l’inclinaison de la tête jouant des rôles secondaires.

Ce que cela signifie pour des vols de drones plus sûrs

L’étude conclut qu’un système de surveillance faciale interprétable, ancré par une mesure validée de la fermeture des paupières et soutenu par une forêt aléatoire, peut signaler de manière fiable la somnolence des opérateurs de drones sans les relier à des instruments médicaux. En même temps, le modèle transparent met en évidence des biais et des lacunes dans les données d’entraînement, orientant les améliorations futures — par exemple, en ajoutant des sujets plus variés, des conditions d’éclairage différentes et des signaux supplémentaires provenant du drone lui‑même. En termes simples, ce travail montre une voie vers une surveillance de sécurité de type cockpit pour les pilotes à distance, à la fois pratique à déployer et ouverte à l’inspection, aidant les organisations à faire confiance et à affiner la technologie qui veille sur leurs équipes.

Citation: 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

Mots-clés: détection de la somnolence, opérateurs de drones, surveillance faciale, forêt aléatoire, sécurité du vol