שיטה לזיהוי עייפות בנהיגה מבוססת ניתוח תנוחה של הנהג ומצב הפנים

למה נהגים עייפים חשובים לכולנו

רובנו חווינו את העפעפיים שמרגישים כבדים בנסיעה ארוכה, אך מעטים מבינים עד כמה הרגע הזה של נמנום מתפתח לעתים קרובות לתאונה. מאמר זה מתאר מערכת מבוססת מצלמה שמנטרת את פני הנהג, תנוחתו וידיו כדי לזהות סימנים מוקדמים לעייפות ולהנפיק התרעות בזמן, בלי חיבור חיישנים לגוף או שינוי בצורת הנהיגה.

צופים בנהג, לא רק ברכב

רשויות התחבורה מעריכות שעייפות מעורבת בחלק גדול מהתאונות החמורות ברחבי העולם. מערכות אזהרה מסורתיות התמקדו באיתותים מהרכב, כגון תיקוני הגה או סטיות מנתיב, או בחיישנים בסגנון רפואי שמנטרים פעילות מוחית או לבבית. שיטות אלה עלולות להיות יקרות, לא נוחות או בלתי אמינות כשהנהגים או תנאי הדרך שונים. המחקר מתבסס במקום זאת על וידאו שגרתי מצלמות קטנות בתוך הרכב כדי לקרוא את התנהגות הנהג ישירות, תוך שימוש בבינה מלאכותית מודרנית לפרש את מה שנצפה.

קוראים עיניים, פה, ראש וידיים

החוקרים מפרקים תחילה כיצד נראית נהיגה עייפה במונחים יומיומיים. סימני אזהרה כוללים מצמוצים איטיים וארוכים יותר, פיהוקים חוזרים, ראש נפול או מוטה, וידיים שמחליקות מההגה. באמצעות שיטת הערכת תנוחה בשם AlphaPose, המערכת עוקבת אחרי 119 נקודות מפתח בגוף הנהג, במיוחד סביב העיניים, הפה, הראש והפרקים. מנקודות אלה היא מחשבת מדדים פשוטים, כגון כמה רחובות העיניים והפה פתוחים וכמה הוטה או ירד הראש ביחס לצוואר ולעיניים. היא גם בודקת האם כל פרק כף-יד נשאר קרוב להגה לאורך זמן או נוטה להתרחק, רמז לכך שהנהג כבר לא שולט בצורה איתנה.

צפייה מזוויות שונות לאורך זמן

מאחר שצילום בודד עלול להטעות, המערכת בוחנת קטעי וידאו קצרים במקום פריימים מבודדים. למשל, מצמוץ רגיל אחד עלול להידמות לסגירת עין בשל נמנום, ומבט מהיר ללוח המחוונים עלול להיראות כנטייה להירדם אם נבחן לבד. כדי להימנע מטעויות כאלה, השיטה מנתחת שינויים לאורך לפחות 20 פריימים עוקבים, ומאתרת האם רמזי העייפות מתקיימים באופן מתמשך. היא גם משתמשת בשלוש זוויות צילום מה-Driving Monitoring Dataset: מבט קדמי של הפנים, מבט צד של החלק העליון של הגוף ומבט קרוב של הידיים. יחד זוויות אלה מחזקות את המערכת כשהפנים מוסתרות חלקית על ידי משקפיים, אור שמש חזק, טשטוש תנועה או סיבובי ראש.

זיהוי חכם מתחת למכסה

מאחורי הקלעים המערכת מורכבת משני חלקים עיקריים. ראשית, מאתר עצמים מהיר בשם YOLOv11n* מזהה את הנהג בכל פריים כדי ש-AlphaPose תוכל לסמן נקודות מפתח בגוף בדיוק. המחברים משפרים את המאבחן הזה באמצעות בלוק מיוחד של hybrid pooling שעוזר לרשת להבין גם הקשר רחב וגם פרטים עדינים כמו עיניים ואצבעות. שנית, מיקומים ונקודות ביטחון של כל נקודות המפתח הממועדות מוזנות לרשת LSTM (Long Short-Term Memory), סוג של מודל המותאם לרצפים. ה-LSTM לומד כיצד שילובים של שינויים בעיניים, בפה, בראש ובידיים מתגלים לאורך זמן כאשר הנהג ער, מעט עייף או מותש באופן חמור, והוא מפיק את ההסתברות לכל רמת עייפות בחלון הזמן הנוכחי.

כמה טוב המערכת עובדת בפועל

הצוות בחן את הגישה שלהם על מאגר וידאו ציבורי גדול מתוך הרכב, ואימן והעריך את המודלים על אלפי תמונות וקטעי וידאו מתוייגים. בהשוואה למספר שיטות למידת עומק מובילות, כולל קומבינציות אחרות של רשתות קונבולוציה, טרנספורמרים ו-LSTM, מסגרת AlphaPose*–LSTM שהוצעה השיגה את הדיוק, הדיוק החיובי ו-score F1 המדווחים הגבוהים ביותר. היא גם רצה במהירות מתאימה לשימוש כמעט בזמן-אמת: לאחר עיבוד 20 הפריימים הראשונים, ניתן לעדכן הערכות עייפות חדשות בערך כל 48 מילישניות, מה שמתאים לניטור רציף ברכבים בתנועה.

מה המשמעות לזה בנהיגה היומיומית

במלים פשוטות, המחקר מראה שרכב יכול להשתמש במצלמות ותוכנה חכמה כדי לעקוב אחרי סימני אזהרה של נהג עייף, ולשלב שינויים קלים בעיניים, בפה, בראש ובידיים לתמונה מהימנה של ערנות. המערכת הנוכחית מכוונת לתנאי יום ותצטרך התאמות ללילה או לסביבות אחרות, אך הממצאים מציעים שניטור מבוסס ראייה שאינו חודרני עשוי להפוך לתכונת בטיחות מעשית. בזיהוי מוקדם של עייפות ועידוד הנהגים להפסיק לקחת הפסקה, טכנולוגיה כזו עשויה לסייע במניעת תאונות רבות שמתרחשות כיום פשוט כי מישהו היה עייף מדי כדי להישאר ער־מלא מאחורי ההגה.

ציטוט: Hao, Y., Sun, X., Liu, H. et al. A fatigue driving detection method based on driver posture and facial state analysis. Sci Rep 16, 15159 (2026). https://doi.org/10.1038/s41598-026-44994-4

מילות מפתח: עייפות נהג, נהיגה נרדמת, מוניטורינג של נהג, ראייה ממוחשבת, בטיחות בדרכים