Ricerca sul rilevamento della sonnolenza negli operatori di UAV basata sul metodo della foresta decisionale casuale

Perché è importante mantenere svegli i piloti di droni

Man mano che i droni svolgono sempre più compiti — dall’ispezione di linee elettriche al supporto nelle missioni di soccorso — le persone che li controllano da terra devono restare estremamente concentrate. Tuttavia missioni lunghe, schermi ripetitivi e turni notturni possono spingere silenziosamente gli operatori verso la sonnolenza, aumentando il rischio di errori costosi o persino mortali. Questo articolo esplora come un sistema basato su telecamera possa osservare il volto del pilota in tempo reale e usare un metodo di apprendimento automatico trasparente per decidere quando una persona è troppo assonnata per pilotare in sicurezza.

Tre modi per individuare un operatore assonnato

Gli autori iniziano delineando tre ampie famiglie di metodi per il rilevamento della sonnolenza. Una osserva come si comporta il veicolo: zigzagare nella corsia, deviare dalla rotta o compiere più errori di controllo. Un’altra monitora segnali dal corpo e dal cervello, come onde cerebrali, ritmo cardiaco, respirazione o conducibilità cutanea. Questi approcci possono essere accurati ma spesso richiedono sensori indossabili, che possono risultare scomodi e poco pratici nelle sale di controllo reali. La terza famiglia osserva il comportamento esterno: quanto spesso una persona lampeggia, quanto a lungo gli occhi restano chiusi, se sbadiglia e come si inclina la testa. Poiché le telecamere possono catturare queste informazioni senza contatto con l’operatore, i metodi comportamentali sono particolarmente attraenti per i centri di controllo dei droni.

Leggere i segnali dal volto

Il sistema sviluppato in questo studio si concentra su alcuni indizi facciali che ricerche precedenti collegano alla sonnolenza. Una libreria di visione artificiale traccia punti 3D sul volto dell’operatore in un flusso video live. Da questi punti di riferimento, il programma calcola il “rapporto di aspetto dell’occhio” per valutare quanto gli occhi sono aperti, la frazione di tempo in cui gli occhi restano per lo più chiusi in un minuto (una misura nota come PERCLOS), l’ampiezza di apertura della bocca e quanto la testa si inclina in avanti, indietro o lateralmente. Il software gira abbastanza rapidamente su hardware consumer da fornire feedback quasi in tempo reale e registra inoltre tutte le misure per analisi successive.

Una regola semplice con un backup intelligente

Per decidere se un pilota è assonnato, gli autori combinano una regola consolidata con un modello più flessibile. PERCLOS, che gode di forte supporto nella ricerca sul sonno e sulla sicurezza, funge da guardiano primario: valori molto bassi indicano attenzione, valori molto alti indicano sonnolenza. Quando PERCLOS è in una fascia intermedia, il sistema ricorre a un classificatore a foresta casuale che considera insieme apertura degli occhi, apertura della bocca e inclinazione della testa. Una foresta casuale è un insieme di molti piccoli alberi decisionali, ciascuno dei quali esprime un voto sullo stato; il voto combinato determina l’esito. Il sistema inoltre leviga le decisioni su una breve finestra temporale, in modo che un singolo fotogramma anomalo non attivi un allarme inutile.

Vedere dentro il ragionamento del modello

A differenza di molti sistemi di deep learning che agiscono come “scatole nere” opache, una foresta casuale può essere esaminata per rivelare come prende le sue decisioni. Gli autori hanno addestrato il loro modello su un dataset video ampiamente usato per la sonnolenza alla guida e lo hanno testato sia su soggetti trattenuti fuori dal set sia su un database separato. Le prestazioni sono state solide, con il sistema più propenso a lanciare falsi allarmi piuttosto che a non rilevare un operatore veramente assonnato — un compromesso più sicuro in aviazione. Tracciando come il rischio predetto cambia al variare di ciascuna caratteristica, mostrano, per esempio, che aperture molto ridotte degli occhi spingono fortemente il modello verso una verdict di sonnolenza, mentre inclinazioni estreme della testa diventano sospette solo oltre un certo angolo. Un’analisi dell’importanza delle caratteristiche conferma che l’apertura degli occhi domina il giudizio del modello, con apertura della bocca e inclinazione della testa che svolgono ruoli di supporto.

Cosa significa per voli di droni più sicuri

Lo studio conclude che un sistema interpretabile di monitoraggio facciale, ancorato a una misura di chiusura palpebrale ben validata e supportato da una foresta casuale, può segnalare in modo affidabile la sonnolenza negli operatori di droni senza collegarli a strumenti medici. Allo stesso tempo, il modello trasparente mette in luce pregiudizi e lacune nei dati di addestramento, indicando come i sistemi futuri debbano essere migliorati — per esempio aggiungendo soggetti più vari, condizioni di illuminazione differenti e segnali addizionali dal drone stesso. In termini pratici, questo lavoro mostra una strada verso un monitoraggio della sicurezza in stile cabina di pilotaggio per piloti remoti che è sia praticabile da implementare sia aperto all’ispezione, aiutando le organizzazioni a fidarsi e perfezionare la tecnologia che veglia sui loro equipaggi.

Citazione: 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

Parole chiave: rilevamento della sonnolenza, operatori di droni, monitoraggio facciale, foresta casuale, sicurezza di volo