Badania nad wykrywaniem senności u operatorów UAV w oparciu o metodę losowego lasu decyzyjnego

Dlaczego ważne jest, by piloci dronów pozostawali przytomni

W miarę jak drony przejmują coraz więcej zadań — od inspekcji linii energetycznych po wsparcie akcji ratunkowych — osoby sterujące nimi z ziemi muszą zachować pełne skupienie. Jednak długie misje, monotonia ekranów i nocne zmiany mogą po cichu doprowadzić operatorów do senności, zwiększając ryzyko kosztownych, a nawet śmiertelnych błędów. W artykule badano, jak system oparty na kamerze może w czasie rzeczywistym obserwować twarz pilota i wykorzystać przejrzystą metodę uczenia maszynowego do określenia, kiedy ktoś jest zbyt senny, by bezpiecznie pilotować.

Trzy sposoby wykrywania sennego operatora

Autorzy zaczynają od przedstawienia trzech szerokich grup metod wykrywania senności. Jedna analizuje zachowanie pojazdu: chwianie się w pasie, zboczenie z kursu lub wzrost liczby błędów sterowania. Druga monitoruje sygnały z ciała i mózgu, takie jak fale mózgowe, rytm serca, oddychanie czy przewodnictwo skóry. Te podejścia mogą być dokładne, ale często wymagają noszenia czujników, co bywa niewygodne i niepraktyczne w prawdziwych centrach kontroli. Trzecia grupa obserwuje zachowania zewnętrzne: częstość mrugnięć, czas trwania zamknięcia oczu, ziewanie czy nachylenie głowy. Ponieważ kamery rejestrują te informacje bezkontaktowo, metody behawioralne są szczególnie atrakcyjne dla centrów kontroli dronów.

Odczytywanie sygnałów z twarzy

System opracowany w tym badaniu koncentruje się na kilku wskazówkach z twarzy, które wcześniejsze badania łączą z sennością. Biblioteka komputerowego widzenia śledzi trójwymiarowe punkty na twarzy operatora w strumieniu wideo na żywo. Z tych punktów program oblicza „współczynnik kształtu oka” (eye aspect ratio), aby ocenić stopień otwarcia oczu, udział czasu, w którym oczy przez większość minuty pozostają zamknięte (znany wskaźnik PERCLOS), szerokość otwarcia ust oraz kąt odchylenia głowy do przodu, tyłu lub na boki. Oprogramowanie działa wystarczająco szybko na sprzęcie konsumenckim, by dostarczać niemal w czasie rzeczywistym informacji zwrotnej, a jednocześnie rejestruje wszystkie pomiary do późniejszej analizy.

Prosta reguła z inteligentnym zapleczem

Aby zdecydować, czy pilot jest senny, autorzy łączą zaufaną regułę z bardziej elastycznym modelem. PERCLOS, który ma silne poparcie w badaniach nad snem i bezpieczeństwem, służy jako główny strażnik: bardzo niskie wartości wskazują na czujność, bardzo wysokie na senność. Gdy PERCLOS znajduje się w zakresie pośrednim, system sięga po klasyfikator lasu losowego, który bierze pod uwagę jednocześnie otwarcie oczu, otwarcie ust i odchylenie głowy. Las losowy to zbiór wielu niewielkich drzew decyzyjnych, z których każde oddaje swój głos; wynik zbiorowy decyduje o etykiecie. System dodatkowo wygładza decyzje w krótkim oknie czasowym, tak by pojedyncza nietypowa klatka nie wywołała niepotrzebnego alarmu.

Zajrzeć w proces myślowy modelu

W przeciwieństwie do wielu systemów głębokiego uczenia, które działają jako nieprzejrzyste „czarne skrzynki”, las losowy można badać, by ujawnić, jak dochodzi do decyzji. Autorzy trenowali swój model na powszechnie używanym zbiorze wideo dotyczącym senności podczas prowadzenia i testowali go zarówno na osobach wyodrębnionych z tego zestawu, jak i na odrębnej bazie danych. Wyniki były solidne: system częściej podnosił fałszywy alarm niż przeoczył rzeczywiście szennego operatora — bezpieczniejszy kompromis w lotnictwie. Poprzez wykresy pokazujące, jak przewidywane ryzyko zmienia się wraz z wartością poszczególnych cech, autorzy ilustrują na przykład, że bardzo małe otwarcie oczu silnie skłania model ku orzeczeniu o senności, podczas gdy ekstremalne odchylenia głowy stają się podejrzane dopiero poza pewnym kątem. Analiza ważności cech potwierdza, że otwarcie oczu dominuje w ocenie modelu, a otwarcie ust i odchylenie głowy pełnią role wspomagające.

Co to oznacza dla bezpieczniejszych lotów dronów

Badanie konkluduje, że interpretableczny system monitorowania twarzy, oparty na dobrze zweryfikowanym wskaźniku zamknięcia powiek i wspierany przez las losowy, może wiarygodnie sygnalizować senność operatorów dronów bez konieczności podłączania ich do urządzeń medycznych. Jednocześnie przejrzysty model ujawnia uprzedzenia i luki w danych treningowych, wskazując, jak należy udoskonalać przyszłe systemy — na przykład przez dodanie większej różnorodności uczestników, warunków oświetleniowych oraz dodatkowych sygnałów pochodzących od samego drona. Mówiąc prościej, praca ta pokazuje drogę do wprowadzenia nadzorowania bezpieczeństwa w stylu kokpitu dla pilotów zdalnych, które jest praktyczne w wdrożeniu i otwarte na inspekcję, co pomaga organizacjom zaufać i udoskonalać technologię nadzorującą ich załogi.

Cytowanie: 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

Słowa kluczowe: wykrywanie senności, operatorzy dronów, monitorowanie twarzy, las losowy, bezpieczeństwo lotu