Pesquisa sobre detecção de sonolência em operadores de UAV baseada no método de floresta de decisão aleatória

Por que manter pilotos de drone acordados é importante

À medida que drones assumem mais tarefas — desde inspeção de linhas de transmissão até apoio a missões de resgate — as pessoas que os controlam a partir do solo precisam permanecer altamente focadas. Ainda assim, missões longas, telas repetitivas e turnos noturnos podem, silenciosamente, levar operadores à sonolência, aumentando o risco de erros custosos ou até fatais. Este artigo explora como um sistema baseado em câmera pode observar o rosto do piloto em tempo real e usar um método de aprendizado de máquina transparente para decidir quando alguém está ficando sonolento demais para voar com segurança.

Três maneiras de detectar um operador sonolento

Os autores começam delineando três amplas famílias de detecção de sonolência. Uma observa como o veículo se comporta: zigzagando na pista, desviando da rota ou cometendo mais erros de controle. Outra monitora sinais do corpo e do cérebro, como ondas cerebrais, ritmo cardíaco, respiração ou condutância da pele. Essas abordagens podem ser precisas, mas frequentemente exigem que as pessoas usem sensores, o que pode ser desconfortável e impraticável em salas de controle reais. A terceira família observa o comportamento externo: com que frequência alguém pisca, quanto tempo os olhos permanecem fechados, se boceja e como inclina a cabeça. Como câmeras podem capturar essas informações sem contato com o operador, métodos comportamentais são especialmente atraentes para centros de controle de drones.

Lendo sinais no rosto

O sistema desenvolvido neste estudo foca em um punhado de pistas faciais que pesquisas anteriores associam à sonolência. Uma biblioteca de visão computacional rastreia pontos 3D no rosto do operador em um feed de vídeo ao vivo. A partir desses marcos, o programa calcula a “relação de aspecto do olho” para avaliar o quão abertos os olhos estão, a fração do tempo em que os olhos permanecem majoritariamente fechados ao longo de um minuto (uma medida bem conhecida chamada PERCLOS), quão aberta a boca fica e o quanto a cabeça se inclina para frente, para trás ou para os lados. O software roda rápido o bastante em hardware de consumo para fornecer feedback quase em tempo real e também registra todas as medições para análise posterior.

Uma regra simples com um respaldo inteligente

Para decidir se um piloto está sonolento, os autores combinam uma regra confiável com um modelo mais flexível. O PERCLOS, que tem forte respaldo em pesquisas sobre sono e segurança, funciona como o guardião primário: valores muito baixos indicam alerta, valores muito altos indicam sonolência. Quando o PERCLOS fica em uma faixa intermediária, o sistema recorre a um classificador de floresta aleatória que analisa abertura dos olhos, abertura da boca e inclinação da cabeça em conjunto. Uma floresta aleatória é um conjunto de muitas pequenas árvores de decisão, cada uma votando sobre o estado; a votação combinada determina o resultado. O sistema também suaviza as decisões ao longo de uma janela de tempo curta, para que um único quadro estranho não dispare um alarme desnecessário.

Vendo o raciocínio por trás do modelo

Diferentemente de muitos sistemas de aprendizado profundo que atuam como “caixas-pretas” opacas, uma floresta aleatória pode ser sondada para revelar como chega às suas decisões. Os autores treinaram seu modelo em um conjunto de vídeos amplamente usado para sonolência ao volante e o testaram tanto em sujeitos retidos desse conjunto quanto em um banco de dados separado. O desempenho foi sólido, com o sistema mais propenso a gerar um alarme falso do que a deixar de detectar um operador genuinamente sonolento — uma troca mais segura na aviação. Ao traçar como o risco previsto muda conforme cada característica varia, eles mostram, por exemplo, que aberturas muito pequenas dos olhos empurram fortemente o modelo para um veredito de sonolência, enquanto inclinações extremas da cabeça se tornam suspeitas apenas além de certo ângulo. Uma análise de importância de características confirma que a abertura dos olhos domina o julgamento do modelo, com abertura da boca e inclinação da cabeça atuando como papéis de apoio.

O que isso significa para voos de drone mais seguros

O estudo conclui que um sistema interpretável de monitoramento facial, ancorado por uma medida de fechamento das pálpebras bem validada e apoiado por uma floresta aleatória, pode sinalizar de forma confiável a sonolência em operadores de drone sem conectá-los a instrumentos médicos. Ao mesmo tempo, o modelo transparente expõe vieses e lacunas nos dados de treinamento, orientando como futuros sistemas devem ser aprimorados — por exemplo, adicionando sujeitos mais variados, condições de iluminação distintas e sinais adicionais do próprio drone. Em termos simples, este trabalho aponta um caminho para monitoramento de segurança ao estilo de cabine para pilotos remotos que é ao mesmo tempo prático de implantar e passível de inspeção, ajudando organizações a confiar e refinar a tecnologia que vigia suas equipes.

Citação: 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

Palavras-chave: detecção de sonolência, operadores de drone, monitoramento facial, floresta aleatória, segurança de voo