Исследование обнаружения сонливости у операторов БПЛА на основе метода случайного леса решений

Почему важно не допускать засыпания пилотов дронов

По мере того как дроны берут на себя всё больше задач — от осмотров линий электропередач до поддержки спасательных операций — люди, управляющие ими с земли, должны сохранять высокую концентрацию. Однако долгие рейсы, монотонная работа за экранами и ночные смены незаметно толкают операторов к сонливости, что повышает риск дорогостоящих или даже смертельных ошибок. В этой статье рассматривается система на основе камеры, которая в реальном времени отслеживает лицо пилота и с помощью прозрачного метода машинного обучения определяет, не становится ли он слишком сонным для безопасного управления.

Три подхода к выявлению сонливости оператора

Авторы начинают с описания трёх общих семейств методов обнаружения сонливости. Первый анализирует поведение транспортного средства: виляет ли оно в пределах полосы, сбивается с курса или делает больше ошибок управления. Второй отслеживает сигналы от тела и мозга, такие как электроэнцефалограмма, сердечный ритм, дыхание или проводимость кожи. Эти подходы могут быть точными, но часто требуют ношения датчиков, что неудобно и непрактично в реальных комнатах управления. Третье семейство наблюдает внешнее поведение: как часто человек моргает, как долго глаза остаются закрытыми, зевает ли он и как наклоняется голова. Поскольку камеры могут фиксировать эти признаки бесконтактно, поведенческие методы особенно привлекательны для центров управления дронами.

Чтение признаков по лицу

Система, разработанная в этом исследовании, фокусируется на нескольких лицевых признаках, которые в прежних работах связывали с сонливостью. Библиотека компьютерного зрения отслеживает 3D-точки на лице оператора в потоке видео в реальном времени. По этим ключевым точкам программа вычисляет «коэффициент открытости глаза» для оценки степени раскрытия глаз, долю времени, когда глаза в основном закрыты за минуту (широко известная мера PERCLOS), ширину раскрытия рта и угол наклона головы вперёд, назад или в стороны. Программное обеспечение работает достаточно быстро на потребительском оборудовании, чтобы давать почти в реальном времени обратную связь, и также логирует все измерения для последующего анализа.

Простое правило с умной подстраховкой

Чтобы решить, сонлив ли пилот, авторы комбинируют проверенное правило с более гибкой моделью. PERCLOS, имеющий сильную поддержку в исследованиях сна и безопасности, служит основным фильтром: очень низкие значения указывают на бдительность, очень высокие — на сонливость. Когда PERCLOS попадает в промежуточный диапазон, система прибегает к классификатору случайного леса, который рассматривает раскрытие глаз, раскрытие рта и наклон головы совместно. Случайный лес — это совокупность многих небольших решающих деревьев, каждое из которых голосует за состояние; их объединённое голосование определяет итог. Система также сглаживает решения по короткому временному окну, чтобы единичный странный кадр не вызвал необоснованной тревоги.

Взгляд внутрь рассуждений модели

В отличие от многих систем глубокого обучения, действующих как непрозрачные «чёрные ящики», случайный лес можно проанализировать, чтобы понять, как он приходит к решениям. Авторы обучили свою модель на широко используемом видеодатасете по сонливости при вождении и протестировали её как на отложенных участниках из этого набора, так и на отдельной базе данных. Результаты были устойчивыми: система скорее вызовет ложную тревогу, чем пропустит по-настоящему сонного оператора — более безопасный компромисс в авиации. Нанесённые графики изменения прогнозируемого риска при варьировании каждой признаковой величины показывают, например, что очень маленькое раскрытие глаз сильно сдвигает модель в сторону вердикта «сонлив», тогда как экстремальные наклоны головы становятся подозрительными лишь за пределом некоторого угла. Анализ важности признаков подтверждает, что открытость глаз доминирует в суждении модели, тогда как раскрытие рта и наклон головы играют вспомогательные роли.

Что это значит для более безопасных полётов дронов

В исследовании делается вывод, что интерпретируемая система мониторинга лица, основанная на хорошо проверенной мере закрытия век и поддержанная случайным лесом, может надёжно отмечать сонливость операторов дронов без подвязывания их к медицинским датчикам. В то же время прозрачная модель выявляет смещения и пробелы в обучающих данных, что подсказывает, как следует улучшать будущие системы — например, добавляя более разнообразные испытуемые, условия освещения и дополнительные сигналы от самого дрона. Проще говоря, эта работа показывает путь к системе контроля безопасности в стиле кабины для дистанционных пилотов, которая при этом практична в развертывании и открыта для проверки, помогая организациям доверять и совершенствовать технологию, следящую за экипажем.

Цитирование: 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

Ключевые слова: обнаружение сонливости, операторы дронов, мониторинг лица, случайный лес, безопасность полетов