Інтелектуальна система сповіщення водія про фактори відволікаючі від керування транспортним засобом
DOI:
https://doi.org/10.18372/1990-5548.88.20959Ключові слова:
поведінка водія, комп’ютерний зір, класифікація поведінки, запобігання аваріям, інтелектуальні транспортні системи, ADASАнотація
У статті розглядається розробка функціональної системи, яка на основі розпізнавання відволікаючої поведінки водія здатна видавати попереджувальні сигнали про те, що водій відволікається від процесу керування транспортним засобом. Описана методологія охоплює основні методи та процедури, необхідні для створення прецизійної, стійкої до збурень та водночас керованої системи прецизійної стабілізації обладнання, призначеного для експлуатації на рухомих транспортних засобах широкого класу. В рамках дослідження була розроблена така система, яка враховує час реакції водія, вік, стать та тривалість поїздки. У разі виявлення критичної ситуації система автоматично генерує попереджувальний сигнал для водія. Описано особливості сучасного підходу до обробки даних на основі нейронних мереж. Впровадження такої системи спрямоване на підвищення безпеки дорожнього руху та зменшення кількості аварій. Розроблена система екстреного попередження не тільки дозволяє водіям пом'якшити наслідки дорожньо-транспортних пригод, але й допомагає їм уникнути їх, своєчасно звертаючи їхню увагу на небезпеки, що виникають, якщо реакція водія недостатня або відсутня.
Посилання
Alshalfan, Khalid & Zakariah, Mohammed. (2021). Detecting Driver Distraction Using Deep-Learning Approach. Computers, Materials & Continua. 68. 689-704. 10.32604/cmc.2021.015989.
Annual accident report. Available at: https://road-safety.transport.ec.europa.eu/european-road-safety-observatory/statistics-and-analysis-archive/annual-accident-report_en
Bauder M, Paula D, Pfeilschifter C, Petermeier F, Kubjatko T, Riener A, Schweiger H-G. Influences of Vehicle Communication on Human Driving Reactions: A Simulator Study on Reaction Times and Behavior for Forensic Accident Analysis. Sensors. 2024; 24(14):4481. https://doi.org/10.3390/s24144481
Bucsuházy, Kateřina & Matuchová, Eva & Zůvala, Robert & Moravcová, Pavlína & Kostíková, Martina & Mikulec, Roman. (2020). Human factors contributing to the road traffic accident occurrence. Transportation Research Procedia. 45. DOI: 555-561. 10.1016/j.trpro.2020.03.057.
Dingus, Thomas & Guo, Feng & Lee, Suzie & Antin, Jonathan & Perez, Miguel & Buchanan-King, Mindy & Hankey, Jon. (2016). Driver crash risk factors and prevalence evaluation using naturalistic driving data. Proceedings of the National Academy of Sciences. 113. 201513271. 10.1073/pnas.1513271113.
Eraqi, Hesham & Abouelnaga, Yehya & Saad, Mohamed & Moustafa, Mohamed. (2019). Driver Distraction Identification with an Ensemble of Convolutional Neural Networks. 10.48550/arXiv.1901.09097.
Fabian Friedrichs, Bin Yang. Drowsiness Monitoring by Steering and Lane Data Based Features Under Real Driving Conditions // 18th European Signal Processing Conference, Aal-borg, Denmark, 2010.-C. 209-213.
Governors Highway Safety Association. Available at: https://www.ghsa.org
Huo, Faren & Gao, Ranran & Sun, Cong & Hou, Guanhua. (2022). Age Differences in Hazard Perception of Drivers: The Roles of Emotion. Frontiers in Psychology. 13. DOI: 867673. 10.3389/fpsyg.2022.867673.
Michelaraki, Eva & Katrakazas, Christos & Kaiser, Susanne & Brijs, Tom & Yannis, George. (2023). Real-time monitoring of driver distraction: State-of-the-art and future insights. Accident Analysis & Prevention. 192. 107241. 10.1016/j.aap.2023.107241.
Road traffic injuries. Available at: https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries
Salakapuri, R., Navuri, N.K., Vobbilineni, T. et al. Integrated deep learning framework for driver distraction detection and real-time road object recognition in advanced driver assistance systems. Sci Rep 15, 25125 (2025). https://doi.org/10.1038/s41598-025-08475-4
Shagoti, Shiv & Shivakumar, & Panchal, Sujey & Patil, Rekha. (2025). Driver Drowsiness Detection System. International Journal of Latest Technology in Engineering Management & Applied Science. 14. 1026-1028. DOI: 10.51583/IJLTEMAS.2025.140500109.
Thakur, Rahul & Shivam, & Raj, Shubham & Pandey, Subhanshu. (2022). Driver Drowsiness Detection System Using Machine Learning. DOI: 10.3233/ATDE220718.
Wang, Jindong & Chen, Yiqiang & Hao, Shuji & Peng, Xiaohui & Hu, Lisha. (2017). Deep Learning for Sensor-based Activity Recognition: A Survey. Pattern Recognition Letters. 119. DOI: 10.1016/j.patrec.2018.02.010.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Сергій Іванович Отрох , Олександр Вікторович Сарафанніков , Юрій Віталійович Мельник
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал "Електроніка та системи управління" дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі ""Електроніка та системи управління":
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
