تشخیص خواب آلودگی و حواس پرتی راننده با استفاده از هوش مصنوعی و بینایی کامپیوتری

خواب آلودگی و حواس پرتی راننده از عوامل اصلی بروز تصادفات جاده ای در سراسر جهان محسوب می شوند و تشخیص به موقع این حالات، نقشی کلیدی در ارتقای ایمنی حمل ونقل دارد. در سال های اخیر، پیشرفت های چشمگیر در حوزه هوش مصنوعی، به ویژه یادگیری ماشین و یادگیری عمیق، موجب توسعه سامانه های هوشمند تشخیص وضعیت هوشیاری رانندگان شده است. این مقاله به مرور و تحلیل جامع روش های مبتنی بر هوش مصنوعی در تشخیص خواب آلودگی و حواس پرتی راننده می پردازد و رویکردهای مختلف شامل روش های بینایی محور، فیزیولوژیکی، رفتاری و مدل های هیبریدی را مورد بررسی قرار می دهد. نتایج مرور نشان می دهد که الگوریتم های یادگیری عمیق نظیر CNN، LSTM و مدل های مبتنی بر Transformer در مواجهه با داده های پیچیده و چندبعدی عملکرد برتری نسبت به روش های سنتی یادگیری ماشین دارند، هرچند با چالش هایی نظیر نیاز به داده های حجیم، هزینه محاسباتی بالا و محدودیت های بلادرنگ همراه اند. همچنین، ادغام چند حسگر و بهره گیری از اینترنت اشیاء به عنوان رویکردهای نویدبخش آینده مطرح می شوند که می توانند دقت و پایداری سامانه ها را در شرایط واقعی رانندگی افزایش دهند. با وجود پیشرفت های قابل توجه، چالش هایی همچون کمبود دیتاست های بومی، تغییرات محیطی، مسائل حریم خصوصی و محدودیت های سخت افزاری همچنان پابرجا هستند. در نهایت، این مقاله با ارائه جمع بندی از روندهای پژوهشی و پیشنهاد مسیرهای آینده، بر اهمیت توسعه سامانه های هوشمند، تطبیقی و مقیاس پذیر برای کاهش تصادفات جاده ای و تحقق حمل ونقل هوشمند تاکید می کند.

کلیدواژه ها:

تشخیص خواب آلودگی راننده ، حواس پرتی راننده ، یادگیری عمیق ، هوش مصنوعی در حمل و نقل ، تصادفات جاده ای