Procedimento utilizzato da Sayed e Eskandarian

Sayed, Eskandarian (2001; 2000) e Sherman (1994) sono i punti di riferimento negli studi del monitoraggio dello sterzo. Partendo dalle considerazioni teoriche appena esposte, essi hanno effettuato molteplici ricerche, principalmente impiegando simulatori di guida, al fine di determinare come interpretare i segnali di sterzo per monitorare lo stato del conducente. Di seguito si sono pesi in considerazione alcuni punti fondamentali dei metodi di elaborazione dei dati da loro impiegati.

Il primo step del processo da loro impiegato è quello di filtrare i segnali di angolo sterzo acquisiti. Infatti, tramite il sensori sul piantone si misura l’angolo di sterzo in funzione del tempo rispetto ad uno zero di riferimento. La variazione e l’oscillazione di tale angolo è però il risultato della somma di diversi contributi: forza di reazione del suolo stradale, disturbi provenienti dall’ambiente, curvatura della corsia, e infine l’azione esercitata dal conducente sul volante; è importante riuscire a cogliere ed isolare soltanto l’ultimo contributo elencato che è quello che interessa. È, quindi, importante eliminare il rumore che a bassa frequenza (6- 16dB) potrebbe sovrapporsi con le microcorrezioni dello sterzo. Per questo motivo hanno utilizzato un filtro bassa alto.

Del resto i valori dell’angolo di sterzo, determinati dal sensore montato sullo sterzo, sono soggetti ad errori anche perché in genere la risoluzione del sensore non è sufficiente ad ottenere un andamento ‘continuo’ dell’angolo di sterzo in funzione del tempo. Se si ottiene una curva come quella in Figura 3-25, si deve

utilizzare una tecnica di calcolo per rendere l’andamento più regolare.

Figura 3-25 Andamento di δ in funzione del tempo (esempio)

Dettagliatamente, per ottenere una curva con una risoluzione migliore si deve operare un’interpolazione. In questo modo si riducono anche gli errori provocati dalle azioni esterne.

Come anticipato nel precedente paragrafo, uno dei principali problemi da risolvere è che le correzioni apportate dal conducente tramite lo sterzo variano anche in funzione della velocità del veicolo (Fukuda et al. 1995). In Figura 3-26 si

può vedere un grafico, ricavato sperimentalmente, simile a quello di Figura 3-24 già

discusso precedentemente:

Figura 3-26 Andamento del controllo del volante in funzione della velocità

Questo andamento si riscontra per ogni tipologia di autovettura e conducente sia su strade urbane che extraurbane: la tendenza è quella di diminuire l’ampiezza delle correzioni all’aumentare della velocità. E’ anche importante notare che alle basse velocità la dispersione di dati è maggiore: ciò vuol dire che mentre a velocità elevate la correzione di tutti i conducenti è ridotta a pochi decimi di gradi di angolo di sterzo (circa ±0.05), alle basse velocità il range degli angoli registrati varia molto di più (± 0.25).

Questo fatto comporta anche la necessità di acquisire diversamente i dati in funzione della velocità: la frequenza di acquisizione deve aumentare con la velocità del veicolo perché in queste ipotesi le fluttuazioni del volante diventerebbero meno ampie e più difficili da calcolare.

Un terzo step prevede poi l’impiego della funzione PSD (Power Spectral Density) di autocorrelazione del segnale al tempo t con quello del segnale al tempo t+τ. Nel dettaglio, la PSD è definita come:

2 )] ( [ ) ( ) (

ω

τ

iωτ iωτ x x r e E X e S =

∑

⋅ − = − (3-1)

in cui

r

_x

(τ)=E[X

_t

⋅X

_t+τ

]

è la funzione di autocorrelazione di

X

_t, ed

)

(_e

iωτ

X

− _{è la trasformata di Fourier della funzione}

t

X

che è indipendente dal tempo ma dipende solamente dall’intervallo temporale t₂ −t₁. Il grafico della PSD mostra che non c’è sovrapposizione tra gli intervalli di confidenza in stato di sonnolenza e vigilanza per le frequenze intorno a 0.45, 0.60 e 0.80 Hz, indipendentemente dal percorso di guida; quindi a queste frequenze c’è una differenza significativa tra la PSD dello stato di vigilanza e sonnolenza (Figura 3-27).

Figura 3-27 Distribuzione della PSD per tratto di strada curvi e dritti combinati

Graficamente è possibile accertare lo stato di sonnolenza dall’intervallo di confidenza del PSD, distinguendo fra tratti di strada dritti e curvi percorsi da un guidatore che non si trova in stato di sonnolenza. Se il guidatore è in stato di vigilanza le curve del PSD hanno una forte sovrapposizione, ma solo considerando combinati tratti in curva e dritti (Figura 3-28).

Figura 3-28 PSD per tratti di strada curvi e combinazione di tratti i curvi con dritti

Se andiamo ad esaminare la PSD solamente per tratti di strada dritta, si vede che in stato di sonnolenza le curve non hanno sovrapposizione, mentre in stato di vigilanza c’è sovrapposizione, vale a dire che le correzioni sono rispettivamente incompatibili e compatibili con l’andamento del percorso.

Figura 3-29 Distribuzione della PSD per tratti di strada dritti

Invece, osservando la PSD per i soli tratti di strada in curva, si vede che in stato di vigilanza le curve non hanno sovrapposizione, mentre in stato di sonnolenza c’è sovrapposizione. Ciò significa che le correzioni sono rispettivamente incompatibili e compatibili con l’andamento del percorso; esattamente il risultato opposto che si aveva per un tratto di strada dritto (Figura 3-30).

Figura 3-30 Distribuzione della PSD per tratti di strada curvi

In definitiva, l’esame dei dati senza distinguere le caratteristiche del percorso può portare a conclusioni errate perché i dati di sterzatura presentano caratteristiche differenti.

Figura 3-31 Procedimento per sottrarre l’angolo dovuto ad una curva

Del resto, quando si affronta una curva il valore misurato non tiene conto solo delle microcorrezioni, reale oggetto dell’analisi, ma anche del valore dell’angolo necessario per effettuare la curva stessa, viene cioè “aggiunto” un valore costante (supponendo costante il raggio della curva) che deve essere eliminato prima di studiare il segnale; in pratica ci deve riportare virtualmente ad una condizione di marcia in rettilineo. La Figura 3-31 mostra la tecnica di

rettilineo. Conoscendo di volta in volta il raggio di curvatura della strada, è facile sottrarre all’angolo misurato dal sensore, l’angolo corrispondente alla curva. L’angolo da sottrarre, corrispondente al raggio di curvatura, può essere facilmente determinato dalle relazioni tra parametri relativi alla dinamica del veicolo.

Lo step successivo consiste nel discretizzare la variabile angolo e quella tempo ed inviarla alla rete neurale A.N.N. Le sue caratteristiche principali sono l'apprendimento, l'adattività, la flessibilità e l'auto-organizzazione dei dati.

L’apprendimento di una rete neurale può avvenire secondo diversi algoritmi che tendono a far creare alla rete una rappresentazione interna dei dati che porti alla creazione di una classificazione degli input con cui elaborare le risposte in uscita. La rete è costituita da tre parti: nella prima ci sono otto nodi corrispondenti al vettore X (n) di input, nella seconda parte ci sono i nodi nascosti (il numero dipende dall’analisi della sensibilità), e nell’ultima parte ci sono i due nodi corrispondenti al vettore di output, cioè ad i due possibili stati: drowsy o non drowsy. Le tre parti “comunicano” tra loro e con l’ambiente esterno: i nodi di input ricevono i segnali dell’ambiente esterno della A.N.N., i nodi di output agiscono sull’ambiente esterno della A.N.N. attraverso le loro funzioni ed infine i nodi hidden (nascosti) ricevono i segnali solo da altri nodi della A.N.N. e inviano il loro segnale solo ad altri nodi della A.N.N.

Le connessioni tra i nodi possono modificarsi nel tempo e questa dinamica innesca nell’intera A.N.N. il processo di apprendimento. La dinamica complessiva di una A.N.N. è legata al tempo per cui è necessario che l’ambiente agisca sulla A.N.N. più volte affinchè la A.N.N. modifichi in modo opportuno le proprie connessioni.

Per inizializzare la rete è stato utilizzato un altro sistema di monitoraggio ritenuto particolarmente attendibile: l’EEG. Si costruisce allora il vettore delle uscite desiderate D(n); questo ha due colonne: ad ogni intervallo di tempo (n) si costruisce un vettore, una riga (rappresenta l’intervallo di tempo) e due colonne (drowsy e non drowsy) tali che, se si verifica la sonnolenza, si scrive 1 nella colonna drowsy e 0 nella colonna non drowsy e viceversa. I tre livelli sono connessi tra loro in modo tale che ogni nodo di ciascun livello sia collegato a tutti gli altri nodi appartenenti agli altri livelli. Il primo nodo dei vettori nascosti, ha il valore di -1 perché rappresenta il valore di soglia. L’esempio è riportato nella

Figura 3-33:

Figura 3-33 Codifica dei vettori “desired output” per l’autoapprendimento

Nella ricerca presa in considerazione, per testare l’efficienza del sistema sono state eseguite prove su 6 conducenti ricavando 190 vettori di input rappresentanti ciascuno 30 sec di guida. Il sistema ha classificato i vettori analizzati in drowsy o non drowsy con una accuratezza stimata pari al 68%.

Output di sistema

Vettori

Non Drowsy Drowsy

Non drowsy 54 31

Valori reali

Drowsy 8 97

Infatti, i vettori analizzati sono 190 (100 + 31 + 5+ 54). Tramite EEG è stato verificato che 85 (54 + 31) vettori dovrebbero essere non drowsy e 105 (8 + 97) drowsy, il sistema rileva invece 62 (54 + 8) vettori come non drowsy e 138 (97 + 31) vettori come drowsy. Si può allora calcolare l’affidabilità del sistema nel calcolare i casi drowsy:

A_d = 100 -

105

105

138−

100 = 68.6 % (3-2)

mentre nei casi non drowsy è: A_nd = 100 -

85

62

85−

100 = 72.9 % (3-3)

L’affidabilità del sistema in esame è quindi del 68% circa. Quando la predizione dell’incidente è avvenuta correttamente, il sistema A.N.N. ha previsto l’incidente fino a 3 minuti e mezzo prima che esso accadesse (si ricorda che la guida era simulata tramite un simulatore); la Figura 3-35 mostra il tempo di

predizione dell’incidente in 20 possibili casi.

Figura 3-36 Risultati dei test nel 1° e 2° giorno

Le Figura 3-36 e Figura 3-37 sintetizzano invece il risultato delle operazioni del

sistema prendendo a riferimento la condotta di guida di un conducente scelto tra quelli dell’esperimento: sono rappresentati, infatti, i valori di output in funzione del tempo (discretizzato). In questo esempio è stato scelto un intervallo di discretizzazione pari a 6 secondi. La relazione tra i valori di ordinata dei diagrammi e grado di sonnolenza del conducente consiste nel fatto che a valori positivi corrisponde una condizione di allerta del conducente, viceversa, a valori negativi, corrisponde una condizione di stanchezza. Naturalmente maggiori sono i valori assoluti e più il conducente risulta sveglio o stanco.

E’ facile notare che, mentre nei primi due giorni i valori di ordinata sono positivi, negli ultimi due le ordinate sono negative: il risultato è quindi quello atteso, cioè a causa della guida prolungata e per la mancanza di riposo, la stanchezza cresce e le reazioni del pilota si fanno molto più imprecise. Risultati analoghi sono stati ottenuti negli altri casi di monitoraggio per altri nove conducenti e solo in due casi si sono registrati alcuni picchi di non drowsy anche durante gli ultimi due giorni mentre in un solo caso fin dal primo giorno si sono riscontrate situazioni di drowsy.

Lo studio eseguito da Sayed e Eskandarian (2001; 2000) ha dimostrato, quindi, che un sistema di prevenzione contro gli incidenti dovuti a colpi di sonno può essere realizzato anche con l’analisi di una sola variabile: l’uso dell’angolo di sterzo. Un tale sistema si rivela robusto, ancorché non ancora sufficientement affidabile, perché la determinazione dell’angolo risulta facile, rapida e indipendente da fenomeni esterni o da particolari condizioni di traffico o di percorsi. Inoltre l’impiego della rete A.N.N. elimina la necessità di dover settare il sistema in funzione del singolo conducente. Il metodo risulta infine di basso costo, di facile utilizzo ed inoltre può essere usato anche in ambito di prevenzione contro incidenti indotti da cause come alcol, droghe o assunzione di determinati farmaci.

Nel documento Sviluppo di un simulatore di guida di autoveicolo per studi di sicurezza preventiva (pagine 117-126)