ОБЗОР ЗАРУБЕЖНЫХ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИНТЕЛЛЕКТУАЛЬНЫХ ПОДХОДОВ К ОЦЕНКЕ СОСТОЯНИЯ ВОДИТЕЛЯ ТРАНСПОРТНЫХ СРЕДСТВ
Ключевые слова:
транспортное средство, состояние водителя, система отслеживания, интеллектуальные подходыАннотация
Задача эффективного, надежного и безопасного управления транспортным средством с различной степенью автономности требует комплексного решения, при котором необходима оценка состояния как самого транспортного средства, так и взаимодействие его с окружающей средой и особенно взаимодействие непосредственно с водителем. В последнее время в научных исследованиях представлено множество различных подходов к оценке состояния водителя транспортного средства, которые отличаются большим разнообразием. На фоне большого различия в алгоритмах, средствах и качестве получаемых данных формируется задача качественного и своевременного определения состояния водителя. В статье представлен обзор и анализ зарубежной литературы, освещающей последние достижения в вопросе определения состояния водителя транспортного средства. Развитие систем контроля состояния – driver monitor system (DMS) – направлено на применение гибридных, мультимодальных и вычислительно эффективных решений, способных обеспечить своевременное и надёжное обнаружение сонливости и невнимательности, при этом оставаясь комфортными и приемлемыми для массового использования. Цель исследования: анализ основных текущих тенденций развития и модернизации как классических методов оценки состояния водителя (инвазивных и неинвазивных методов), так и подходов на базе методов и средств искусственного интеллекта. Материалы и методы. Для проведения исследования были использованы базы международных научных журналов, отражающих направления исследований зарубежных авторов в области DMS. Результаты. По результатам проведённого обзора выделены методы, имеющие наилучшую применимость в процессе отслеживания состояния водителя, исследованы современные и перспективные направления развития технологий мониторинга водителя, подходы и методы, применяемые для оценки внимания водителя, обнаружения сонливости. Совместное использование алгоритмов глубокого обучения, возможностей обработки в реальном времени и передовых сенсорных технологий создает беспрецедентные возможности для повышения безопасности транспортного средства через интеллектуальные системы мониторинга. Заключение. Использование методов неинвазивного определения состояния водителя в совокупности с современными подходами на основе интеллектуальных технологий позволят сформировать эффективный инструментарий для надежного и безопасного управления транспортным средством.Библиографические ссылки
1. Zhang Y., Owechko Y., Zhang J. Driver cognitive workload estimation: A data-driven perspective. In: Proceedings of the IEEE Intelligent Transportation Systems Conference. 2004. P. 642–647. DOI: 10.1109/ITSC.2004.1398976
2. Flores M.J., Armingol J.M., de la Escalera A. Driver drowsiness detection system under infrared illumination for an intelligent vehicle. IET Intelligent Transport Systems. 2011;5(3):241–251. DOI: 10.1049/iet-its.2009.0090
3. Abd El-Nabi S.A., El-Shafai W.A., El-Rabaie E.S., Ramadan K., Abd El-Samie F.E., Mohsen S. Machine learning and deep learning techniques for driver fatigue and drowsiness detection: a review. Multimedia Tools and Applications. 2023;83(27):30813–30849. DOI: 10.1007/s11042-023-15054-0
4. Essahraui S., Lamaakal I., El Hamly I., Yassine M., Ouahbi I., El Makkaoui K., Filali Bouami M., Pławiak P., Alfarraj O., Abd El-Latif A. Real-Time Driver Drowsiness Detection Using Facial Analysis and Machine Learning Techniques. Sensors. 2025;25(3):812. DOI: 10.3390/s25030812
5. Lightly AI. YOLO: blog [Electronic resource]. Lightly AI. Available at: https://www.lightly.ai/ blog/yolo (accessed 10.12.2025).
6. Delwar T.S., Singh M., Mukhopadhyay S., Kumar A., Parashar D., Lee Y., Rahman M.H., Sejan M.A.S., Ryu J.Y. AI- and Deep Learning-Powered Driver Drowsiness Detection Method Using Facial Analysis. Applied Sciences. 2025;15(3):1102. DOI: 10.3390/app15031102
7. Zhou Y., Tang J., Xiao X., Lin Y., Liu L., Guo Z., Fei H., Xia X., Gou C. Where, What, Why: Towards Explainable Driver Attention Prediction. ICCV2025 Highlight. 2025; arXiv:2506.23088. DOI: 10.48550/arXiv.2506.23088
8. Fridman L., Lee J., Reimer B., Victor T. “Owl” and “Lizard”: Patterns of Head Pose and Eye Pose in Driver Gaze Classification. IET Computer Vision. 2016;10(4):308–314. DOI: 10.1049/iet-cvi.2015.0296.
9. Vicente F., Huang Z., Xiong X., Torre F.D., Zhang W., Levi D. Driver Gaze Tracking and Eyes Off the Road Detection System. IEEE Transactions on Intelligent Transportation Systems. 2015;16(4):2014–2027. DOI: 10.1109/TITS.2015.2396031
10. Sesma-Sanchez L., Villanueva A., Cabeza R. Evaluation of pupil center-eye corner vector for gaze estimation using a web cam. In: Proceedings of the Symposium on Eye Tracking Research and Applications. 2012. P. 217–220. DOI: 10.1145/2168556.2168598
11. Valenti R., Sebe N., Gevers T. Combining Head Pose and Eye Location Information for Gaze Estimation. IEEE Transactions on Image Processing. 2012; 21(2):802–815. DOI: 10.1109/TIP.2011.2162740
12. Kar A., Corcoran P. A Review and Analysis of Eye-Gaze Estimation Systems, Algorithms and Performance Evaluation Methods in Consumer Platforms. IEEE Access. 2017;5:16495–16519. DOI: 10.1109/ACCESS.2017.2735633
13. Krafka K., Khosla A., Kellnhofer P., Kannan H., Bhandarkar S., Matusik W., Torralba A. Eye Tracking for Everyone. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016;2176–2184. DOI: 10.1109/CVPR.2016.239
14. Han Q., Cui S., Min W., Yan C., Liu L., Ning F., Li L. A dense multi-pooling convolutional network for driving fatigue detection. Scientific Reports. 2025;15(1):15518. DOI: 10.1038/s41598-025-99441-7
15. Kim D., Park H., Kim T., Kim W., Paik J. Real-time driver monitoring system with facial landmark-based eye closure detection and head pose recognition. Scientific Reports. 2023;13(1):18264. DOI: 10.1038/s41598-023-44955-1
16. Hassan O.F., Ibrahim A.F., Gomaa A., Makhlouf M.A., Hafiz B. Real-time driver drowsiness detection using transformer architectures: a novel deep learning approach. Scientific Reports. 2025;15(1):17493. DOI: 10.1038/s41598-025-02111-x
17. Abe T. PERCLOS-based technologies for detecting drowsiness: current evidence and future directions. Sleep Advances. 2023;4(1):zpad006. DOI: 10.1093/sleepadvances/zpad006
18. Allado E., Poussel M., Renno J., Moussu A., Hily O., Temperelli M., Albuisson E., Chenuel B. Remote Photoplethysmography Is an Accurate Method to Remotely Measure Respiratory Rate: A Hospital-Based Trial. Journal of Clinical Medicine. 2022;11(13):3647. DOI: 10.3390/jcm11133647
19. Hwang J., Choi W., Lee J., Kim W., Rhim J., Kim A. A Dataset on Takeover during Distracted L2 Automated Driving. Scientific Data. 2025;12(1):539. DOI: 10.1038/s41597-025-04781-8
20. Lei J., Ni Z., Peng Z., Hu H., Hong J., Fang X., Yi C., Ren C., Wasaye M.A. An intelligent network framework for driver distraction monitoring based on RES-SE-CNN. Scientific Reports. 2025;15(1):6916. DOI: 10.1038/s41598-025-91293-5
21. Hu S., Gao Q., Xie K., Wen C., Zhang W., He J. Efficient detection of driver fatigue state based on all-weather illumination scenarios. Scientific Reports. 2024; 14(1):17075. DOI: 10.1038/s41598-024-67131-5
22. Cao S., Feng P., Kang W., Chen Z., Wang B. Optimized driver fatigue detection method using multimodal neural networks. Scientific Reports. 2025;15(1):12240. DOI: 10.1038/s41598-025-86709-1
23. Nakade T., Fuchs R., Bleuler H., et al. Haptics based multi-level collaborative steering control for automated driving. Communications Engineering. 2023;2:2. DOI: 10.1038/s44172-022-00051-2
24. Watling C.N., Hasan M.M., Larue G.S. Sensitivity and specificity of the driver sleepiness detection methods using physiological signals: A systematic review. Accident Analysis and Prevention. 2021;150:105900. DOI: 10.1016/j.aap.2020.105900
25. Kundinger T., Sofra N., Riener A. Assessment of the Potential of Wrist-Worn Wearable Sensors for Driver Drowsiness Detection. Sensors. 2020;20(4):1029. DOI: 10.3390/s20041029
26. Lim J.Z., Mountstephens J., Teo J. Eye-Tracking Feature Extraction for Biometric Machine Learning. Frontiers in Neurorobotics. 2022;15:796895. DOI: 10.3389/fnbot.2021.796895
27. Vetturi D., Tiboni M., Maternini G., Bonera M. Use of eye tracking device to evaluate the driver’s behaviour and the infrastructures quality in relation to road safety. Transportation Research Procedia. 2020;45:587–595. DOI: 10.1016/j.trpro.2020.03.053
28. Harezlak K., Kasprowski P. Application of eye tracking in medicine: A survey, research issues and challenges. Computerized Medical Imaging and Graphics. 2018;65:176–190. DOI: 10.1016/j.compmedimag.2017.04.006
29. Abdulin E., Friedman L., Komogortsev O. Custom Video-Oculography Device and Its Application to Fourth Purkinje Image Detection during Saccades. ArXiv preprint: arXiv:1904.07361. 2019. DOI: 10.48550/arXiv.1904.07361
30. Bakheet S., Al-Hamadi A., Alanazi A. An effective approach for real-time drowsy driving prediction using quantized Fisher-Gabor features and latent-dynamic conditional random fields. Frontiers in Computer Science. 2025;7:1437084. DOI: 10.3389/fcomp.2025.1437084
31. So J., Han Y. 3D face alignment through fusion of head pose information and features. Image and Vision Computing. 2024;151:105253. DOI: 10.1016/j.imavis.2024.105253
32. Nagumo K., Kobayashi T., Oiwa K., Nozawa A. Face Alignment in Thermal Infrared Images Using Cascaded Shape Regression. International Journal of Environmental Research and Public Health. 2021;18(4):1776. DOI: 10.3390/ijerph18041776
33. Xia J., Xu M., Huang W. et al. Mitigating Knowledge Discrepancies among Multiple Datasets for Task-agnostic Unified Face Alignment. International Journal of Computer Vision. 2025;133:7985–8005. DOI: 10.1007/s11263-025-02520-5
