Affordable Motorcycle Blind-Spot Safety Sensor Solution

ประเทศไทยมีอัตราการเสียชีวิตบนท้องถนนที่เกิดจากรถจักรยานยนต์สูงถึง 74% โดยมีผู้เสียชีวิตจากอุบัติเหตุทางรถจักรยานยนต์ 1–2 รายต่อชั่วโมง สาเหตุสำคัญอย่างหนึ่งคือ อุบัติเหตุจากจุดบอดสายตา (Blind Spot) เนื่องจากผู้ขับขี่รถจักรยานยนต์กว่า 22 ล้านคนในประเทศไทย มักจำเป็นต้องขับชิดขอบเลน แทนที่จะขับอยู่กลางเลนเหมือนในประเทศพัฒนาแล้ว

ผู้ขับขี่รถจักรยานยนต์ส่วนใหญ่เป็นผู้มีรายได้น้อยและเป็นหัวหน้าครอบครัว การเกิดอุบัติเหตุจึงมักก่อให้เกิดผลกระทบทางเศรษฐกิจและสังคมอย่างร้ายแรง ปัญหานี้ไม่ได้จำกัดอยู่เฉพาะในประเทศไทยเท่านั้น แต่ยังพบได้ในประเทศกำลังพัฒนาอื่น ๆ ในเอเชีย เช่น จีน อินเดีย อินโดนีเซีย เวียดนาม และฟิลิปปินส์ ซึ่งมีผู้ขับขี่รถจักรยานยนต์รวมกันเกือบ 500 ล้านคน ที่ต้องเผชิญกับความเสี่ยงลักษณะเดียวกัน

ปัญหานี้ยังเป็นเรื่องที่มีความหมายส่วนตัวสำหรับผมและครอบครัวด้วย เนื่องจาก ป้าและลุงของผมที่จังหวัดโคราช ต่างก็ประสบอุบัติเหตุคนละเหตุการณ์ โดยถูกรถยนต์พุ่งชนจากด้านหลังขณะขับขี่รถจักรยานยนต์ ทั้งสองต้องเข้ารับการรักษาในโรงพยาบาลและไม่สามารถทำงานได้เป็นเวลากว่า สองปี  

ด้วยเหตุนี้ เมื่อปีที่แล้ว ผมและพี่ชาย จึงได้เริ่มโครงการชื่อว่า “Robotics for Safety” โดยมีพันธกิจคือการลดและขจัดอุบัติเหตุบนท้องถนนในประเทศไทย เป้าหมายแรกของเราคือการแก้ไขปัญหา จุดบอดสายตาของรถจักรยานยนต์

ในช่วง 2–3 ปีข้างหน้า เราวางแผนที่จะพัฒนา ต้นแบบ (prototype) ทั้งหมด 3 แบบ สำหรับแก้ไขปัญหาจุดบอดของรถจักรยานยนต์ ในช่วงเริ่มต้นแนวทางของเรามุ่งเน้นไปที่การสร้าง อุปกรณ์เซนเซอร์อัลตราโซนิก/เรดาร์แบบติดหมวกกันน็อก ที่มีความเรียบง่ายและราคาย่อมเยา โดยมีต้นทุนเพียง 450 บาท ซึ่งต่ำกว่าระดับราคาที่ผู้ขับขี่ส่วนใหญ่ระบุว่าสามารถซื้อได้ คือ 700 บาท

ตอนนี้ผมต้องการพัฒนา แนวทางแก้ปัญหาที่สอง จากโครงการของเราให้เป็น โครงการเดี่ยว ซึ่งมุ่งเน้นการสร้างนวัตกรรมด้านการออกแบบที่มีราคาย่อมเยา โดยอาศัย กล้องหน้าของสมาร์ตโฟน ที่ผู้ขับขี่มักติดตั้งไว้บนรถจักรยานยนต์เพื่อใช้ในการนำทาง โดยมีแนวคิดคือการ ปรับเปลี่ยนการใช้งานของกล้องสมาร์ตโฟน ให้สามารถ ตรวจจับจุดบอดสายตาได้

ขอบเขตของโครงการ

1. การศึกษาเส้นทางผู้ใช้ (User Journey) และปัญหาที่พบ (Pain-point Study)

• กลุ่มตัวอย่าง: กลุ่มผู้ขับขี่รถจักรยานยนต์ส่งของในกรุงเทพฯ อย่างน้อย 10 คน
• ประสบการณ์: มีประสบการณ์การส่งของอย่างน้อย 1 ปี

ตัวแปรที่จะศึกษา: ระบุจำนวนและประเภทของตัวแปรที่เกี่ยวข้องกับการศึกษา อธิบายว่าตัวแปรเหล่านี้มีความสัมพันธ์กันอย่างไร และแยกประเภทของตัวแปรออกเป็น ตัวแปรอิสระ (Independent Variables), ตัวแปรตาม (Dependent Variables) และ ตัวแปรควบคุม (Controlled Variables) รายละเอียดเหล่านี้จะช่วยกำหนด การออกแบบการทดลอง ได้อย่างเหมาะสม

2. การศึกษาโดยใช้คลิปวิดีโอจากสถานการณ์จำลองจุดบอดสายตา

การทดสอบในพื้นที่จำลอง: ลานจอดรถขนาด 16 เมตร x 6 เมตร

ตัวแปรอิสระ (Independent Variables):

• สถานการณ์ต่าง ๆ (เลี้ยว, แซง, U-turn, เบรก, เปลี่ยนเลนซ้าย, เปลี่ยนเลนขวา)
• ความเร็วที่แตกต่างกัน

ตัวแปรตาม (Dependent Variables):

• ระยะห่างระหว่างท้ายรถจักรยานยนต์กับหน้ารถยนต์ (ทั้งแนวตั้งและแนวนอน)
• ความเร็วที่รถยนต์เข้าใกล้ (ทั้งแนวตั้งและแนวนอน)

ตัวแปรควบคุม (Controlled Variables):

• ตำแหน่งท้ายรถจักรยานยนต์ถูกกำหนดไว้คงที่
• รถจักรยานยนต์ขับตามกฎหมาย (ไม่ย้อนศร)
• มีการจำลองเพียง รถยนต์ 1 คัน

การทดสอบสถานการณ์จริงบนถนนสาธารณะ

ตัวแปรอิสระ (Independent Variables):

• สถานการณ์ต่าง ๆ (เลี้ยว, แซง, U-turn, เบรก, เปลี่ยนเลนซ้าย, เปลี่ยนเลนขวา)
• ความเร็วที่แตกต่างกัน
• จำนวนรถยนต์ที่แตกต่างกัน

ตัวแปรตาม (Dependent Variables):

• ระยะห่างระหว่างท้ายรถจักรยานยนต์กับหน้ารถยนต์ (ทั้งแนวตั้งและแนวนอน)
• ความเร็วที่รถยนต์เข้าใกล้ (ทั้งแนวตั้งและแนวนอน)
• จำนวนรถยนต์ในพื้นที่ทดสอบในเวลาเดียวกัน

ตัวแปรควบคุม (Controlled Variables):

• ตำแหน่งท้ายรถจักรยานยนต์ถูกกำหนดไว้คงที่
• รถจักรยานยนต์ขับตามกฎหมาย (ไม่ย้อนศร)

ตัวอย่างแบบฟอร์มเก็บข้อมูล (อิงจากงานก่อนหน้า — สามารถปรับแก้เพิ่มเติมได้)

รูปภาพ : แบบฟอร์มเก็บข้อมูลจากการทดสอบภาคสนาม (ผู้เขียนสร้างขึ้นเอง)

วัตถุประสงค์ของโครงการ

เพื่อพัฒนา โซลูชันจุดบอดรถจักรยานยนต์ราคาย่อมเยา โดยใช้ กล้องด้านหน้าในสมาร์ตโฟน (หรือกล้องขนาดเล็กประเภทอื่นที่สามารถติดตั้งบนรถได้) ร่วมกับ แอปพลิเคชันที่มีอัลกอริทึมคอมพิวเตอร์วิทัศน์ (เช่น DeepSort และ YOLO) ซึ่งรันอยู่ในสมาร์ตโฟนเดียวกัน ซึ่งจาก ผลสำรวจปัญหาของผู้ขับขี่ การออกแบบโซลูชันจำเป็นต้องตอบสนอง เกณฑ์ต่อไปนี้ (เรียงตามลำดับความสำคัญ)

1. มี ราคาต่ำกว่า 700 บาท
2. ไม่ต้องปรับแต่งรถจักรยานยนต์
3. ใช้ ชิ้นส่วนสำเร็จรูป (off-the-shelf components)
4. เขียนโค้ดบน แพลตฟอร์มที่ใช้งานง่าย เพื่อสามารถ แจกจ่ายแบบโอเพนซอร์ส ได้

ระเบียบวิธีวิจัย

ขั้นตอนที่ 1: ทำการสัมภาษณ์ผู้ขับขี่เพิ่มเติม (เป้าหมาย 10 คน) เพื่อยืนยัน เส้นทางผู้ใช้ (User Journey), ปัญหาที่พบ (Pain Points) และความต้องการของระบบตรวจจับจุดบอด วิธีการ:

• สัมภาษณ์ผู้ขับขี่ 10 คน เพื่อเก็บข้อมูลเกี่ยวกับ สมาร์ตโฟนที่ใช้อยู่ ขนาดและสเปกของอุปกรณ์ ตำแหน่งการติดตั้ง และการใช้งาน/แอปพลิเคชันที่ใช้กับสมาร์ตโฟนติดตั้งบนรถ
• ระบุ ปัญหาและความพึงพอใจ กับการติดตั้งสมาร์ตโฟนแบบปัจจุบัน
• ทำความเข้าใจ ระดับราคาที่สามารถซื้อสมาร์ตโฟนได้ และ ความเต็มใจในการใช้แอปแบบเสียเงิน

การวิเคราะห์ข้อมูล:

• วิเคราะห์ข้อมูลการสัมภาษณ์เพื่อจัดประเภท ความต้องการของผู้ใช้ ความชอบ และข้อกังวล เกี่ยวกับการใช้งานระบบตรวจจับจุดบอด 

ขั้นตอนที่ 2: เก็บตัวอย่างวิดีโอจากกล้องหน้าจริงขณะขับขี่บนถนน วิธีการ:

• บันทึกวิดีโอขณะขับขี่รถจักรยานยนต์บนถนน โดยครอบคลุม สถานการณ์จุดบอดที่แตกต่างกัน (รถคันอื่นจากเลนตรงข้าม เลนข้างเคียง และด้านหลัง)
• จัดเรียงคลิปวิดีโอเป็นหมวดหมู่ต่าง ๆ เพื่อเพิ่มประสิทธิภาพในการ วิเคราะห์ข้อมูลและฝึกสอนอัลกอริทึม

การวิเคราะห์ข้อมูล:

• ตรวจสอบข้อมูลวิดีโอเพื่อระบุรูปแบบการเกิดจุดบอดสายตาและพฤติกรรมของรถยนต์ ที่อาจมีผลต่อการคาดการณ์ของระบบแจ้งเตือน

ขั้นตอนที่ 3: เขียนโปรแกรมและฝึกอัลกอริทึมที่ใช้ DeepSort ด้วยคลิปวิดีโอจริง โดยตั้งเป้าหมายให้ มีความแม่นยำมากกว่า 70% ในการทำนายการชนที่เกี่ยวข้องกับจุดบอด วิธีการ:

• ใช้ ข้อมูลวิดีโอที่เก็บรวบรวม ในการฝึกอัลกอริทึม เพื่อวิเคราะห์และ ตรวจจับยานพาหนะที่อยู่ในจุดบอด
• วัดตัวแปรต่าง ๆ เช่น ระยะห่างระหว่างรถจักรยานยนต์กับยานพาหนะที่กำลังเข้าใกล้ (ตัวแปรตาม) และ ความเร็วและรูปแบบการเคลื่อนที่ของยานพาหนะ (ตัวแปรตาม)
• ผนวกการเชื่อมต่อ Bluetooth เพื่อถ่ายโอนข้อมูลวิดีโอแบบเรียลไทม์จากกล้องไปยังคอมพิวเตอร์

ติดตั้งเซนเซอร์เพิ่มเติม:

• ติดตั้งเซนเซอร์เพิ่มเติม เช่น อัลตราโซนิก เรดาร์ และอินฟราเรด เพื่อเพิ่มประสิทธิภาพในการ ตรวจจับแบบเรียลไทม์และความแม่นยำ

ขั้นตอนที่ 4: แปลงอัลกอริทึม/โค้ดให้เป็นแอปพลิเคชันที่ใช้งานง่าย

• สำหรับ แพลตฟอร์ม Android หรือ iOS ในรูปแบบ ต้นแบบ (Prototype)

ขั้นตอนที่ 5: ติดตั้งแอปลงในสมาร์ตโฟนที่ติดตั้งบนรถจักรยานยนต์ และทำการทดสอบจุดบอดแบบวนซ้ำ พร้อมปรับปรุงอัลกอริทึมใน สนามทดสอบจำลอง ขนาด 16 เมตร x 6 เมตร (ลานจอดรถ) วิธีการ:

• การทดสอบใช้ ตัวแปรควบคุม เช่น ตำแหน่งท้ายรถจักรยานยนต์คงที่ และการปฏิบัติตามกฎหมายจราจร โดย ตัวแปรอิสระ ได้แก่ สถานการณ์ต่าง ๆ (เลี้ยว, แซง, เบรก) และความเร็วที่แตกต่างกัน
• ใช้ ลายตารางในลานจอดรถ (ประมาณ 1 เมตรต่อช่อง) เพื่อวัดและทดสอบการจดจำรถยนต์ในระยะต่าง ๆ บันทึกข้อมูลจากแต่ละช่องตารางเพื่อประเมิน ความแม่นยำและความน่าเชื่อถือในการตรวจจับ
• ใช้ มาตรวัดความเร็วและอุปกรณ์วัดระยะ เช่น LiDAR เพื่อยืนยันผลลัพธ์และให้มั่นใจว่าการเก็บตัวแปรตาม (ระยะห่างและความเร็วของรถที่เข้ามาใกล้) มีความถูกต้อง

การวิเคราะห์ข้อมูล:

• วิเคราะห์ ความแม่นยำในการตรวจจับ ในแต่ละระยะช่องตาราง วัดว่าระบบสามารถระบุรถที่เข้ามาใกล้ได้ดีเพียงใด

ขั้นตอนที่ 6: สรุปผลจากการทดสอบต้นแบบและกำหนดขั้นตอนถัดไปสำหรับการปรับปรุงและขยายผล เพื่อประเมิน ประสิทธิภาพโดยรวมของต้นแบบ และระบุ พื้นที่ที่ควรปรับปรุงในอนาคต วิธีการ:

• ทำ การวิเคราะห์ข้อมูลอย่างละเอียด เพื่อตรวจสอบประสิทธิภาพของอัลกอริทึม รวมถึง อัตราความแม่นยำ, การตรวจจับผิดพลาด (False Positives) และการพลาดการตรวจจับ (False Negatives)
• ใช้ วิธีสถิติ (เช่น การวิเคราะห์การถดถอย/Regression Analysis) เพื่อประเมินความสัมพันธ์ระหว่าง ตัวแปรอิสระ (สถานการณ์, ความเร็ว) และ ตัวแปรตาม (ระยะทาง, ความเร็ว)
• สรุปผลการค้นพบเพื่อเป็นแนวทางในการพัฒนา ฮาร์ดแวร์และซอฟต์แวร์ในอนาคต รวมถึงการวางแผน ขยายระบบสำหรับการใช้งานจริง

การวิเคราะห์ข้อมูล:

• จัดทำ รายงานประสิทธิภาพ จากข้อมูลการทดสอบ ระบุ จุดสำคัญที่ควรปรับปรุง ทั้งด้านการรวมเซนเซอร์, ความแม่นยำของอัลกอริทึม และ ข้อเสนอแนะจากผู้ใช้

วัสดุ อุปกรณ์ และสถานที่ที่ใช้ สำหรับโครงการ

เซนเซอร์:

• เรดาร์เซนเซอร์ (Radar sensors)
• ไลด้าเซนเซอร์ (Lidar sensor)
• สมาร์ตโฟนที่มีกล้องหน้า (Android เพื่อความคุ้มค่า)
• กล้องภายนอก (เช่น GoPro)
• มาตรวัดความเร็ว (Speedometer)
• อุปกรณ์วัดการเร่ง/ไจโรสโคป (Accelerometer/Gyroscope)
• โมดูล Bluetooth สำหรับเชื่อมต่อเซนเซอร์กับอุปกรณ์เก็บข้อมูล

ยานพาหนะ:

• รถจักรยานยนต์พร้อมอุปกรณ์ติดตั้งสมาร์ตโฟนด้านหน้า
• รถยนต์สำหรับจำลองจุดบอด

ซอฟต์แวร์:

• คอมพิวเตอร์สำหรับเขียนโปรแกรม
• ซอฟต์แวร์ประมวลผล (Processing Software) ทั้งบนอุปกรณ์และเซิร์ฟเวอร์
• อัลกอริทึม DeepSort แบบโอเพนซอร์สจาก GitHub
• โปรแกรมภาษา Python
• ซอฟต์แวร์สำหรับพัฒนาแอปพลิเคชัน (ยังระบุไม่ได้)

อื่น ๆ:

• สายวัด 20 เมตร
• อุปกรณ์วัดระยะทาง (เลเซอร์หรือเซนเซอร์อัลตราโซนิก)
• มอเตอร์สั่น สำหรับส่งสัญญาณ
• เทปสีสด สำหรับทำเครื่องหมายในลานจอดรถ
• กระดาษพิมพ์แบบฟอร์มเก็บข้อมูลสำหรับบันทึกข้อมูล

สถานที่สำหรับการทดลอง/เก็บข้อมูล

• ลานจอดรถ ขนาด 16 เมตร x 6 เมตร สำหรับจำลองสภาพถนนในการทดสอบจำลอง
• ถนนสาธารณะ สำหรับบันทึกวิดีโอและทดสอบสถานการณ์จริง

แผนการทำงานสำหรับแต่ละกิจกรรม

ผลลัพธ์ที่คาดว่าจะได้รับ

ผลลัพธ์ของโครงการจะเป็น ต้นแบบโซลูชันแบบผสมผสานระหว่างฮาร์ดแวร์และซอฟต์แวร์ ซึ่งประกอบด้วย กล้อง (อาจเป็นกล้องแยกหรือกล้องหน้าของสมาร์ตโฟน) ที่ติดตั้งบนรถจักรยานยนต์เพื่อบันทึก สภาพถนนด้านหลัง และ ซอฟต์แวร์คอมพิวเตอร์วิทัศน์ บนรถจักรยานยนต์เดียวกัน ที่ประมวลผลวิดีโอแบบเรียลไทม์เพื่อ ตรวจจับจุดบอดสายตาสำหรับผู้ขับขี่ 
เราเริ่มต้นโดย มุ่งเป้าไปที่ผู้ขับขี่รถจักรยานยนต์ส่งของรายได้ต่ำจำนวน 100,000 คนในประเทศไทย ซึ่งมีการเดินทางบ่อย การสัมภาษณ์เผยว่าแม้ว่าผู้ขับขี่จะ รับรู้ถึงความเสี่ยงของจุดบอดสายตาแต่พวกเขา (a) ไม่ทราบว่ามี โซลูชันเฉพาะสำหรับรถจักรยานยนต์, (b) สมมติว่าโซลูชันเหล่านี้ มีราคาสูงเกินไป, (c) กลัวการปรับแต่งที่จะทำให้ การรับประกันจากโรงงาน (OEM) ถูกยกเลิก

การวิจัยตลาดพบว่า โซลูชันจุดบอดรถจักรยานยนต์ที่มีอยู่ เช่น ระบบ LIDAR ราคา 300 ดอลลาร์ มีราคาแพง (คิดเป็น 20% ของราคารถจักรยานยนต์), ต้องปรับแต่งรถ, และ ไม่ได้กระจายอย่างกว้างขวาง จึงไม่ตอบสนองต่อความต้องการของผู้ขับขี่

ดังนั้น เราจึงได้นำข้อจำกัดที่ได้จากผู้ใช้มาประยุกต์ใช้ในการออกแบบ โดยเรียงตามลำดับความสำคัญ ได้แก่ การกำหนดงบประมาณไม่เกิน 700 บาท ไม่จำเป็นต้องปรับแต่งรถจักรยานยนต์ ใช้ชิ้นส่วนสำเร็จรูป และเขียนโค้ดบนแพลตฟอร์มที่ใช้งานง่ายเพื่อให้สามารถแจกจ่ายแบบโอเพนซอร์สได้