%0 Journal Article 
%A Romera Carmena, Eduardo
%T Driver behavior evaluation by using smartphones
%D 2015
%U http://hdl.handle.net/10017/29057
%X En la última década, ha habido una creciente tendencia en desarrollar sistemas que ayuden a hacer
la conducción más segura. Aunque estos sistemas se van incluyendo poco a poco en los nuevos vehículos
comerciales, la mayoría tienen un coste alto, relegando estos beneficios a vehículos premium. Por
otro lado, la expansión de los móviles como plataforma de sensado ha facilitado la captura y procesado
asequibles de datos, contribuyendo notablemente a expandir la ciencia del “Data Analytics”, que proporciona
información muy rica a instituciones y empresas en cuanto a la toma de decisiones. En el caso
concreto de los vehículos, los datos relativos a análisis de conducción son de gran interés para gobiernos
y aseguradoras, que intentan introducir el concepto de “Pay-As-You-Drive” como forma de beneficiar
a los conductores que tengan una conducción más eficiente y segura. En este contexto nació DriveSafe
App, una aplicación que evalúa la conducción detectando y puntuando comportamientos de inatención,
dando el feedback correspondiente al conductor. Este trabajo toma como punto de partida la aplicación
original, en desarrollo desde hace dos años, para realizar mejoras que expandan sus capacidades como
plataforma de análisis de la conducción. En primer lugar, se desarrolla un servidor, con el correspondiente
módulo cliente en la aplicación, para gestionar los datos de conducción de todos los usuarios de
una manera unificada, necesario dado que DriveSafe esta enfocada al uso masivo. En segundo lugar, se
desarrolla un módulo de detección y seguimiento de vehículos frontales por visión con el fin de obtener
más información del entorno dinámico durante la conducción. Este módulo se presenta como una contribución
independiente en el campo de visión, que mediante técnicas de multi-escalado consigue reducir
costes computacionales para hacer viable una implementación en “smartphones”, manteniendo resultados
de detección similares al estado del arte. Esta información enriquece el análisis de datos de Drivesafe
frente a otros trabajos relacionados, que no incorporan la detección de vehículos frontales en su análisis
debido a su complejidad y necesidad de sensores costosos (e.g. RADAR, LiDAR) o costes de procesado
altos en el caso de usar visión computacional. En último lugar, se reorganiza y re-analiza la arquitectura
completa de análisis de conducción de DriveSafe para añadir nuevos indicadores, proporcionados por la
detección de vehículos y por la introducción de capacidades comunicativas con APIs online de información
de carreteras. De esta forma se consigue expandir el análisis de DriveSafe a un amplio rango de
variables independientes, de las que se extraen indicadores para proveer un gran conjunto de puntuaciones
de conducción al usuario y ampliar el modelado de comportamiento incluyendo una clasificación en
tres niveles: conducción normal, agresiva o somnolienta junto a la detección de eventos distractores.

%K Seguridad vial
%K Automóviles
%K Conducción eficiente
%K Informática
%K Computer science
%~ Biblioteca Universidad de Alcala