Improved crash detection system for motorcycles based on neural networks

Abstract

Este proyecto optimiza el mecanismo de detección de accidentes del sistema denominado "Moto eCall", finalizado en Junio del año 2011 en el Colegio de Ingeniería de Aarhus (Dinamarca). Para ello, y después de un largo proceso de búsqueda de soluciones, se propone el uso de una red neuronal artificial (RNA) de propagación hacia delante junto con la nueva técnica de aprendizaje denominada ELM (Extreme Learning Machine). Las RNAs ofrecen numerosas ventajas como aprendizaje adaptativo, auto-organización, tolerancia a fallos y operación en tiempo real. Además, el algoritmo ELM proporciona el mejor rendimiento de generalización a una velocidad de aprendizaje muy elevada. Con todo esto, las RNAs el algoritmo de aprendizaje ELM son la combinación perfecta para optimizar el rendimiento de Moto eCall. Gracias a los "crash test" realizados con el programa de simulación llamado "Working Model', la susodicha combinación ha sido probada. Los resultados muestran un rendimiento óptimo ya que la red neuronal reacciona casi inmediatamente cuando se produce un accidente y, además, los tiempos de entrenamiento y de previsión son más pequeños que los del algoritmo actual. Por lo tanto, se confirma que la propuesta de este proyecto mejora los puntos débiles del sistema actual de detección de accidentes

This project optimizes the accident detection mechanism of the system called "Moto eCall", developed in June 2011 at the Engineering College of Aarhus (Denmark). After a deep study of different solutions, a feedforward artificial neural network (ANN) trained the new learning technique referred to as Extreme Learning Machine (ELM) is proposed. Among others, ANNs present numerous advantages such as adaptive learning, self-organization, failover and real-time operation that make them a suitable alternative to the current crash detection technique. Besides, ELM algorithm tends to provide the best generalization performance at extremely fast learning speed. Therefore, ANNs and ELM are the perfect combination to optimize Moto eCall performance. Thanks to crash test developed with the simulation program called Working Model, the previously mentioned combination has been tested. The results show an optimal performance due to ANN reacts almost immediately when a crash happens and also ELM training and predicting times are shorter than currently algorithm. Consequently, it is confirmed that the proposal improves the weaknesses of the actual motorcycle crash detection system.