Driver behavior evaluation by using smartphones

Abstract

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.

In the last decade, there has an been active research toward developing systems that make driving safer. Although these systems are being slowly introduced in the new commercial vehicles, the high associated cost relieves their benefits to premium vehicles. On the other hand, the advent of mobile sensing platforms facilitates the cost-effective capturing and processing of data, contributing remarkably to expand the science of “Data Analytics”, which provides rich information to institutions and companies for decision making. On the specific case of vehicles, the data relative to driving analysis is of high interest to governments and insurance companies, that try to introduce the concept of “Pay-As-You-Drive” as a way of awarding drivers that keep an efficient and safe way of driving. In this context was born DriveSafe App, an aplication that evaluates driving by detecting and scoring inattentive behaviours, giving the corresponding feedback to drivers. This work takes as a starting point the original application, that has been in development for two years, to perform improvements that expand its capabilities as a platform for driving analysis. Firstly, a server is developed, with the corresponding client module in the application, in order to manage the driving data from all the users in an unified way, a necessity due to the aim of DriveSafe to the massive use. Secondly, a module for vision-based ahead vehicle detection and tracking is developed and integrated in the application, with the aim of obtaining more information about the dynamical environment during driving. This module is presented as a single contribution in the vision field, which by applying multi-scale techniques achieves to reduce computational costs and make viable an implementation for smartphones, keeping detection results that are similar to the state of the art. This information enriches the data analysis of DriveSafe against other related works, that do not include ahead vehicle detection in their analysis due to its complexity and necessity of expensive sensors (e.g. RADAR, LiDAR) or high associated processing costs in the case of computational vision. Finally, the complete architecture for driving analysis of DriveSafe is rearranged and re-analysed to add new indicators, provided by the vehicle detection and the introduction of communication capabilities with road information online APIs. This achieves expanding the analysis of DriveSafe to a broad range of independent variables, from which indicators are extracted to provide the user a wide group of driving scores and augment the behaviour modelling including a three-level classification: normal driving, aggressive or drowsy, together with the detection of distracting events.