RT info:eu-repo/semantics/masterThesis
T1 Driver behavior evaluation by using smartphones
A1 Romera Carmena, Eduardo
K1 Seguridad vial
K1 Automóviles
K1 Conducción eficiente
K1 Informática
K1 Computer science
AB En la última década, ha habido una creciente tendencia en desarrollar sistemas que ayuden a hacerla conducción más segura. Aunque estos sistemas se van incluyendo poco a poco en los nuevos vehículoscomerciales, la mayoría tienen un coste alto, relegando estos beneficios a vehículos premium. Porotro lado, la expansión de los móviles como plataforma de sensado ha facilitado la captura y procesadoasequibles de datos, contribuyendo notablemente a expandir la ciencia del “Data Analytics”, que proporcionainformación muy rica a instituciones y empresas en cuanto a la toma de decisiones. En el casoconcreto de los vehículos, los datos relativos a análisis de conducción son de gran interés para gobiernosy aseguradoras, que intentan introducir el concepto de “Pay-As-You-Drive” como forma de beneficiara los conductores que tengan una conducción más eficiente y segura. En este contexto nació DriveSafeApp, 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 aplicaciónoriginal, en desarrollo desde hace dos años, para realizar mejoras que expandan sus capacidades comoplataforma de análisis de la conducción. En primer lugar, se desarrolla un servidor, con el correspondientemódulo cliente en la aplicación, para gestionar los datos de conducción de todos los usuarios deuna manera unificada, necesario dado que DriveSafe esta enfocada al uso masivo. En segundo lugar, sedesarrolla un módulo de detección y seguimiento de vehículos frontales por visión con el fin de obtenermás información del entorno dinámico durante la conducción. Este módulo se presenta como una contribuciónindependiente en el campo de visión, que mediante técnicas de multi-escalado consigue reducircostes computacionales para hacer viable una implementación en “smartphones”, manteniendo resultadosde detección similares al estado del arte. Esta información enriquece el análisis de datos de Drivesafefrente a otros trabajos relacionados, que no incorporan la detección de vehículos frontales en su análisisdebido a su complejidad y necesidad de sensores costosos (e.g. RADAR, LiDAR) o costes de procesadoaltos en el caso de usar visión computacional. En último lugar, se reorganiza y re-analiza la arquitecturacompleta de análisis de conducción de DriveSafe para añadir nuevos indicadores, proporcionados por ladetección de vehículos y por la introducción de capacidades comunicativas con APIs online de informaciónde carreteras. De esta forma se consigue expandir el análisis de DriveSafe a un amplio rango devariables independientes, de las que se extraen indicadores para proveer un gran conjunto de puntuacionesde conducción al usuario y ampliar el modelado de comportamiento incluyendo una clasificación entres niveles: conducción normal, agresiva o somnolienta junto a la detección de eventos distractores.
YR 2015
FD 2015
LK http://hdl.handle.net/10017/29057
UL http://hdl.handle.net/10017/29057
LA eng
DS MINDS@UW
RD 18-abr-2024