Increase the IQ of your smartphone: road security on mobile platforms

Abstract

Os acidentes de trânsito ferem cerca de 1,3 milhões de pessoas por ano e o número de mortes tem crescido na última década. As nossas contribuições no campo da detecção de um comportamento de um condutor representam uma tentativa de contribuir positivamente para este problema. O atual estado da arte não é verificado em uso real. Para enfrentar esse problema, desenvolvemos um simulador capaz de replicar o uso dos modelos em situações reais. Esta dissertação é o resultado de um estágio na Sentilant. A empresa está à procura de melhorar o seu algoritmo de detecção de eventos atual incorporando machine learning no sistema existente para melhorar o feedback dado aos utilizadores. Os nossos resultados sugerem que, em vez de classificar uma sample assim que ela chega, podemos colocar algumas em um buffer de maneira a classificar uma amostra com base nas amostras que estão colocadas à frente. Este procedimento resulta num aumento da performance dos algoritmos supervisionados. Uma técnica para balancear os dados que é aqui apresentada demonstra capacidade de rivalizar com oversampling, sem aumentar o tamanho do dataset, conseguindo assim menores tempos de treino. O nosso melhor modelo é capaz de atingir uma precisão de 74% para aceleração, 49% de precisão para travagens e 18% de precisão para curvas. Em viagens de validação reais efetuadas o modelo comportou-se como esperado quando o telemóvel ia colocado na vertical, apesar de demonstrar uma sensibilidade maior que o esperado nas curvas.

Traffic incidents kill about 1.3 million people per year and the number of deaths has been rising for the past decade. Our contributions in the field of detecting and profiling a driver behavior represent an attempt to positively impact this problem.Current state of the art is untested in real usage. To tackle this problem, we developed a simulator that is capable of replicating real usage. This dissertation is the result of an internship at Sentilant. They are looking to improve their current driving behavior detection algorithm by incorporating machine learning into the existing system in order to improve the feedback given to the users. Our findings suggest that taking into consideration not only past samples but also look ahead samples results in an increased performance on supervised algorithms. A set of well engineered samples was all it took to go from mediocre results to having the model behaving as expected when oriented vertically. A novel balancing technique is here presented and demonstrated to rival oversampling but without increasing the size of the dataset, achieving lower training times. Our best model is capable of achieving 74% precision for acceleration, 49% precision for brakes and 18% precision for turns. In real validation trips, the algorithm behaved as expected when the phone was placed vertically, despite the sensibility it demonstrated to turns. This was only possible because we devised a new post-processing mechanism that only allows a model to classify a sample as aggressive behavior after the same event has appeared consecutively a pre-defined amount of times.