Using AI to study impact of driving patterns

Abstract

Tässä opinnäytteessä tutkitaan tapoja hyödyntää tekoälyä (AI) kuljettajan ajokäyttäytymisen analysointiin. Tavoitteena on löytää korrelaatio niiden eri tekijöiden väliltä jotka vaikuttavat kuljettajan tekemiin päätöksiin hyödyntäen kuljettajan ajoympäristöstä ja tiestöstä saatavilla olevaa ja kerättyä tietoa. Tämän pohjalta voidaan jatkossa kehittää järjestelmä joka auttaa kuljettajia kiinnittämään huomiota ajotapaan ja parantamaan ajamisen tehokkuutta ja vähentämään ajamisesta aiheutuu ympäristön kuormitusta. Aplicom Oy on toimittanut työtä varten T10G-telematiikkalaitteen, josta löytyy mittalaitteet ajoneuvon nopeuden, sijainnin ja ajan seuraamiseksi. Lisäksi laitteesta löytyy CAN-liitäntä, jonka avulla päästään lukemaan ajoneuvon omia antureita. Näiden tietojan avulla kuljettajan ajotapaa voidaan analysoida. Opinnäytteen lähtötiedoiksi ajotietoa on kerätty useilla ajokerroilla Suomessa kaupunkiliikenteestä ja moottoritieajosta. Analyysissa kerätyt tiedot on yhdistetty Trafin julkisen Digiroad-aineiston kanssa josta on saatu tiestön yksityiskohtaista nopeusrajoitus- ja geometriatietoa. Muodostetusta tietomallista voidaan muodostaa tarkka kuva kuljettajan ajokäytöksestä kyseisellä tieosuudella. Opinnäyte havainnollistaa osuvalla tavalla kuinka koneoppimista voidaan hyödyntää liikenteessä kuljettajan avustamiseksi tehden ajamisesta turvallisempaa, tehokkaampaa ja ympäristöystävällisempää. Tulevaisuuden liikenteessä tullaan hyödyntämään entistä enemmän tietokoneen ja kuljettajan yhteistyötä jotta vastuullisuuden, turvallisuuden ja kestävän kehityksen tavoitteet voidaan saavuttaa.

This thesis examines the ways in which artificial intelligence (AI) can be used to study the impact of driving patterns, aiming to find a correlation between the variables influencing the driver's decision-making process by using data that can be gathered in various driving environments and terrains. This analysis will be helpful in developing a system that helps drivers modify their driving habits for increased vehicle efficiency and reduced damage to the environment. A T10G device from Aplicom Oy, containing important interfaces to the vehicle sensors via a CAN bus interface and on-device sensors that measure vehicle speed, latitude longitude and timestamp data, is used to analyze driving behavior. Data has been collected on multiple journeys both in-city and on highway in Finland and mapped onto the Finnish Transport Infrastructure Authority’s publicly available API which contains detailed mapping of Finnish road and street networks as well as winter and summer speed limits with Geo coordinates, thus providing an accurate picture of driving behavior along the aforementioned path. This study expresses how incorporating machine learning is a funda-mental shift in driving that will make it safer, more efficient, and environmentally friendly. The driving experience of the future will see more involvement from human-machine inter-action based on sustainability, safety, and accountability.