Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Impaired Driver Performance Detection Identifying driver-independent signs of inattention via in-vehicle sensors
KTH, School of Industrial Engineering and Management (ITM), Machine Design (Dept.).
KTH, School of Industrial Engineering and Management (ITM), Machine Design (Dept.).
2010 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [sv]

Detta examensarbete är utfört på Scania CV i Södertälje. Det är den avslutande delen av civilingenjörsprogrammet Design och produktframtagning vid Institutionen för maskinkonstruktion på KTH i Stockholm. Mer än 80 procent av alla trafikolyckor som involverar tunga fordon är relaterade till ouppmärksamt förarbeteende. Ouppmärksamhet kan orsakas av antingen trötthet eller distraktioner. Målet med detta examensarbete är att försöka hitta ett sätt att prediktera och detektera den här typen av beteende med hjälp av fordonssignaler. Grunden för analysen är data från SeMiFOT-projektet, ett naturalistiskt fältprov, utfört av gemensamma krafter inom svensk fordonsindustri, forskningsinstitut och University of Michigan. Datat inkluderar videofilm, blickriktnings- och ögonrörelsemönster, samt CAN signaler. De CAN-signaler som använts för analysen inkluderar till exempel styrvinkel och lateral acceleration. För att möjliggöra uppskattning av förarnas trötthetsnivå har en modell som kallas Sleep/Wake Predictor (SWP) använts. Resultatet av arbetet är en modell som består av en riskbedömning kopplad till trötthetsnivån och en algoritm för distraktionsdetektion. Trötthetsdelen använder SWP:n och den välkända KSS skalan för att approximera förarens nuvarande och förväntade trötthetsnivå och riskerna det medför. Distraktionsalgoritmen använder styrvinkelhastigheten som insignal och genererar en distraktionsflagga. De typer av distraktionsmoment som kan detekteras är exempelvis telefonanvändning och justering av utrustning i hytten. Utvariablerna från modellen skickas på fordonets CAN-nätverk. Hur den här informationen bäst skulle kunna presenteras till föraren har inte undersökts i det här projektet. Slutsatsen från projektet är att det faktum att distraktionsbeteende, som är en bidragande orsak till nedsatt förarförmåga, kan detekteras är positivt. Detta i kombination med uppskattningen av trötthet utgör en bra grund för att reducera riskerna för olyckor orsakade av ouppmärksamhet. Detta kan utvecklas till en värdefull produkt som Scania kan erbjuda sina kunder.

Abstract [en]

This thesis work is conducted at Scania CV in Södertälje. It is the final part of the M.Sc program Design & Product Development at the Institution for Machine Design at KTH, Stockholm. More than 80 percent of all traffic accidents involving heavy trucks are caused by inattentive driver behaviour. Inattention can be caused by either drowsiness or distractions. The aim with this thesis work is to try to find a way to predict and detect such behaviour using vehicle sensors. The basis for the analysis is data from the SeMiFOT project, a naturalistic field operating test, conducted by joint forces between Swedish vehicle manufacturers, research institutes and the University of Michigan. The data includes video footage, gaze direction and eye closure measures, as well as CAN signals. The CAN signals used for analysis are for example steering wheel angle and lateral acceleration. To be able to assess the drivers’ level of sleepiness, a model called the Sleep/Wake Predictor (SWP) has been used. The result of this thesis is a model consisting of a risk level due to sleepiness assessment and a distraction detection algorithm. The sleepiness part uses the SWP and the well known Karolinska Sleepiness Scale (KSS) to approximate the drivers’ current and expected sleepiness level and the risks associated with this. The distraction detection uses the steering wheel angle velocity as input, processes the signal and outputs a distraction warning flag. The type of distractions thatare detectable are for example using a mobile phone and adjusting equipment in the cab. The model output is sent out on the Controller Area Network (CAN) of the vehicle. How the information from the model can be best presented to the driver has not been examined. The conclusion from the project is that the fact that distractive behaviour, which is a contributor to impaired driver performance, can be detected is positive. This, in combination with the assessment of sleepiness, constitutes a good base for reducing the risks of accidents caused by inattention. This can be developed into a valuable product for Scania to offer their customers.

Place, publisher, year, edition, pages
2010. , 80 p.
Series
MMK 2010:08 IDE 038 MCE 218
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-49625OAI: oai:DiVA.org:kth-49625DiVA: diva2:459901
Uppsok
Technology
Supervisors
Examiners
Available from: 2015-10-19 Created: 2011-11-28 Last updated: 2015-10-19Bibliographically approved

Open Access in DiVA

Impaired Driver Performance Detection(3152 kB)33 downloads
File information
File name FULLTEXT01.pdfFile size 3152 kBChecksum SHA-512
2d0dcc6e8d4edcf126c6f9fd7d95b37b1f672dc47401a8b3f53fba7bef18fc7c56f0e9816fedeeee43b66c04f388cbc247d3e8feb8f4f0a2e1b18d0e24b3c733
Type fulltextMimetype application/pdf

By organisation
Machine Design (Dept.)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 33 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 45 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf