Användningen av AI-teknologier inom järnvägarnas Förar Maskin Gränssnitt (DMI) är avgörande för att förbättra säkerhet, operationell effektivitet och förarupplevelse. Denna avhandling undersöker tillämpligheten av AI-teknologier från bil-, flyg- och sjöfartssektorerna till järnvägsindustrin. Aktuella DMI-teknologier inom bil-, flyg- och sjöfart genom en systematisk litteraturöversikt som involverar 98 källor och patent från 703 granskade, följt av experterintervjuer med 10 branschprofessionella från Alstom för att diskutera teknologiers tillämplighet inom järnvägen. Viktiga resultat identifierar tre lovande teknologier: detektion av förartrötthet, taligenkänning och adaptiva HUD:ar, som visar betydande potential för att förbättra säkerhet, operationell effektivitet och förarupplevelse när de integreras i järnvägs-DMI. Vidare konstrueras tre spekulativa scenarier för att föreställa sig effekterna av dessa teknologier under det kommande decenniet, vilket ger insikter om potentiella framtida utvecklingar inom järnvägen drivna av AI. Dessa scenarier informerar inte bara om långsiktig strategisk planering utan underlättar också proaktiva reglerings- och efterlevnadsåtgärder, vilket förbättrar förståelsen för AI-applikationer inom järnvägssektorn och etablerar riktlinjer för framtida forskning.

The utilisation of AI technologies within railway Driver Machine Interfaces (DMIs) is vital for enhancing safety, operational efficiency and driver experience. This thesis investigates the applicability of AI technologies from the automotive, aviation and maritime sectors to the railway industry. Current DMI technologies within automotive, aviation and maritime are evaluated through a systematic literature review involving 98 sources and patents from 703 screened, followed up by expert interviews with 10 industry professionals from Alstom to discuss technologies’ applicability to railway. Key findings identify three promising technologies: driver drowsiness detection, speech recognition, and adaptive HUDs, that demonstrate substantial potential for improving safety, operational efficiency and driver experience when integrated into railway DMIs. Furthermore, three speculative scenarios are constructed to envision the impacts of these technologies over the next decade, providing insights into potential future developments in railways driven by AI. These scenarios not only inform long-term strategic planning but also facilitate proactive regulatory and compliance measures, thereby enhancing understanding of AI applications in the railway sector and establishing benchmarks for future research.