Analysis of the relationship between the signaling obtained from CAN-BUS and comfort assessment variables based on artificial intelligence

Abstract

[EN] Automated driving has augmented the interest in evaluating the comfort experienced by passengers in vehicles. In this work, machine learning techniques are used to study the existing relationship between the comfort felt by the vehicle passengers and the signaling obtained from CAN-BUS with the intent of extracting the characteristic driver behaviors originating the discomfort. Data from the Uyanik database is analysed making use of the acceleration threshold theory to assess the comfort. First, the data is preprocessed through a chain of cleaning, normalizing, categorising and oversampling, to be suitable for the algorithms. Then, the implemented machine learning techniques, the Radial Basis Function and the Self Organized Map, are trained utilizing the vehicle data. The Radial Basis Function exhibits poor prediction and indicates an improper comfort categorisation. The Self Organized Map recognizes five different discomforting driving patterns. Each one is analysed, the association between the driving actions the discomfort level are observed and driving recommendations are formed in the nature of gas, break and steering wheel operations. Finally, making use of these analyses, a driver study is conducted allows comparing the maneuvering of the vehicle and the discomfort produced respectively by each driver. Overall, distinct conditions and specific vehicle maneuvering are responsible for producing discomfort and drivers are generally comforting. As future work, Decision Trees or Feature Selection - Extraction algorithms will be implemented, and better data categorisation will be made.

[ES] La conducción automatizada ha aumentado el interés por evaluar el confort que experimentan los pasajeros en los vehículos. En este trabajo, se utilizan técnicas de aprendizaje automático para estudiar la relación existente entre el confort sentido por los pasajeros del vehículo y la señalización obtenida de CAN-BUS con la intención de extraer los comportamientos característicos del conductor que originan el malestar. Los datos de la base de datos de Uyanik se analizan haciendo uso de la teoría del umbral de aceleración para evaluar el confort. Primero, los datos se procesan previamente a través de una cadena de limpieza, normalización, categorización y sobremuestreo, para que sean adecuados para los algoritmos. Luego, las técnicas de aprendizaje automático implementadas, la Función de Base Radial y el Mapa Autoorganizado, se entrenan utilizando los datos del vehículo. La Función de Base Radial exhibe una predicción deficiente e indica una incorrecta categorización de la comodidad. El Mapa Autoorganizado reconoce cinco patrones incómodos diferentes de conducción. Cada uno es analizado, la asociación entre las acciones de conducción el nivel de incomodidad es observado y se forman recomendaciones de conducción en forma operaciones de gas, freno y volante. Finalmente, haciendo uso de estos análisis, se realiza un estudio del conductor que permite comparar la maniobrabilidad de los vehículos y la incomodidad producida respectivamente por cada conductor. En general, distintas condiciones y maniobras específicas del vehículo son responsables de producir incomodidad, y los conductores son generalmente reconfortantes. Como trabajo futuro, Árboles de Decisión o Algoritmos de Selección - Extracción serán implementados y se realizará una mejor categorización de los datos.

[EU] Gidatze automatikoak ibilgailuetan bidaiariek bizi duten erosotasuna ebaluatzeko interesa areagotu du. Lan honetan, ikaskuntza automatikoko teknikak erabiltzen dira ibilgailuko bidaiariek sentitzen duten erosotasunaren eta CAN-BUSetik lortutako seinaleztapenaren arteko erlazioa aztertzeko, ondoeza eragiten duten gidariaren jokabide ezaugarriak ateratzeko asmoz. Uyanik datu-baseko datuak analizatzen dira, azelerazio-atalasearen teoria erabiliz erosotasuna ebaluatzeko. Lehenik eta behin, datuak aldez aurretik garbitu, normalizatu, kategorizatu eta gainlagindu egiten dira, algoritmoetarako egokia izan daitezen. Ondoren, inplementatutako ikaskuntza automatikoko teknikak, Oinarri Erradialaren Funtzioa eta Auto-Antolatutako Mapa, ibilgailuaren datuak erabiliz entrenatzen dira. Oinarri Erradialaren Funtzioak iragarpen txarra erakusten du eta erosotasunaren kategorizazioa oker bat adierazten du. Auto-Antolatzen Mapak bost gidatzeko eredu deseroso ezberdin ezberdintzen ditu. Bakoitza aztertzen da, ibilgailua gidatzeko ekintzen artean ondoeza maila nabaritzen da eta gidatze-gomendioak eratzen dira gas pedal, balazta eta bolante ekintzetan. Azkenik, analisi horietaz baliatuz, gidariaren azterketa bat burutu da, eta gidarien maniobragarritasuna alderatzen du, ibilgailua eta gidari bakoitzak sortutako ondoeza, hurrenez hurren. Oro har, hainbat baldintza eta ibilgailuen maniobra zehatzak ondoeza sortzeaz arduratzen dira, eta gidariak, oro har, erosoak dira. Etorkizuneko lan gisa, Erabaki Zuhaitzak edo Hautaketa - Erauzketa Algoritmoak erabiliko dira eta datuen kategorizazio hobea egingo da.