Skyltfonden

Det här projektet belyser säkerhetsfrågor kopplat till elektriska mikromobilitetsfordon, specifikt elsparkcyklar, som stod för 1 % av resor men nästan 4% av trafikolyckorna 2019. För att reducera potentiella risker från ökad användning av mikromobilitet utvecklade vi robusta AI-algoritmer för att upptäcka osäkra beteenden såsom rattfylleri och tandemåkning. Vår metod kombinerade virtuella verklighetssimuleringar (VR) och verkliga banor. VRsimuleringarna, som hade 30 deltagare, använde handspårningsteknik för att öka realismen och minska illamående. Resultaten visade att vår LSTM (Long Short-Term Memory network) modell framgångsrikt identifierade 86 % av de berusade förarna, medan en annan LSTMmodell upptäckte 93 % av tandemåkarna. Vi har testat en Transformer-metod med ytterligare aggregerade data där vi har uppnått 100 % precis identifiering av berusade förare. LSTMmetoden som vi testade i projektet har visat betydande förbättringar för att upptäcka berusade förare eller tandemåkare, jämfört med nuvarande industriella applikationer som mestadels är byggda på maskininlärningsmetoder, t.ex. Random Forest. Verkliga vägtester bekräftade ytterligare dessa fynd och framhöll vägunderlagets påverkan på elsparkcykelbanor. Även om datakvaliteten utgjorde vissa utmaningar, visar vår studie betydande potential för AI-drivna säkerhetsinterventioner. Dessutom utvecklade vi en prototyp av en instrumentpanel för att övervaka underhåll och infrastrukturbehov för elsparkcyklar. Denna forskning bidrar till Nollvisionen genom att tillhandahålla tillförlitliga verktyg för att identifiera missbruk av elsparkcyklar, med framtida arbete som fokuserar på att förfina modeller, utöka datainsamling och integrera avancerade neurala nätverk. Våra resultat ger värdefulla insikter för intressenter som Trafikverket och delade elsparkcykelperatörer och administrationer för att förbättra säkerheten inom urban mobilitet.

This project addresses safety concerns associated with electric micromobility vehicles, particularly e-scooters, which accounted for 1% of trips but nearly 4% of traffic accidents in 2019. To mitigate potential risks from increased micromobility usage, we developed robust AI algorithms to detect unsafe behaviors such as drunk driving and tandem riding. Our approach combined Virtual Reality (VR) simulations and real-world trajectories. The VR simulations, involving 30 participants, utilized hand-tracking technology to enhance realism and reduce nausea. Results indicated that our LSTM (Long Short-Term Memory network) model successfully identified 86% of drunk riders, while another LSTM model detected 93% of tandem riders. We have tested a Transformer method with further aggregated data where we have achieved 100% precise identification of drunk drivers. LSTM method that we tested in the project have shown significant improvement for detecting drunk drivers or tandem riders, compared with current industrial applications mostly built on machine learning methods e.g. Random Forest. Real-road tests further validated these findings, highlighting the impact of road surface conditions on e-scooter trajectories. Although data granularity posed some challenges, our study demonstrates significant potential for AI-driven safety interventions. Additionally, we developed a prototype dashboard for monitoring e-scooter maintenance and infrastructure needs. This research contributes to Vision Zero by providing reliable tools for identifying escooter misuse, with future work focusing on refining models, expanding data collection, and integrating advanced neural networks. Our findings offer valuable insights for stakeholders like Trafikverket and shared e-scooter operators and administrations to enhance urban mobility safety.