Análisis y caracterización de conducción en buses interurbanos en la ruta Santiago-Antofagasta para detección de eventos de riesgo del conductor.

Abstract

La fatiga y somnolencia son las principales causas de accidentes dentro del sector de transporte terrestre. Esto se debe a las jornadas extensas de trabajo del conductor, estrés y mala calidad del sueño. Es por esto que, las empresas del rubro de transporte deben invertir en tecnología para la detección de somnolencia y fatiga, pero dichos dispositivos presentan falsos positivos, lo que genera desconfianza en sus notificaciones, por lo que los estados en el conductor siguen sin poder ser detectados a tiempo y de forma remota. Con la finalidad de analizar y determinar estados del conductor como somnolencia o fatiga, se realizó un análisis de los datos entregados por RedCAN (red de área de control interna de los vehículos) de 8 buses pertenecientes a la empresa Buses Hualpén, que recorren la ruta interurbana Santiago-Antofagasta. Las variables estudiadas fueron: comportamiento de los datos de aceleración lateral y su derivada (jerk), aceleración longitudinal, razón de cambio del ángulo de las ruedas (yaw_rate) y su derivada, ángulo de volante y velocidad. Para este análisis, se realizó un estudio previo de conceptos importantes del área, además de levantamiento de datos desde el bus hacia la base de datos MySQL, los cuales se exportaron para ser procesados en lenguaje Python y así, analizar el comportamiento de cada variable a lo largo de la ruta. Finalmente, se utilizan umbrales para la aceleración lateral (≥ 1.5 𝑚𝑠2), jerk (≥ 2.0 𝑚𝑠3) y derivada del yaw rate (≥ 2.5 °𝑠2) para la detección de eventos de riesgo. Como resultado, se generó un código que detecta los eventos que superan los umbrales estipulados. Luego, se separan los datos por tramos, graficando cada 200 metros de amplitud de la ruta con respecto al punto del evento y comparando el viaje del evento con otros que se transiten en ese segmento de ruta. De este modo, se pudo observar que: para un mismo trayecto, las desviaciones estándar, valores promedios y amplitudes de cada variable varían dependiendo el comportamiento del conductor. Se concluye, que no es posible la detección de los estados de somnolencia/fatiga en el conductor mediante solo la lectura de los datos entregados por la RedCAN. Pero, sí es posible detectar posibles eventos de riesgo, basándose en los umbrales definidos anteriormente. También, es posible generar una caracterización de formas de conducción mediante el análisis de cada variable, en las cuales se generen umbrales para cada variable enfocados en el confort de pasajeros, estado del vehículo, eficiencia y, principalmente, evitar accidentes por causa de la conducción.

Fatigue and drowsiness are the main causes of accidents in land transport. This is due to the driver’s long working hours, stress and poor sleep quality. For this reason, transportation companies must invest in technology to detect drowsiness and fatigue, but these devices have false positives, which generates mistrust in their notifications, so that the states of the driver can still not be detected in time and remotely. In order to analyze and determinate driver states such as drowsiness or fatigue, an analysis was made of the data provided by RedCAN (internal vehicle control area network) of 8 buses belonging to the company Buses Hualpén, which travel the Santiago-Antofagasta intercity route. The variables studied were behavior of lateral acceleration data and its derivative (jerk), longitudinal acceleration, wheel angle change ratio (yaw rate) and its derivative, steering wheel angle and speed. For this analysis, a previous study of important concepts of the area was carried out, in addition to data collection from the bus to the MySQL database, which were exported to be processed in Python language to analyze the behavior of each variable along the route. Finally, thresholds for lateral acceleration (≥ 1.5 𝑚𝑠2), jerk (≥ 2.0 𝑚𝑠3) and yaw rate derivative (≥ 2.5 °𝑠2) are used to detect risk events. As a result, a code was created that detects events that exceed the stipulated thresholds. Then, the data is separated by sections, plotting every 200 meters of route amplitude with respect to the point of the event and comparing the trip of the event with others transited on that route segment. Thus, it was observed that for the same route, the standard deviations, average values and amplitudes of each variable differ depending on the driver’s behavior. As a conclusion, it is not possible to detect drowsiness/fatigue states in the driver by simply reading the data provided by RedCAN. However, it is possible to detect imaginable risk events, based on the thresholds defined above. It is also possible to generate a characterization of driving patterns through the analysis of each variable, in which thresholds are generated for each variable focused on the passenger comfort, vehicle condition, efficiency and, mainly, avoiding accidents caused by driving.