Safety-oriented, real-time algorithms for terrain recognition and driving riskiness estimation in e-scooters

In the last few years, more and more micro-mobility solutions are spreading, changing the habits of short-range travelling. As principal leading actors of this phenomenon come out vehicles like electric bicycles (e-Bikes) and scooters (eScooters), whose usage in urban context is constantly increasing for all ages customers. However, if, on one hand, those means of transportation allow to fight traffic congestion and pollution in metropolitan cities, on the other one the prevalence of traffic accidents involving them is troubling. This is often due to a risky drivingstyle behaviour of, users, which can easily access e-Scooters thank to the several sharing companies spread on cities' territory, without being properly trained and informed. Despite governments are trying to define effective rules to enforce safety, eScooter diffusion is so sudden that prevents them to keep up with it. In particular, to date lack indications of how regulating speed with respect to the road surface quality, or of how punishing, as example, incautious user that boards on the vehicle with a second passenger, which is clearly forbidden. In this perspective, this study has the purpose of increasing the level of users' safety also estimating the vehicle usage status, through the implementation and validation of two real-time monitoring data-driven algorithms, based on supervised and unsupervised machine-learning techniques, aimed at estimating road quality and user driving style, respectively. The produced estimates can be used to set appropriate speed limitations, while notifying the user, to promote awareness. The first part of the work aims at the definition of a Road Quality Index (RQI), to provide information about the quality of the underlying road, also capable of recognizing the specifc type of road pavement. In the second part, a quantitative definition of driving style is provided, ad-hoc defined to discern three classes of riskiness status. Accordingly, a safety-oriented algorithm was designed to perform the estimate. Those algorithms are then combined to obtain both a real-time and a whole-trip user safety and vehicle usage status report, about the ride in act. All the proposed approaches have been evaluated on real data acquired with two different e-Scooters: a Xiaomi MI M365 and a Lamborghini AL1. Validation results, proved the effectiveness and generalisation capabilities of those estimation algorithms, which is mandatory in a future industrialization perspective. The novelty of this proposal lies in the fact that the described methods were designed for a new class of vehicles, at the present time, little addressed in the literature and deployed accessing only to cheap sensors equipment, basically composed of an Inertial Measurement Unit (IMU) and a GNSS receiver, to acquire information about positioning and travelling speed. Last but not least, the authors intend to put the focus on some key-features of the adopted sensor box to carry on this research thesis. The choice of an essential, portable and small-sized setup is crucial if thinking of an implementation on any vehicles, even the ones already on-the-market. By guaranteeing certain characteristics, the box can be easily attached, being invasive interventions unnecessary.

Negli ultimi anni, si stanno diffondendo sempre più soluzioni di micro-mobilità, cambiando di fatto le abitudini di spostamento a corto raggio. Come principali protagonisti di questo fenomeno emergono veicoli come le biciclette elettriche (eBikes) e gli scooter (e-Scooter), il cui utilizzo nel contesto urbano è in costante aumento per clienti di tutte le età. Tuttavia, se da un lato questi mezzi di trasporto permettono di combattere la congestione del traffico e l'inquinamento nelle città metropolitane, dall'altro la prevalenza di incidenti stradali che li coinvolgono è preoccupante. Ciò è spesso dovuto a un comportamento di guida rischioso da parte degli utenti, che possono accedere facilmente agli e-Scooter grazie alle numerose società di sharing diffuse sul territorio delle città, senza essere adeguatamente formati e informati. Nonostante i governi stiano cercando di definire regole efficaci per aumentarne la sicurezza, la diffusione degli e-Scooter è stata così improvvisa che ha impedito alle istituzioni di stare al passo. In particolare, ad oggi mancano indicazioni relativamente a come regolare la velocità rispetto alla qualità del manto stradale, o di come punire, ad esempio, gli utenti che incautamente salgono a bordo di questi con un secondo passeggero, una pratica pericolosa ma molto diffusa. In questa prospettiva, questo studio si propone di aumentare il livello di sicurezza degli utenti, stimando anche lo stato di usura del veicolo, attraverso l'implementazione e la validazione di due algoritmi di monitoraggio real-time e data-driven, basati su tecniche di apprendimento automatico supervisionato e non supervisionato. Tali algoritmi mirano a stimare la qualità del manto stradale e lo stile di guida degli utenti. Le stime prodotte possono essere utilizzate per imporre limitazioni di velocità appropriate, notificando l'utente, per promuovere la consapevolezza alla guida. La prima parte del lavoro mira alla definizione del Road Quality Index (RQI), capace di fornire informazioni sulla qualità della strada e anche di riconoscere il tipo specifico di pavimentazione stradale su cui si sta viaggiando. Nella seconda parte, viene data una definizione precisa di rischiosità nello stile di guida, e contestualmente progettato un algoritmo orientato alla sicurezza per stimare e discernere tra tre classi di rischio. Gli algoritmi prodotti, sono poi combinati per ottenere sia delle stime in tempo reale, che un rapporto sulla sicurezza dell'utente e lo stato di utilizzo del veicolo relativamente a tutto il viaggio. Tutti gli approcci proposti sono stati valutati su dati reali acquisiti con due diversi e-Scooter: uno Xiaomi MI M365 e un Lamborghini AL1. I risultati della validazione hanno dimostrato l'effcacia e la capacità di generalizzazione di questi algoritmi di stima, caratteristica estremamente necessaria in prospettiva di una futura industrializzazione. La novità di questa proposta risiede nel fatto che i metodi descritti sono stati progettati per una nuova classe di veicoli, al momento, poco affrontati in letteratura. Inoltre, per mettere in campo tali funzionalità, i metodi proposti hanno accesso solo a sensori il cui costo di mercato è esiguo. Di fondamentale importanza vi è soltanto un'unità di misura inerziale (IMU) e un ricevitore GNSS, per acquisire informazioni sul posizionamento e la velocità di viaggio. Infine, gli autori intendono porre l'accento su alcune caratteristiche chiave della sensor-box adottata. La scelta di un setup essenziale, portatile e di piccole dimensioni come quello adottato in questo lavoro di ricerca è fondamentale se si pensa ad un'implementazione su qualsiasi veicolo, anche quelli già in commercio. Garantendo determinate caratteristiche, la sensor-box può essere facilmente installata sul dispositivo, rendendo innecessari interventi invasivi sul veicolo.