National Transport Library Research Database

Real-world On-road Assessment of Drivers – Methods And Systems for Technology Evaluation and Review (ROAD-MASTER)

  • Lowe, Robert
  • RISE Research Institutes of Sweden AB, Svenskt företag eller organisation, 556464-6874
Sponsors, duration, budget: Trafikverket ; 2025-01-01 -- 2026-06-30 Registration number:
  • Trafikverket 2023/13144
Subject(s): Summary: För närvarande underkänns cirka 60 procent av körkortstagarna i Sverige. Detta innebär en betydande kostnad i både tid och pengar för staten och för de personer som gör proven. Att öka antalet lyckade förstagångsförsök, utan att minska standarderna, kan hantera de ovan nämnda kostnaderna. Ett lovande sätt att minska antalet misslyckanden är genom att använda AI-spårnings- och analyssystem som ger feedback i realtid till studenterna och utvärderande beslutsstöd till lärarna. Systemet kan t.ex. användas av eleverna som ett förprov för att utvärdera deras chanser att lyckas och indikera om mer övning behövs. Vid körprov kan systemet också ge värdefullt beslutsstöd till provledare. En sådan lösning har potential att minska den totala kostnaden i form av tid, pengar och utsläpp genom att minska antalet onödiga provtillfällen hos Trafikverket. Ett AI-system för spårning och analys av detta slag måste uppfylla en hög standard: det måste minimalt fånga det som en fullt utbildad utvärderare observerar. Det vill säga, det får inte gå att ta miste på om en förare kör på ett kompetent sätt. Detta kräver att man fastställer vilka beteendemässiga och biometriska markörer (kvantitativa ombud) som är tecken på en kompetent förare, i förhållande till detekterbara pågående händelser i körscenarierna. Det krävs också att man utvärderar metoder och medel för att samla in dessa data och fastställer tillförlitligheten och genomförbarheten (operativa gränser) för ett sådant system som används för utvärdering och utbildning. Syftet med projektet är att etablera en metod för att utvärdera kvalitet, användbarhet och lämplig tillämpning av system som är utformade för att automatiskt utvärdera förarkompetens. Att etablera en tydlig metod för utvärdering av sådana system är avgörande för upphandling och för att fastställa korrekt tillämpning av sådana system. Vi kommer att praktiskt demonstrera/testa metoden på ett AI-system för spårning och analys av användningsfall.Summary: Currently around 60% of people fail their practical driving test in Sweden. This represents a significant expense in both time and money for the state and for the individuals taking the tests. Increasing the number of successful first-time attempts, without minimizing the standards, can address the above-mentioned costs. One promising way for reducing failures is through use of AI tracking and analytic systems that give real-time feedback to students and evaluative decision-support to instructors. For example, the system could be used by students as a pre-test for evaluating their chance of being successful and indicating whether more practice is needed. During driving tests, the system can also add valuable decision-support for examiners. Such a solution has the potential of reducing overall cost in terms of time, money, and emissions by decreasing the number of unnecessary test occasions at Trafikverket. An AI tracking and analytic system of this sort must meet a high standard: it must minimally capture what a fully trained evaluator observes. That is, it cannot be mistaken whether a driver is driving competently. This requires determining what behavioural and biometric markers (quantitative proxies) are signs of a competent driver, in relation to detectable ongoing events in the driving scenarios. It also requires evaluating methods and means of capturing that data and establishing the reliability and viability (operational limits) of such a system being used for evaluation as well as training. The aim of the project is to establish a method for evaluating the quality, usability, and appropriate application of systems designed to automatically evaluate driver competency. Establishing a clear method for evaluating such systems is critical for procurement and for determining proper application of such systems. We will practically demonstrate/test the method on a use case AI tracking and analytic system.
Item type: