Samenvatting

Een ongeluk zit in een klein hoekje, zo ook bij elektrische fietsen waarmee eenvoudig een snelheid van 25km/u kan worden bereikt. Deze zogenaamde e-bikes nemen snel toe in populariteit en daarmee neemt ook het aantal ongelukken toe.
Bij Conneqtech wordt gewerkt aan Internet of Things (IoT) oplossingen voor onder andere e-bikes, waarbij deze worden verbonden met het internet. Deze verbinding maakt het mogelijk om data te verzamelen zoals bijvoorbeeld locatie en batterijstatus. Deze gegevens kunnen door zowel consumenten als fabrikanten gebruikt worden om inzicht te krijgen in de status van de e-bikes. De IoT hardware maakt het ook mogelijk om beweging en crashes te herkennen. Om de mogelijkheden van crashdetectie toe te passen had Conneqtech al software ontwikkeld. dit systeem maakte echter te veel fouten in de detectie, waardoor er vanuit Conneqtech onvoldoende vertrouwen was om dit op grote schaal uit te rollen en te presenteren aan klanten. Conneqtech was benieuwd naar de mogelijkheden om de crashdetectie te verbeteren. Uit deze vraag is dit onderzoek voortgekomen, met als doel om een verbetering van de crashdetectie te realiseren waarbij Conneqtech voldoende vertrouwen zou hebben om deze functionaliteit te gebruiken en presenteren aan klanten.
Om de vraag te beantwoorden is onderzocht hoe de beschikbare data gebruikt kon worden om crashes op een correcte manier te kunnen herkennen. Hierbij is onderzoek gedaan naar de mogelijkheden om acceleratiedata van een paar seconden vóór en na de vermeende crash te gebruiken. Om dit te onderzoeken is eerst data gegenereerd door verschillende crash scenario’s te simuleren.
Vervolgens zijn er twee prototypes gemaakt: een Machine Learning model en een Go applicatie. Met behulp van de gegenereerde crash data zijn hierbij de prestaties van de prototypes geëvalueerd, waarna de keuze is gemaakt om de Go applicatie verder te ontwikkelen en implementeren. Voor het realiseren van deze applicatie is verder onderzoek gedaan naar de mogelijkheid om een valhoek te berekenen, waarbij uiteindelijk een algoritme is geïmplementeerd welke in staat is op basis van de acceleratiedata te bepalen of een fiets op zijn kant ligt na een vermeende crash.
Na implementatie is de applicatie getest binnen een testomgeving waarbij de werking is geëvalueerd. Na een correctie van de crash gevoeligheid is geconcludeerd dat de applicatie naar behoren werkt en beter presteert dan de oude crashdetectie. Op basis van de testdata is gebleken dat de nieuwe crashdetectie zeker 95% accuraat is in het correct classificeren van vermeende crashes. Advies voor vervolgstappen zijn om de prestaties van de nieuwe crashdetectie over een langere termijn te evalueren en hierbij een systeem op de zetten waarbij gebruikers feedback kunnen geven over wat er is gebeurd na een vermeende crash. Met behulp van deze feedback kan de accuraatheid van de detectie gecontroleerd worden. Ook geeft de feedback inzicht in wanneer de applicatie fouten maakt, zodat er gericht aanpassingen gemaakt kunnen worden voor optimale prestatie.