El presente proyecto desarrolla una aplicación móvil para analizar y clasificar estilos de conducción en tiempo real mediante el uso de tecnología OBD-II, sensores integrados en dispositivos móviles y algoritmos de machine learning. La solución busca optimizar el consumo de combustible, reducir emisiones contaminantes y promover prácticas de conducción seguras. El sistema recoge datos relevantes del vehículo, como velocidad, revoluciones por minuto y posición del acelerador, complementados con información de los sensores del móvil (acelerómetro y giroscopio) para identificar maniobras agresivas. Mediante un modelo de machine learning implementado en Azure, se clasifica el estilo de conducción en tres categorías: tranquilo, normal y agresivo. Los resultados y recomendaciones personalizadas se presentan en una interfaz gráfica intuitiva y accesible. Las pruebas realizadas en condiciones reales han demostrado una conexión Bluetooth confiable (90% de éxito) y una alta precisión del modelo de clasificación (91,13%). A pesar de limitaciones como la dependencia de APIs externas y la precisión en ciertos eventos, el sistema ofrece una herramienta innovadora y accesible para fomentar hábitos de conducción más sostenibles. Este trabajo sienta las bases para futuras mejoras, incluyendo la compatibilidad con vehículos eléctricos, mayor personalización y despliegue comercial. En conjunto, representa un avance significativo en el ámbito de la telemetría y la sostenibilidad en el transporte.
El presente proyecto desarrolla una aplicación móvil para analizar y clasificar estilos de conducción en tiempo real mediante el uso de tecnología OBD-II, sensores integrados en dispositivos móviles y algoritmos de machine learning. La solución busca optimizar el consumo de combustible, reducir emisiones contaminantes y promover prácticas de conducción seguras. El sistema recoge datos relevantes del vehículo, como velocidad, revoluciones por minuto y posición del acelerador, complementados con información de los sensores del móvil (acelerómetro y giroscopio) para identificar maniobras agresivas. Mediante un modelo de machine learning implementado en Azure, se clasifica el estilo de conducción en tres categorías: tranquilo, normal y agresivo. Los resultados y recomendaciones personalizadas se presentan en una interfaz gráfica intuitiva y accesible. Las pruebas realizadas en condiciones reales han demostrado una conexión Bluetooth confiable (90% de éxito) y una alta precisión del modelo de clasificación (91,13%). A pesar de limitaciones como la dependencia de APIs externas y la precisión en ciertos eventos, el sistema ofrece una herramienta innovadora y accesible para fomentar hábitos de conducción más sostenibles. Este trabajo sienta las bases para futuras mejoras, incluyendo la compatibilidad con vehículos eléctricos, mayor personalización y despliegue comercial. En conjunto, representa un avance significativo en el ámbito de la telemetría y la sostenibilidad en el transporte. Read More
Related posts:
Effects of sliding window variation in the performance of acceleration-based human activity recognition using deep learning models
Primer vistazo al Kia K3 2026
Pirelli presenta sus neumáticos con sensores
Diseño e implementación de Seguimiento de Carril de Robocar
Stellantis alcanza el nivel 3 de la conducción autónoma
Los 10 avances tecnológicos del agro