Micromobility ride-share scooters (e-scooters) have become a popular mode of transport in several major cities around the world, yet several safety and accessibility issues stem from how these scooters are operated, including sidewalk riding, unsafe parking and wrong-way riding. This thesis tackles these issues through a novel, privacy-preserving, end-to-end sensor system that employs lightweight machine learning models to provide real-time feedback to users to present unsafe scooter operation. Though this problem has been widely studied in technology startups and most of the existing solutions entail using cameras, there is an interest in academia to propose solutions that do not use cameras, as they cause privacy concerns when used in urban environments and are known to fail at night or in low-visibility conditions. Considering this, we propose a portable, cheap, and robust system that preserves privacy through the use of an Inertial Measurement Unit and radar sensors, which give only low-resolution heatmaps as outputs. Furthermore, unlike cameras, radars function even in low-visibility conditions. Using data from Inertial Measurement Unit sensors, a 1D Convolutional Neural Network is used to classify whether a scooter is being ridden on a street or on a sidewalk. Radar heatmaps are used to train a lightweight Convolutional Neural Network to classify common objects in urban environments (Lampposts, Walls, Trees, Humans, Fire Hydrants and Middle of Sidewalk). For the purpose of this research; Lamppost, Wall, Tree are considered safe parking scenarios whereas Fire Hydrant, Human and Middle of Sidewalk is considered unsafe. No public datasets exist on this topic, so two novel datasets are created. The models trained are lightweight in terms of memory and have fast inference time and are therefore suitable for edge computing, and for being deployed on a sensor system mounted on the scooter. The results achieved demonstrate the potential of this approach, though further work is needed to ensure performance for deployment in the real world. / El-sparkcyklar för korttidshyra har blivit ett populärt transportmedel i flera större städer runt om i världen, men hur dessa sparkcyklar framförs väcker flera säkerhets- och framkomlighetsfrågor, inklusive trottoarkörning, osäker parkering och körning mot enkelriktat trafik. I denna avhandling föreslår vi lösningar på dessa frågor genom ett nytt, integritetsbevarande, helomfattande sensorsystem som använder små maskininlärningsmodeller för att ge feedback i realtid till förare för att förebygga osäker körning av elsparkcyklar. Dessa problem har studerats i stor utsträckning i tekniska startups, men de flesta av de befintliga lösningarna innebär att man använder kameror. Inom akademin finns det ett intresse för att föreslå lösningar som inte använder kameror, eftersom de kan vara integritetskränkande när de används i stadsmiljöer och är kända för att ej fungera nattetid eller under förhållanden med dålig sikt. Med tanke på detta föreslår vi ett bärbart, billigt och robust system som bevarar integritet genom användning av en tröghetsmåttenhet (Inertial Measurement Unit) och radarsensorer, som endast ger lågupplösta färgdiagram som produkt. Dessutom, till skillnad från kameror, fungerar radar även under förhållanden med dålig sikt. Med hjälp av data från en tröghetsmåttenhet används ett 1D Convolutional Neural Network för att klassificera om en sparkcykel framförs på en gata eller på en trottoar. Färgdiagram från radar används för att träna ett Convolutional Neural Network för att klassificera vanligt förekommande föremål i stadsmiljöer (lyktstolpar, väggar, träd, människor, brandposter (fire hydrant) och ”mitt på trottoaren”). I detta arbete anses lyktstolpe, vägg, träd vara säkra parkeringsscenarier medan brandpost, människa och mitt på trottoaren anses vara osäkra. Det finns inga offentliga dataset för dessa ändamål, så två nya dataset skapas. Modellerna som tränas är lätta när det gäller minne och har snabb slutledningstid och är därför lämpliga för edge computing och för användning i ett sensorsystem monterat på skotern. De uppnådda resultaten visar potentialen i denna metod, även om ytterligare arbete behövs för att säkerställa prestanda för användning i den verkliga världen.