Connected vehicles is a growing market. There are currently several such services available, but many of them are constrained in the sense that they are bound to recently produced cars and either expensive or strongly limited in the services that they provide. In this master thesis we investigate the possibility to implement a generic platform that is of low cost and simple to install in any vehicle, but that still has the ability to provide a wide range of services. It is proposed that a crucial step in such a system is to reconstruct the vehicle’s kinematics, as this enables the possibility to developed a wide range of services by feature extraction and interpret the result from a dynamics perspective. A mathematical model that describes how the kinematics can be reconstructed is proposed, and a filter that performs such reconstruction is implemented. Based on this reconstruction, two filters that interpret the output are implemented as a proof of concept for the proposed mathematical model. The complete implemented filter solution is tested on measurement data from actual driving scenarios and it is seen that we can identify when the vehicle makes a hard turn, and find where the surrounding road conditions are poor. / Uppkopplade fordon är en växande marknad. I dagsläget finns flera sådana tjänster, men ofta är dessa begränsade i den meningen att de antingen endast finns tillgängliga för nyproducerade fordon eller bara erbjuder ett smalt utbud av tjänster. I detta examensarbete undersöker vi möjligheten att utveckla en generisk plattform för uppkopplade fordon som är billig och enkel att installera, men som också kan erbjuda ett stort urval av tjänster. Det föreslås att ett viktigt steg i en sådan lösning är att rekonstruera fordonets kinematik, då detta möjliggör utvecklandet av ett brett urval av tjänster genom att identifiera karakteristiska egenskaper i kinematiken, samt göra tolkningar utifrån dynamikbetraktelser. En matematisk modell för att beskriva hur kinematiken kan rekonstrueras från givna indata presenteras, och ett filter som utför denna rekonstruktion implementeras. Ytterligare två filter implementeras för att påvisa att den rekonstruerade kinematiken samt den föreslagna matematiska modellen kan användas till att identifiera olika scenarion ur verkligheten. Den kompletta filterlösningen testas på mätdata från faktiska körningar och vi ser att vi kan identifiera när fordonet gör skarpa svängar, samt när vägförhållandena är dåliga.