Syftet med denna studie är att undersökavilket användargränssnitt som potentiella användare föredrar för att utbyta trafikrelateradinformation. Forskningsfrågan som ska besvaras är följande. Vilket användargränssnittföredras för kommunikation i ett självkörande fordon? Genom att läsa denna studie fårläsaren en fördjupad insikt för hur föredragna användargränssnitt kan öka acceptansen hospotentiella användare. En kvantitativ metod användes för att genomföra enstickprovsundersökning med hjälp av en webbaserad enkät som distribuerades på olika sättsom Facebook, Linkedin, m.m, för att besvara studiens syfte. Den empiriskadatainsamlingen resulterade i 201 insamlade svar. Resultatet visade att 41,3 % avrespondenterna föredrog skärmgränssnitt och 35,3% föredrog ett multimodalt gränssnitt föratt integrera med ett självkörande fordon. Sammanlagt 84,1% av respondenterna besvaradeatt användningen av det önskade gränssnittet skulle öka effektiviteten ochkommunikationen vid utbyte av information med fordonet. Slutsatsen är att valet avanvändargränssnitt kan påverkas av olika faktorer, såsom erfarenheter och teknologiskaförväntningar. Framtida utveckling av gränssnitt och teknologier bör sträva efter attinkludera en mångfald av alternativ för att tillgodose användarnas behov och preferensernär det gäller att kommunicera med fordon. / Syftet med denna studie är att undersöka vilket användargränssnitt som potentiella användare föredrar för att utbyta trafikrelaterad information. Forskningsfrågan som ska besvaras är följande. Vilket användargränssnitt föredras för kommunikation i ett självkörande fordon? Genom att läsa denna studie får läsaren en fördjupad insikt för hur föredragna användargränssnitt kan öka acceptansen hos potentiella användare. En kvantitativ metod användes för att genomföra en stickprovsundersökning med hjälp av en webbaserad enkät som distribuerades på olika sätt som Facebook, Linkedin, m.m, för att besvara studiens syfte. Den empiriska datainsamlingen resulterade i 201 insamlade svar. Resultatet visade att 41,3 % av respondenterna föredrog skärmgränssnitt och 35,3% föredrog ett multimodalt gränssnitt för att integrera med ett självkörande fordon. Sammanlagt 84,1% av respondenterna besvarade att användningen av det önskade gränssnittet skulle öka effektiviteten och kommunikationen vid utbyte av information med fordonet. Slutsatsen är att valet av användargränssnitt kan påverkas av olika faktorer, såsom erfarenheter och teknologiska förväntningar. Framtida utveckling av gränssnitt och teknologier bör sträva efter att inkludera en mångfald av alternativ för att tillgodose användarnas behov och preferenser när det gäller att kommunicera med fordon.

A problem in self-driving vehicle (SDV) development is replacing human intuition in the diagnostic process. Some fundamental interactions between driver, service personnel, and system developer are hard to replace by onboard systems and processes. One solution to this problem is to have a staffed control tower that supports the vehicle’s decision-making. In this thesis, a decision-making process for short-term fault avoidance and uptime maximization was developed. A system architecture was proposed and implemented on the SVEA platform. By integrating the onboard system with a control tower, an increase in safe operation was achieved when the vehicle lacked knowledge. In addition, some critical interactions between SDV and control tower were tested: Diagnosis verification and plan correction. By communicating onboard data such as system warnings, symptoms, speed, and location, the vehicle could support the control tower in its decision-making. One conclusion from the thesis was that the SDV with a control tower lowered the threshold for vehicle autonomy. Also, it was shown that both vehicle safety and uptime could be considered in the route planning of SDV:s. In the future, the diagnostic and prognostic algorithms employed in the proposed architecture could be integrated with machine learning tools to update degradation models online. This could make their outputs more reliable and accurate and ultimately make the whole system more safe and reliable. / Ett problem i utvecklingen av självkörande fordon är hur man bäst ersätter den mänskliga intuitionen i diagnosprocessen. Många av nyckelinteraktionerna mellan förare, verkstadspersonal och utvecklingsingenjörer är svåra att ersätta med autonoma processer. En lösning på detta problem är att ha ett kontrolltorn som ger stöd till fordonets beslutsfattande. I det här examensarbetet föreslås en beslutsfattandeprocess för felhantering och uptime-maximering på kort sikt, under körning. En systemarkitektur utvecklades och implementerades på SVEA-plattformen. Genom att integrera systemen i fordonet med ett kontrolltorn kunde en säkrare körning säkerställas i situationer där fordonet saknade relevant kunskap. Några nyckelinteraktioner testades även: Diagnosverifikation och beslutskorrigering. Genom att kommunicera relevant data till kontrolltornet så som systemvarningar, symptom, hastighet och position kunde fordonet även stödja människan i dess beslutandeprocess. En slutsats från arbetet var att detta föreslagna system, självkörande fordon med kontrolltorn, sänkte tröskeln för autonomi i fordon. Det visades också hur både fordonets säkerhet och uptime kan användas som parametrar i ruttplanering för självkörande fordon. I framtiden skulle de framtagna diagnos och prognosalgoritmerna kunna integreras med maskininlärningsverktyg för att möjliggöra live uppdatering av bl.a. degraderingsmodeller. Detta skulle göra dem mer tillförlitliga och precisa vilket i slutändan gör systemet som helhet mer säkert och tillförlitligt.

In light of the many environmental challenges that the world currently faces, new sustainable solutions are called for. The concept of autonomous heavy vehicles (AVs) is considered to be one of the next megatrends within transportation and this technology shift is predicted to improve safety and logistics as well as to cut driver costs and reduce CO2-emissions. However, from a company's perspective, technology shifts are not without risks as technical disruptions can cause core competencies to become obsolete and radical technology innovation can be fatal to a company that does not innovate its business models simultaneously. Due to the complexity and novelty of the AV technology, business model innovation within the field has been lagging behind and there is an area of uncertainty regarding how a future business model for AVs could be formulated. In order to investigate potential business models for AV applications, this study has been carried out as an exploratory case study of two industry specific applications for goods transports within confined areas at the heavy vehicle manufacturer Scania in Södertälje, Sweden. The Business Model Canvas tool  developed by Osterwalder and Pigneur (2010) has been used to map the business models of these two cases with the purpose of combining them into a general model. Furthermore, four important capabilities at the company have been identified and determined as to whether they qualify as core competencies based on the criteria presented by Prahalad and Hamel (1990) and then discussed in relation to how they can be leveraged in a future business model. The findings of this study help to formulate a business model perspective for future AV goods transport applications that consists of a service-based model characterised by a focus on collaboration and value co-creation, an adaptable level of integration with the customers' systems, transfer of ownership of products to the manufacturer and a value-driven source of differentiation. Lastly, the study concludes that Lean production and modularity are two existing core competencies of Scania that could be leveraged dynamically in a future business model connected to this technology shift. / Mot bakgrunden av de många miljömässiga utmaningar som världen står inför idag krävs nya hållbara lösningar. Konceptet självkörande tunga fordon (eng. autonomous heavy vehicle - AV) anses vara en av de nästa megatrenderna inom transportindustrin och detta teknikskifte förutspås förbättra säkerhet och logistiksystem samt sänka förarkostnader och minska koldioxidutsläpp. Från ett företags perspektiv är teknikförändringar dock inte utan risker då tekniska disruptioner kan göra kärnkompetenser föråldrade och radikal teknisk innovation rentav kan innebära en dödsdom för ett företag som inte simultant innoverar sina affärsmodeller. Till följd av teknikens komplexitet och låga mognadsgrad har affärsmodellsinnovation inom fältet hamnat efter och det finns ett område av osäkerhet gällande hur en framtida affärsmodell för självkörande fordon skulle kunna formuleras. I syfte att undersöka potentiella affärsmodeller för AV-applikationer har denna studie genomförts som en utforskande fallstudie av två industrispecifika applikationer för godstransporter inom avgränsade områden hos lastbilstillverkaren Scania i Södertälje, Sverige. Verktyget Business Model Canvas, utvecklat av Osterwalder och Pigneur (2010), har använts för att kartlägga affärsmodellerna för dessa två applikationer i syfte att kombinera dem till en generell modell. Vidare har fyra viktiga kapabiliteter i företaget identifierats och fastställts huruvida de kvalificerar som kärnkompetenser baserat på kriterierna som presenteras av Prahalad och Hamel (1990) och sedan diskuterats i relation till hur de kan utnyttjas i en framtida affärsmodell. Resultaten av denna studie hjälper till att formulera ett affärsmodellsperspektiv för framtida AVgodsapplikationer som innebär en servicebaserad modell kännetecknad av ett fokus på samarbete och värdesamskapande, en anpassningsbar integration till kundernas system, överföring av ägandeskap av produkter till tillverkaren och en värdedriven differentiering. Slutligen dras slutsatsen att Lean produktion och modularitet är två befintliga kärnkompetenser hos Scania som skulle kunna utnyttjas dynamiskt i en framtida affärsmodell kopplat till detta teknikskifte.

Artificiella neurala nätverk (ANN) har ett brett tillämpningsområde och blir allt relevantare på flera håll, inte minst för självkörande fordon. För att träna nätverken användsmeta-algoritmer. Nätverken kan styra fordonen med hjälp av olika typer av indata. I detta projekt har vi undersökt två meta-algoritmer: genetisk algoritm (GA) och gradient descent tillsammans med bakåtpropagering (GD & BP). Vi har även undersökt två typer av indata: avståndssensorer och linjedetektering. Vi redogör för teorin bakom de metoder vi har försökt implementera. Vi lyckades inte använda GD & BP för att träna nätverk att köra fordon, men vi redogör för hur vi försökte. I resultatdelen redovisar vi hur det med GA gick att träna ANN som använder avståndssensorer och linjedetektering som indata. Sammanfattningsvis lyckades vi implementera självkörande fordon med två olika typer av indata. / Artificial Neural Networks (ANN) have a broad area of application and are growing increasingly relevant, not least in the field of autonomous vehicles. Meta algorithms are used to train networks, which can control a vehicle using several kinds of input data. In this project we have looked at two meta algorithms: genetic algorithm (GA), and gradient descent with backpropagation (GD & BP). We have looked at two types of input to the ANN: distance sensors and line detection. We explain the theory behind the methods we have tried to implement. We did not succeed in using GD & BP to train ANNs to control vehicles, but we describe our attemps. We did however succeeded in using GA to train ANNs using a combination of distance sensors and line detection as input. In summary we managed to train ANNs to control vehicles using two methods of input, and we encountered interesting problems along the way.

Den tekniska utvecklingen, närmare bestämt introduktionen av fenomenet självkörande fordon, har medfört att det i skrivande stund föreligger viss oklarhet beträffande ansvarsfrågan enligt gällande rätt. Denna oklarhet har varit föremål för diskussion i ett delbetänkande från regeringen. I SOU 2016:28 finns sammanfattade förslag på reglering, däremot endast avseende försöksverksamheten ”Drive Me” som biltillverkaren Volvo ligger bakom. För att bemöta denna oklarhet har rättsläget diskuterats och problematiserats i hopp om ökad insikt i frågan. Detta utifrån framförallt skadeståndslagen, trafikskadelagen och produktansvarslagen samt generella skadeståndsrättsliga principer och ansvarsformer. Sammantaget har det kunnat konstateras att det inte finns någon självklar lösning på problemet, även om det i ett flertal situationer går att få en uppfattning av vad som vore juridiskt rimligt. Uppsatsen bidrar således till en problematisering av rättsläget inför den kommande harmoniseringen av teknik och juridik; ett steg i utvecklingen. / The technological development, specifically the introduction of the phenomenon of driverless vehicles, has meant that the time of writing, some ambiguity regarding the issue of liability under the law exists. This uncertainty has been discussed in an interim report from the government. Proposals on regulation are summarized in current SOU, however, only for the pilot project “Drive Me” as the automaker Volvo is behind. In order to address this uncertainty, the legal position has discussed and problematized in the hope of increasing awareness on the issue. Mainly from tort liability, Traffic damage Act, product liability law and liability forms and general principles of tort law. Overall, it´s been established that there is no obvious solution to the problem, although it´s possible to get an idea of what would be legally reasonable in a number of situations. The essay contributes thus to a discussion of problems of the legal position for the upcoming harmonization of technology and law; a stage of development.

”I could either watch it happen or be a part of it.” - Elon Musk De autonoma fordonens intåg på svenska vägar är ett stundande faktum med utblick mot 2030. Med dessa förs även förhoppningar om säkrare trafikmiljöer, större utrymme och prioritering av fotgängare och cyklister, mindre trängsel, reducerad miljöpåverkan och förenklade livsmönster. För att dessa positiva konsekvenser ska infalla krävs dock en förebyggande och långsiktig planering. Majoriteten av svenska kommuner har i dagsläget en reaktiv inställning till planering för autonoma fordon, det vill säga att först se utvecklingen äga rum och därefter tillämpa åtgärder. För att utvecklingen ska få ett önskvärt utfall måste kommunerna börja föra en proaktiv planering för autonoma fordons introduktion på marknaden. Det som hittills hämmat planeringen är framförallt bristen på konkreta förslag och principer för hur trafik och gatumiljöerna bör anpassas efter de nya förutsättningar som autonoma fordon medför. Samhället står just nu på kanten inför en storskalig omställning av fordonsflottan, där eldrivna autonoma fordon i slutändan förmodligen utgör en majoritet. Syftet med detta projekt är inte att förespråka en omedelbar implementering av åtgärder för fordon som ännu inte existerar, men fenomenet måste börja betänkas, diskuteras och konkretiseras på det långsiktiga planeringsstadiet. År 2050 ses som en relativt säker tidpunkt där autonoma fordon utgör en absolut majoritet av fordonsflottan, under en lång period kommer dock vanliga fordon och autonoma fordon behöva samsas om trafikutrymmet. Inom detta tidsspann råder många oklarheter över hur den fysiska planeringen ska positionera sig. De planeringsåtgärder som produceras i detta projekt är menade att utgöra ett första underlagsmaterial som kan börja lappa igen den kunskapslucka som existerar idag. Om kommunerna fortsätter med en reaktiv inställning ökar risken för att de negativa konsekvenser som autonoma fordon kan medföra infaller, såsom kapacitetsbrist i trafikinfrastrukturen på grund av ökade trafikmängder samt ett ökat parkeringsbehov. Sveriges kommuner bör vara med och styra utvecklingen för att privata aktörer och marknadskrafter inte anskaffar enväldig kontroll, och för att målsättningarna ska forma den teknologiska utvecklingen och inte vice versa. Vilket utfall som är mest sannolikt att inträffa beror till stor del på två faktorer; graden av proaktiv planering som bedrivs av de samhällsbyggande institutionerna samt i vilken grad delade lösningar av autonoma fordon anammas av allmänheten. Det är således omotiverat att inte bedriva en proaktiv planering på grund av de osäkerheter kring vilken typ av genomslag de autonoma fordonen får, för att institutionernas arbete kan påverka utvecklingen i den riktning som anses önskvärd. Detta projekt bidrar med något nytt till forskningen kring autonoma fordons påverkan på stadsplaneringen inom urbana miljöer, genom att konkretisera nödvändiga åtgärder som behöver tas med hänsyn till denna utveckling. Projektet resulterar i gestaltningsprinciper och förslag på lämplig utformning med hänsyn till autonoma fordon. Förhoppningen är att detta arbete är ett första steg i att möjliggöra en mer proaktiv planering, vilket är ett kriterium för att skapa en framtid med gång- och cykelprioriterade miljöer där delade autonoma fordon har ett reducerat anspråk i det offentliga rummet.

Tekniska innovationer förknippas alltmer med modernt, utvecklade IT-komponenter i dagens samhällsutveckling. Detta framträder framförallt inom fordonsindustrin där självkörande/automatiserade fordon tagit ett rejält språng på den globala fordonsmarknaden. Automatiserade fordon anses av många som framtidens teknik inom områden som framförallt berör kollektivtrafik och varutransporter, men visionen om en helt automatiserad trafik lämnas inte oberörd. Men då ny, främmande teknologi även kan ses som avskräckande för gemene man - vad krävs då för att ändra på detta synsätt? Hur kan det säkerställas att tekniska innovationer såsom automatiserade fordon accepteras av allmänheten och används i praktiken? Dessa är frågor som legat till grund för föreliggande rapport som syftat till att presentera en studie som undersöker vilka faktorer som har en inverkan på användningen av automatiserade fordon. Detta har genomförts genom en omfattande litteratursökning av tidigare och aktuell forskning inom ämnet, samt intervjuer och enkätundersökningar för att ta del av synpunkter och erfarenheter från befintliga användare av automatiserad teknologi. Forskningen har resulterat i en kunskapsprodukt som utgörs av en tabell innehållandes ovan nämnda faktorer med en kort beskrivning, typ av faktor, samt en motivering till varför de bedömts till att ha en inverkan på användningen av automatiserade fordon. Tabellen har därtill kompletterats av en relationsmodell som beskriver hur faktorer samverkar och är beroende av varandra. Resultatet ska med förhoppningar kunna användas som stöd till framtida studier och forskningsprojekt, samt ge inspiration till företag och organisationer som bedriver verksamhet med koppling till automatiserade fordon och dess användning. / Technological innovations are increasingly associated with modern, developed IT-capabilities in today’s societal evolution. This is seen primarily in the automobile industry where self-driving/automated vehicles has taken a great leap on the global automobile market. Automated vehicles are considered by many to be the technology of the future which mainly involves public transport and transport of goods, but the vision of a completely automated traffic is not left untouched. But because new, foreign technology also can be seen as detrimental to people - what is then required to change this approach? How can it be ensured that technical innovations such as automated vehicles are accepted by the public and used in practice? These are issues that gave rise to the following report with a purpose to present a study that investigates which factors that has an impact on the use of automated vehicles. This has been accomplished through an extensive literature search of previous and current research of the topic, along with interviews and surveys to acquire personal opinions and experiences from existing users of automated technology. The research has eventuated in a knowledge product represented by a table of above mentioned factors including a brief description, type of factor, and a justification to as why they have been assessed as having an impact on the use of automated vehicles. Furthermore, the table has been supplemented with a relational model that describes how factors interact and depend on each other. Hopefully, the result can be used as support for future studies and research projects, as well as inspire companies and organizations engaged in automated vehicles and their use.

The main purpose of the study was to analyze whether age, gender and integrity affect the acceptance of self-driving cars. The theoretical framework TAM (Technology AcceptanceModel) is used as a starting point for acceptance where we set our variables against Perceived Usefulness and Perceived Ease of Use that are the main variables in the model. A quantitative method has been applied and a survey was used for data collection. The survey was sent to 140 students. The response rate was 82 % involving a total of 116 respondents, of which 60 were women and 53 were men, where age ranged between 18-60 years old. The results of a T-test showed that there was a correlation between gender and acceptance of self-driving cars. The remaining variables could not be linked to acceptance in our study. The conclusion that we could make from this study was that there was a correlation between gender and acceptance of self-driving cars based on the cognitive mindset that is separated between the sexes. / Det huvudsakliga syftet med studien var att analysera ifall ålder, kön och integritet påverkar acceptans av självkörande bilar. Det teoretiska ramverket TAM (Technology AcceptanceModel) används som utgångspunkt för acceptans där vi ställde våra variabler gentemot den Uppfattade Användbarheten och den Uppfattade Användarvänligheten som är huvudvariableri modellen. En kvantitativ metod har använts och där ett frågeformulär skickades till 140 studenter. Svarsfrekvensen låg på 82% där totalt 116 respondenter, varav 60 kvinnor och 53 män i åldrarna mellan 18–60. Resultatet från ett T-test visade att det fanns samband mellan kön och acceptans av självkörande bilar. Resterande variabler kunde inte kopplas till acceptans i studien. Slutsatsen vi kunde dra utifrån denna studie var att det fanns ett samband mellan kön och acceptans av självkörande bilar, baserat på det kognitiva tankesättet som skiljs åt mellan könen.

Autonomous driving is a rapidly changing industry and has recently become a heavily focused research topic for vehicle producing companies and research organizations. These autonomous vehicles are typically equipped with sensors such as Light Detection and Radar (LiDAR) in order to perceive their surroundings. The problem of detecting and classifying surrounding objects from the sensor data can be solved using different types of algorithms. Recently, machine learning solutions have been investigated. One problem with the machine learning approach is that the models usually require a substantial amount of labeled data, and labeling LiDAR data is a time-consuming process. A promising solution to this problem is utilizing Domain Adaptation (DA) methods. The DA methods can use labeled camera data, which are easier to label, in conjunction with unlabeled LiDAR data to improve the performance of machine learning models on LiDAR data. This thesis investigates and compares different DA methods that can be used for classification of LiDAR data. In this thesis, two image classification datasets with data of humans and vehicles were created. One dataset contains camera images, and the other dataset contains LiDAR intensity images. The datasets were used to train and test three methods: (1) a baseline method, which simply uses labeled camera images to train a model. (2) Correlation Alignment (CORAL), a DA method that aligns the covariance of camera features towards LiDAR features. (3) Deep Adaptation Network (DAN), a DA method that includes a maximum mean discrepancy computation between camera and LiDAR features within the objective function of the model. These methods were then evaluated based on the resulting confusion matrices, accuracy, recall, precision and F1-score on LiDAR data. The results showed that DAN was the best out of the three methods, reaching an accuracy of 87% while the baseline and CORAL only measured at 65% and 73%, respectively. The strong performance of DAN showed that there is potential for using DA methods within the field of autonomous vehicles. / Industrin för självkörande fordon är snabbt förändlig och har under de senaste åren fått ett enormt fokus från biltillverkare och forskningsorganisationer. De självkörande fordonen är oftast utrustade med sensorer som Light Detection and Radar (LiDAR) för att hjälpa fordonen förstå omgivningen. Klassificering och identifiering av omgivande objekt är ett problem som kan lösas med hjälp av olika slags algoritmer. Nyligen har lösningar som utnyttjar maskininlärning undersökts. Ett problem med dessa lösningar är att modellerna oftast kräver en enorm mängd annoterad data, och att annotera LiDAR-data är en kostsam process. En lösning till detta problem är att utnyttja metoder inom Domain Adaptation (DA). DA metoder kan utnyttja både annoterad kameradata samt oannoterad LiDAR-data för att förbättra modellernas prestanda på LiDAR-data. Den här avhandlingen undersöker och jämför olika metoder inom DA som kan användas för att klassificera LiDAR-data. I det här arbetet skapades två dataset som består av data från människor och fordon. Det ena datasettet innehöll kamerabilder och det andra innehöll LiDAR-intensitetsbilder. Dessa dataset användes för att träna och testa tre olika metoder: (1) en baselinemetod, som endast använde annoterade kamerabilder för att träna en modell. (2) Correlation Alignment (CORAL), en metod inom DA som justerar kovariansen hos kamerafeatures mot kovariansen hos LiDAR-features. (3) Deep Adaptation Network (DAN), en metod inom DA som lägger till en uträkning av maximum mean discrepancy mellan kamerafeatures och LiDAR-features i modellens optimeringskriterie. Metoderna bedömdes sedan beroende på deras förvirringsmatriser, träffsäkerhet, precision, täckning och F1-träffsäkerhet på LiDAR-data. Resultaten avslöjade att DAN presterade bäst av de tre metoderna och uppnåde 87% träffsäkerhet medan baselinemetoden och CORAL bara uppnådde 65% respektive 73%. DANs imponerande prestation visade att det finns potential för att använda metoder inom DA för självkörande fordon.

Självkörande fordon kan minska trafikstockningar och minska antalet trafikrelaterade olyckor. Då det i framtiden kommer att finnas miljontals autonoma fordon krävs en bättre förståelse av omgivningen. Syftet med detta projekt är att skapa ett externt automatiskt trafikledningssystem som kan upptäcka och spåra 3D-objekt i en komplex trafiksituation för att senare skicka beteendet från dessa objekt till ett större projekt som hanterar med att 3D-modellera trafiksituationen. Projektet använder sig av Tensorflow ramverket och YOLOv3 algoritmen. Projektet använder sig även av en kamera för att spela in trafiksituationer och en dator med Linux som operativsystem. Med hjälp av metoder som vanligen används för att skapa ett automatiserat trafikledningssystem utvärderades ett målföljningssystem. De slutliga resultaten visar att systemet är relativt instabilt och ibland inte kan känna igen vissa objekt. Om fler bilder används för träningsprocessen kan ett robustare och mycket mer tillförlitligt system utvecklas med liknande metodik. / Autonomous vehicles can decrease traffic congestion and reduce the amount of traffic related accidents. As there will be millions of autonomous vehicles in the future, a better understanding of the environment will be required. This project aims to create an external automated traffic system that can detect and track 3D objects within a complex traffic situation to later send these objects’ behavior for a larger-scale project that manages to 3D model the traffic situation. The project utilizes Tensorflow framework and YOLOv3 algorithm. The project also utilizes a camera to record traffic situations and a Linux operated computer. Using methods commonly used to create an automated traffic management system was evaluated. The final results show that the system is relatively unstable and can sometimes fail to recognize certain objects. If more images are used for the training process, a more robust and much more reliable system could be developed using a similar methodology.