skip to main content
Visitante
Meu Espaço
Minha Conta
Sair
Identificação
This feature requires javascript
Tags
Revistas Eletrônicas (eJournals)
Livros Eletrônicos (eBooks)
Bases de Dados
Bibliotecas USP
Ajuda
Ajuda
Idioma:
Inglês
Espanhol
Português
This feature required javascript
This feature requires javascript
Primo Search
Busca Geral
Busca Geral
Acervo Físico
Acervo Físico
Produção Intelectual da USP
Produção USP
Search For:
Clear Search Box
Search in:
Busca Geral
Or hit Enter to replace search target
Or select another collection:
Search in:
Busca Geral
Busca Avançada
Busca por Índices
This feature requires javascript
Tipo de recurso
criteria input
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Show Results with:
no título
Show Results with:
qualquer lugar do registro
no título
como autor
no assunto
Data de publicação
lsr01
lsr02
lsr03
lsr04
Orientador
Mostra resultados com:
criteria input
que contêm minhas palavras de busca
com a frase exata
começa com
Mostra resultados com:
Índice
criteria input
E
OU
NÃO
This feature requires javascript
Reconhecimento de eventos de direção utilizando sensores inerciais e técnicas de aprendizado de máquina.
Escottá, Alvaro Teixeira
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Escola Politécnica 2022-08-05
Acesso online
Exibir Online
Detalhes
Resenhas & Tags
Mais Opções
This feature requires javascript
Enviar para
Adicionar ao Meu Espaço
Remover do Meu Espaço
E-mail (máximo 30 registros por vez)
Imprimir
Link permanente
Referência
EasyBib
EndNote
RefWorks
del.icio.us
Exportar RIS
Exportar BibTeX
This feature requires javascript
Título:
Reconhecimento de eventos de direção utilizando sensores inerciais e técnicas de aprendizado de máquina.
Autor:
Escottá, Alvaro Teixeira
Orientador:
Beccaro, Wesley
Assuntos:
Aprendizado Computacional
;
Sensores Inerciais
;
Processamento Digital De Sinais
;
Sistemas Embutidos
;
Aprendizagem Profunda
;
Embedded Systems
;
Digital Signal Processing
;
Machine Learning
;
Deep Learning
;
Inertial Sensors
Notas:
Dissertação (Mestrado)
Notas Locais:
Programa Engenharia Elétrica
Descrição:
O monitoramento do comportamento de motoristas tem sido amplamente explorado pelo crescente interesse em sistemas que permitem um maior controle sobre as atividades é possível criar serviços personalizados que visam, dentre algumas aplicações, o controle da taxa de acidentes, precificação de seguros, detecção de sequestros, direção ecológica e gerenciamento de veículos compartilhados e locados. Os aspectos relacionados ao comportamento de motoristas podem ser monitorados a partir de métodos categorizados como recursos visuais e não visuais. No entanto, recursos visuais, baseados em técnicas de visão computacional, apresentam algumas limitações, tais como a violação de privacidade do usuário, a restrição na amplitude do movimento e as interferências do meio externo. Dessa forma, os sensores inerciais (acelerômetros e giroscópios) surgem como um dos meios mais atrativos e utilizados para obtenção de dados que caracterizam o comportamento de motoristas, através dos eventos de direção, que em geral, são descritos pelas ações de acelerar, frear e virar. Este trabalho explora algoritmos tradicionais de aprendizagem de máquina e aprendizagem profunda para realizar a classificação de comportamentos agressivos e não agressivos através dos eventos de direção. Para tanto, são utilizados sinais de aceleração linear e velocidade angular, processando somente as componentes do sinal que apresentam o maior potencial discriminatório para categorizar os eventos. Os modelos de classificação são baseados em Support Vector Machine (SVM), Redes Neurais Multilayer Perceptron (MLP) e Redes Neurais Convolucionais 1D e 2D. Os modelos baseados em SVM e MLP utilizam como entrada dados resultantes da engenharia de atributos e da implementação do algoritmo Dynamic Time Warping (DTW). Os modelos baseados em Redes Neurais Convolucionais 1D e 2D, aplicam a estrutura AlexNet, com pequenas modificações, nos dados pré-processados dos sensores inerciais e nas representações bidimensionais provenientes da conversão dos sinais temporais em gráficos de recorrência. Os resultados demonstram a potencialidade dos métodos abordados, obtendo-se bom desempenho na classificação de eventos de direção com os modelos SVM, MLP, 1D-AlexNet e 2D-AlexNet. Além disso, os resultados são consistentes para avaliação de dados coletados por meio de sensores inerciais e abrangem os eventos de direção mais recorrentes durante a conduta veicular, caracterizando o comportamento agressivo dos motoristas.
DOI:
10.11606/D.3.2022.tde-05092022-081303
Editor:
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Escola Politécnica
Data de criação/publicação:
2022-08-05
Formato:
Adobe PDF
Idioma:
Português
Links
Este item no Dedalus
Teses e Dissertações USP
E-mail do autor
E-mail do orientador
This feature requires javascript
This feature requires javascript
Voltar para lista de resultados
Anterior
Resultado
2
Avançar
This feature requires javascript
This feature requires javascript
Buscando em bases de dados remotas. Favor aguardar.
Buscando por
em
scope:(USP_VIDEOS),scope:("PRIMO"),scope:(USP_FISICO),scope:(USP_EREVISTAS),scope:(USP),scope:(USP_EBOOKS),scope:(USP_PRODUCAO),primo_central_multiple_fe
Mostrar o que foi encontrado até o momento
This feature requires javascript
This feature requires javascript