Reconhecimento de silhueta de automóveis para carros autônomos utilizando aprendizado de máquina

De MediaWiki do Campus São José
Ir para: navegação, pesquisa
Autor

Tamara Ramos Arrigoni

Orientador

Prof. Ramon Mayor Martins

Coorientador

Prof. Diego da Silva de Medeiros

Curso

Engenharia de Telecomunicações

Resumo

O aprendizado de máquina é um dos tópicos que mais ganha visibilidade atualmente, sendo aplicado em diferentes áreas de trabalho. Não é diferente na indústria automotiva, uma vez que esta vêm inserindo gradativamente novos conceitos tecnológicos para trazer mais segurança e conforto para seus clientes finais. Dentro desse contexto, os carros autônomos vêm ganhando destaque e sendo considerados o próximo grande avanço desta indústria. Desse modo, este trabalho traz uma comparação de técnicas de aprendizado de máquina, utilizadas com o intuito de auxiliar na diferenciação de tipos de veículos - como carros, vans e ônibus -, objetivando a busca de novos recursos que possam colaborar para o aumento de segurança no controle de veículos inteligentes. Foram utilizadas as técnicas baseadas em Redes Neurais Artificiais (RNA), Máquinas de Vetores de Suporte (SVM), Árvores de Decisão, Vizinhos mais próximos (k-NN) e K-means, aplicadas através do software RStudio. Para criação do modelo de treinamento foi utilizado o princípio de validação cruzada K-fold, enquanto que matrizes de confusão permitiram que métricas como acurácia, sensibilidade, especificidade e eficiência fossem analisadas para definir qual o algoritmo que seria responsável por originar o melhor modelo para classificação dos tipos de veículos. Com base nessas análises, o modelo que atingiu melhor desempenho foi aquele originado por Redes Neurais Artificiais, enquanto que o modelo K-means foi o que menos se destacou.

Palavras chave

Reconhecimento de silhueta de automóveis. Carros autônomos. Técnicas de aprendizado de máquina.

Abstract

Machine learning has gained popularity in recent years, being continuously applied in a variety of fields. It is no different in the automotive industry as it has gradually introduced new technological concepts to bring more safety and comfort to its end customers. Within this context, autonomous cars have been gaining prominence and being considered the next great advance of this industry. This work brings a comparison of machine learning techniques, used to differentiate vehicle types such as cars, vans and buses, in order to search for new resources that may help increase safety in the control of intelligent vehicles. Techniques based on Artificial Neural Networks (RNA), Support Vector Machines (SVM), Decision Trees, Nearest Neighbors (k-NN) and K-means were applied using RStudio. The principle of K-fold cross-validation was used to create the training model, while confusion matrices allowed metrics such as accuracy, sensitivity, specificity and efficiency to be analysed and determine which algorithm would produce the best model for classifying vehicle types. Based on these analyses, the model that achieved the best performance was originated by Artificial Neural Networks, whereas the model K-means provided the least significant results.

Keywords

Vehicles Silhouette Detection. Autonomous cars. Machine Learning Techniques.

Arquivos

Arquivos relacionados a trabalho, a monografia em pdf e também arquivos fontes e executáveis estão disponibilizados nos links abaixo: