Método de avaliação automatizada para simulador de realidade virtual em treinamento de agentes de segurança.

• Ano de defesa: 2020
• Autor(a) principal: Armas de Armas , Claudia de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Avaliação SVM. Kinect; Evaluation; Kinect; Low cost simulator; Realidade virtual; Simulador de baixo custo; SVM; Virtual reality
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-21092020-100917/

Existe uma busca crescente de sistemas de treinamentos mais econômicos, seguros e confiáveis. Especificamente na área militar e de segurança no Brasil, a realização de treinamentos continuados resulta cara, pouco flexível e de difícil acesso, tornando o uso de simuladores de Realidade Virtual (RV) seja uma alternativa potencial para a realização de treinamentos econômicos e eficientes. Embora existam diversas pesquisas desenvolvendo simuladores de RV de baixo custo, ainda não existem pesquisas voltadas ao desenvolvimento de simuladores de treinamento com um sistema completo de sensores para avaliar os principais parâmetros qualitativos necessários durante o treinamento. Também não existem pesquisas explicando os parâmetros comportamentais necessários para medir durante um treinamento com simulador. Visando-se preencher essas lacunas, foi concebida a proposta de um sistema de baixo custo, baseado em sensores, para capturar os dados dos treinandos durante a realização dos treinamentos com o uso do simulador de RV. Foi também desenvolvido e validado um módulo de reconhecimento de postura, com o uso de um sensor de profundidade (Kinect), para 6 posturas diferentes. Durante o levantamento de parâmetros comportamentais foram identificados 6 procedimentos com indicadores de falhas, 5 parâmetros e 6 posturas a avaliar no sistema. Foram selecionados 5 sensores para compor o sistema. Para desenvolver o módulo de reconhecimento de posturas foram analisados e avaliados três tipos de classificadores diferentes SVM, KNN e RF baseados em aprendizado supervisionado, sendo selecionado pelos resultados do experimento o SVM, alcançando um 99,25 % de acurácia na classificação das posturas treinadas.