Análise do comportamento do motorista baseado em aquisição de dados veiculares e instrumentação adicional do veículo

• Ano de defesa: 2021
• Autor(a) principal: Bonfati, Lucas Vacilotto
• Orientador(a): Stevan Junior, Sergio Luiz
• Banca de defesa: Stevan Junior, Sergio Luiz , Campos, Daniel Prado de , Siqueira, Hugo Valadares , Mendes Júnior, José Jair Alves , Broniera Junior, Paulo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Motoristas; Avaliação do comportamento; Segurança no trânsito; Sistemas de reconhecimento de padrões; Eletromiografia; Motor vehicle drivers; Behavioral assessment; Traffic safety; Pattern recognition systems; Electromyography
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/27776

Os automóveis atuais possuem dezenas de sensores para monitorar e melhorar o desempenho do veículo e comunicam-se através de redes veiculares (CAN) com várias centrais de eletrônicas de controle (ECU) que são responsáveis pelas tomadas de decisões. Atualmente, ainda é crescente o desenvolvimento de sensores para melhorar a segurança veicular ou personalizar a experiência do condutor. Este trabalho teve por objetivo a adaptação de um sistema para adquirir os dados de sensores do veículo, de sensores adicionais instalados neste e no condutor visando, com auxílio de reconhecimento de padrões, a identificação do motorista e análise de seu comportamento. Neste sentido, muitos dos sensores instalados de fábrica (como velocidade, posição do acelerador, torção do volante, monitoramento de frenagem, etc) podem ser monitorados para alcançar objetivos mais complexos, como avaliar as características do modo de condução do veículo. Entretanto, alguns outros sensores podem ser inseridos de modo a monitorar variáveis que não são habitualmente instrumentadas como o pedal do freio, o qual foi instrumentado para analisar sua dinâmica e avaliar sua importância neste processo de identificação de comportamento do motorista. Para validar e correlacionar os dados veiculares, na primeira fase foi instrumentado o pé do motorista com um sensor inercial e coletados sinais de eletromiografia de superfície da perna do condutor. Em uma segunda fase, foi instrumentado o volante para monitoramento de sua posição e o sensor inercial fixado no interior do veículo (simulação do sensor de guinada). Um protocolo experimental foi definido para buscar diferenciar dois padrões de condução (aqui chamados de calmo e agressivo) e verificar se é possível ainda identificar o condutor. Foram empregadas 3 diferentes ferramentas de classificação – SVM, k-NN e Random Forests. Diferentes combinações de parâmetros foram testadas a fim de avaliar o desempenho dos classificadores a partir de valores de acurácia e especificidade. Verificou-se que há resultados superiores na classificação de identidade quando são incluídos os dados do condutor, bem como na classificação de comportamento. Para a avaliação somente com os sensores no veículo, as taxas são superiores quando inclusos os dados do pedal do freio e do volante em comparação aos dados somente da CAN. Como resultados, quando combinados todos os atributos disponíveis obtidos do veículo tem-se taxas superiores para Random Forests, com valores de acurácia e especificidade, respectivamente, de 0,91 e 0,91 na identificação do comportamento; e de 0,94 e 0,74 na identificação do motorista. Quando associados, sendo feita inicialmente a classificação da identidade e, em sequência, do comportamento, obtiveram-se valores de acurácia superiores a 0,97.