Banca de QUALIFICAÇÃO: RAFAEL AVILA DOS SANTOS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: RAFAEL AVILA DOS SANTOS
DATA: 03/07/2025
HORA: 09:00
LOCAL: Sala de Defesas
TÍTULO:

Implementação de Soft-Sensors Utilizando MGGP Para Estimação de Estados de Veículos com Pneu Inteligente

PALAVRAS-CHAVES:

veículos autônomos, inteligência artificial, dinâmica veicular, pneu inteligente, programação genética, aprendizado de máquinas

PÁGINAS: 78
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Medidas Elétricas, Magnéticas e Eletrônicas; Instrumentação
ESPECIALIDADE: Sistemas Eletrônicos de Medida e de Controle
RESUMO:

A identificação de sistemas constitui o processo de criação de modelos que se aproximam do sistema real analisado. A modelagem de sistemas permite o estudo aprofundado do seu comportamento e a aplicação de técnicas de controle. Devido a esses benefícios, a identificação de sistemas é uma área de estudo em diversas áreas, incluindo veículos autônomos. A autonomia veicular diz respeito à aptidão do veículo para a sua condução sem a intervenção humana. Para que isso seja alcançado, é necessário que o veículo tenha a capacidade de percepção do ambiente, tomar decisões e agir de forma autônoma. Neste contexto, o pneu inteligente constitui uma aplicação que tem a capacidade de extrair informações sobre a dinâmica veicular com sensores de baixo custo, como os acelerômetros. Em algumas circunstâncias, é viável substituir os sensores por modelos que se aproximam o máximo possível dos sistemas reais, denominados, portanto, de soft-sensors. Com o objetivo de construir soft-sensors, o algoritmo Multi-Gene Genetic Programming (MGGP) constitui uma ferramenta valiosa para a modelagem de sistemas seguindo estruturas Nonlinear AutoRegressive with eXogenous inputs (NARX).
Deste modo, o objetivo da presente investigação é o desenvolvimento de um soft-sensor para o ângulo de deriva do veículo. A abordagem principal para a construção do soft-sensor será utilizando o algoritmo MGGP, o qual será comparado com os algoritmos de aprendizado de máquina Long Short-Term Memory (LSTM) e \Gated Recurrent Unit (GRU). Ademais, será utilizado dados provenientes de sensores do pneu inteligente, da roda, e do chassis do veículo. Estes dados, por sua vez, passaram por um pré-processamento envolvendo a filtragem, janelamento da rotação do pneu, extração de características temporais e construção do modelo bicicleta do veículo, além de serem normalizados para os algoritmos de aprendizado de máquina. Os trabalhos preliminares demonstram a capacidade do MGGP em modelar estados de veículos, assim como eficiência das características temporais juntamente com o pneu inteligente na obtenção de informações sobre dinâmica veicular e modelagem com técnicas de aprendizado de máquinas.

MEMBROS DA BANCA:
Interno - ANDRE MURILO DE ALMEIDA PINTO (Membro)
Interno - DANTON DIEGO FERREIRA (Membro)
Interno - WILIAN SOARES LACERDA (Suplente)
Presidente - BRUNO HENRIQUE GROENNER BARBOSA (Membro)