Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/27776| Título: | Análise do comportamento do motorista baseado em aquisição de dados veiculares e instrumentação adicional do veículo |
| Título(s) alternativo(s): | Driver behavior analysis based on vehicle data acquisition and additional vehicle instrumentation |
| Autor(es): | Bonfati, Lucas Vacilotto |
| Orientador(es): | Stevan Junior, Sergio Luiz |
| Palavras-chave: | Motoristas Avaliação do comportamento Segurança no trânsito Sistemas de reconhecimento de padrões Eletromiografia Motor vehicle drivers Behavioral assessment Traffic safety Pattern recognition systems Electromyography |
| Data do documento: | 17-Dez-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Ponta Grossa |
| Citação: | BONFATI, Lucas Vacilotto. Análise do comportamento do motorista baseado em aquisição de dados veiculares e instrumentação adicional do veículo. 2021. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2021. |
| Resumo: | 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. |
| Abstract: | Today's cars have dozens of sensors to monitor and improve vehicle performance and communicate through vehicle networks (CAN) with various Eletronic Control Unit (ECU) that are responsible for decision making. Currently, the development of sensors to improve vehicle safety or customize the driver's experience is still growing. The objective of this work was to adapt a system to acquire data from vehicle sensors, from additional sensors installed on the vehicle and on the driver, aiming, with the aid of pattern recognition, to identify the driver and analyze his behavior. In this sense, many of the factory-installed sensors (such as speed, throttle position, steering wheel torque, braking monitoring, etc). However, some other sensors can be inserted in order to monitor variables that are not usually instrumented, such as the brake pedal, which was instrumented to analyze its dynamics and assess its importance in this driver behavior identification process. In order to validate and correlate the vehicle data, in the first phase, the driver's foot was instrumented with an inertial sensor and surface electromyographic signals were collected from the driver's leg. In the second phase, the steering wheel was instrumented to monitor its position and the inertial sensor fixed inside the vehicle (to simulate the yaw rate sensor). An experimental protocol was defined to seek to differentiate two driving patterns (here called calm and aggressive modes) and to verify if it is still possible to identify the driver. Three different classification tools were used – SVM, k-NN and Random Forests. Different combinations of parameters were tested in order to evaluate the performance of the classifiers based on accuracy and specificity values. It was found that there are superior results in the identity classification when driver data are included, as well as in the behavior classification. For the evaluation with in-vehicle sensors only, rates are higher when including brake pedal and steering wheel data compared to CAN-only data. As a result, when all available attributes obtained from the vehicle are combined, higher rates for Bagged Tree are obtained, with accuracy and specificity values, respectively, of 0.91 and 0.91 for behavior identification; and of 0.94 and 0 .74 for driver identification. When associated, initially with the classification of identity and, subsequently, of behavior, accuracy values greater than 0.97 were obtained. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/27776 |
| Aparece nas coleções: | PG - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analisecomportamentomotorista.pdf | 7,61 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
