STATUS OF RADIATION PROCESSING IN THE REPUBLIC OF KOREA YOUNG-CHANG NHO
2. RECENT RESEARCH AND INDUSTRIAL APPLICATIONS Conductive polymer with PTC
Recentemente, alguns estudos envolvendo o comportamento dos condutores e previsão de problemas em automóveis têm recebido uma grande atenção de pesquisadores. Um dos motivos para isso é a grande abrangência dos problemas decorrentes desse contexto.
Ahmed (1999) ressalta a magnitude dos problemas causados pelos congestionamentos e acidentes de trânsito nas grandes cidades e próximo a elas. Além disso, é do conhecimento geral que problemas nos veículos também podem dificultar o trânsito e causar uma série de outros transtornos e prejuízos.
Para Meseguer et al. (2015), os impactos causados pela grande quantidade de veículos ultrapassam os problemas diretamente relacionados a acidentes e também invadem a área de meio ambiente e de saúde. Para ele, um determinado comportamento por parte do condutor pode implicar em mais ou menos poluição no meio ambiente e isso implica diretamente na saúde da população e na qualidade do meio ambiente. Além desses problemas, também é relatada uma série de repercussões diretamente ligadas à quantidade crescente de veículos no ambiente urbano, o que também é abordado por Rodrigues (2013) no estudo que demonstra o crescimento da frota de veículos no Brasil entre os anos de
2001 e 2012.
3.1.1
Definição de Perfis entre Condutores de Automóveis
Uma série de trabalhos propõem abordagens voltadas ao comportamento dos condutores com o objetivo de oferecer subsídio para melhoria em algum dos problemas que estão relacionados ao uso de automóveis. Temos como exemplo os trabalhos de Meseguer et al. (2013), Higgs e Abbas (2014),Castignani et al. (2015) e Amsalu e Homaifar (2016). Esses trabalhos buscam, de forma geral, identificar o comportamento do condutor do automóvel e oferecer a ele alguma informação, que o faça modificar sua forma de dirigir, o que pode gerar resultados positivos. Além disso, também foram observados trabalhos que buscam apenas aprimorar o método de definição do perfil do condutor, oferecendo assim uma forma mais eficiente de realizar essa parte do processo sem necessariamente se voltar às repercussões que seu uso pode gerar.
O trabalho de Eren et al. (2012) utiliza um classificador Bayesiano (Naive Bayes) sobre dados de sensores de celulares (no interior do automóvel) para identificar o compor- tamento do condutor. Durante um trajeto, dois examinadores permaneciam no interior do veículo, juntamente com o condutor. Após o trajeto, um formulário era respondido pelos avaliadores e as respostas eram colocadas em uma base de dados (dataset). Então, os condutores eram classificados em “safe” (seguro) ou “unsafe” (não seguro) usando o classificador Bayesiano sobre o dataset. Como resultado obteve-se uma taxa de acerto de 93,33% (14 dentre os 15 motoristas avaliados). Além do trabalho supracitado, Al-Sultan, Al-Bayatti e Zedan(2013) também utilizou oNB como técnica de AM em seu trabalho, que demonstra o uso de uma tecnologia de comunicação entre veículos (Vehicular ad hoc Networks (VANET)) e uma Rede Bayesiana para identificação de perfis anormais de condução de automóveis em um determinado trajeto.
O trabalho de Meseguer et al. (2013) realiza a definição de perfis entre condutores através de uma Rede Neural. A aplicação extrai os dados dos sensores automotivos através de celular e dispositivo transmissor OBD-II. Os dados coletados contêm valores para os seguintes atributos: aceleração, velocidade e rotações por minuto, assim como média e desvio padrão dos mesmos. Esses resultados são então utilizados para treinar a Rede Neural (MLP), e o principal objetivo do estudo é verificar o quão relacionada está a forma de dirigir com o consumo de combustível.
De acordo com os resultados apresentados, a forma de dirigir pode resultar em uma diferença de até 20% no consumo de combustível, mesmo sem nenhum tipo de alteração no veículo. Aspectos particulares desse trabalho estão na utilização do resultado da aplicação como feedback para o motorista, o que afeta o próprio sistema positivamente e ajuda a modificar o comportamento do condutor. Além deste, outros trabalhos estudados que utilizaram MLP para definição de perfis entre condutores foram Meseguer et al.(2015),
Capítulo 3. Técnicas de Aprendizado de Máquina sobre Dados Automotivos 34
Boyraz, Sathyanarayana e Hansen (2009), Xiao, Huang e Wang(2011).
Em um outro trabalho,Zhang et al. (2016) realizou a classificação de condutores baseado em seu perfil de direção. Para isso, utilizou dados dos sensores dos automóveis (“v”), sensores de aparelhos celulares (“s”) e também uma variação utilizando ambos (sensores dos automóveis e celulares - “vs” ). Foram realizados experimentos com rotas pré-definidas, mesmo automóvel e condutores diferentes, e outro experimento sem definição de rotas que coletou dados do automóvel por um período de tempo junto a um grupo de condutores participantes. Como técnica de definição de perfis foi utilizado uma Máquina de Vetores de Suporte (SVM) que foi treinada com um conjunto de dados gerados manualmente e definidos como padrão. De forma geral, foi observado que o modelo proposto funciona melhor para uma quantidade pequena de condutores (com 2, alcançou 100% de acerto nas três variações de dados - v, s e vs), e que a utilização dos sensores de aparelhos celulares, mesmo quando sozinhos (s) possibilitou um resultado médio melhor em todos os casos. A técnica de Máquinas de Vetores de Suporte (SVM) também foi utilizada por Suzuki et al. (2005) como uma das técnicas que possibilitaram a modelagem do comportamento do motorista quando era feita uma manobra para evitar uma colisão.
Também foram estudados outros trabalhos com desenvolvimento voltado à definição de perfis de condutores, e foi observado que a um grupo considerável desses utilizava o Modelo de Markov (Hidden Markov Model (HMM)) como método computacional para alcançar os objetivos. Dentre eles temos em destaque os trabalhos de Amsalu e Homaifar
(2016), Tran, Doshi e Trivedi (2012), Dapzol (2005), Kumagai e Akamatsu (2006), que utilizaram o HMM com finalidades diversas, dentre elas avaliar a decisão de um condutor ao chegar em um cruzamento.
Utilizando uma técnica diferente (técnica não supervisionada), há trabalhos que utilizaram o k-Means. Higgs e Abbas (2014), por exemplo, utilizaram o k-Means como técnica para identificação de ações de condutores. Com base em uma série de sensores instalados nos veículos e em segmentos específicos do trajeto o método k-Means foi escolhido por conseguir identificar as instâncias mais próximas ao que atribui como centroides. Sua escolha resultou em um bom índice de acerto (até 100%) para experimentos que utilizaram aspectos estáticos e dinâmicos da condução do automóvel.
Em outro trabalho, Higgs e Abbas (2015), utilizou o k-Means para segmentar trajetos realizados por automóveis. Com objetivo de realizar a identificação de perfis entre diferentes tipos de condutores (automóveis e caminhões), esse estudo obteve sucesso na identificação de um padrão para os condutores de caminhão e na indicação da diversidade de padrões existentes em automóveis. Essa diversidade ficou evidente pois utilizando as mesmas técnicas aplicadas aos caminhões foi identificado um número de perfis igual ao número de condutores dos automóveis. Ou seja, para cada condutor havia um perfil para automóveis e todos os condutores foram classificados no mesmo perfil no caso dos
caminhões.
Castignani et al.(2015) utilizou em sua pesquisa regras definidas com lógica Fuzzy (ZADEH, 1996) para detectar eventos em trajetos e também o método k-Means como meio para classificar os condutores de acordo com os eventos detectados. A classificação feita pelo k-Means foi confrontada com uma classificação feita pelos próprios condutores. Como resultado foi obtido até 90% de similaridade (em 18 de 20 trajetos) na classificação de comportamento de condutores. Também houve uma indicação de robustez na indicação de eventos considerados agressivos.
Por último, podemos citar os trabalhos de (AHMED, 1999; SALVUCCI, 2006), que desenvolveram metodologias próprias, e o trabalho de Winter e Happee (2012), que realizou uma comparação entre várias metodologias existentes para definição de perfis de uso de automóveis na sua época.
Há ainda outros trabalhos, encontrados no Brasil, como por exemplo Almeida
(2017), Argenton, Borth e Vilhanueva (2015), Gandolfi (2016), Santos (2016), Póvoa
(2007), Oliveira et al. (2016), Fontes e Figueiredo(2015), porém eles não se enquadram no escopo de utilização de técnicas de Aprendizado de Máquina pois se propuseram apenas a coletar dados via interface DLC e apresentar esses dados aos condutores. De forma geral, esses trabalhos tinham o intuito de diminuir o consumo de combustível por meio da modificação do comportamento do condutor frente às informações apresentadas. O único trabalho encontrado no Brasil que não apresentou os dados aos condutores de forma direta foi o de Nascimento (2016), onde o autor utilizou uma aplicação baseada em Sistema Multiagentes para diminuir o consumo de combustível de uma frota de automóveis.