Interpretação de situações de risco em cenas de tráfego de veículos utilizando lógica probabilística
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2019
Autores
Oliveira, A. A.
Orientador
Santos, Paulo Eduardo
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
OLIVEIRA, A. A. Interpretação de situações de risco em cenas de tráfego de veículos utilizando lógica probabilística. 2019. 83 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2019. Disponível em: <https://doi.org/10.31414/EE.2019.D.130987>. Acesso em: 4 dez. 2019.
Texto completo (DOI)
Palavras-chave
Redes neurais (Computação)
Resumo
A desatenção ou erro de motoristas atrasam suas reações em situações de risco em que uma frenagem é necessária para se evitar uma colisão (Roadmap, 2017). Essa é uma razão do crescimento da utilização de sistemas de assistência ao motoristas disponíveis nos automóveis atualmente. De fato os motoristas desejam carros mais seguros, um outro fator que contribui para a ampliação da utilização desses sistemas é regulatório, uma vez que serão obrigatórios nos países da comunidade Europeia e nos Estados Unidos a utilização de no mínimo sistemas
de freio de emergência (Roadmap, 2017). Este trabalho apresenta um sistema de assistência ao motorista, que se utiliza da fusão de dados, capaz de gerar um alerta preventivo de risco de colisão. O sistema é capaz de raciocinar sobre o contexto de tráfego de veículos, utilizando-se uma base de conhecimento sobre direção defensiva, definida pelo autor. Com o uso de uma rede neural convolucional, este trabalho segmenta e classifica veículos em um contexto de tráfego. Através de técnicas de visão computacional, em especial a transformada Hough, as faixas de rolagem são segmentadas para discretização da cena em relação à posição espacial. Combinando as informações obtidas pela rede neural convolucional e da segmentação das faixas de rolamento, é possível discretizar as posições de todos os veículos da cena. Essa junção de informações são evidências para que o sistema, codificado em lógica probabilística usando-se ProbLog, realize a inferência do risco. O sistema foi avaliado em duas diferentes sequências de cenas, onde foram avaliados 10 diferentes limiares de risco, comparando-os com o limiar de um especialista. O resultado mostrou valor de Precisão 1 e Revocação 0.906 para a cena 1, e para a cena 2 Precisão 0.579 e Revocação 0.879, o que mostra que este tipo de solução utilizando-se lógica probabilística é promissora
Drivers have a late reaction time in risky situation, due to inattention or by mistake, when a breaking is necessary to avoid a collision (Roadmap, 2017). This is one of reasons for the growth of the driver’s advanced assistance systems available in the vehicles nowadays, moreover drivers want safer vehicles, another factor to the usage of these systems is regulatory, since it will be mandatory on European community countries and United States emergency breaking systems (Roadmap, 2017). This work presents an advanced driver assistance system, using data fusion, capable of generate a preventive collision alert. The system is capable of reasoning over a vehicle traffic context, using defensive driving as knowledge base built by the Autor. A convolutional neural network is used in this work to perform segmentation and classification of vehicles in traffic context. Through computational vision, specially Hough’s transformation, the road lanes are segmented and then the scene is discretized by its spatial position. Using the information from the convolutional neural network with the road lane segmentation is possible to discretize the position of all vehicle in the scene. That information combined are evidences to the system, coded in ProbLog a probabilistic logic programing, to infer the scene risk. The system was evaluated in two different scenes chains, where10 risk limits were analyzed, comparing the risk limits against the limits provided by a specialist. The results showed Precision of 1 and Recall of 0.906 for scene 1 and for scene 2 Precision of 0.579 and Recall 0.879, what shows such solution using probabilistic logic is promising
Drivers have a late reaction time in risky situation, due to inattention or by mistake, when a breaking is necessary to avoid a collision (Roadmap, 2017). This is one of reasons for the growth of the driver’s advanced assistance systems available in the vehicles nowadays, moreover drivers want safer vehicles, another factor to the usage of these systems is regulatory, since it will be mandatory on European community countries and United States emergency breaking systems (Roadmap, 2017). This work presents an advanced driver assistance system, using data fusion, capable of generate a preventive collision alert. The system is capable of reasoning over a vehicle traffic context, using defensive driving as knowledge base built by the Autor. A convolutional neural network is used in this work to perform segmentation and classification of vehicles in traffic context. Through computational vision, specially Hough’s transformation, the road lanes are segmented and then the scene is discretized by its spatial position. Using the information from the convolutional neural network with the road lane segmentation is possible to discretize the position of all vehicle in the scene. That information combined are evidences to the system, coded in ProbLog a probabilistic logic programing, to infer the scene risk. The system was evaluated in two different scenes chains, where10 risk limits were analyzed, comparing the risk limits against the limits provided by a specialist. The results showed Precision of 1 and Recall of 0.906 for scene 1 and for scene 2 Precision of 0.579 and Recall 0.879, what shows such solution using probabilistic logic is promising