Publicação
Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
| Resumo: | O desenvolvimento actual da indústria da condução autónoma, levou a um crescimento no interesse do negócio de veículos autónomos compartilhados. O foco destas tecnologias tem crescido em torno da atenção dos veículos ao ambiente exterior. No entanto, fornecedores de serviços de mobilidade identifi caram que é necessário um entendimento dos acontecimentos no interior do habitáculo de um veículo, para atender a necessidades de comunicação, segurança, monitorização e resposta do veículo a cada situação. Focada neste problema, esta dissertação surge no âmbito do projecto Easy Ride: Experience is Everything, uma parceria entre a Bosch Car Multimedia e a Universidade do Minho, através do centro Algoritmi, perspectivando desenvolvimentos que permitem obter-se uma ”inteligência”dentro de um veí culo, capaz de responder, de forma rápida e segura, a acontecimentos relevantes. Sendo que os dados necessários para aplicar modelos de Machine Learning nesta área são inexistentes ou então de muito difícil acesso, esta dissertação focou-se numa geração de dados sintéticos, para que desta forma seja possível aplicar metodologias para a detecção de anomalias no interior de habitáculos de veículos. Fo ram estudados, implementados e testados algoritmos de forma a obter os resultados esperados, usando técnicas de Deep Learning como por exemplo Generative Adversial Networks para a geração de dados sintéticos, e consequentemente algoritmos para a detecção de anomalias. |
|---|---|
| Autores principais: | Coelho, Gabriel José Dias |
| Assunto: | Machine Learning Deep learning Modelos generativos Detecção de anomalias Dados sensoriais Generative models Anomaly detection Sensor data |
| Ano: | 2022 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | O desenvolvimento actual da indústria da condução autónoma, levou a um crescimento no interesse do negócio de veículos autónomos compartilhados. O foco destas tecnologias tem crescido em torno da atenção dos veículos ao ambiente exterior. No entanto, fornecedores de serviços de mobilidade identifi caram que é necessário um entendimento dos acontecimentos no interior do habitáculo de um veículo, para atender a necessidades de comunicação, segurança, monitorização e resposta do veículo a cada situação. Focada neste problema, esta dissertação surge no âmbito do projecto Easy Ride: Experience is Everything, uma parceria entre a Bosch Car Multimedia e a Universidade do Minho, através do centro Algoritmi, perspectivando desenvolvimentos que permitem obter-se uma ”inteligência”dentro de um veí culo, capaz de responder, de forma rápida e segura, a acontecimentos relevantes. Sendo que os dados necessários para aplicar modelos de Machine Learning nesta área são inexistentes ou então de muito difícil acesso, esta dissertação focou-se numa geração de dados sintéticos, para que desta forma seja possível aplicar metodologias para a detecção de anomalias no interior de habitáculos de veículos. Fo ram estudados, implementados e testados algoritmos de forma a obter os resultados esperados, usando técnicas de Deep Learning como por exemplo Generative Adversial Networks para a geração de dados sintéticos, e consequentemente algoritmos para a detecção de anomalias. |
|---|