Publicação
Increase the IQ of your smartphone: road security on mobile platforms
| Resumo: | Os acidentes de trânsito ferem cerca de 1,3 milhões de pessoas por ano e o número de mortes tem crescido na última década. As nossas contribuições no campo da detecção de um comportamento de um condutor representam uma tentativa de contribuir positivamente para este problema. O atual estado da arte não é verificado em uso real. Para enfrentar esse problema, desenvolvemos um simulador capaz de replicar o uso dos modelos em situações reais. Esta dissertação é o resultado de um estágio na Sentilant. A empresa está à procura de melhorar o seu algoritmo de detecção de eventos atual incorporando machine learning no sistema existente para melhorar o feedback dado aos utilizadores. Os nossos resultados sugerem que, em vez de classificar uma sample assim que ela chega, podemos colocar algumas em um buffer de maneira a classificar uma amostra com base nas amostras que estão colocadas à frente. Este procedimento resulta num aumento da performance dos algoritmos supervisionados. Uma técnica para balancear os dados que é aqui apresentada demonstra capacidade de rivalizar com oversampling, sem aumentar o tamanho do dataset, conseguindo assim menores tempos de treino. O nosso melhor modelo é capaz de atingir uma precisão de 74% para aceleração, 49% de precisão para travagens e 18% de precisão para curvas. Em viagens de validação reais efetuadas o modelo comportou-se como esperado quando o telemóvel ia colocado na vertical, apesar de demonstrar uma sensibilidade maior que o esperado nas curvas. |
|---|---|
| Autores principais: | Campos, João Carlos de Lima |
| Assunto: | Deteção de eventos de condução Perfil do condutor Driving behavior Driving profiling Driving event detection |
| Ano: | 2017 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Coimbra |
| Idioma: | inglês |
| Origem: | Estudo Geral - Universidade de Coimbra |
| Resumo: | Os acidentes de trânsito ferem cerca de 1,3 milhões de pessoas por ano e o número de mortes tem crescido na última década. As nossas contribuições no campo da detecção de um comportamento de um condutor representam uma tentativa de contribuir positivamente para este problema. O atual estado da arte não é verificado em uso real. Para enfrentar esse problema, desenvolvemos um simulador capaz de replicar o uso dos modelos em situações reais. Esta dissertação é o resultado de um estágio na Sentilant. A empresa está à procura de melhorar o seu algoritmo de detecção de eventos atual incorporando machine learning no sistema existente para melhorar o feedback dado aos utilizadores. Os nossos resultados sugerem que, em vez de classificar uma sample assim que ela chega, podemos colocar algumas em um buffer de maneira a classificar uma amostra com base nas amostras que estão colocadas à frente. Este procedimento resulta num aumento da performance dos algoritmos supervisionados. Uma técnica para balancear os dados que é aqui apresentada demonstra capacidade de rivalizar com oversampling, sem aumentar o tamanho do dataset, conseguindo assim menores tempos de treino. O nosso melhor modelo é capaz de atingir uma precisão de 74% para aceleração, 49% de precisão para travagens e 18% de precisão para curvas. Em viagens de validação reais efetuadas o modelo comportou-se como esperado quando o telemóvel ia colocado na vertical, apesar de demonstrar uma sensibilidade maior que o esperado nas curvas. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.