Menu



Exportar registro bibliográfico

Tese

Sistema neural reativo para o estacionamento paralelo com uma única manobra em veículos de passeio (2011)

  • Authors:
  • Autor USP: ANDRADE, KLÉBER DE OLIVEIRA - EESC
  • Unidade: EESC
  • Sigla do Departamento: SEM
  • Subjects: ROBÔS; VEÍCULOS; REDES NEURAIS; ESTACIONAMENTOS; APRENDIZAGEM; INSTRUÇÃO PROGRAMADA
  • Language: Português
  • Abstract: Graças aos avanços tecnológicos nas áreas da computação, eletrônica embarcada e mecatrônica a robótica está cada vez mais presente no cotidiano da pessoas. Nessas últimas décadas, uma infinidade de ferramentas e métodos foram desenvolvidos no campo da Robótica Móvel. Um exemplo disso são os sistemas inteligentes embarcados nos veículos de passeio. Tais sistemas auxiliam na condução através de sensores que recebem informações do ambiente e algoritmos que analisam os dados e tomam decisões para realizar uma determinada tarefa, como por exemplo estacionar um carro. Este trabalho tem por objetivo apresentar estudos realizados no desenvolvimento de um controlador inteligente capaz de estacionar um veículo simulado em vagas paralelas, na qual seja possível entrar com uma única manobra. Para isso, foi necessário realizar estudos envolvendo a modelagem de ambientes, cinemática veicular e sensores, os quais foram implementados em um ambiente de simulação desenvolvido em C# com o Visual Studio 2008. Em seguida é realizado um estudo sobre as três etapas do estacionamento, que consistem em procurar uma vaga, posicionar o veículo e manobrá-lo. Para realizar a manobra foi adotada a trajetória em S desenvolvida e muito utilizada em outros trabalhos encontrados na literatura da área. A manobra consiste em posicionar corretamente duas circunferências com um raio de esterçamento do veículo. Sendo assim, foi utilizado um controlador robusto baseado em aprendizado supervisionado utilizando Redes Neurais Artificiais (RNA), pois esta abordagem apresenta grande robustez com relação à presença de ruídos no sistema. Este controlador recebe dados de dois sensores laser (um fixado na frente do veículo e o outro na parte traseira), da odometria e de orientação de um sensor inercial. Os dados adquiridos desses sensores e aetapa da manobra em que o veículo está, servem de entrada para o controlador. Este é capaz de interpretar tais dados e responder a esses estímulos de forma correta em aproximadamente 99% dos casos. Os resultados de treinamento e de simulação se mostraram muito satisfatórios, permitindo que o carro controlador pela RNA pudesse estacionar corretamente em uma vaga paralela
  • Imprenta:
  • Data da defesa: 29.08.2011
    • Acesso à fonte
    How to cite
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      ANDRADE, Kléber de Oliveira. Sistema neural reativo para o estacionamento paralelo com uma única manobra em veículos de passeio. 2011. Dissertação (Mestrado) – Universidade de São Paulo, São Carlos, 2011. Disponível em: http://www.teses.usp.br/teses/disponiveis/18/18149/tde-21112011-131734/. Acesso em: 19 set. 2024.

    • APA

      Andrade, K. de O. (2011). Sistema neural reativo para o estacionamento paralelo com uma única manobra em veículos de passeio (Dissertação (Mestrado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/18/18149/tde-21112011-131734/

    • NLM

      Andrade K de O. Sistema neural reativo para o estacionamento paralelo com uma única manobra em veículos de passeio [Internet]. 2011 ;[citado 2024 set. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18149/tde-21112011-131734/

    • Vancouver

      Andrade K de O. Sistema neural reativo para o estacionamento paralelo com uma única manobra em veículos de passeio [Internet]. 2011 ;[citado 2024 set. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/18/18149/tde-21112011-131734/

    Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

Digital Library of Intellectual Production of Universidade de São Paulo     2012 - 2024