SistemaNeuralReativoparaoEstacionamentoParalelocomumaÚnicamanobraem VeículosdePasseio

KLBER DE OLIVEIRA ANDRADE
Sistema Neural Reativo para o Estacionamento Paralelo com uma nica manobra em
Veculos de Passeio
Dissertao apresentada Escola de Engenharia de So

Carlos da Universidade de So Paulo, para obteno do ttulo de Mestre em Engenharia Mecnica.
rea de Concentrao: Dinmica de Sistemas e Controles

Orientador: Prof. Dr. Marcelo Becker
USP - So Carlos
Outubro/2011
ESTE EXEMPLAR TRATA-SE DA

VERSO CORRIGIDA. A VERSO
ORIGINAL ENCONTRA-SE
DISPONVEL JUNTO AO
DEPARTAMENTO DE ENGENHARIA
MECNICA DA EESC-SP
AUTORIZO A REPRODUO E DIVULGAO TOTAL OU PARCIAL DESTE

TRABALHO, POR QUALQUER MEIO CONVENCIONAL OU ELETRNICO,
PARA FINS DE ESTUDO E PESQUISA, DESDE QUE CITADA A FONTE.
Ficha catalogrfica preparada pela Seo de Tratamento

da Informao do Servio de Biblioteca EESC/USP
A553s
Andrade, Klber de Oliveira

Sistema neural reativo para o estacionamento paralelo
com uma nica manobra em veculos de passeio. / Klber de
Oliveira Andrade ; orientador Marcelo Becker. So Carlos,
2011.
Dissertao (Mestrado - Programa de Ps-Graduao em
Engenharia Mecnica e rea de Concentrao em Dinmica de
Sistemas e Controles)- Escola de Engenharia de So
Carlos da Universidade de So Paulo, 2011.
1. Robs mveis inteligentes. 2. Veculos autnomos.
3. Redes neurais artificias. 4. Perceptron multi-camadas.
5. Aprendizado supervisionado. 6. Estacionamento
paralelo. I. Ttulo.
Dedicatria
Dedico este trabalho minha famlia, por tornar possvel mais esta fundamental conquista e
minha namorada Claudia, pela compreenso e pacincia.
Agradecimentos
Inicialmente gostaria de agradecer ao Instituto Nacional de Cincia e Tecnologia em ptica

e Fotnica (INCT-INOF) parceiro do projeto SENA pela concesso da bolsa CAPES (Coordenao de Aperfeioamento de Pessoal de Nvel Superior), na qual, sem ela eu no conseguiria
focar em meus estudos.
A presente dissertao resultou de uma vontade muito forte de concretizar o objetivo a que
me foi proposto. Muitas foram as dificuldades com que me deparei e os obstculos que tive que
ultrapassar, mas tudo isso tornou ainda mais gratificante a concluso desta tarefa. No entanto,
no posso esquecer daqueles que de uma forma ou de outra contriburam para esta realizao.
No incio do mestrado fui apresentado ao orientador Prof. Doutor Marcelo Becker, que
durante dois anos e meio pude contar com a orientao, seu vasto conhecimento e conselhos
que me ajudaram a chegar ao fim deste trabalho. Meu muito obrigado pela sua amizade e
ensinamentos.
Muitos foram os docentes e os colegas que me motivaram e incentivaram. Por isso no vou
os referir, pois correria o risco de esquecer algum. De todos eu guardo uma boa recordao.
H, no entanto, alguns nomes que no posso deixar de lembrar, pela boa impresso que me
deixaram e pelos ensinamentos transmitidos. So eles o Prof. Dr. Adriano Almeida Gonalves
Siqueira, o Prof. Dr. Glauco Augusto de Paula Caurin, Prof. Dr. Daniel Varela Magalhes,
Prof. Dr. Fernando Santos Osrio, Prof. Dr. Denis Fernando Wolf, Prof. Dr. Lus Henrique
Sacchi, Prof. Dr. Luiz Camolesi Jr. e Prof. Dr. Jos Martins Jr. tendo todos enriquecendo-me
um pouco com os seus conhecimentos.
A realizao da presente dissertao no seria, no entanto, possvel sem a ajuda e o apoio
de algumas pessoas. Aos amigos da Ps-Graduao, que contriburam de todas as maneiras
para a realizao desta pesquisa: Andr Carmona Hernandes, Jorge Pablo Moraga Galdames,
Kelen Cristiane Teixeira Vivaldini, Poliane Torres Megda e Rafael Coronel Bueno Sampaio.
No posso deixar de lembrar tambm os amigos da Repblica Pira Sushi que convivi: Edson
Takashi Matsubara, Fernando Ruiz Rosrio, Mauro Miazaki, Luis Fassis e Sidney Seiji Sato. A
amizade, apoio e convivncia dessas pessoas foram essenciais em minha formao.
Para aqueles que mais de perto acompanharam esta jornada. minha famlia, pela simples
existncia em minha vida. Nenhuma palavra capaz de expressar toda minha gratido minha
me e aos meus irmos, que estiveram sempre me apoiando. Agradeo especialmente minha
namorada Claudia Trevisan, pelo suporte, pacincia, companhia e compreenso transmitida
durante esta tarefa. Foram eles, sem dvida, os grandes responsveis pela concluso desta
dissertao. Sem esse apoio no seria possvel investir longas horas de trabalho, privando-os da
ateno merecida. Ofereo todo o meu sucesso a vocs!
vii
Por fim, a todos aqueles que leram este trabalho e deixaram suas valiosas contribuies, e
tambm aos que sempre perguntaram sobre o andamento deste projeto: obrigado! O interesse
demonstrado por vocs foi responsvel pela qualidade que pude atingir neste trabalho. Espero
que gostem do resultado final.
Muito obrigado a todos vocs!
Epgrafe
Its clearly useful to have machines doing jobs that are insufficient for the human brain and
thus leave human beings the possibility of devoting themselves to more creative labors that will
stretch and expand their minds
Isaac Asimov, 1920-1992
ix
Resumo
ANDRADE, K. O. Sistema Neural Reativo para o Estacionamento Paralelo com uma

nica Manobra em Veculos de Passeio. 2011. Dissertao (Mestrado) - Escola de Engenharia de So Carlos, Universidade de So Paulo, So Carlos, 2011.
Graas aos avanos tecnolgicos nas reas da computao, eletrnica embarcada e mecatrnica a robtica est cada vez mais presente no cotidiano da pessoas. Nessas ltimas dcadas,
uma infinidade de ferramentas e mtodos foram desenvolvidos no campo da Robtica Mvel. Um exemplo disso so os sistemas inteligentes embarcados nos veculos de passeio. Tais
sistemas auxiliam na conduo atravs de sensores que recebem informaes do ambiente e algoritmos que analisam os dados e tomam decises 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 veculo simulado em
vagas paralelas, na qual seja possvel entrar com uma nica manobra. Para isso, foi necessrio realizar estudos envolvendo a modelagem de ambientes, cinemtica veicular e sensores, os
quais foram implementados em um ambiente de simulao desenvolvido em C# com o Visual
Studio 2008. Em seguida realizado um estudo sobre as trs etapas do estacionamento, que
consistem em procurar uma vaga, posicionar o veculo e manobr-lo. Para realizar a manobra
foi adotada a trajetria em S desenvolvida e muito utilizada em outros trabalhos encontrados na
literatura da rea. A manobra consiste em posicionar corretamente duas circunferncias com
um raio de esteramento do veculo. Sendo assim, foi utilizado um controlador robusto baseado
em aprendizado supervisionado utilizando Redes Neurais Artificiais (RNA), pois esta abordagem apresenta grande robustez com relao presena de rudos no sistema. Este controlador
recebe dados de dois sensores laser (um fixado na frente do veculo e o outro na parte traseira),
da odometria e de orientao de um sensor inercial. Os dados adquiridos desses sensores e a
etapa da manobra em que o veculo est, servem de entrada para o controlador. Este capaz
de interpretar tais dados e responder a esses estmulos de forma correta em aproximadamente
99% dos casos. Os resultados de treinamento e de simulao se mostraram muito satisfatrios,
permitindo que o carro controlador pela RNA pudesse estacionar corretamente em uma vaga
paralela.
Palavras-chave: Robs mveis inteligentes. Veculos autnomos. Redes neurais artificias.
Perceptron multi-camadas. Aprendizado supervisionado. Estacionamento paralelo.
xi
Abstract
ANDRADE, K. O. Neural Reactive System for Parallel Parking with a Single Maneuver
in Passenger Vehicles. 2011. Thesis (Master) - Sao Carlos School of Engineering, Sao Paulo
University, Sao Carlos, 2011.
Thanks to technological advances in the fields of computer science, embedded electronics
and mechatronics, robotics is increasingly more present in peoples lives. On the past few decades a great variety of tools and methods were developed in the Mobile Robotics field, e.g. the
passenger vehicles with smart embedded systems. Such systems help drivers through sensors
that acquire information from the surrounding environment and algorithms which process this
data and make decisions to perform a task, like parking a car. This work aims to present the
studies performed on the development of a smart controller able to park a simulated vehicle in
parallel parking spaces, where a single maneuver is enough to enter. To accomplish this, studies involving the modeling of environments, vehicle kinematics and sensors were conducted,
which were implemented in a simulated environment developed in C# with Visual Studio 2008.
Next, a study about the three stages of parking was carried out, which consists in looking for a
slot, positioning the vehicle and maneuvering it. The S trajectory was adopted and developed
to maneuver the vehicle, since it is well known and highly used in related works found in the
literature of this field. The maneuver consists in the correct positioning of two circumferences
with the possible steering radius of the vehicle. For this task, a robust controller based on supervised learning using Artificial Neural Networks (ANN) was employed, since this approach
has great robustness regarding the presence of noise in the system. This controller receives data
from two laser sensors (one attached on the front of the vehicle and the other on the rear), from
the odometry and from the inertial orientation sensor. The data acquired from these sensors and
the current maneuver stage of the vehicle are the inputs of the controller, which interprets these
data and responds to these stimuli in a correct way in approximately 99% of the cases. The
results of the training and simulation were satisfactory, allowing the car controlled by the ANN
to correctly park in a parallel slot.
Palavras-chave: Intelligent mobile robots. Autonomous vehicles. Artificial neural networks.
Multi-layer Perceptron. Machine learning. Parallel parking.
xiii
Publicaes
1. HERNANDES, A. C.; MENDONCA, A. S. B.; ANDRADE, K. O.; BECKER, M.; Redes

neurais artificiais aplicadas baliza paralela de veculo de passeio em ambiente simulado
- In: VI Congresso Nacional de Engenharia Mecnica, CONEM 2010, Campina Grande,
Paraba, Ago. 2010.
2. ANDRADE, K. O.; HERNANDES, A. C.; BECKER, M.; A Rule-Based Controller Simulation for an Autonomous Parallel Parking of a Car-Like Robot Using Laser Sensors
-In: 21 International Congress of Mechanical Engineering, COBEM 2011, Natal, Rio
Grande do Norte, Out. 2011. (Aguardando publicao)
xv
Lista de Figuras
1.1
1.2
1.3
2.1
2.2
2.3
2.4
Exemplos de robs reais: (a) Asimo (Honda, 2011); (b) Robomower (Sahin e
Guvenc, 2007); (c) Aibo (Sony, 2011); (d) IRobot Scooba (iRobot, 2011); (e)
MIT-Manus (Krebs et al., 2008); (f) Rob NAO (NAO, 2011) . . . . . . . . . .
Competio do DARPA: (a) vencedor de 2005 (Stanley - Volkswagen Tuareg)
da Universidade de Stanford (Thrun et al., 2006); (b) vencedor de 2007 (Tartan
- Chevrolet) da Universidade de Changie Mellon (Baker e Dolan, 2009) . . . .
Prottipos do projeto SENA: (a) Navalha quadriciclo eltrico infantil; (b)
Gisa Fiat Stilo 1.8 Dualogic . . . . . . . . . . . . . . . . . . . . . . . . . .
3
4
Etapas do estacionamento paralelo . . . . . . . . . . . . . . . . . . . . . . . .

8
A tela do painel do Toyota Britnico com o Intelligent Parking Assist System
(Retirado de http://wapedia.mobi/en/Advanced_Parking_Guidance_
System). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
Exemplo de funcionamento do sistema da Bosch para medir o tamanho do espao de estacionamento (Bosch, 2011). . . . . . . . . . . . . . . . . . . . . . 10
Sistema Park4U (Valeo, 2010) (a) e (b) procurando a vaga, em (c) entrando na
vaga do tipo garagem e em (d) numa vaga paralela. . . . . . . . . . . . . . . . 11
3.1
Tipos de mapas utilizados na robtica: (a) representao mtrica baseado em

grades; (b) representao topolgica; (c) representao geomtrica. . . . . . . .
3.2 Modelo cinemtico do veculo. . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Mini-veculo HELVIS (Sampaio et al., 2011). . . . . . . . . . . . . . . . . . .
3.4 Princpios de funcionamento do encoder ptico (adaptado de Electronics (2009)).
3.5 Alguns sensores laser: (a) Modelo de sensor laser SICK LMS 291; (b) Modelo
do sensor laser Hokuyo URG-04LX. . . . . . . . . . . . . . . . . . . . . . . .
3.6 Diagrama de blocos simplificado do sensor IMU IG-500N (adaptado de (SBG
Systems, 2011)). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.7 Imagem do sensor IMU IG-500N entre os dedos de uma pessoa para mostrar
seu tamanho. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.8 Simulador de Estacionamento de Veculos Autnomos (SEVA): (a) verso bidimensional do simulador (Heinen et al., 2001); (b) verso tridimensional do
simulador (Heinen et al., 2007) . . . . . . . . . . . . . . . . . . . . . . . . . .
3.9 Diagrama de classes do simulador desenvolvido. . . . . . . . . . . . . . . . . .
3.10 Interface do simulador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xvii
16
18
19
21
22
23
23
25
26
27
4.1
4.2
4.3
4.4
4.5
4.6
4.7
4.8
4.9
5.1
5.2
5.3
5.4
6.1
6.2
Neurnio: (a) Representao do neurnio biolgico (retirado de http://

www.sogab.com.br/anatomia/neuronio.jpg); (b) Representao do
neurnio artificial segundo McCulloch e Pitts (adaptado de (Silva et al., 2010).
Funes de ativao parcialmente diferenciveis: (a) degrau; (b) degrau bipolar; (c) rampa simtrica; e funes de ativao totalmente diferenciveis: (d)
logstica; (e) tangente hiperblica; (f) linear. . . . . . . . . . . . . . . . . . . .
Exemplo de rede com arquitetura do tipo feedforward de camada simples. . . .
Exemplo de rede com arquitetura do tipo feedforward de camada mltiplas. . .
Exemplo de rede com arquitetura do tipo recorrente ou realimentada. . . . . . .
Exemplo de rede com arquitetura do tipo reticulada. . . . . . . . . . . . . . . .
Esquema para o mtodo 5-fold cross-validation. . . . . . . . . . . . . . . . . .
Situaes envolvendo underfitting e overfitting usando parada antecipada. . . .
Diagrama simplificado do funcionamento do aprendizado supervisionado em
uma RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Passos para se encontrar uma vaga paralela: (a) incio da procura por uma vaga;
(b) detecta um possvel espao e comea a contar; (c) termina a contagem e
armazena o tamanho da vaga encontrado. . . . . . . . . . . . . . . . . . . . .
Posicionado na vaga: (a) o veculo acaba de mudar para o estado posicionando
e em (b) o veculo chegou na posio desejada. . . . . . . . . . . . . . . . . .
Tragetria de Estacionamento Paralelo . . . . . . . . . . . . . . . . . . . . . .
Manobrando o veculo para dentro da vaga encontrada: (a) entrando na vaga; (b)
esterando inversamente para posicionar o veculo na vaga; (c) aproximando-se
do veculo, tomando cuidado para no bater a traseira; (d) ajustando o carro
vaga e parando-o. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Descrio da Rede Neuralutilizada para controlar o veculo. . . . . . . . . . . .

Detalhes da anlise realizada para descobrir as configuraes iniciais aceitveis,
na qual foram variados os parmetros y e P , onde quatro trajetrias limitantes
so representadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3 rea de estacionamento paralelo: a rea branca indica que impossvel estacionar em uma nica manobra, enquanto a cor vermelha mais escura indica o
ponto mximo de esteramento e a cor amarela indica um ngulo menor de
esteramento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4 Amostra da base de exemplos usada para o aprendizado supervisionado da rede
neural. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5 Autmato Finito que representa o conhecimento humano para realizar o estacionamento paralelo em seis etapas. . . . . . . . . . . . . . . . . . . . . . . . .
6.6 Topologia da rede neural para a primeira estratgia de estacionamento paralelo.
6.7 Topologia da rede neural especialista para a segunda estratgia de estacionamento paralelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.8 Manobras realizadas com o controlador III no simulador e analisadas visualmente: (a) P = 830, 00mm e y = 43, 00mm; (b) P = 908, 00mm e
y = 65, 00. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.9 Manobras realizadas com o controlador VII no simulador e analisadas visualmente: (a) P = 830, 00mm e y = 43, 00mm; (b) P 908, 00 = mm e
y = 65, 00. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.10 Representao da rea de estacionamento e da rea posio final desejada do
veculo dentro da rea de estacionamento. . . . . . . . . . . . . . . . . . . . .
30
31
33
33
34
35
35
36
37
42
43
44
47
50
51
51
52
53
55
56
61
61
62
6.11 Exemplo da medida de similaridade: (a) mostra como o veculo ficou posicionado na regio de estacionamento desejada; (b) imagem binria da rea de
estacionamento desejada; (c) posio obtida do veculo dentro da rea desejada;
(d) rea final de similaridade deste exemplo com 81,4%. . . . . . . . . . . . .
63
A.1
A.2
A.3
A.4
79
80
81
82
Mapa global do projeto SENA . . . . . . . . .

Mapa do problema de veculos semi-autnomos
Mapa do problema de veculos autnomos . . .
Mapa dos desafios do projeto SENA . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Lista de Tabelas
3.1
3.2
3.3
6.1
6.2
6.3
6.4
6.5
6.6
6.7
6.8
Descries dos parmetros da cinemtica do carro. . . . . . . . . . . . . . . .

Parmetros do mini-veculo HELVIS utilizado na simulao. . . . . . . . . . .
Comparao das especificaes do sensor SICK e Hokuyo URG-04LX (Lee e
Ehsani, 2008). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Resultado das trs melhores topologias candidatas para a primeira estratgia
(sem rudos no sensores e sem a presena de parede) usando o algoritmo de
aprendizado Resilient Propagation e o algoritmo de aprendizado LevenbergMarquardt para o controlador neural I. . . . . . . . . . . . . . . . . . . . . . .
(sem rudos no sensores e com a presena de parede) usando o algoritmo de
aprendizado Resilient Propagation e o algoritmo de aprendizado LevenbergMarquardt para o controlador neural II. . . . . . . . . . . . . . . . . . . . . .
(sensores com rudos e sem a presena de parede) usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de aprendizado Levenberg-Marquardt
para o controlador neural III. . . . . . . . . . . . . . . . . . . . . . . . . . . .
(sensores com rudos e com a presena de parede) usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de aprendizado Levenberg-Marquardt
para o controlador neural IV. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Resultado das trs melhores topologias candidatas para cada rede da segunda
estratgia, usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural V. . . . .
estratgia usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural VI. . . .
estratgia usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural VII. . . .
estratgia usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural VIII. . .
xxi
18
19
22
56
57
57
58
59
59
60
61
C.1 Resultados do Treinamento e validao das topologias candidatas para o primeiro sistema neural (dados sem rudos e sem parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.2 Resultados do Treinamento e validao das topologias candidatas para o primeiro sistema neural (dados sem rudos e sem parede), usando o algoritmo
Levenberg-Marquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.3 Resultados do Treinamento e validao das topologias candidatas para o segundo sistema neural (dados sem rudos e com parede), usando o algoritmo
Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.4 Resultados do Treinamento e validao das topologias candidatas para o segundo sistema neural(dados sem rudos e com parede), usando o algoritmo
C.5 Resultados do Treinamento e validao das topologias candidatas para o terceiro sistema neural (dados com rudos e sem parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.6 Resultados do Treinamento e validao das topologias candidatas para o terceiro sistema neural (dados com rudos e sem parede), usando o algoritmo
C.7 Resultados do Treinamento e validao das topologias candidatas para o quarto
sistema neural (dados com rudos e com parede), usando o algoritmo Resilient
Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.8 Resultados do Treinamento e validao das topologias candidatas para o quarto
sistema neural (dados com rudos e com parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.9 Resultados do Treinamento e validao das topologias especialistas candidatas
(12 entradas e uma sada com esteramento do veculo) para o quinto sistema
neural (dados sem rudos e sem parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.10 Resultados do Treinamento e validao das topologias especialistas candidatas (12 entradas e uma sada com esteramento do veculo) para o quinto sistema neural (dados sem rudos e sem parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(12 entradas e uma sada com a velocidade do veculo) para o quinto sistema
neural (dados sem rudos e sem parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.12 Resultados do Treinamento e validao das topologias especialistas candidatas (12 entradas e uma sada com a velocidade do veculo) para o quinto sistema neural (dados sem rudos e sem parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(12 entradas e trs sadas com os prximos estados da manobra) para o quinto
sistema neural (dados sem rudos e sem parede), usando o algoritmo Resilient
Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
sistema neural (dados sem rudos e sem parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
86
86
87
87
88
88
89
89
90
90
91
91
92

neural (dados sem rudos e com parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.16 Resultados do Treinamento e validao das topologias especialistas candidatas (12 entradas e uma sada com esteramento do veculo) para o quinto sistema neural (dados sem rudos e com parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
neural (dados sem rudos e com parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.18 Resultados do Treinamento e validao das topologias especialistas candidatas (12 entradas e uma sada com a velocidade do veculo) para o quinto sistema neural (dados sem rudos e com parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
sistema neural (dados sem rudos e com parede), usando o algoritmo Resilient
Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
sistema neural (dados sem rudos e com parede), usando o algoritmo LevenberdMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.21 Resultado do treinamento e validao das topologias especialistas candidatas
(12 entradas e uma sada com o esteramento do veculo) para o stimo sistema
neural (dados com rudos e sem parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(12 entradas e uma sada com o esteramento do veculo) para o stimo sistema neural (dados com rudos e sem parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(12 entradas e uma sada com a velocidade do veculo) para o stimo sistema
neural (dados com rudos e sem parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(12 entradas e uma sada com a velocidade do veculo) para o stimo sistema neural (dados com rudos e sem parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(12 entradas e 4 sadas com o prximo estado da manobra) para o stimo sistema neural (dados com rudos e sem parede), usando o algoritmo Resilient
Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(12 entradas e 4 sadas com o prximo estado da manobra) para o stimo sistema neural (dados com rudos e sem parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
92
93
93
94
94
95
95
96
96
97
97
98

neural (dados com rudos e com parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
C.28 Resultados do Treinamento e validao das topologias especialistas candidatas (12 entradas e uma sada com esteramento do veculo) para o quinto sistema neural (dados com rudos e com parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
neural (dados com rudos e com parede), usando o algoritmo Resilient Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
C.30 Resultados do Treinamento e validao das topologias especialistas candidatas (12 entradas e uma sada com a velocidade do veculo) para o quinto sistema neural (dados com rudos e com parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
sistema neural (dados com rudos e com parede), usando o algoritmo Resilient
Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
C.32 Resultados do Treinamento e validao das topologias especialistas candidatas (12 entradas e trs sadas com os prximos estados da manobra) para o
quinto sistema neural (dados com rudos e com parede), usando o algoritmo
Levenberg-Marquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Lista de Abreviaturas e Siglas
2D
3D
AM
ABS
AF
AG
API
CCD
CLMR
DARPA
DLL
EESC
ELROB
GPS
HELVIS
IA
IDE
IMU
IPAS
IRVW
LabRoM
LADAR
LIDAR
LM
LSP
MAE
MAPE
MEMS
MFC
Bidimensional
Tridimensional
Aprendizado de Mquina (Machine Learning - ML)
Anti-lock Braking System
Autmato Finito
Algoritmo Gentico
Application Programming Interface
Charge-Coupled Device
Car-Like Mobile Robot
Agncia de Pesquisa de Projetos Avanados de Defesa (Defense Advanced Research Projects Agency)
Dynamic Load Library
Escola de Engenharia de So Carlos
The European robot Trial
Global Positioning System
Hybrid Electric Vehicle In Low Scale
Inteligencia Artificial (AI - Artificial Intelligence)
Ambiente de Desenvolvimento Integrado (Integrated Development Environment)
Inertial Meaasurement Unit
Intelligent Parking Assist System
Integrated Research VolksWagen
Laboratrio de Robtica Mvel (EESC/USP)
Laser Detection and Ranging
Light Detection and Ranging
Levenberg-Marquardt
Light Strip Projection
Erro Absoluto Mdio (Mean Absolute Error)
Mean Absolute Percentage Error
Microelectromechanical Systems
Microsoft Foundation Classes
xxv
MLP
MSE
PAS
PSD
RBF
RNA
RMSE
RPROP
SENA
SEVA
SimRob
UML
USP
Perceptron Multi-Camadas (Multi Layer Perceptron)

Erro Quadrtico Mdio (Mean Squared Error)
Parking Assistant System
Position Sensing Detector
Rede Neural de Base Radial (Radial Basis Function)
Rede Neural Artificial (ANN - Artificial Neural Network)
Raiz do Erro Quadrtico Mdio (Root Mean Square Error)
Resilient Backpropagation
Sistema Embarcado de Navegao Autnoma
Simulador de Estacionamento de Veculos Autnomos
Simulador de Robs Mveis
Unified Modeling Language
Universidade de So Paulo
Lista de Smbolos
a
b
d
l
p
s
y
x
C1
DIF
F
I
ICR
J1
J2
L
M
OF
OI
P
R
RF
RI
Rmin
SF 1
SF 2
SF 3
SR1
Distncia entre rodas

mm
Distncia entre o eixo traseiro e a traseira do carro
mm
Distncia entre o veculo e uma possvel calada
mm
Distncia entre eixos
mm
Tamanho da vaga
mm
Distncia de segurana
mm
Velocidade linear do veculo no eixo Y
Velocidade linear do veculo no eixo X
Matriz com as condies de contorno impostas pela hiptese simplificadora 2 (Rodas sem deslizamento)
Distncia euclidiana entre o ponto I e F
mm
Ponto final da curva em S para realizar a manobra de estacionamento
Ponto inicial da curva em S para realizar a manobra de estacionamento
Centro instantneo de rotao do veculo
Matriz com as condies de contorno impostas pela hiptese simplificadora 1 (Rodas sem escorregamento)
Matriz diagonal N X N com os raios das rodas do veculo
Comprimento do carro
mm
Ponto de virada do veculo
Centro da circunferncia que passa pelo ponto F e M
Centro da circunferncia que passa pelo ponto I e M
Tamanho da vaga de estacionamento
mm
Raio descrito pela roda do carro
mm
Raio da circunferncia que passa por F e M
mm
Raio da circunferncia que passa por I e M
mm
Raio mnimo que pode ser descrito pela roda do carro
mm
Feixe 1 do sensor na frente do veculo
mm
mm
mm
Feixe 1 do sensor de trs do veculo
mm
xxvii
SR2
SR3
V
W
Y
X
F
I
l
r
I
t
y
x

Velocidade longitudinal do carro
Largura do carro
Referncia inercial em X do veculo
Referncia inercial em Y do veculo
ngulo entre o ponto F e o ponto M
ngulo entre o ponto I e o ponto M
ngulo entre o ponto I e F
ngulo de esteramento do carro
ngulo de esteramento da roda esquerda
ngulo de esteramento da roda direita
Orientao do carro
T
Vetor de velocidades [x y theta]
Velocidade anguar da roda
Velocidade angular veculo
Intervalo de tempo
Distncia entre a traseira do veculo e o veculo estacionado
Distncia entre a lateral do veculo e o veculo estacionado
mm
mm
m/s
mm
mm
mm
rad
rad
rad
rad
rad
rad
rad
mm
mm
Sumrio
Resumo
xi
Abstract
xiii
Publicaes
xv
Lista de Figuras
xix
Lista de Tabelas
xxiv
Lista de Abreviaturas e Siglas
xxvi
Lista de Smbolos
xxviii
Sumrio
xxxi
Introduo
1.1 Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Estrutura da Dissertao . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estado da Arte
2.1 O Problema do Estacionamento Paralelo . .
2.2 Sistemas Automotivos para Estacionamento
2.3 Trabalhos Acadmicos . . . . . . . . . . .
2.4 Consideraes Finais . . . . . . . . . . . .
Modelagem e Simulao
3.1 Modelos . . . . . . . . . . . . .
3.1.1 Modelo do Ambiente . .
3.1.2 Modelo do Veculo . . .
3.1.3 Sensores . . . . . . . .
3.1.3.1 Encoders . . .
3.1.3.2 Sensor Laser .
3.1.3.3 Sensor Inercial
3.2 Simulao . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
xxix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
3
4
5
.
.
.
.
7
7
9
11
13
.
.
.
.
.
.
.
.
15
15
15
16
19
20
21
22
23
3.2.1
3.2.2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
24
24
25
26
28
Aprendizado Supervisionado e Redes Neurais

4.1 Redes Neurais Artificiais - RNAs . . . . . . . . . . . . . . .
4.1.1 Arquiteturas de RNAs . . . . . . . . . . . . . . . .
4.1.1.1 Redes feedforward de Camada Simples . .
4.1.1.2 Redes feedforward de Camadas Mltiplas
4.1.1.3 Redes Recorrentes . . . . . . . . . . . . .
4.1.1.4 Redes Reticuladas . . . . . . . . . . . . .
4.2 Aspectos Topolgicos da RNA . . . . . . . . . . . . . . . .
4.2.1 Validao Cruzada . . . . . . . . . . . . . . . . . .
4.2.2 Overfitting e Underfitting . . . . . . . . . . . . . . .
4.2.3 Parada Antecipada . . . . . . . . . . . . . . . . . .
4.3 Algoritmo de Aprendizado de RNAs . . . . . . . . . . . . .
4.3.1 Resilient Backpropagation . . . . . . . . . . . . . .
4.3.2 Levenberg-Marquardt . . . . . . . . . . . . . . . .
4.4 Consideraes Finais . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
30
32
33
33
34
34
34
35
36
36
37
38
38
39
3.3
4
Simuladores de Robs Mveis . . . . .

Simulador Desenvolvido . . . . . . . .
3.2.2.1 Implementao do Simulador
3.2.2.2 Interface do Simulador . . .
Consideraes Finais . . . . . . . . . . . . . .
Abordagem do Estacionamento Paralelo

5.1 Deteco do Espao . . . . . . . . . .
5.2 Posicionando o Veculo . . . . . . . .
5.3 Trajetria de Referncia . . . . . . . .
5.4 Realizando a Manobra . . . . . . . .
5.5 Consideraes Finais . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
41
42
43
46
48
Sistema Neural Desenvolvido

6.1 O Controlador Neural . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Gerao da Base de Exemplos . . . . . . . . . . . . . . . . .
6.1.1.1 Controlador Baseado em Regras - Autmato Finito
6.1.2 Pr-processamento dos dados . . . . . . . . . . . . . . . . .
6.1.3 Definio das Topologias Candidatas . . . . . . . . . . . . .
6.2 Resultados de Aprendizado dos Controladores . . . . . . . . . . . . .
6.2.1 Controlador Neural I . . . . . . . . . . . . . . . . . . . . . .
6.2.2 Controlador Neural II . . . . . . . . . . . . . . . . . . . . . .
6.2.3 Controlador Neural III . . . . . . . . . . . . . . . . . . . . .
6.2.4 Controlador Neural IV . . . . . . . . . . . . . . . . . . . . .
6.2.5 Controlador Neural V . . . . . . . . . . . . . . . . . . . . .
6.2.6 Controlador Neural VI . . . . . . . . . . . . . . . . . . . . .
6.2.7 Controlador Neural VII . . . . . . . . . . . . . . . . . . . . .
6.2.8 Controlador Neural VIII . . . . . . . . . . . . . . . . . . . .
6.3 Resultados Simulados e Discusso . . . . . . . . . . . . . . . . . . .
6.4 Consideraes Finais . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
49
49
50
52
53
54
55
56
57
57
58
58
58
59
60
60
64
Concluses e Perspectivas Futuras

7.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
66
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Referncias Bibliogrficas
77
A Mapa conceitual do projeto SENA
79
B Pseudo-Algoritmo do Autmato Finito
83
C Resultados das Topologias das Redes Neurais
85
C APTULO
1
Introduo
Desde o incio da dcada passada comum encontrar artigos e reportagens que abordam o
uso da robtica (Siciliano e Khatib, 2008) em locais que h poucos anos eram somente sonhados
pelos pesquisadores e amantes da fico. Isto pode ser observado nas diferentes pesquisas
que so desenvolvidas para aplicaes militares e de explorao area e espacial (Chu et al.,
2005), servios domsticos (Sahin e Guvenc, 2007; Husqvarna, 2011; iRobot, 2011), educao
e entretenimento (Sony, 2011; Honda, 2011), na rea de sade (Krebs et al., 2008; Rossi e
Rosati, 2007; Andrade et al., 2011) e no setor automobilstico (Thrun et al., 2006; Hernandes et
al., 2010). Alguns exemplos de robs podem ser vistos da Figura 1.1(a) Figura 1.1(f).
A robtica mvel (Dudek e Jenkin, 2000; Siegwart et al., 2011) uma das reas da robtica
que tem se desenvolvido gradativamente h muitos anos. Seu principal objetivo desenvolver
dispositivos (robs) com a capacidade de atuar autonomamente e interagir com os seres humanos e seu ambiente. Os ambientes em que esses robs geralmente operam so complexos e se
modificam dinamicamente, sendo compostos tanto de objetos estticos como de objetos mveis.
Segundo Siegwart et al. (2011), para que esses robs possam operar neste tipo ambiente, eles
devem resolver os problemas fundamentais da robtica mvel que so: perceber o ambiente,
localizar-se no ambiente e mover-se pelo ambiente.
Graas aos avanos tecnolgicos das ltimas dcadas em reas como a computao, eletrnica embarcada e a mecatrnica, a robtica est cada vez mais presente no cotidiano das
pessoas. Um exemplo disso o emprego de sistemas inteligentes embarcados em veculos.
Segundo Vlacic et al. (2001) esse tipo de tecnologia tem sido desenvolvido sobre duas abordagens distintas, como os sistemas assistivos, que possibilitam ao motorista recursos de auxlio
na conduo do veculo, e os veculos autnomos inteligentes, que devem tomar decises sem
1
2
a interveno humana e determinar mudanas de comportamento para realizarem uma funo.
Ambas abordagens devem ser capazes de receber estmulos do ambiente atravs de sensores
(infravermelho, sonar, lasers, cmeras de vdeo, etc.) e planejar assim suas aes conforme um
objetivo proposto. Porm, existe um grande desafio nesta rea que dotar esses sistemas com
capacidade de aprenderem e de se adaptarem a novas situaes para interagir com o meio em
que esto inseridos (Medeiros, 1998).
(a)
(b)
(c)
(d)
(e)
(f)
Figura 1.1: Exemplos de robs reais: (a) Asimo (Honda, 2011); (b) Robomower (Sahin e
Guvenc, 2007); (c) Aibo (Sony, 2011); (d) IRobot Scooba (iRobot, 2011); (e) MIT-Manus
(Krebs et al., 2008); (f) Rob NAO (NAO, 2011)
Iniciativas civis e militares tm tido papel fundamental para incentivar o desenvolvimento
de veculos autnomos. Pode-se citar, como exemplo, o Darpa Grand Challenge (Thrun et
al., 2006), competio organizada pela agncia de defesa norte-americana (DARPA1 ) que em
2004 ofereceu um prmio de um milho de dlares para o primeiro colocado que conseguisse
atravessar um trecho de 240 km de extenso do deserto de Mojave (EUA) utilizando um carro
autnomo no tripulado. Mesmo com vrias equipes inscritas, somente no segundo ano da
competio, em 2005, os robs foram capazes de cumprir as tarefas propostas, o que demonstra
o grande desafio existente na construo de veculos autnomos.
Como resultado, aps o 1nd Darpa Grand Challenge um grande interesse foi despertado na
comunidade cientfica, o que incentivou o surgimento de muitas publicaes sobre o assunto
(Bajracharya et al., 2008) e com o passar dos anos diversas outras competies foram criadas
nos Estados Unidos (2nd Grand Challenge e Urban Challenge respectivamente em 2005 e 2007,
1
The Defence Advanced Research Projects Agency - http://www.darpa.mil/
CAPTULO 1. INTRODUO
ambas realizadas pelo DARPA) e o ELROB2 na Europa (C-ELROB que acontece em anos mpares a partir de 2007, M-ELROB em anos pares a partir de 2006). Com o propsito maior que
uma simples competio, elas foram concebidas para avaliar e desenvolver novas tecnologias,
para tentar resolver os problemas da robtica mvel, criando e aperfeioando sistemas robustos
que podero ser embarcados nas futuras geraes dos veculos de passeio e militares. Os veculos campees do DARPA 2005 e 2007 podem ser vistos respectivamente na Figura 1.2(a) e na
Figura 1.2(b).
(a)
(b)
Figura 1.2: Competio do DARPA: (a) vencedor de 2005 (Stanley - Volkswagen Tuareg) da
Universidade de Stanford (Thrun et al., 2006); (b) vencedor de 2007 (Tartan - Chevrolet) da
Universidade de Changie Mellon (Baker e Dolan, 2009)
1.1
Motivao
A indstria automobilstica tem apostado muito nas novas tecnologias, projetando e instalando componentes eletrnicos nos veculos para tentar promover um maior conforto e segurana para os motoristas. Porm, mesmo com tantas tecnologias existentes embarcadas hoje em
dia, elas no so suficientes para reduzir os nmero de acidentes fatais nas estradas. nesse
contexto que o desenvolvimento de carros autnomos entra, visando a diminuio do nmero de
acidentes e uma consequente diminuio nos gastos a eles relacionados, melhorando tambm a
segurana e conforto dos motoristas.
Com o intuito de aprimorar as pesquisas nesta rea, foi criado pelo grupo de Mecatrnica da Escola de Engenharia de So Carlos (EESC/USP), no Laboratrio de Robtica Mvel
(LabRoM), o projeto do carro do futuro, chamado SENA3 (Fig. 1.3). Este projeto tem por
finalidade desenvolver tecnologias assistivas a serem embarcadas e testadas em um veculo de
passeio que sejam capazes de evitar acidentes, provendo assistncia ao motorista em situaes
2
3
The European Robot Trial - http://www.elrob.org/

Sistema Embarcado de Navegao Autnoma - http://www.eesc.usp.br/sena
1.2. OBJETIVOS
de risco iminente, melhorando a dirigibilidade do motorista atravs de assistncia cooperativa

e, em casos extremos, atuando autonomamente em ambientes urbanos (Apndice A).
(a)
(b)
Figura 1.3: Prottipos do projeto SENA: (a) Navalha quadriciclo eltrico infantil; (b) Gisa
Fiat Stilo 1.8 Dualogic
Uma das reas de estudo do projeto SENA o desenvolvimento de um sistema capaz de
estacionar o veculo em vagas paralelas de forma autnoma, funcionalidade esta j encontrada
em veculos no mercado consumidor, porm de forma semi-autnoma como exemplo o sistema
Park4U da Valeo4 (Valeo, 2010). Esta funcionalidade agregada ao projeto SENA pode ajudar os
jovens condutores e at mesmo pessoas idosas que tm dificuldades em realizar esta manobra,
seja por inexperincia, limitaes visuais e motoras ou at mesmo nervosismo. Alm disso,
todos os pases tiveram sua frota de veculos duplicada no perodo de uma dcada (IBGE, 2011),
exigindo que as pessoas, principalmente nas grandes cidades, realizem a baliza o mais rpido
possvel, de modo a se desobstruir a via ocupada para que no haja congestionamentos ou at
mesmo acidentes.
1.2
Objetivos
Este trabalho tem como objetivo o estudo e desenvolvimento de um sistema neural que
seja capaz de fazer com que um veculo, em um ambiente simulado bidimensional, realize
a manobra de estacionamento paralelo de forma autnoma entrando na vaga com uma nica
manobra. Estacionar o veculo com uma nica manobra significa entrar realizar somente as seis
etapas que sero mencionadas no incio do Captulo 2.
Para viabilizar o desenvolvimento do trabalho proposto o objetivo geral pode ser subdividido
em objetivos especficos:
4
Valeo Sistemas Automotivos - http://www.valeo.com
CAPTULO 1. INTRODUO
1. Estudar o estado da arte do problema de estacionamento para veculos do tipo carro de

passeio;
2. Estudar e analisar a trajetria do veculo ao estacionar com uma nica manobra;
3. Estudar tcnicas de Aprendizado Supervisionado com Redes Neurais para criar um sistema autnomo e adaptvel;
4. Simular diversos estacionamentos para validar o sistema proposto;
Ressalta-se que este trabalho realizou uma modelagem parametrizada podendo aplicar os
resulatdos no veculo do projeto SENA e em qualquer outro veculo. Por isso, utilizou-se os
parmetros de um mini-veculo (Kyosho DRT) para tentar realizar os experimentos h tempo,
porm o mesmo no ficou pronto at o trmino deste trabalho. Ento, no final somente foi
realizado testes no ambiente simulado desenvolvido.
1.3
Estrutura da Dissertao
O restante deste trabalho est disposto em seis captulos organizados da seguinte forma:
Captulo 2 - Estado da Arte: descreve o problema do estacionamento paralelo, principalmente para os motoristas recm habilitados. Alm disso so apresentados os principais sistemas
de estacionamento assistivos existentes no mercado e, logo na sequncia, destacados alguns trabalhos acadmicos relacionados a esta pesquisa.
Captulo 3 - Modelagem e Simulao: este captulo apresenta sucintamente os modelos
do ambiente do veculo, modelo dos sensores para reconher o ambiente e o modelo cinemtico
do veculo. Por fim apresentado tambm o simulador bidimensional desenvolvido para que
seja possvel realizar testes e validar o controle neural.
Captulo 4 - Aprendizado Supervisionado e Redes Neurais: destaca-se neste captulo
os tipos de aprendizagem existentes na literatura e faz-se uso do aprendizado supervisionado
usando redes neurais. Para finalizar exibida uma breve reviso das caractersticas principais de
funcionamento das redes neurais, assim como suas principais arquiteturas, mtodos de avaliao
e algoritmos de aprendizado supervisionado.
Captulo 5 - Abordagem do Estacionamento Paralelo: este captulo aborda como ser
realizado o estacionamento paralelo do veculo neste trabalho, que dividido em trs etapas.
Alm disso, na etapa de manobra do veculo utilizada a curva em S, que se baseia em duas
circunferncias.
Captulo 6 - Sistema Neural Desenvolvido: neste captulo abordado o funcionamento
do sistema, a coleta de dados e as estratgias adotadas para escolha da melhor topologia de
rede neural. Logo na sequncia so apresentados os melhores resultados de topologias para oito
casos de estudos, e algumas simulaes so realizadas e discutidas.
1.3. ESTRUTURA DA DISSERTAO
Captulo 7 - Concluso e Trabalhos Futuros: discutida a proposta e apontadas perspectivas de desenvolvimento.
C APTULO
2
Estado da Arte
O problema de estacionamento pode ser classificado em trs categorias: estacionamento do

tipo garagem, estacionamento diagonal e estacionamento paralelo. Este projeto em particular
somente estuda o problema do estacionamento paralelo (tambm conhecida como baliza), por
se tratar da manobra mais difcil entre as trs mencionadas para os motoristas com pouca experincia. Este captulo tem como objetivo apresentar a baliza, assim como fazer um levantamento
dos sistemas existentes no mercado que auxiliam a realizao da manobra, como tambm das
pesquisas acadmicas realizadas nas duas ltimas dcadas.
2.1
O Problema do Estacionamento Paralelo
Estacionar o carro no uma tarefa fcil, at mesmo para a maioria das pessoas que a
realizam diariamente e, por vezes, acabam se frustando ao no conseguir realiz-la. A baliza
consiste em colocar o veculo em linha entre outros dois veculos, formando uma linha paralela
ao meio-fio. Apesar da grande dificuldade encontrada, principalmente pelos jovens condutores,
a baliza pode ser realizada em passos muito bem definidos. Tais passos, que a partir de agora
nomear-se-o de etapas (Figura 2.1), seguidos de forma sequncial sem nenhuma alterao, faz
com que o veculo entre com uma nica manobra na vaga (objetivo deste trabalho). Esses passos
so descritos a seguir:
1. Procurar por um espao para estacionar que seja no mnimo 14 maior do que o comprimento do carro. Este valor do tamanho da vaga questionvel, pois depende de alguns
fatores que sero apresentados na Equao 5.1 do Captulo 6;
7
2.1. O PROBLEMA DO ESTACIONAMENTO PARALELO

2. Avanar paralelamente ao veculo em frente vaga localizada, na qual ser realizada a
manobra. Usar como pontos de referncia os para-choques traseiros dos dois carros, que
devem estar emparelhados;
3. Engatar a marcha a r e, assim que o carro comear a se mover, girar o volante para o
lado do meio-fio. Entrar devagar com o carro no espao encontrado;
4. Quando o para-choque traseiro do veculo estacionado adiante se encontrar na linha da
metade da porta dianteira do carro, parar e virar todo o volante para o lado contrrio ao
meio-fio. Com a manobra anterior, o carro deve ficar aproximadamente em um ngulo de
45o em relao ao meio-fio. Continuar em marcha a r, devagar, at o carro ficar paralelo
ao meio-fio. Quando o para-choque traseiro do carro se aproximar do veculo estacionado
atrs, frenar para no bater e girar o volante at as rodas ficarem alinhadas;
5. Desloque o carro entre os dois estacionados at deix-lo no centro da vaga para que, ao
sair dela, possa manobrar mais facilmente;
6. Quando o carro estiver no centro da vaga, o motorisa deve parer e desliguar.
Figura 2.1: Etapas do estacionamento paralelo
CAPTULO 2. ESTADO DA ARTE
2.2
Sistemas Automotivos para Estacionamento
A indstria automobilistica e a comunidade acadmica nestas ltimas duas dcadas, tem

apostado no Parking Assistant System (PAS), sistema que auxilia o estacionamento (Lo et al.,
2003; Huang e Lin, 2010). Em geral, o PAS pode fornecer informaes ao motorista, como:
distncia at o carro da frente ou de trs, tamanho da vaga, quanto do volante deve ser girado e
para qual lado, etc. Essas informaes do ambiente externo (rea ao redor do veculo) podem ser
percebidas por diversos tipos de sensores, como por exemplo, sensores ultra-snicos, cmeras
do tipo CCD (do ingls, Charge-Coupled Device), sensores de infra-vermelho, sensores laser,
ou at mesmo um sistema de radar.
A ideia do PAS foi proposta inicialmente pela VolksWagen em seu carro conceito IRVW
(Integrated Research Volkswagen), em 1992. O IRVW tinha embarcado um microcomputador
(PC) do tamanho do porta malas para controlar o sistema que estacionou o carro perfeitamente,
porm, esta tecnologia nunca foi oferecida em modelos de produo. A Toyota, em 2003, implementou a tecnologia IPAS (Intelligent Parking Assist System) lanando no mercado consumidor
o que at o momento s existia em carros conceitos. O IPAS tem um conjunto de sonares e uma
cmera, interligados a um processador central. O processador calcula o ngulo de direo com
base nos sensores e exibe uma mapa de navegao em uma tela touchscreen instalado no painel
do veculo (Grabianowski, 2007). O display (Figura 2.2) permite que o condutor faa alguns
ajustes finos de direo da vaga e depois aperte um boto (ok) para ativar o sistema. Aps
apertar o boto, o sistema eltrico de estacionamento guia o motorista at o local escolhido,
deixando para o condutor somente a funo de acelerao e frenagem do automvel. O IPAS
foi implementado primeiro no modelo Prius e, mais tarde, no modelo Lexus LS.
Figura 2.2: A tela do painel do Toyota Britnico com o Intelligent Parking Assist System
(Retirado de
http://wapedia.mobi/en/Advanced_Parking_Guidance_System).
10
2.2. SISTEMAS AUTOMOTIVOS PARA ESTACIONAMENTO
O Citron C4 Picasso se tornou em 2006 o primeiro carro a apresentar um sistema integrado

que auxilia o condutor a medir o tamanho da vaga e informa se o espao suficiente, apertado,
ou pequeno demais para realizar a manobra. Este sistema foi desenvolvido pela empresa alem
Bosch5 e conhecido como Parking Aid. Ele acionado pelo motorista atravs de um boto no
volante e utiliza um sensor do tipo sonar na lateral do veculo para conseguir calcular o tamanho
da vaga numa velocidade at 20km/h (Figura 2.3). Ao manobrar o veculo (o volante no gira
sozinho) o Parking Aid continua dando suporte com os sensores emitindo sinais de medio ao
redor do veculo, para que o mesmo no sofra coliso. Embora este sistema no estacione o
carro em si, como o Lexus LS 460 ou o Toyota Prius, a Bosch lanou em 2007 um kit chamado
ParkPilot URF6 que pode ser instalado em diversos veculos para completar o sistema e, em
2010, lanou uma atualizao, o ParkPilot URF7 (Bosch, 2011). O ParkPilot um conjunto de
sensores tipo ultra-som instalado na parte frontal e traseira do veculo para indicar se o carro
est perto de um obstculo, atravs de avisos sonoros.
Figura 2.3: Exemplo de funcionamento do sistema da Bosch para medir o tamanho do espao
de estacionamento (Bosch, 2011).
Em 2009 a empresa Valeo cria o Park4U (Estaciona Para Voc), que utiliza sonares ao redor
do veculo e uma cmera, sendo muito parecido com o sistema da Toyota. Por intermdio dos
sensores laterais, ele identifica o espao (Figura 2.4(a) e Figura 2.4(b)) e verifica se suficiente
para realizar a manobra. Logo em seguida, informa o motorista por sinal sonoro que ele vai
comear a manobra. Rapidamente calculada a trajetria desejada e o sistema estera o volante
para entrar na vaga do tipo garagem (Figura 2.4(c)) ou paralela (Figura 2.4(d)), mantendo uma
velocidade de aproximadamente 7km/h. Ao motorista cabe somente a funo de frear e acelerar,
5
Bosch uma empresa de inovao e tecnologia automotiva - http://www.bosch.com.br
11
para concluir o estacionamento. O Park4U foi inicialmente instalado no Ford Lincoln MKS e
MKT e, em 2010, foi aplicado nos automveis VW Touran, Tiguan e Passat. A Valeo, a fim de
melhorar a confiabilidade de seu sistema, recentemente fez parceria com a empresa Ibeo6 , que
produz sensores laser automotivos, para que no futuro possa usufruir deste tipo de tecnologia
(Valeo, 2010).
(a)
(b)
(c)
(d)
Figura 2.4: Sistema Park4U (Valeo, 2010) (a) e (b) procurando a vaga, em (c) entrando na
vaga do tipo garagem e em (d) numa vaga paralela.
2.3
Trabalhos Acadmicos
Os diversos trabalhos acadmicos realizados nesta rea costumam utilizar uma abordagem
de planejamento de trajetria. O planejamento de trajetria consiste em gerar um caminho geometricamente vivel planejado com antecedncia (off-line), levando em considerao o modelo
do ambiente, o modelo do veculo e suas restries, permitindo ao sistema gerar controles para
guiar o veculo no caminho definido. Ainda assim, nem todos trabalhos que sero apresentados
a seguir em ordem cronolgica, utilizam esta abordagem.
Gorinevsky et al. (1994, 1996) propuseram um controlador para um sistema autnomo de
estacionamento em veculos no-holonmicos, baseado em uma rede neural de base radial (do
ingls, Radial Basis Function - RBF) e usando um caminho do tipo senoidal (Murray e Sastry,
1993). O trabalho demonstra atravs de simulaes nmericas que o controle funciona em di6
Ibeo Automotive Systems GmbH - http://www.ibeo-as.com/
12
2.3. TRABALHOS ACADMICOS
versos tipos de estacionamentos. Driss et al. (1994) apresentam um sistema capaz de detectar
a vaga de estacionameno e manobrar o veculo utilizando informaes de perfis 3D extrados
de uma sequncia de imagens, treinando assim redes neurais em ambiente simulado. Paromtchik e Laugier (1996a,b); Laugier et al. (1998) equiparam um veculo Ligier eltrico com 14
sensores ultra-snicos para realizar de forma autnoma o estacionamento paralelo e definiram
trs etapas para a manobra: a localizao da vaga, o posicionamento do veculo e a manobra de
estacionamento em si, que realizada atravs de funes senoidais. Jiang e Seneviratne (1999)
utilizam tambm sensores ultra-snicos e as trs etapas citadas anteriormente, porm o veculo
simulado e a trajetria seguida composta por dois arcos de circunferncias conhecido como
curva em S.
Kondak e Hommel (2001) apresentaram um mtodo numrico utilizando conceitos de campos potenciais (Hui, 2010) para desviar dos obstculos. Porm, o algoritmo tem um tempo
mdio de 10 segundos de processamento e, dependendo da configurao inicial, no consegue
convergir. Autmatos Finitos (AF) foram aplicados para representar o conhecimento humano
ao tentar realizar a baliza em ambiente simulado usando seis sensores ultra-snicos, bssola
e odometria em Heinen et al. (2001). Kaempchen et al. (2002) utilizaram viso estreo para
reconhecimento de vagas de forma tridimensional. Wada et al. (2003) descreveram uma soluo em hardware e software para um sistema de assistente de estacionamento para o veculo
Toyota-jZS147 usando GPS, odometria e giroscpio.
Outro estudo usando dois arcos de crculos como caminho para estacionar apresentado
por Lo et al. (2003). Porm, este utiliza sensores infra-vermelhos para detectar a vaga e os
obstculos. Um outro sistema de viso utilizando cmera CCD (localizada em cima da vaga,
ou seja, fora do veculo) e marcaes no cho foi proposto por Li e Chang (2003); Li et al.
(2003b,a). Lee et al. (2003, 2004) combinaram o mtodo de planejamento de movimento com
controle de trajetria tentando obter uma soluo rpida para a manobra de estacionamento
em ambiente simulado. Oentaryo e Pasquier (2004) desenvolveu um controlador neuro-fuzzy
baseado na Rede Neural Difusa GenSoYager7 e integrou ao simulador cardriving para fins de
treinamento e testes. No trabalho de Chao et al. (2005) foi desenvolvido um sistema baseado
em viso omni-direcional e a trajetria foi gerada por dois arcos de crculos iguais. No trabalho
de Zhao e Jr. (2005) sonares foram usados para identificar o espao de estacionamento e os
parmetros do controlador fuzzy foram ajustados pela aplicao de um algoritmo gentico (AG)
(Linden, 2008).
Li et al. (2006) fizeram uma fuso sensorial entre quatro sonares e seis infravermelhos para
detectar o espao de estacionamento e entrar na vaga. Heinen et al. (2007) apresentaram uma
Rede Neural Artificial (RNA) (Haykin, 2001) que aprendeu o comportamento humando atravs
de uma base de exemplos gerada pelo AF de Heinen et al. (2001), conseguindo assim manobrar
o veculo simulado. Ill et al. (2007) utilizaram um mini-veculo equipado com dois motores DC
7
GenSoYager-FNN uma rede neural difusa desenvolvida no Centro de Inteligncia Computacional (C2I,
http://www.c2i.ntu.edu.sg).
13
e oito sensores de distncia do tipo PSD (Position Sensing Detector) para localizar e manobrar
na vaga. Jung et al. (2007) propuseram um mtodo de Light Strip Projection (LSP) para reconher vagas de estacionamento em diversas posies e em diversas condies de iluminao
usando uma cmera e uma luz projetada no plano. Em Jung et al. (2008a) foram utilizados um
sensor laser com uma cmera para detectar cantos e possivelmente a vaga de estacionamento,
enquanto quem em Jung et al. (2008b) uma cmera foi empregada para encontrar marcaes
de estacionamento no cho. Park et al. (2008) criaram um mtodo de detectar espaos de estacionamento usando sensor ultra-snico do tipo Polaroid 600 e realizaram testes com um rob
mvel PIONNER 2-AT2.
Hsu et al. (2008) implementaram um planejador de trajetria de menor caminho baseado
em dois arcos de crculos, utilizando sensores ultra-snicos, um RTK-GPS e uma cmera no
veculo Mitsubishi Savrin para realizar baliza ou garagem. Cabrera-Cosetl et al. (2009) equiparam um rob mvel do tipo carro (do ingls, Car Like Mobile Robot - CLMR) com sensores de
ultra-som e bssola para localizar a vaga de estacionamento e manobrar o veculo utilizando um
controlador fuzzy em ambiente simulado (Matlab/Simulink) e com o CLMR em cima de uma
bancada de teste. Khoukhi e Demirli (2009); Demirli e Khoshnejad (2009) implementaram um
controlador neuro-fuzzy somente para realizar a manobra do veculo, no se preocupando em
identificar a vaga. Ele utiliza como entrada parmetros de trs sensores ultra-som localizados
na frente do veculo (entrada frontal na vaga). Deve-se ressaltar aqui que os dados foram gerados somente em ambiente simulado, usando um polinmio de quinta ordem como caminho de
referncia. Lee et al. (2009) utilizaram redes Petri para substituir os algoritmos tradicionais e
algoritmos genticos para encontrar a melhora trajetria. Em seguida o veculo simulado segue
a trajetria utilizando lgica fuzzy.
Oetiker et al. (2009) apresentaram um sistema de campos numricos em malha fechada
aplicado ao veculo real, o qual equipado com sonares e consegue se adaptar a mudanas no
ambiente e evitar colises. O trabalho apresentado por Huang e Lin (2010) usou um controlador
de auto-organizao fuzzy, dados de sonar como entrada e uma funo sinusoidal como um caminho de referncia para a manobra. Li et al. (2010) utilizaram vrios sensores ultra-snicos em
um mini-veculo com regras fuzzy para realizar o estacionamento, enquanto Gupta et al. (2010)
fizeram um estudo da manobra de estacionamento paralelo, criando um AF para estacionar o
veculo simulado com quatro sensores ultra-snicos: dois na lateral do veculo, um na frente e
outro atrs. Usando uma cmera e lgica fuzzy Shaohua e Chao (2010) criaram um sistema de
auxlio ao estacionamento.
2.4
Consideraes Finais
Este captulo abordou o problema do estacionamento paralelo e mostrou os principais sistemas de estacionamento assistivos existentes no mercado. Logo na sequncia, foram apresen-
14
2.4. CONSIDERAES FINAIS
tados diversos trabalhos acadmicos que realizam a manobra de diversas formas, com diversos
sensores. Uma boa parte desses trabalho utiliza lgica fuzzy e sensores do tipo ultra-som, alm
de ambientes simulados. Vale ressaltar que na maioria desses trabalhos, para identificar o espao de estacionamento, preciso detectar uma parede ou o meio-fio. Porm apontado por
Demirli e Khoshnejad (2009) que a dependncia na deteco do meio-fio tem uma desvantagem significativa para conduzir o veculo na baliza, pois nem sempre o meio-fio se encontra na
mesma altura, ou tem uma altura considervel para deteco ou at mesmo pode estar quebrado.
C APTULO
3
Modelagem e Simulao
Este captulo apresenta os princpios para a implementao de um simulador e uma breve

descrio dos modelos utilizados neste trabalho. Logo em seguida descrita a implementao
do simulador e as suas capacidades e restries.
3.1
Modelos
Com base nos estudos realizados sobre os robs mveis autnomos, os sub-tpicos a seguir
descrevem os diversos modelos (ambiente, cinemtico e sensorial) que sero utilizados tanto no
simulador quanto no sistema desenvolvido.
3.1.1
Modelo do Ambiente
Segundo Thrun (2003), os mapas que representam um ambiente onde um rob pode executar suas tarefas podem ser classificados em dois grandes grupos de acordo com sua estrutura:
mapa mtrico e mapa topolgico. O mapa mtrico captura as propriedades geomtricas do ambiente e, entre os diversos modelos existentes, o mais comum o mapa baseado em grades
(ou grids). O mapa topolgico por sua vez, descreve a sua conectividade entre os diferentes
lugares baseada em grafos. Na Figura 3.1(a) ilustrado um exemplo de mapa mtrico baseado
em grades e na Figura 3.1(b) exibido o mesmo exemplo de mapa, mas com o modelo topolgico. Existem tambm os modelos hbridos (Buschka e Saffiotti, 2004), que combinam as
caractersticas positivas de ambos os modelos de mapas.
15
16
3.1. MODELOS
Neste trabalho utiliza-se uma alternativa de mapa mtrico proposta por Chatila e Laumond
(1985) apud Thrun (2003) conhecida como mapa geomtrico. Este modelo de ambiente uma
das representaes mais tradicionais na rea da robtica mvel, pois utiliza primitivas geomtricas (segmentos de retas, poliedros, etc.) para construir uma abstrao de alto nvel do ambiente.
Esta abordagem permite uma representao consistente e de fcil interpretao por parte dos
seres humanos, alm de ser facilmente manipulada pelos computadores. No entanto, este modelo , muitas vezes, pouco representativo quando o ambiente depende de mais informaes,
principalmente do ponto de vista dos sensores do rob. Na Figura 3.1(c) exibido um exemplo
de mapa geomtrico.
(a)
(b)
(c)
Figura 3.1: Tipos de mapas utilizados na robtica: (a) representao mtrica baseado em
grades; (b) representao topolgica; (c) representao geomtrica.
3.1.2
Modelo do Veculo
Existem na literatura diversos modelos j estudados que so bem fiis ao comportamento

real do rob, inclusive simulando os erros de resposta aos comandos de atuao (Dudek e Jenkin, 2000; Siegwart et al., 2011). O modelo do veculo, tambm conhecido como modelo cinemtico, descreve a maneira como o rob movimenta-se pelo ambiente. A modelagem cinemtica do sistema de esteramento do veculo conhecida como geometria de Ackerman
(Gillespie, 1992). Esta modelagem derivada da indstria automotiva, que utiliza um sistema
mecnico no sistema de direo do veculo, permitindo que a roda interna a uma curva (roda
do lado para o qual se deseja virar) gire com um ngulo maior que a roda externa curva, para
evitar derrapagens. Entretanto importante notar que algumas hipteses simplificadoras foram
adotadas, de modo que o comportamento do veculo continue com uma resposta suficientemente
aceitvel e o processamento dos clculos seja mais rpido. Levando isso em considerao, as
hipteses simplificadoras para as anlises futuras so:
1. Roda sem escorregamento: todo o movimento no plano da roda deve ser compatvel com
o seu giro;
CAPTULO 3. MODELAGEM E SIMULAO
17
2. Roda sem deslizamento lateral: movimento lateral da roda igual a zero;

3. Veculos a baixas velocidades: a dinmica do veculo (rob mvel) pode ser desprezada
(Zhu e Rajamani, 2006).
Pode-se ento definir:
(
J1 R () I J2 = 0
C1 R () I = 0
(3.1)
Assim, tem-se que a Equao 3.1 representa respectivamente a primeira e a segunda hipteses simplificadoras. Nesta equao, o termo R() representa a matriz de rotao do sistema
de coordenadas inerciais fixo Terra para o sistema de coordenadas do veculo. O termo I
T no referncial inercial. J1 a matriz com as conrepresenta o vetor de velocidades [x y ]
dies de contorno impostas pela hiptese simplificadora (1) (rodas sem escorregamento). Ela
tem dimenso N x 3, onde N o nmero de rodas presente no rob. J2 a matriz diagonal N
x N com os raios das rodas do rob mvel. O vetor representa as velocidades angulares de
cada roda. Por fim, C1 a matriz (N x 3) com as condies de contorno impostas pela hiptese
simplificadora (2) rodas sem deslizamento lateral.
Ainda segundo Siegwart et al. (2011), o centro instantneo de rotao de um rob mvel (ICR), o qual representa o centro da circunferncia descrita instantaneamente pelo rob,
depende somente das restries impostas ao mesmo, independentemente do nmero de rodas
presente. Essa considerao permite refletir sobre a simplificao do modelo do veculo. Assim,
considerando as hipteses simplificadoras de no-escorregamento e no-deslizamento, mais a
garantia de movimentos em baixas velocidades nos quais a dinmica pouco relevante (Zhu
e Rajamani, 2006), pode-se aproximar o modelo do carro por um modelo do tipo bicicleta
(Pinheiro, 2009), cujas equaes cinemticas esto bem difundidas (Kochem et al., 2002). A
Equao 3.2b mostra o modelo cinemtico de bicicleta utilizado:
=
l + r
2
x = V cos
y = V sin

= tanl
(3.2a)
(3.2b)
T representa as velocidades lineonde V a velocidade longitudinal do veculo, o vetor [x y ]

ares e angular do rob com referncia ao sistema inercial, a orientao do rob em relao
abscissa do sistema inercial, l a distncia entre eixos, o ngulo do esteramento da roda,
simplificado conforme Equao 3.2a onde, l o angulo de esteramento da roda esquerda e r
o angulo de esteramento da roda direita e. A Figura 3.2 exibe o modelo cinemtico adotado
e seus parmetros, cujos detalhes esto compreendidos na Tabela 3.1.
18
3.1. MODELOS
Figura 3.2: Modelo cinemtico do veculo.

Tabela 3.1: Descries dos parmetros da cinemtica do carro.
Smbolo
Descrio
l
r
l
L
b
a
W
R
V
ICR
[X, Y ]
ngulo de esteramento do carro

ngulo de esteramento da roda esquerda
ngulo de esteramento da roda direita
Distncia entre eixos
Comprimento do carro
Distncia entre o eixo traseiro e a traseira do carro
Distncia entre rodas
Orientao do carro
Largura do carro
Raio descrito pela roda do carro
Velocidade longitudinal do carro
Centro Instantneo de Rotao
Referncial inercial do carro
Com as equaes cinemticas apresentadas em Equao 3.2b, tem-se o vetor de velocidades

do veculo em funo de sua posio atual e o ngulo de esteramento. Com isso pode-se
estimar sua posio segundo a Equao 3.3 (Kochem et al. 2002):
x (k + 1) = x (k) + xt
y (k + 1) = y (k) + yt
(k + 1) = (k) + t
(3.3)
19
onde o vetor [x y ]T representa as posies do veculo nas coordenadas globais (referencial

T representa as
inercial) do sistema, k o contador de iteraes do algoritmo, o vetor [x y ]
velocidades no instante k do veculo, lembrando que as velocidades so funes da atual posio
do rob e sua velocidade de cruzeiro. Por fim, o termo t representa o intervalo de tempo entre
a posio k e a predio k + 1.
Os parmetros utilizados para implementao do rob mvel no simulador foram do miniveculo Kyosho DRT modificado e apresentado em Sampaio et al. (2011). Este veculo passou
a ser chamado de HELVIS (Hybrid Electric Vehicle In Low Scale) pelo projeto de converso de
veculos de passeio convecionais 2x4 em um veculo hibrido 4x4. Os parmetros do HELVIS
utilizados na simulao so exibidos na Tabela 3.2 e o veculo mostrado na Figura 3.3.
Tabela 3.2: Parmetros do mini-veculo HELVIS utilizado na simulao.
Smbolo
Valor
W
Rmin
l
L
b
30o /30o
260 mm
580,24 mm
335 mm
480 mm
65 mm
Figura 3.3: Mini-veculo HELVIS (Sampaio et al., 2011).
3.1.3
Sensores
Em um mundo no-determinstico, onde os modelos no so perfeitos, o sensoriamento

uma maneira de compensar aproximaes e de estimar a configurao do ambiente de modo
20
3.1. MODELOS
a facilitar o planejamento e realizao de tarefas. Existe uma enorme gama de sensores que
podem ser utilizados em robs mveis autnomos e que, de acordo com Siegwart et al. (2011),
podem ser classificados de duas formas. A primeira forma leva em conta o meio em que
efetuada a medio (proprioceptivos e exteroceptivos) e a segunda forma tem em vista a forma
como os sensores capturam os sinais (passivo ou ativo).
Proprioceptivo, so os sensores que medem valores internos ao sistema, como por exemplo a velocidade do motor e bateria.
Exteroceptivo, so os sensores que adquirem informaes sobre o ambiente do rob,
como medidas de distncia, intensidade de luz, amplitude do som.
Passivos, so sensores que medem a energia do ambiente que entra no sensor. Por exemplo: sondas de temperatura, microfones e cmeras.
Ativos, so sensores que emitem energia para o ambiente, ento medem a reao do
ambiente essa energia. Exemplos de sensores ativos incluem sensores ultra-snicos,
sonares, e LASERs para medir distncia (Siegwart et al., 2011).
A seguir, so descritos os modelos dos sensores utilizados neste trabalho.
3.1.3.1 Encoders
Os encoders (ou codificadores rotativos) so populares na robtica mvel, pois permitem
realizar a medio da posio angular ou velocidade angular de um eixo em rotao, alm de
possuirem um timo custo
beneficio, boa preciso em curtas distncias e apresentam alta taxa de amostragem (Borenstein
et al., 1996, 1997). Esses sensores normalmente so pticos incrementais, acoplado s rodas
para medir as velocidades de rotao e poder assim estimar a sua posio baseando-se nas
informaes obtidas.
Para exemplificar o funcionamento de um encoder, tome-se como exemplo o encoder ptico (Figura 3.4). Ele possui um disco (mscara) perfurado em distncias regulares. O disco
acoplado roda do rob e assim ambos giram na mesma velocidade. Os furos do disco permitem, ou no, a passagem de um feixe de luz infravermelha enquanto a roda gira. Esse feixe
gerado por um emissor (LED) que se encontra de um dos lados do disco e captado por um receptor (Sensor de Luz) que se encontra do outro lado do disco, gerando uma onda quadrada que
representa a frequncia de leitura desse feixe. Dessa forma, a velocidade ou posicionamento
registrado contando-se o nmero de pulsos gerados.
A informao fornecida pelos encoders conhecida como odometria. Contudo, essas informaes so suscetveis a erros, que aumentam proporcionalmente com a distncia percorrida,
e s podem ser corrigidos com a fuso de dados de outros sensores. Os erros que ocorrem na
odometria podem ser classificados em dois principais tipos (Borenstein et al., 1997):
21
Figura 3.4: Princpios de funcionamento do encoder ptico (adaptado de Electronics (2009)).

Erros sistemticos: so erros causados pelas imperfeies construtivas do rob, por exemplo, rodas com diferentes dimetros, desalinhamento das rodas, resoluo do encoder limitada, etc. Esses erros acumulam-se constantemente e podem causar erros de medidas
de deslocamento com o passar do tempo;
Erros no-sistemticos: so erros resultantes da interao entre as rodas do rob mvel
com o solo, por exemplo, derrapagem das rodas, rachaduras no solo, intervenes externas (geralmente causadas por humanos, etc.). Esse tipo de erro mais difcil de tratar por
serem de natureza aleatria.
3.1.3.2
Sensor Laser
Outro tipo de sensor muito utilizado na robtica mvel o sensor laser (do ingls, Light
Detection and Ranging (LIDAR)). Sensores Laser so equipamentos que utilizam a energia eletromagntica em frequncias altas para medir a distncia a obstculos presentes no ambiente.
O mtodo de medio comumente utilizado neste dispositivo por tempo de voo, que consiste
em medir o intervalo de tempo entre a emisso e o recebimento do pulso de laser (Borenstein
et al., 1997). Os dispositivos do tipo LIDAR geralmente so acoplados a um espelho rotatrio, possibilitando assim fazer uma varredura do ambiente. A Figura 3.5 exibe dois sensores
laser comumente utilizados em aplicaes no LabRoM, o primeiro o SICK LMS-291 (Figura
3.5(a)) e o segundo o Hokuyo URG-04LX (Figura 3.5(b)).
Este tipo de sensor utilizado em tarefas que exigem a cobertura de uma grande rea, devido
ao seu poder de varredura simultnea, alm de grande preciso nas medidas. Esses sensores
realizam apenas leituras planares, sendo assim chamados de sensores 2D. Para cada feixe de
luz emitido e capturado so retornados os valores de distncia e ngulo do ponto em relao
direo de emisso. A Tabela 3.3 faz comparaes entre os sensores SICK LMS-291 e Hokuyo
URG-04LX.
22
3.1. MODELOS
(a)
(b)
Figura 3.5: Alguns sensores laser: (a) Modelo de sensor laser SICK LMS 291; (b) Modelo do
sensor laser Hokuyo URG-04LX.
Tabela 3.3: Comparao das especificaes do sensor SICK e Hokuyo URG-04LX (Lee e
Ehsani, 2008).
Unidade
Sick LMS-291
Hokuyo URG-04LX
m
mm
grau
grau
scan/s
80
10
180 e 100
1o
75
RS-232/RS-422
9,6 - 500
185x156x210
4,5
20
4,0
1
240
0,36
10
USB/RS-232C
12,000 (USB) e 19,2-750 (RS-232)
50x50x70
0,16
4,0 (mximo)
Max. Distncia
Resoluo
ngulo de Varredura
Resoluo Angular
Tempo de Varredura
Interface com PC
Tempo de transf. dados
Dimenses
Peso
Energia consumida
3.1.3.3
kb/s
mm
kg
W
Sensor Inercial
Os sensores inerciais so constitudos de giroscpios e acelermetros (Borenstein et al.,

1997; Dudek e Jenkin, 2008). O giroscpio mede rotao em relao a um referencial inercial
e o acelermetro mede a acelerao prpria nos trs eixos ao longo do tempo. Atravs de clculos integrais possvel obter velocidade e orientao sem depender de parmetros externos.
Os acelermetros utilizados em robtica so comumente sistemas eletromecnicos (Microelectromechanical Systems - MEMS) e, os giroscpio podem ser pticos, mecnicos ou por efeito
de Coriolis (Forhan, 2010).
O sensor inercial utilizado no projeto SENA (IG-500N, fabricado pela SBG System) atualmente o menor sistema do mundo em sua classe (Bonnevi et al., 2007). O IG-500N apresenta
seis graus de liberdade, sendo composto de 3 giroscpios, 3 acelermetros, 3 magnetmetros,
sensor de temperatura, presso e GPS, alm de incorporar o algoritmo de Kalman, oferecendo
23
uma boa preciso mesmo em condies dinmicas. A Figura 3.6 exibe um diagrama de blocos
simplificado do seu funcionamento.
Figura 3.6: Diagrama de blocos simplificado do sensor IMU IG-500N (adaptado de (SBG
Systems, 2011)).
Basicamente a CPU recebe as informaes de todos os sensores mais os dados de calibrao
dos mesmos e aplica um filtro de Kalman (Sasiadek e Khe, 2001). O filtro de Kalman utilizado na predio e ajuste dos parmetros do modelo atravs de cada nova medio, obtendo-se
a estimativa do erro em cada atualizao. O sensor (Figura 3.7) utiliza comunicao RS232 para
enviar os dados de orientao 3D (euler, matriz e quaternion), navegao 3D (velocidade e posio tridimensional) e dados dos sensores (velocidade angular, acelerao e campo magntico
tridimensional).
Figura 3.7: Imagem do sensor IMU IG-500N entre os dedos de uma pessoa para mostrar seu
tamanho.
3.2
Simulao
As pesquisas em veculos autnomos podem ser iniciadas em ambientes virtuais, pois o veculo real pode sofrer danos durante os testes ou at mesmo por em risco a vida das pessoas a sua
volta, alm do alto custo inicial de equip-lo com dispositivos a serem utilizados no sistema. Os
24
3.2. SIMULAO
simuladores so ferramentas muito importantes para pesquisadores, pois permitem total controle das variveis do sistema, sendo possvel replicar os experimentos e resultados, analisar os
dados, comparar algoritmos, acelerar ou desacelerar os processos. Apesar disso, tudo depende
do nvel de confiana e preciso da simulao, pois a mesma no consegue modelar completamente os elementos do mundo real (Law e Kelton, 2000). A simulao virtual deve levar
em considerao que em diversos pontos, algumas restries devem ser criadas, ou seja, deve
estar claro que a simulao no o mundo real. Para criar um ambiente para este trabalho foi
necessrio desenvolver os modelos do ambiente, dos sensores e atuadores utilizados e tambm
do comportamento fsico do rob (Heinen et al., 2006b).
3.2.1
Simuladores de Robs Mveis
Atualmente possvel encontrar na internet simuladores de robs mveis que so livres para
uso, outros que exigem a compra de licenas e alguns que so comercializados juntamente com
o rob. Dentre os simuladores disponveis que poderiam ser utilizados para este trabalho esto:
Microsoft Robotics Studio (Morgan, 2008), Player/Stage/Gazebo (Player, 2011; Rusu et al.,
2007), SimRob3D (Heinen, 2002) ou SEVA2D/3D (Heinen et al., 2001, 2007).
O Simulador de Estacionamento de Veculos Autnomos Bidimensional (SEVA2D), (Heinen et al., 2001) o nico simulador implementado especificamente para o controle da tarefa
de estacionamento. Este simulador foi desenvolvido em Visual C++, de forma modular utilizando bibliotecas da classe MFC (Microsoft Foundation Classes). Ele permite a visualizao
em janela grfica da trajetria e do comportamento do veculo durante o processo de estacionamento. O SEVA2D possui alguns controladores j implementados como: SEVA-A baseado em
um autmato (uma mquina de estados combinando tcnicas reativas-deliberativas) e o SEVAN baseado em uma rede neural (implementa o autmato atravs do aprendizado a partir de um
conjunto de exemplos) (Osrio et al., 2002). O SEVA3D (Heinen et al., 2007) a verso tridimensional do SEVA2D, baseado na biblioteca de funes fornecidas pelo SimRob3D. Esta
nova verso consegue identificar o meio-fio aproximando mais o ambiente simulado do real. A
Figura 3.8 exibe o ambiente de simulao do SEVA2D e 3D.
3.2.2
Simulador Desenvolvido
Aps anlise dos modelos a serem utilizados e dos simuladores existentes, optou-se por implementar um novo simulador que possusse somente os recursos necessrios para este projeto,
a fim de ter o total controle do funcionamento do mesmo caso algum erro crtico acontea.
(a)
25
(b)
Figura 3.8: Simulador de Estacionamento de Veculos Autnomos (SEVA): (a) verso

bidimensional do simulador (Heinen et al., 2001); (b) verso tridimensional do simulador
(Heinen et al., 2007)
3.2.2.1
Implementao do Simulador
O simulador foi desenvolvido utilizando a linguagem C# (l-se, C Sharp) (Marshall, 2008)

que orientada a objetos, fortemente tipada8 , criada pela Microsoft como parte da plataforma
.Net. A linguagem C# foi baseada na linguagem C++ mas inclui muitas influncias de outras
linguagens como Object Pascal e Java. Para auxiliar o desenvolvimento foi utilizado o Ambiente
de Desenvolvimento Integrado (IDE) Visual C# 2008 Express Edition (verso gratuita do Visual
Studio). O ambiente bidimensional do simulador foi desenvolvido em Windows Forms e a
biblioteca grfica na plataforma .Net, que ajudou no processo de implementao por ser de
simples uso.
Apesar do simulador ser implementado no Visual C#, os controladores desenvolvidos podem ser implementados em MatLab e adicionados ao modelo de controle do veculo atravs de
uma DLL (Dynamiclink library biblioteca de vnculo dinmico) que o prprio MatLab consegue criar. O mdulo de controle infelizmente no foi separado do simulador, o que possibilitaria
ao usurio criar o controlador em outras linguagens de sua preferncia e ampliaria a modularidade do simulador.
Esta abordagem apesar de no ser modular, implementa threads para os sensores, controle
e visualizao do ambiente. Esta separao tenta garantir que a visualizao do ambiente no
interfira nos passos da simulao que ser executada em perodos diferentes de tempo. Este
simulador implementado conforme o digrama de classes da UML visto na Figura 3.9. Nesta
figura tem-se que:
Simulador: contm informaes do funcionamento do simulador como o lao principal
de controle do programa, alternando as informaes de atualizaes e desenho;
8
Linguagens fortemente tipadas no contexto da Computao, so aquelas em que a declarao do tipo obrigatria. Todas as variveis tm um tipo especfico que tem que ser explicitado. Java, C++, C# e Fortran so exemplos
deste tipo de linguagem.
26
3.2. SIMULAO
Simulador
FSMControle
Ambiente
Veiculo
1
0..*
Controle
1
RNAControle
0..*
ManualControle
ISensor
SensorDistancia
SensorHokuyo
SensorInercial
SensorOdometro
IG-500N
Figura 3.9: Diagrama de classes do simulador desenvolvido.

Ambiente: esta classe permite adicionar, remover e posicionar objetos em tempo de execuo, assim como alterar o tamanho de visualizao dos mesmos;
Veculo: contm os parmetros do veculo, assim como seu modelo cinemtico para simulao apresentado no incio deste captulo. Esta classe tambm recebe informaes
dos sensores que podem ser adicionados ou removidos via cdigo;
ISensor: uma interface comum para os sensores, no qual os mesmos podem implementar
as funes para que o simulador utilize de forma genrica. A classes SensorHokuyo,
SensorOdometro e IG-500N so derivadas desta classe e representam os sensores reais
com seu funcionamento e erros simulados.
Controle: classe abstrata que contm mtodos para controle do veculo, de onde derivam o
sistema de controle manual de deslocamento (avano, recuo e velocidade) e esteramento
(rotao da direo) do veculo e sistema de controle autnomo do veculo (Autmato
finito e Redes Neurais Artificiais).
3.2.2.2
Interface do Simulador
A interface grfica do simulador foi implementada de forma que os elementos principais

fiquem sempre visveis ao usurio. A Figura 3.10 apresenta a interface grfica do simulador
27
desenvolvido. Nela define-se: (1) barra de menu de opes na parte superior; (2) barra de
informaes abaixo da barra de menu contendo botes para iniciar e reiniciar a simulao, informaes dos sensores, de visualizao da trajetria e de visualizao do ambiente; (3) na
lateral esquerda encontra-se informaes dos veculos que esto no ambiente virtual; (4) controle manual do veculo e informao de orientao do carro com base no IMU; (5) boto para
iniciar o controle autnomo do veculo com base em algum controlador selecionado no menu
de opes; (6) escala de visualizao do ambiente virtual; (7) progresso da manobra de estacionamento; (8) informaes de entrada e sada da rede neural que estiver em execuo; (9)
visualizao grfica da simulao.
About
7
3
8
4
Figura 3.10: Interface do simulador

O menu de opes possibilita o acesso a todas ferramentas disponveis para o controle do
ambiente, dados dos sensores, controle da simulao e gerenciamento da manobra de estacionamento. A partir deste menu possvel acessar:
Arquivo: permite carregar outros ambientes grficos ou salvar alguma configurao realizada no ambiente atual;
Dados: acesso as informaes dos sensores, abrir arquivos e gravar;
Simulao: opes para iniciar a simulao, pausar e at reiniciar;
28

Controle de Entrada: habilita o controle manual ou acesso a joystick (em desenvolvimento);
Controlador: possibilita a seleo dos controladores uma vez que eles estejam implementados;
Mapeamento: exibe os dados dos sensores em um plano cartesiano local (em desenvolvimento);
Mecanismo: exibe o mecanismo de direo do veculo;
Sobre: mantm informaes dos criadores.
A movimentao dos objetos no ambiente acontece em tempo de execuo, porm com

velocidade menor real, por causa da quantidade de polgonos desenhados na tela. Os objetos
podem ser movimentados durante a simulao, possibilitando simular ambientes dinmicos,
alterando a posio dos objetos.
3.3
Consideraes Finais
Este captulo apresentou os principais recursos fundamentais para o desenvolvimento de um

simulador especfico para esta dissertao, no qual fosse possvel ter controle total da situao.
Dentre os recursos apresentados esto os modelos dos ambiente que permitem o rob realizar
suas tarefas, navegando nele por meio de sua cinemtica. Alm da cinemtica necessrio usar
sensores que so os dispositivos mais fundamentais da robtica, pois por meio deles que os
robs conseguem capturar informaes do ambiente. Dentre os sensores apresentados esto os
odmetros, sensor laser e sensor inercial.
Por fim, foi desenvolvido um software que possibilita a programao dos controladores para
realizar a manobra de estacionamento. Este reduz o tempo de desenvolvimento e permite validar
os algoritmos elaborados antes de implant-los em um rob real.
C APTULO
4
Aprendizado Supervisionado e Redes
Neurais
Aprender significa tornar-se apto ou capaz de alguma coisa, em consequncia de estudo,

observao, experincia, advertncia, etc. (Ferreira, 2004).
Em computao, Aprendizado de Mquina (AM, ou do ingls Machine Learning) uma
das reas da Inteligncia Artificial que tem por objetivo investigar tcnicas computacionais
para simular comportamentos inteligentes de aprendizagem e desenvolver mtodos automticos
para obteno de novos conhecimentos, novas habilidades e identificao de conhecimento j
existente (Rezende, 2005; Hua et al., 2009). Russel e Norvig (2004) explicam o processo de AM
a partir de observaes, de modo que o sistema seja capaz de tomar decises, atuar e aprender
com o resultado de suas aes. O AM classifica os mtodos de aprendizagem em trs tipos:
aprendizagem supervisionada, aprendizagem no-supervisionada e aprendizagem por reforo.
No algoritmo de aprendizagem supervisionada, padres de valores (exemplos de entradas
e sadas) que modelam o comportamento de um ambiente so apresentados a um sistema. O
algoritmo deve extrair a representao do conhecimento a partir desses conjuntos de exemplos,
ou seja, ele deve ser capaz de reproduzir corretamente o resultado desejado para cada entrada
que alimente o modelo. Caso isto no acontea, o modelo modificado at que as sadas
correspondam aproximadamente s entradas esperadas. Na aprendizagem no-supervisionada,
seu objetivo criar um sistema capaz de atuar sem prvio conhecimento de exemplos de sada.
O sistema deve ser capaz de separ-los em grupos e estabelecer um padro de acordo com os
critrios do problema, somente com exemplos de entradas. Por ltimo, a aprendizagem por
reforo consiste no aperfeioamento do sistema a partir do reforo (punio ou recompensa).
29
30
4.1. REDES NEURAIS ARTIFICIAIS - RNAS
O sistema dessa vez no tem dados de exemplos, mas sim um instrutor em tempo de execuo,
que avalia os resultados de suas aes em relao ao ambiente.
A seo seguinte apresenta uma reviso sucinta do mtodo de aprendizado supervisionado
adotado neste projeto (Redes Neurais Artificiais - RNA). O uso de RNA para o problema de
estacionamento justificado por ser uma tcnica robusta em relao a situaes novas e inesperadas, por possuir um alto grau de generalizao e eficincia comprovada em diferentes reas
de aplicao.
4.1
Redes Neurais Artificiais - RNAs
As RNAs so modelos matemtico-computacionais inspirados no sistema nervoso dos seres

vivos e que possuem a capacidade de adquirir conhecimento atravs de experincias (Haykin,
2001; Braga et al., 2007; Silva et al., 2010). RNAs esto inseridas dentro da rea conhecida
como sistemas inteligentes (conexionista) e, segundo Silva et al. (2010), as caractersticas mais
relevantes em aplicaes que usam as RNAs so a generalizao e aprendizado. As RNAs so
normalmente utilizadas em problemas de classificao e de regresso.
As pesquisas em RNAs foram iniciadas em 1943 e, desde ento, os resultados alcanados
se devem primeira analogia feita com o crebro humano, na qual um interesse por um processamento diferente do usual foi buscado (Haykin, 2001). Os elementos computacionais, ou
unidades processadoras, denominadas neurnios artificiais (Figura 4.1(b)) so modelos bem
simplificados dos neurnios biolgicos (Figura 4.1(a)).
(a)
(b)
Figura 4.1: Neurnio: (a) Representao do neurnio biolgico (retirado de

http://www.sogab.com.br/anatomia/neuronio.jpg); (b) Representao do
neurnio artificial segundo McCulloch e Pitts (adaptado de (Silva et al., 2010).
O funcionamento do neurnio artificial pode ser resumido da seguinte forma: os estmulos
recebidos pelos dendritos (diversos sinais de entrada advindos do meio externo) so apresentados camada de entrada [x1 , x2 , ..., xn ]T . Cada uma dessas entradas ponderada pelo seu
respectivo peso sinptico wi , cujo papel atenuar ou amplificar o sinal da sinapse durante a
troca de informaes entre o axnio e o dendrito. O modelo neural matemtico inclui uma bias
CAPTULO 4. APRENDIZADO SUPERVISIONADO E REDES NEURAIS
31
representado pela letra b, a qual tem o intuito de aumentar o grau de liberdade da funo de
ativao, ou at mesmo no possibilitar sadas nulas mesmo que todas as suas entradas sejam
nulas. Por fim, o corpo celular tem a funo de produzir um valor potencial de ativao u
descrito na Equao (4.1):
u=
n
X
w i xi + b
(4.1)
i=1
O valor produzido pela Equao (4.1) ento apresentado a uma funo de transferncia ou
funo de ativao, que anloga ao axnio biolgico. Este componente tem a finalidade de
restringir os valores da sada em um intervalo determinado. A sada do neurnio representada
pela Equao (4.2):
y = g(u)
(4.2)
Os resultados gerados em y so calculados atravs das funes de ativao, sendo as mais

comuns as funes degrau, degrau bipolar, rampa simtrica, logstica, tangente hiperblica e
linear (respectivamente Figura 4.2(a) 4.2(f)). Segundo Silva et al. (2010) essas funes de
ativao podem ser divididas em dois grupos principais: funes de ativao parcialmente diferenciveis (que possuem pontos cujas derivadas de primeira ordem so inexistentes) e funes
de ativao totalmente diferenciveis (cujas derivadas de primeira ordem existem e so conhecidas em todos os pontos de seu domnio de definio).
(a)
(b)
(c)
(d)
(e)
(f)
Figura 4.2: Funes de ativao parcialmente diferenciveis: (a) degrau; (b) degrau bipolar;
(c) rampa simtrica; e funes de ativao totalmente diferenciveis: (d) logstica; (e) tangente
hiperblica; (f) linear.
32
4.1. REDES NEURAIS ARTIFICIAIS - RNAS
O equacionamento matemtico para cada uma das funes de ativao apresentadas na Figura 4.2, mostrado nas Equaes (4.3a) a (4.3f), respectivamente.
(
g(u) =
1, se u 0
0, se u < 0
(4.3a)
1, se u > 0
g(u) =
0, se u = 0
1, se u < 0
(4.3b)
a, se u > a
g(u) =
u, se a u a
a, se u < a
(4.3c)
g(u) =
1
1 + eu
(4.3d)
g(u) =
1 eu
1 + eu
(4.3e)
g(u) = u
(4.3f)
Vale ressaltar que a velocidade de processamento da RNA est basicamente relacionado

com o nmero de operaes por segundo dos computadores (Haykin, 2001).
4.1.1
Arquiteturas de RNAs
A RNA formada por um conjunto estruturado de neurnios e esta combinao permite

que a rede possa resolver problemas complexos. A arquitetura da RNA est diretamente ligada
ao algoritmo de aprendizado a ser utilizado. Segundo Haykin (2001) uma RNA pode ser dividida em trs partes, denominadas camadas, as quais so descritas como: camada de entrada,
responsvel pelo recebimento dos sinais de entrada (dados); camadas intermedirias ou ocultas, responsveis por extrair as caractersticas associadas ao processo, alm de possibilitarem
a representao de problemas que no sejam linearmente separveis; camada de sada, responsvel pela apresentao dos resultados obtidos pela rede. As principais arquiteturas de RNAs,
considerando a disposio de seus neurnios, assim como suas formas de interligao entre
eles e a constituio de suas camadas, podem ser dividas em: redes feedforward (alimentao
frente) de camada simples, redes feedforward de camadas mltiplas, redes recorrentes e redes
reticuladas.

4.1.1.1
33
Redes feedforward de Camada Simples
As redes feedforward (alimentao frente) de camada simples so de um tipo de arquitetura com somente uma camada de entrada e uma de sada. Seu fluxo de informao segue
sempre na direo da camada de sada. Geralmente essas redes so empregadas em problemas
envolvendo classificao de padres e filtragem linear. Os tipos de redes mais conhecidos so o
Perceptron e o Adaline. A Figura 4.3 exibe um exemplo de rede neural de camadas simples.
Figura 4.3: Exemplo de rede com arquitetura do tipo feedforward de camada simples.
4.1.1.2
Redes feedforward de Camadas Mltiplas
Diferentemente da rede de camada simples, a rede feedforward de camadas mltiplas

constituda de uma ou muitas camadas escondidas de neurnios. Este tipo de rede empregado
em problemas relacionados aproximao de funes, classificao de padres, identificao
de sistemas, otimizao, robtica, etc. Os tipos mais comuns dessa arquitetura so as redes
Perceptron multicamadas (do ingls, Multilayer Perceptron - MLP) e as redes de base radial
(do ingls, Radial Basis Function - RBF). Na Figura 4.4 pode-se verificar um exemplo de rede
neural de camadas mltiplas.
Figura 4.4: Exemplo de rede com arquitetura do tipo feedforward de camada mltiplas.
34
4.2. ASPECTOS TOPOLGICOS DA RNA
4.1.1.3
Redes Recorrentes
Redes recorrentes ou realimentadas so redes em que as sadas dos neurnios so realimentadas como sinais de entrada para outros neurnios. Este tipo de rede empregado em sistemas
dinmicos, justamente pela sua realimentao e podem ser empregados em previso de sries
temporais, otimizao e identificao de sistemas, controle de processos, etc. Os tipos de redes mais comuns so as rede de Hopfield e MLP com realimentao. A Figura 4.5 mostra um
exemplo de rede do tipo recorrente.
Figura 4.5: Exemplo de rede com arquitetura do tipo recorrente ou realimentada.
4.1.1.4
Redes Reticuladas
Por fim, a estrutura reticulada leva em considerao a disposio espacial dos neurnios
visando propsitos de extrao de caratersticas. Existem vrias aplicaes para esse tipo de
rede, que variam desde problemas de agrupamento (clustering), reconhecimento de padres,
otimizao de sistemas, grafos, etc. Sua principal representante a rede de Kohonen. Na Figura
4.6 pode-se verificar um exemplo de rede neural de estrutura reticulada.
4.2
Aspectos Topolgicos da RNA
As topologias em RNAs determinam as diferentes formas de composies estruturais que

uma arquitetura poder assumir. As topologias so usualmente especificadas de forma emprica, pois tal dimensionamento depende de muitos fatores. Esses fatores podem variar com o
algoritmo de aprendizado utilizado, inicializao das matrizes de pesos, qualidade do conjunto
de treinamento, complexidade do problema, etc (Ludwig Jr. e Costa, 2007; Silva et al., 2010).
Existem diversas tcnicas estatsticas que auxiliam a seleo de uma boa topologia candidata
para um problema entre elas a mais utilizada a validao cruzada (do ingls, cross-validation)
(Silva et al., 2010).
35
Figura 4.6: Exemplo de rede com arquitetura do tipo reticulada.
4.2.1
Validao Cruzada
O mtodo de validao cruzada no um nico mtodo, mas sim uma classe de mtodos
para estimar a taxa de erro verdadeira da RNA. Esses mtodos tambm so conhecidos como
kfold cross-validation, onde k representa o nmero de parties geradas aleatoriamente a
partir da amostra de exemplos para treinar e testar a RNA. O processo consiste em dividir
a amostra em k parties mutuamente exclusivas. A cada iterao uma partio diferente
utilizada para testar a RNA e todas as outras k 1 parties so utilizadas para treinamento.
Por conseguinte, o processo se repete k vezes at que todas as parties tenham sido utilizadas
como subconjunto de teste. A taxa de erro a mdia das taxas de erro calculadas para as k
iteraes. A Figura 4.7 mostra um exemplo de 5fold cross-validation, no qual o nmero de
parties k = 5.
Figura 4.7: Esquema para o mtodo 5-fold cross-validation.
36
4.2. ASPECTOS TOPOLGICOS DA RNA
4.2.2 Overfitting e Underfitting

bom sempre ressaltar que o aumento exagerado do nmero de neurnios ou de camadas intermedirias no assegura a generalizao apropriada da rede MLP. A generalizao
atingida quando a RNA consegue determinar corretamente uma sada, dada uma entrada nunca
apresentada rede durante a fase de treinamento. Existem dois conceitos associados a generalizao: o overfitting e o underfitting. O primeiro acontece quando o treinamento exagerado,
ocasionando a memorizao das respostas frente aos estmulos apresentados. No overfitting
comum um erro quadrtico muito baixo na fase de aprendizado, porm na fase de teste (generalizao) o erro quadrtico tente a aumentar. No segundo caso (underfitting) ocasionado pela
falta de treinamento, ou seja, o erro quadrtico tanto na fase de aprendizado como generalizao
sero bem significativos. A Figura 4.8 mostra uma situao de overfitting e underfitting usando
validao cruzada com incluso da parada antecipada.
Figura 4.8: Situaes envolvendo underfitting e overfitting usando parada antecipada.
4.2.3
Parada Antecipada
Para que a rede possa generalizar de maneira satisfatria, um simples procedimento tambm
tem sido inserido na implementao da tcnica validao cruzada, que a parada antecipada
ou prematura (do ingls, early stopping). Esta tcnica utilizada para encontrar um ponto
timo de aprendizado na topologia candidata que constantemente checado pela aplicao do
subconjunto de testes, sendo finalizado quando comear a haver elevao do erro quadrtico
entre pocas sucessivas, fazendo com que a rede no decore os dados (Haykin, 2001). A Figura
4.8 mostra um exemplo de parada antecipada para evitar o overfitting, onde Tideal o ponto
desejado.
4.3
37
Algoritmo de Aprendizado de RNAs
O processo de aprendizado pode ser definido como o mecanismo de aquisio de conhecimento, desenvolvimento de competncia e mudana de comportamento. Nas RNAs esse mecanismo encontra-se na capacidade da rede de adaptar os seus parmetros livres (bias e pesos
das conexes) a partir da iterao com o meio, buscando aumentar o desempenho da rede em
executar a funo para a qual foi desenvolvida. Este processo a fase preliminar da RNA necessria para a resoluo dos problemas (Haykin, 2001; Russel e Norvig, 2004). Conforme
visto no incio deste captulo, existem trs paradigmas de aprendizado que so: aprendizado
supervisionado, aprendizado no supervisionado, e aprendizado por reforo. Cada um deles
possui tcnicas diferentes para adaptar os parmetros da rede. Porm, neste projeto de pesquisa, adotou-se apenas o primeiro paradigma, e por isso ser o nico abordado nesta seo.
No algoritmo de aprendizado supervisionado, o processo de treinamento da RNA realizado
atravs de um conjunto de exemplos de entrada e suas respectivas sadas desejadas, evitando
que a rede entre em contato ou receba informaes diretamente do ambiente onde vai atuar.
H nesse aprendizado a presena de um supervisor que responsvel por fornecer as respostas
desejadas para cada conjunto de entradas. Um diagrama simplificado do funcionamento pode
ser visto na Figura 4.9.
Figura 4.9: Diagrama simplificado do funcionamento do aprendizado supervisionado em uma

RNA.
O erro da rede o resultado da comparao entre a resposta da rede e a resposta desejada.
Assim, o ajuste de pesos da rede feito em cima do erro de cada iterao at que ele seja minimizado, alcanando nveis considerados satisfatrios (Ludwig Jr. e Costa, 2007). Segundo (Silva
et al., 2010) Um dos algoritmos de aprendizado mais importante utilizado o backpropagation.
No entanto, sua taxa de convergncia muito pobre. Em funo disso foram propostas derivaes do algoritmo backpropagation ao longo dos anos, sendo descritos a seguir o algoritmo
Resilient Propagation e o algoritmo de Levenberg-Marquardt que tem eficincia reconhecida
para solucionar o problema de minimizao de quadrados para funes no-lineares.
38
4.3. ALGORITMO DE APRENDIZADO DE RNAS
4.3.1 Resilient Backpropagation

O algoritmo Resilient Propagation (RPROP) (Riedmiller e Braun, 1993) obtido atravs da
modificao do algoritmo backpropagation, na qual no se consideram as variaes das magnitudes do gradiente da funo erro, mas somente o sinal da derivada parcial nas atualizaes dos
pesos. Isto faz com que a convergncia se torne mais rpida quando estiver prximo do mnimo
local (fase de treinamento), eliminando assim os problemas do algoritmo backpropagation (Riedmiller e Braun, 1993; Haykin, 2001). A Equao (4.4) representa a avaliao da condio de
mudana de sinal do gradiente.
n+ ij (t 1), se E(t1)
E(t)
>0
w
wij
ij
ij (t) = n ij (t 1), se E(t1)

E(t)
<0
wij
wij
(t 1),
caso contrrio.
ij
(4.4)
onde: se a derivada parcial do peso corresponde wij troca seu sinal, isto indica que o algoritmo
ultrapassou o mnimo local na ltima atualizao, assim o valor da taxa de aprendizado ij
reduzido. Se a derivada mantm seu sinal, a taxa de aprendizado incrementada para acelerar
a convergncia nas regies rasas. Sendo que 0 < < 1 < + so constantes responsveis
por incrementar ou decrementar as taxas de aprendizado individuais de cada um dos pesos.
Finalmente, a atualizao dos pesos das matrizes da rede dada pela Equao 4.5:
>0
ji (t), se E(t)
wji
wji (t) = +ji (t), se E(t)

<0
wji
0,
caso contrrio.
(4.5)
Observa-se que na Equao (4.5) as modificaes nas matrizes de pesos da rede so limitadas em funo das variaes dos valores dos sinais das derivadas parciais.
4.3.2 Levenberg-Marquardt
O algoritmo Levenberg-Marquardt (LM) representa uma aproximao do mtodo de GaussNewton (Dan Foresee e Hagan, 1997), que obtida introduzindo-se o parmetro na equao
original (Hagan e Menhaj, 1994), resultando na Equao (4.6). O algoritmo LM foi projetado
para atingir a velocidade de treinamento de um mtodo de segunda ordem sem a necessidade
de calcular a matriz Hessiana (matriz de derivadas de segunda ordem).
x = [J T (x) J(x) + I]1 J T (x)e(x)
(4.6)
Na Equao 4.6, J a matriz Jacobiana que contm as primeiras derivadas dos erros da rede
em relao aos seus pesos e bias, I a matriz identidade e e(x) o vetor de erros. Quando o
39
escalar nulo, a equao que resta idntica ao mtodo de Newton se usada a aproximao
Hessiana. Entretanto, quando esse escalar muito grande, a frmula equivaler-se- do gradiente
descendente com um passo pequeno. O primeiro mtodo mais eficaz perto do erro mnimo.
Assim, a ideia conseguir mudar para o mtodo de Newton o mais rpido possvel. Deste
modo, decrementado toda vez que o valor do desempenho tambm decresce, e incrementado
quando o contrrio ocorra.
O parmetro funciona como um fator de estabilizao do treinamento, que ajusta a aproximao de forma a utilizar a rpida convergncia do mtodo de Newton e assim evitar passos
muito grandes que possam levar a um erro de convergncia. Este mtodo apresenta convergncias em menos iteraes, mas requer mais clculos por iterao devido ao clculo de matrizes
inversas. O LM o algoritmo mais rpido quando se trabalha com poucos parmetros na rede.
Se esse nmero de parmetros for elevado, a utilizao desse algoritmo pouco prtica pois,
haver um grande esforo computacional (Saini e Soni, 2002).
4.4
Consideraes Finais
O aprendizado supervisionado um dos paradigmas mais utilizados em problemas de classificao e regresso. Isto se deve principalmente facilidade de uso de seus mtodos e aos seus
resultados positivos. Alm da sua inspirao biolgica, foram cobertos os principais tpicos referentes ao projeto de RNAs, com foco nas redes MLP como, por exemplo, os tipos de funo
de ativao, o algoritmo de treinamento e a arquitetura. Foram tambm apresentados alguns
algoritmos para aprendizado supervisionado derivados do algoritmo backpropagation. Neste
projeto, foi escolhida a rede neural do tipo MLP para desempenhar a tarefa de estacionamento
paralelo. Esta aplicao ser vista no Captulo 6.
C APTULO
5
Abordagem do Estacionamento
Paralelo
O seis passos para se realizar a manobra apresentada no nicio do Captulo 2, podem ser
classificados em trs importantes etapas, que so: (1) detectar a vaga de estacionamento, (2)
posicionar o veculo para se iniciar a manobra; (3) manobrar o veculo para dentro da vaga sem
colidir (Demirli e Khoshnejad, 2009). Nesta seo, so discutidas essas etapas e como sero
realizadas neste trabalho mas, antes de tudo, ser apresentada a trajetria guia.
5.1
Deteco do Espao
Detectar a vaga de estacionamento consiste em procurar um espao de tamanho adequado no

qual o veculo possa entrar. Para procurar um espao suficiente para estacionar o carro, o sistema
manter uma velocidade mnima (aproximadamente 0,15 m/s - veculo HELVIS) controlada em
linha reta e analisar o valor de distncia do feixe SF 1 do sensor (Figura 5.1(a)). Se SF 1 for
maior que a lateral de um carro mais a medida de segurana (d = 1, 57 W ) significa que existe
um possvel espao que o carro possa entrar. Assim, o sistema inicia a contagem do tamanho da
vaga P usando a odometria (Figura 5.1(b)). Quando o sensor SF 1 detectar uma medida menor
que d significa que a distncia lateral no mais recomendada, ou seja, pode ter um obstculo.
Ento o contador para de contar e armazena o valor para usar no controlador (Figura 5.1(c)).
Para dar foco ao projeto do controlador, presume-se que o espao de estacionamento a ser
detectado direita do veculo. Assim fcil generalizar os resultados para o caso em que o
espao de estacionamento do lado esquerdo (uma sugesto para trabalhos futuros).
41
42
5.2. POSICIONANDO O VECULO
(a)
(b)
(c)
Figura 5.1: Passos para se encontrar uma vaga paralela: (a) incio da procura por uma vaga;
(b) detecta um possvel espao e comea a contar; (c) termina a contagem e armazena o
tamanho da vaga encontrado.
5.2
Posicionando o Veculo
Aps encontrar a vaga (Figura 5.2(a)), deve-se posicionar o veculo para iniciar a manobra.
Conforme o procedimento apresentado no incio do Captulo 2, o posicionamento funciona de
tal forma que o veculo deve avanar paralelamente ao veculo em frente vaga localizada
(Veculo A), emparelhando os para-choques traseiros de ambos os carros. O veculo avana em
uma velocidade de 0,15 m/s paralelo aos veculos (ou mantm a direo que estava antes), at
o que o feixe do sensor SR1 detecte uma medida menor que d. Sendo assim, possvel que
ele esteja emparelhado com o veculo a frente da vaga (Figura 5.2(b)). Para se ter certeza,
CAPTULO 5. ABORDAGEM DO ESTACIONAMENTO PARALELO
43
verificado se a valor da odometria ao se encontrar a vaga mais o deslocamento at posicionar o

veculo maior ou igual ao tamanho da vaga mais o tamanho do carro (Odometria P + L).
(a)
(b)
Figura 5.2: Posicionado na vaga: (a) o veculo acaba de mudar para o estado posicionando e
em (b) o veculo chegou na posio desejada.
5.3
Trajetria de Referncia
Para realizar a terceira etapa necessrio verificar se a manobra do veculo para dentro
da vaga possvel de acontecer. Sendo assim, este trabalho adota a trajetria desenvolvida
nos trabalhos de Hoyle (2003); Herrmann (2003); Roth (2009), conhecida como trajetria em
S. Como pode ser visto na Figura 5.3, esta trajetria em forma de S obtida posicionando-se
corretamente duas circunferncias. Considerando este tipo de trajetria, a vaga mnima para que
ocorra o estacionamento sem choques com outros veculos dada pela Equao 5.1 (Herrmann,
2003) e seus parmetros visualizados na Figura 5.3:
P =
p
2RW + (L b)2 + b
(5.1)
onde R o raio determinado pela barra de direo que depende do ngulo de esteramento das
rodas dianteiras. Quanto maior o ngulo de esteramento, menor ser o raio e, consequentemente, menor ser a vaga necessria para estacionar. O valor P o tamanho mnimo necessrio
para estacionar perfeitamente o veculo sem coliso, b a distncia entre o eixo traseiro e o
44
5.3. TRAJETRIA DE REFERNCIA
pra-choque traseiro do veculo e W , L so, respectivamente, a largura e o comprimento do

veculo.
Figura 5.3: Tragetria de Estacionamento Paralelo

Inicialmente so marcados os pontos de incio do estacionamento (I) e final do estacionamento (F ), respectivamente seguem as Equaes 5.2a e 5.2b. I recebe a origem do sistema de
coordenadas, e est relacionada com a posio inicial do veculo, que depende de x e y.
y a distncia entre a lateral do veculo em I e a lateral do veculo estacionado, x a distncia horizontal entre as traseiras desses mesmo dois veculos, conforme mostrado na Figura
5.3. O valor de x fcil de ser modificado, bastando movimentar o veculo para frente ou
para trs (r), porm y permanecer constante j que movimentar o veculo em y bem mais
complicado.
I = (0, 0)
(5.2a)
F = ((P + x), (W + y))
(5.2b)
Para determinar o posicionamento das circunferncias preciso primeiro encontrar a coordenada do ponto de interseco entre as circunferncias M , pois neste ponto que ocorre a
mudana de ngulo da direo do veculo (ponto de virada). Pode-se calcular o ngulo pela
45
Equao 5.3a e, assim, pode-se determinar o ponto M projetando-a nas coordenadas, usando a
Equao 5.3b e Equao 5.3c.

= arctan
p
DIF =
Ix Fx
Iy Fy
(Ix Fx )2 + (Iy Fy )2
2
M = (Ix DIF cos(), Iy DIF sin())
(5.3a)
(5.3b)
(5.3c)
Os centros das circunferncias OI e OF so obtidos de forma anloga, podendo ser definidos

aps a determinao dos pontos I, F e M . O primeiro passo ser determinar a posio x de OI
e OF que, respectivamente recebem os valores da abscissa do CG na posio A (posio inicial
do estacionamento) OI,x = Ix e na posio B (posico final do estacionamento) OF,x = Ix .
Logo em seguida so definidas algumas condies de contorno, para que o carro sempre esteja
paralelo ao meio-fio:
1. As derivadas da curva em I e F so iguais 0;
2. O ponto M deve pertencer s duas circunferncias.
Pela condio de contorno (1), a coordenada OI,x do centro da circunferncia determinada
pela derivada implcita da equao paramtrica da circunferncia (Equao 5.4a), chegando-se
na Equao 5.4b.
(x xo )2 + (y yo )2 = R2
(5.4a)
(x xo)
dy
=
dx
(y yo)
(5.4b)
Sabendo-se que, pela condio de contorno (2), os pontos I e M devem pertencer ao mesmo
arco de circunferncia, para se encontrar o ponto OI,y , tem-se a Equao 5.5a, na qual deseja-se
isolar o valor de OI,y . Isto resulta na Equao 5.5b:
(My OI,y )2 + (Mx OI,x )2 = (Iy OI,y )2 + (Ix OI,x )2
OI,y
(Mx OI,x )2 + (My2 Iy2 )

=
2(My Iy )
(5.5a)
(5.5b)
46
5.4. REALIZANDO A MANOBRA
Com a Equao 5.5b pode-se substituir os parmetros e encontrar os centros das duas circunferncias pelas Equaes 5.6a e 5.6b. Logo em seguida possvel definir o raio das circunferncias pela Equao 5.6c

(W + y)2 + P 2
OI = Ix ,
4(W + d)
(5.6a)

3(W + y)2 P 2
OF = Fx ,
4(W + d)
(5.6b)
p
(OI,x OF,x )2 + (OI,y OF,y )2
R = RI = RF =
2
(5.6c)
Assim que todos os pontos so determinados possvel saber o ngulo de esteramento do

veculo que o mesmo dever usar para fazer a manobra sem colidir com os veculos e entrar com
uma nica manobra na vaga (Equao 5.7a). Logo em seguida, como este trabalho no mantm
um mapa interno, necessrio saber o ngulo de orientao no ponto de virada, para que o
veculo possa esterar inversamente o mesmo raio, e assim executar os dois crculos (Equao
5.7b). Esses dois valores sero utilizados durante o treinamento supervisionado da rede neural.
1
= tan
= sin
5.4

l
R
P
2R
(5.7a)

(5.7b)
Realizando a Manobra
Logo aps calcular a trajetria e verificar que possvel executar a manobra, o volante do
veculo deve ser esterado para o lado do meio fio, de tal forma que o valor da Equao 5.7a seja
menor que o raio mximo de esteramento do veculo, e ento engatar a marcha r. O veculo
ento deve entrar no espao escolhido at alcanar a orientao indicada pela Equao 5.7b e,
caso alcanado, constata-se que o veculo chegou ao ponto de virada M (Figura 5.4(a)).
Neste momento o veculo para e deve esterar o mesmo valor de R inversamente e depois
continuar em marcha r (Figura 5.4(b)) at o valor de SR3 seja menor ou igual alguma medida
de segurana S (neste momento o veculo estar paralelo ao meio-fio), ou a diferena da orientao inicial do veculo ao iniciar a manobra seja menor que zero (Figura 5.4(c)). Em seguida
o veculo para, estera o volante, at ficar centralizado e desloca-se para frente at o centro da
vaga 5 km/h, verificando as diferenas de medidas entre os feixes SF 3 e SR3 (Equao 5.8).
47
(a)
(b)
(c)
(d)
Figura 5.4: Manobrando o veculo para dentro da vaga encontrada: (a) entrando na vaga; (b)
esterando inversamente para posicionar o veculo na vaga; (c) aproximando-se do veculo,
tomando cuidado para no bater a traseira; (d) ajustando o carro vaga e parando-o.
48
5
V =
+5
se SF 3 SR3 > erro

se SR3 SF 3 > erro
se |SF 3 SR3| erro
(5.8)
Caso a diferena entre SF 3 e SR3 sejam maior que um erro pr-definido pelo sistema de
centralizao, a velocidade V do veculo pode ser positiva (movimenta-se para frente), negativa
(movimenta-se para trs) ou nula (o veculo para). Quando o veculo para a baliza ter sido
realizado com sucesso (Figura 5.4(d)).
5.5
Consideraes Finais
Este captulo discorreu sobre a abordagem utilizada em que a manobra de estacionamento

dividida em trs etapas. Para cada etapa so descritos os passos realizados utilizando-se dos
sensores definidos no Captulo 3. As duas primeiras etapas so realizadas utilizando-se de prncipios de contagem baseados na odometria do veculo. Na ltima etapa utilizada uma curva
em S definida matematicamente na sequncia desse captulo, utilizando dois arcos de circunferncias. Logo, o contedo apresentado oferece suporte escolha dos dados de treinamento para
o aprendizado supervisionado a ser usado no sistema neural.
C APTULO
6
Sistema Neural Desenvolvido
Neste captulo so descritos os procedimentos e os mtodos utilizados para o desenvolvimento do sistema neural para estacionar o veculo em vagas paralelas, de modo que a entrada
na vaga seja realizada com uma nica manobra.
6.1
O Controlador Neural
O modelo de RNA adotado nesta dissertao foi o MLP apresentado no Captulo 4, com
aprendizado supervisionado do tipo RPROP e LM. Este tipo de abordagem foi adotado porque
a RNA apresenta grande robustez com relao presena de rudos no sistema, como valores
inexatos dos sensores e situaes imprevistas.
O princpio de funcionamento segue o mesmo apresentado por Osrio et al. (2002). O
controlador neural deve receber um conjunto de entradas referentes ao estado atual do veculo
(dados dos sensores e o estado atual da manobra) e o conjunto de sada para essas respectivas
entradas (velocidade, esteramento e qual seria o prximo estado da manobra). Deste modo,
quando a rede neural estiver sendo treinada, ao receber os dados de entrada a rede conseguir
prever o prximo estado, baseada nas informaes apresentadas. O prximo estado da manobra
obtido na sada da rede substitui o estado atual, o que faz a rede ser capaz de prever as mudanas de estados. Isto importante para que a rede possa interpretar corretamente os dados
dos sensores enviados a ela, no definindo velocidades e ngulos de esteramento errneos. A
Figura 6.1 descreve o funcionamento do controlador neural.
49
50
6.1. O CONTROLADOR NEURAL

Atual
Estado da
manobra
Sensores
Ambiente
RNA
Prximo
Velocidade e
Esteramento
Entradas da Rede Neural
Sadas da Rede Neural
Figura 6.1: Descrio da Rede Neuralutilizada para controlar o veculo.
6.1.1
Gerao da Base de Exemplos
A primeira etapa consiste em obter exemplos da manobra para que se possa treinar a RNA.
Para isso os dados de treinamento so baseadas em dois sensores laser e no sensor inercial.
A ideia bsica realizar um mapeamento da manobra usando as medidas dos sensores laser,
velocidade e direo do veculo, ngulo de esteramento, orientao dada pelo sensor inercial e
tamanho da vaga medida pela odometria. Essas informaes so suficientes para que o veculo
possa estacionar em vagas paralelas com um comportamento reativo.
Neste momento importante lembrar que os dados so obtidos a partir do terceiro estado, no
qual o veculo realiza a manobra com base na curva em S apresentada no Captulo 5. Antes de
adquirir os dados foi feita uma anlise dos possveis pontos iniciais onde o veculo conseguiria
realizar a trajetria em S. Para isso variou-se y entre ymin (encostado no veculo A, ou seja,
igual a zero) e ymax (distncia da largura do veculo), enquanto P foi variado entre Pmin
(tamanho da vaga igual ao comprimento do veculo) e Pmax (tamanho da vaga igual a duas
vezes o comprimento do veculo). A Figura 6.2 exibe com mais detalhes a anlise realizada
para descobrir as configuraes iniciais aceitveis.
Nestas condies, foram criadas possveis curvas em MatLab discretizando-as em aproximadamente 500 pontos. Para cada ponto verificado se acontece coliso, o que impossibilitaria
a entrada do veculo em uma nica manobra. A Figura 6.3 mostra um grfico que indica a rea
onde possvel realizar a manobra.
Percebe-se pela Figura 6.3 que, dada a configurao do veculo utilizado neste trabalho, o
mesmo s consegue iniciar o estacionamento se P 1, 67 L. Este resultado valida a Equao
5.1 com uma pequena ressalva, pois Herrmann (2003) diz que y deveria ser zero e isso no
acontece, mas ele tambm diz que no seria recomendado realizar a manobra com o veculo
encostrado. Ento, pela Figura 6.3, define-se y 0, 05 W para segurana e realmente
conseguir realizar a manobra.
Aps encontrar a regio possvel de se realizar a manobra, adaptou-se o simulador para criar
um arquivo de dados (log), contendo os estado dos sensores, estados da manobra (atual e pr-
CAPTULO 6. SISTEMA NEURAL DESENVOLVIDO
51
Figura 6.2: Detalhes da anlise realizada para descobrir as configuraes iniciais aceitveis,
na qual foram variados os parmetros y e P , onde quatro trajetrias limitantes so
representadas.
Variao da distncia lateral (mm)
250
90
80
200
70
60
150
50
40
100
30
20
50
10
50
100
150
200
250
300
Variao do comprimento da vaga (mm)
350
400
450
Figura 6.3: rea de estacionamento paralelo: a rea branca indica que impossvel estacionar
em uma nica manobra, enquanto a cor vermelha mais escura indica o ponto mximo de
esteramento e a cor amarela indica um ngulo menor de esteramento.
ximo) e os atuadores de velocidade e rotao. Este arquivo permite que sejam gravados todos os
dados referentes execuo de uma tarefa de estacionamento, seja esta tarefa controlada pelo
autmato finito (apresentado no prximo sub-tpico) ou por um usurio que pode controlar o
veculo atravs do controle manual do simulador. A base de treinamento criada tem 55 manobras e cada manobra tem aproximadamente 320 pontos de coleta de dados, somando um total de
17.625 exemplos. Lembrando que cada exemplo possui 12 valores, resultando em uma matriz
de 17.625 x 12.
52
A Figura 6.4 apresenta uma pequena amostra da base de aprendizado utilizada para treinar
as redes neurais. A primeira coluna armazena o tamanho da vaga de estacionamento encontrado
em milmetros, o segundo valor recebe a diferena de orientao do veculo na posio inicial
at a posio atual. Os seis prximos itens so os valores dos feixes do sensor da frente e do
sensor traseiro, no qual os valores so limitados em 1.010,00mm, e os prximo quatro itens so
referentes ao estado atual do veculo codificado em binrio do tipo 1 entre N. Este tipo de
codificao o mais adequado, pois possui uma diferenciao equilibrada entre as diferentes
codificaes de cada valor. Os prximos valores diz em respeito velocidade do veculo dada
em pixels/s e o giro de esteramento do veculo dado em radianos. Os ltimos quatro valores
representam o prximo estado da manobra, tambm representados em binrio do tipo 1 entre
N.
Figura 6.4: Amostra da base de exemplos usada para o aprendizado supervisionado da rede
neural.
6.1.1.1
Controlador Baseado em Regras - Autmato Finito
Pensando em facilitar e agilizar a coleta de dados foi implementado o Autmato Finito (AF)
criado por Heinen et al. (2006a), no qual busca-se atravs de seis estados descrever a evoluo
do comportamento de um motorista ao realizar a tarefa de estacionamento paralelo. A Figura
6.5 mostra o diagrama de estados do AF utilizando a abordagem definida anteriormente, que foi
codificado em um conjunto de regras:
1. Procurando vaga: O incio do processo de estacionamento comea com o veculo se
deslocando para frente em velocidade constante de 0,15 m/s com a direo reta tentando
detectar e calcular o tamanho de uma vaga. Se encontrar, o estado muda para Posicionando o veculo;
2. Posicionando o veculo: O veculo continua se deslocando para frente, a fim de se emparelhar ao veculo da frente (posio de incio da manobra) e tambm para verificar se
Incio
Procurando
vaga
Fim
2
Posicionando o
veculo
6
Parando o
veculo
53
3
Entrando na
vaga
5
Alinhando na
vaga
4
Posicionando
na vaga
Figura 6.5: Autmato Finito que representa o conhecimento humano para realizar o
estacionamento paralelo em seis etapas.
possvel esterar o veculo usando a abordagem de dois arcos de crculos descrita anteriormente. Se no for possvel, o estado volta para Procurando vaga. Se for possvel
esterar, o estado muda para Entrando na vaga;
3. Entrando na vaga: O carro vira a direo para a direita conforme Equao 5.7a e comea
se movimentar para trs, de forma a entrar na vaga. Quando a orientao do veculo
satisfizer a Equao 5.7b o estado passa para Posicionando na vaga;
4. Posicionando na vaga: neste estado o veculo prossegue para trs, mas com a direo do
volante inversa do estado Entrando na vaga. Quando o SR3 s, ou a orientao do
veculo for menor ou igual medida inicial em que a manobra foi iniciada (neste momento
o veculo estar paralelo ao meio-fio), o estado muda para Alinhando na vaga;
5. Alinhando na vaga: neste estado o veculo movimentado de forma a satisfazer a Equao 5.8. Aps o alinhamento estar concludo, o estado muda para Parado e a manobra
encerrada com sucesso;
6. Parado: o veculo reduz a velocidade a zero e desliga o carro;
A codificao em pseudo-algoritmo do AF apresentado no Apndice B.
6.1.2
Pr-processamento dos dados
Esta etapa implica em dimensionar as amostras geradas para a faixa de variao dinmica
das funes de ativao das camadas escondidas (foi assumida a tangente hiperblica com o intuito de evitar a saturao dos neurnios). A funo tangente hiperblica tem por caracterstica
a anti-simetria, que contribui para melhorar o processo de convergncia da rede durante o aprendizado. Uma das tcnicas mais utilizadas baseada no teorema de Tales, em que o conjunto
de valores definidos num intervalo fechado entre xmin e xmax ser convertido para um domnio
proporcional entre -1 e 1, o qual representa as variaes da funo escolhida. A Equao 6.1
54
exibe o princpio de normalizao dos padres de entrada (treinamento e teste), onde z o valor
normalizado e x o dado de entrada, tal que x [xmin , xmax ].
z=
x xmin
xmax xmin
(6.1)
Alm dos padres de entrada, os padres de sada tambm devem ser normalizados e, mais
importante que isso, todos os dados devem ser individualmente normalizados em relao aos
seus respectivos valores mnimos e mximos. Vale ressaltar que os valores mnimos e mximos
devem compor o conjunto de treinamento. Caso contrrio implicaro na reduo do domnio
de treinamento, existindo provavelmente dados de teste que possam estar na zona de saturao
dos neurnios, prejudicando o aprendizado da rede.
6.1.3
Definio das Topologias Candidatas
Com os dados normalizados, necessrio definir as topologias candidatas que sero submetidas ao aprendizado e depois sero avaliadas. Mas antes de definir essas topologias, foram
adotadas duas estratgias. A primeira estratgia consiste em ter todas as sadas (esteramento,
velocidade e estados) na mesma rede, enquanto na segunda estratgia, criam-se redes especializadas para cada tipo de sada, visando melhorar o desempenho e reduzir a complexidade. Alm
disso, para cada estratgia so apresentadas exemplos de quatro cenrios diferentes: sensores
sem rudo e espao de estacionamento sem parede; sem rudo e com parede; com rudo e sem
parede; com rudo e com parede.
Para a primeira estratgia tem-se a seguinte topologia para a rede MLP:
Camada de entrada 12 entradas, correspondendo aos seguintes dados: tamanho da
vaga, feixe laser SF1, feixe laser SF2, feixe laser SF3, feixe laser SR1, feixe laser SR2,
feixe laser SR3, orientao dada pelo IMU, terceiro estado da manobra, quarto estado da
manobra, quinto estado da manobra, sexto e ltimo estado da manobra;
Camada escondida 5, 10, 15 e 20 neurnios, podendo ter 1, 2 ou 3 camadas escondidas;
Camada de sada 10 neurnios, representando: um sinal contnuo de esteramento, um
valor contnuo representando a velocidade, terceiro estado da manobra, quarto estado da
manobra, quinto estado da manobra, sexto e ltimo estado da manobra;
A topologia da rede neural utilizada na primeira estratgia pode ser mais bem compreendida
por meio da Figura 6.6
A segunda estratgia apresenta uma topologia na qual cada conjunto de sada ser representado por uma rede neural, que se tornar especialista naqueles exemplos de sadas. Este tipo de
configurao costuma fornecer melhores resultados que outras estratgias, pois reduz o esforo
55
Figura 6.6: Topologia da rede neural para a primeira estratgia de estacionamento paralelo.
computacional utilizado nas fases de treinamento e ajustes das topologias neurais. A topologia
para a rede MLP utilizando esta estratgia apresentada na Figura 6.7
Cada sada representada por uma rede neural que contm a mesma topologia da primeira
estratgia, com mudanas na camada de sada. A camada de sada de cada rede neural responsvel por dados especficos de funcionalidade, ento a primeira tem somente um neurnio
para esteramento do veculo, a segunda tem somente um neurnio para a velocidade e a ltima
responsvel por definir se o estado do veculo ser modificado. Ela contm quatro neurnios
para o terceiro estado da manobra, quarto estado da manobra, quinto estado da manobra, sexto
e ltimo estado da manobra.
6.2
Resultados de Aprendizado dos Controladores
Neste seo sero apresentados resultados do aprendizado supervisionado realizado nas redes neurais e tambm resultados simulados do sistema. A primeira estratgia ficou composta
de 20 topologias candidatas utilizando o algoritmo RPROP e mais 20 com o mtodo LM, para
cada controlador neural. Para a segunda estratgia obtm-se 60 topologias candidatas (20 para
cada rede especialista) para RPROP e mais 60 topologias para o mtodo LM. Enfim, somam-se
640 topologias que sero treinadas para anlise de eficincia e assim escolher a melhor para
cada caso.
Para avaliar o desempenho das topologias candidatas, foi quantificado o erro de percentagem
mdia absoluta (do ingls, Mean Absolute Percentage Error - MAPE), onde na Equao 6.2 a
resposta desejada indicada por At e a obtida por Ft :

n

1 X At Ft

100
M AP E =

n t=1 At
(6.2)
56
6.2. RESULTADOS DE APRENDIZADO DOS CONTROLADORES
Figura 6.7: Topologia da rede neural especialista para a segunda estratgia de estacionamento
paralelo.
6.2.1
Controlador Neural I
No primeiro controlador neural utilizou-se a primeira estratgia definida anteriormente, assumindo a tangente hiperblica como funo de ativao para todas camadas e os algoritmos de
aprendizado RPROP e LM. Este controlador utiliza dados coletados de 55 manobras de estacionamento paralelos, nas quais os sensores simulados no possuem rudos (no acrescentado
erro aos sensores). Para realizar a manobra o veculo autnomo no conta com a presena
de uma parede de auxlio, o que facilitaria a manobra. As 55 manobras resultam em 17.625
exemplos de dados, sendo que, com o uso do 5-fold cross-validation, 54 dos dados sero usados
para treinamento (14.100 exemplos), enquanto 15 sero usado para validao (3.525 exemplos).
Foram testadas 20 topologias (Tabela C.1 do Apndice C) usando o algoritmo RPROP e o algoritmo LM (Tabela C.2 do Apndice C). A Tabela 6.1 apresenta as trs melhores topologias
usando RPROP e as trs melhores usando LM, levando em considerao a menor quantidade
de camadas e a menor quantidade de neurnios.
Tabela 6.1: Resultado das trs melhores topologias candidatas para a primeira estratgia (sem
rudos no sensores e sem a presena de parede) usando o algoritmo de aprendizado Resilient
Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural I.
Ref. (RPROP)
Neurnios
Escondidos
MLP-19
MLP-17
MLP-6
20-15
20-5
10
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,4
98,3
98,3
98,4
98,3
98,2
Ref. (LM)
Neurnios
Escondidos
MLP-26
MLP-37
MLP-25
10
20-5
5-20
Mdia Final
MAPE (% acertos)
Trein.
Val
99,5
99,5
99,2
99,5
99,4
99,2
6.2.2
57
Controlador Neural II
No segundo teste utilizou-se a mesma configurao, porm com a presena de parede para
auxiliar o estacionamento, o que pode facilitar a manobra do veculo. A Tabela 6.2 apresenta as
trs melhores topologias usando RPROP e as trs melhores usando LM, levando em considerao a menor quantidade de camadas e a menor quantidade de neurnios. Todos os resultados
podem ser visualizados respectivamente na Tabela C.3 e na Tabela C.4, presentes no Apndice
C.
Tabela 6.2: Resultado das trs melhores topologias candidatas para a primeira estratgia (sem
rudos no sensores e com a presena de parede) usando o algoritmo de aprendizado Resilient
Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural II.
Ref. (RPROP)
Neurnios
Escondidos
MLP-54
MLP-53
MLP-51
15-15
15-10
15
6.2.3
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,8
98,7
98,6
98,8
98,7
98,6
Ref. (LM)
Neurnios
Escondidos
MLP-72
MLP-78
MLP-74
15-5
20-10
15-15
Mdia Final
MAPE (% acertos)
Trein.
Val
99,7
99,7
99,6
99,6
99,6
99,6
Controlador Neural III
Os testes do terceiro controlador neural tambm possuem a mesma configurao, porm

os dados dos sensores agora tm rudos e no se utiliza a parede para auxiliar a manobra, o
que poderia ser o pior caso para o controlador neural. A Tabela 6.3 apresenta as trs melhores
topologias usando RPROP e as trs melhores usando LM, levando em considerao a menor
quantidade de camadas e a menor quantidade de neurnios. Todos os resultados podem ser
visualizados respectivamente na Tabela C.5 e na Tabela C.6, presentes no Apndice C.
Tabela 6.3: Resultado das trs melhores topologias candidatas para a primeira estratgia
(sensores com rudos e sem a presena de parede) usando o algoritmo de aprendizado Resilient
Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural III.
Ref. (RPROP)
Neurnios
Escondidos
MLP-98
MLP-93
MLP-96
20-10
15-10
20
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,4
98,3
98,2
98,4
98,3
98,2
Ref. (LM)
Neurnios
Escondidos
MLP-108
MLP-110
MLP-113
10-10
10-20
15-10
Mdia Final
MAPE (% acertos)
Trein.
Val
99,1
99,0
99,0
99,1
99,0
99,0
58
6.2. RESULTADOS DE APRENDIZADO DOS CONTROLADORES
6.2.4
Controlador Neural IV
Para concluir os testes com controladores usando a primeira estratgia, este ltimo utiliza
dados dos sensores com rudos e novamente existe uma parede para auxiliar a manobra. A
Tabela 6.4 apresenta as trs melhores topologias usando RPROP e as trs melhores usando LM,
levando em considerao a menor quantidade de camadas e a menor quantidade de neurnios.
Todas os resultados podem ser visualizados respectivamente na Tabela C.7 e na Tabela C.8,
presentes no Apndice C.
Tabela 6.4: Resultado das trs melhores topologias candidatas para a primeira estratgia
(sensores com rudos e com a presena de parede) usando o algoritmo de aprendizado Resilient
Propagation e o algoritmo de aprendizado Levenberg-Marquardt para o controlador neural IV.
Ref. (RPROP)
Neurnios
Escondidos
MLP-136
MLP-132
MLP-133
20
15-5
15-10
6.2.5
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,4
98,4
98,4
98,4
98,4
98,4
Ref. (LM)
Neurnios
Escondidos
MLP-151
MLP-155
MLP-152
15
15-20
15-5
Mdia Final
MAPE (% acertos)
Trein.
Val
99,2
99,2
99,1
99,1
99,1
99,1
Controlador Neural V
Este quinto controlador neural o primeiro a utilizar a segunda estratgia definida, assumindo as mesmas condies dos outros controladores da primeira estratgia. Os testes foram
realizados com dados coletados dos sensores sem rudo e sem a presena de parede para auxlio
manobra de estacionamento. A Tabela 6.5 exibe os resultados das trs melhores topologias
para a rede especialista em esteramento usando o algoritmo RPROP (Tabela C.9) e LM(Tabela
C.10). Tambm apresenta os trs melhores resultados treinados para a rede que define a velocidade do veculo durante a manobra (repectivamente aos algoritmos de treinamento, a Tabela
C.11 e Tabela C.12) e, por fim, as trs melhores para a rede que apresenta o prximo estado do
veculo (Tabela C.13 e Tabela C.14).
6.2.6
Controlador Neural VI
Os testes com o sexto controlador neural, que o segundo a utilizar a segunda estratgia
definida, foram realizados com dados coletados dos sensores sem rudo e com a presena de
parede para auxlio a manobra de estacionamento. A Tabela 6.6 exibe os resultados das trs
melhores topologias para a rede especialista em esteramento usando o algoritmo RPROP (Tabela C.15) e LM(Tabela C.16). Tambm apresenta os trs melhores para a rede que define a
velocidade do veculo durante a manobra (repectivamente aos algoritmos de treinamento, a Ta-
59
Tabela 6.5: Resultado das trs melhores topologias candidatas para cada rede da segunda
estratgia, usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de
aprendizado Levenberg-Marquardt para o controlador neural V.
Mdia Final
MAPE (% acertos)
Trein.
Val.
Ref. (LM)
Neurnios
Escondidos
Mdia Final
MAPE (% acertos)
Trein.
Val
Ref. (RPROP)
Neurnios
Escondidos
MLP-161
MLP-171
MLP-176
5
15
20
100,0
100,0
100,0
100,0
100,0
100,0
MLP-181
MLP-182
MLP-191
5
5-5
15
100,0
100,0
100,0
100,0
100,0
100,0
MLP-217
MLP-219
MLP-212
20-5
20-15
15-5
95,8
95,8
95,8
95,8
95,8
95,7
MLP-238
MLP-236
MLP-228
20-10
10-10
20
98,2
98,2
98,0
98,1
98,0
97,9
MLP-249
MLP-257
MLP-256
10-15
20-5
20
98,7
98,5
98,4
98,7
98,5
98,4
MLP-267
MLP-264
MLP-261
10-5
5-15
5
99,9
99,8
99,7
99,8
99,8
99,6
bela C.17 e Tabela C.18) e, por fim, as trs melhores para a rede que apresenta o prximo estado
do veculo (Tabela C.19 e Tabela C.20).
estratgia usando o algoritmo de aprendizado Resilient Propagation e o algoritmo de
aprendizado Levenberg-Marquardt para o controlador neural VI.
Mdia Final
MAPE (% acertos)
Trein.
Val.
Ref. (LM)
Neurnios
Escondidos
20
10-15
5
100,0
100,0
99,9
100,0
100,0
99,9
MLP-301
MLP-302
MLP-311
5
5-5
15
100,0
100,0
100,0
100,0
100,0
100,0
MLP-339
MLP-334
MLP-332
20-15
15-15
15-5
97,60
97,5
97,4
97,5
97,5
97,4
MLP-349
MLP-351
MLP-356
10-15
15
20
99,1
99,0
99,0
99,0
98,9
98,9
MLP-374
MLP-371
MLP-376
15-15
15
20
99,2
99,2
99,1
99,2
99,1
99,1
MLP-381
MLP-388
MLP-394
5
10-10
15-15
99,9
99,9
99,8
99,9
99,8
99,7
Ref. (RPROP)
Neurnios
Escondidos
MLP-296
MLP-289
MLP-281
6.2.7
Mdia Final
MAPE (% acertos)
Trein.
Val
Controlador Neural VII
O stimo controlador utiliza dados dos sensores com rudo e sem a presena de parede para
auxlio a manobra de estacionamento, ressaltando que este seria o pior caso. A Tabela 6.7 exibe
os resultados das trs melhores topologias para a rede especialista em esteramento usando o
algoritmo RPROP (Tabela C.21) e LM(Tabela C.22). Tambm apresenta os trs melhores para
a rede que define a velocidade do veculo durante a manobra (repectivamente aos algoritmos de
60
6.3. RESULTADOS SIMULADOS E DISCUSSO
treinamento, a Tabela C.23 e Tabela C.24) e, por fim, as trs melhores para a rede que apresenta
o prximo estado do veculo (Tabela C.25 e Tabela C.26).
aprendizado Levenberg-Marquardt para o controlador neural VII.
Mdia Final
MAPE (% acertos)
Trein.
Val.
100,0
100,0
100,0
100,0
99,9
99,9
Ref. (RPROP)
Neurnios
Escondidos
MLP-410
MLP-414
MLP-401
10-20
15-15
5
MLP-458
MLP-447
MLP-453
20-10
10-5
15-10
96,0
95,9
95,9
MLP-499
MLP-493
MLP-496
20-15
15-10
20
98,7
98,6
98,5
6.2.8
Mdia Final
MAPE (% acertos)
Trein.
Val
100,0
100,0
100,0
100,0
100,0
100,0
Ref. (LM)
Neurnios
Escondidos
MLP-421
MLP-427
MLP-431
5
10-5
15
96,0
95,9
95,9
MLP-447
MLP-476
MLP-461
20-5
20
5
96,8
96,6
96,5
96,7
96,6
96,5
98,7
98,6
98,5
MLP-505
MLP-511
MLP-502
5-20
15
5-5
99,3
99,3
99,2
99,3
99,2
99,2
Controlador Neural VIII
O ltimo controlar neural testado utiliza dados dos sensores com rudo e com a presena
de parede para auxlio a manobra de estacionamento. A Tabela 6.8 exibe os resultados das
trs melhores topologias para a rede especialista em esteramento usando o algoritmo RPROP
(Tabela C.27) e LM(Tabela C.28). Tambm apresenta os trs melhores para a rede que define
a velocidade do veculo durante a manobra (repectivamente aos algoritmos de treinamento, a
Tabela C.29 e Tabela C.30) e, por fim, as trs melhores para a rede que apresenta o prximo
estado do veculo (Tabela C.31 e Tabela C.32).
6.3
Resultados Simulados e Discusso
Os resultados de aprendizado dos controladores foram satisfatrios, obtendo no pior caso

(sensores com rudo e sem parede de auxlio) da primeira estratgia um valor de aprendizado de
99%, o que quer dizer que a rede deixou de aprender 1% dos exemplos passados para ela. Como
a amostra de exemplos grande (17.625 exemplos) este valor pode representar problemas, pois
equivale a no aprender 176 exemplos. Na segunda estratgia obteve 100% de acertos na rede
que realiza o esteramento do veculo e 99% na rede que troca os estados da manobra. Porm,
nota-se um baixo aprendizado de 96,6% na rede que troca a velocidade do veculo. Valor este
que representa 1.058 exemplos no aprendidos.
Os controladores foram avaliados atravs do mesmo conjunto de coleta de dados (55 manobras, variando-se o tamanho da vaga e a distncia lateral do veculo) para o pior caso de cada
61
aprendizado Levenberg-Marquardt para o controlador neural VIII.
Mdia Final
MAPE (% acertos)
Trein.
Val.
100,0
100,0
100,0
100,0
99,9
99,9
Ref. (RPROP)
Neurnios
Escondidos
MLP-530
MLP-540
MLP-531
10-20
20-20
15
MLP-572
MLP-577
MLP-564
15-5
20-5
15-15
96,3
96,3
96,2
MLP-618
MLP-608
MLP-601
20-10
10-10
5
98,7
98,6
98,5
Mdia Final
MAPE (% acertos)
Trein.
Val
100,0
100,0
100,0
100,0
100,0
100,0
Ref. (LM)
Neurnios
Escondidos
MLP-542
MLP-551
MLP-556
5-5
15
20
96,3
96,3
96,2
MLP-598
MLP-594
MLP-589
20-10
15-15
10-15
97,0
97,0
96,9
97,0
96,9
96,8
98,6
98,6
98,5
MLP-634
MLP-640
MLP-626
15-15
20-20
10
99,5
99,5
99,4
99,4
99,3
99,3
estratgia adotada, ou seja, foi testada a melhor topologia do controlador III e a melhor topologia do controlador VII. Os resultados simulados realizados foram todos satisfatrios, mostrando
que ambos os controladores conseguiram, nas 55 manobras, realizar todos os estacionamentos.
A Figura 6.8(a) Figura 6.8(b) exibem duas manobras executadas com o controlador III, e a
Figura 6.9(a) e a Figura 6.9(b) exibe mesma configurao da manobra, mas agora executada
no controlador VII.
(a)
(b)
Figura 6.8: Manobras realizadas com o controlador III no simulador e analisadas visualmente:
(a) P = 830, 00mm e y = 43, 00mm; (b) P = 908, 00mm e y = 65, 00.
(a)
(b)
Figura 6.9: Manobras realizadas com o controlador VII no simulador e analisadas

visualmente: (a) P = 830, 00mm e y = 43, 00mm; (b) P 908, 00 = mm e y = 65, 00.
62
6.3. RESULTADOS SIMULADOS E DISCUSSO
Aps verificar na simulao que todos os estacionamentos foram realizados com sucesso,
ainda era complicado avaliar o quo bem um veculo est estacionado. Para isso foi realizada
uma pesquisa na literatura por medidas que pudessem avaliar este problema, mas nada foi encontrado. Tendo esta dificuldade em vista, foi proposto um mtodo de similaridade baseado em
regies, na qual calculada a rea (expressa em nmero de pixels) que compreende o veculo
aps a manobra. Assim, so coletadas as posies e orientaes dos trs veculos (veculo A,
veculo B e veculo manobrado) no final de cada simulao e verifica-se o mesmo est dentro
de uma rea estacionvel e perto da posio desejvel (Figura 6.10).
Posio Desejada
rea de estacionamento
b4
b3
cc4
c4
c3
cc3
y
a4
Veculo B
b1
a3
Veculo A
b2
cc1
c1
c2
cc2
a1
a2
x
Figura 6.10: Representao da rea de estacionamento e da rea posio final desejada do
veculo dentro da rea de estacionamento.
A posio desejvel que o carro deve estar aps manobr-lo o centro da vaga. Esta posio
pode ser calculada atravs dos vrtices dos veculos A e B. Para definir uma regio de estacionamento (no existe na literatura), foi considerada para x uma distncia de 10% do comprimento
). Ela poderia ser maior, uma vez que parar um pouco para frente ou
do veculo (x = L0,1
2
para trs do centro no quer dizer que o motorista errou a manobra. Para y foram encontradas
variaes nas leis de trnsito dependendo do pas. No caso do Brasil o veculo pode estar at
50cm distante do meio-fio. Realizando as converses para o mini-veculo de teste deste traba
lho, o valor foi de 25% da largura do mini-veculo utilizado y = W 0,25
. Como os veculos
2
neste trabalho so expressos em objetos retangulares e com dimenses de m X n pixels, esses
pixels f (x, y) do veculo so representados pelo valor 1 (levando em considerao uma imagem
binria). A Equao 6.3, define como a rea calculada
rea =
m1
n1
XX
f (x, y)
(6.3)
x=0 y=0
A medida de similaridade leva em considerao a interseco dos pontos de um objeto A

(posio desejvel de estacionamento) com um objeto B (posio obtida de estacionamento),
63
conforme a Equao 6.4. Com isto encontrado o quo prximo o veculo estacionado est do
posio desejvel:
A B = {c | c A e c B}
(6.4)
Foram definidos dois critrios para verificar o quo bem o veculo est estacionado. No
primeiro critrio analisa-se todos os vrtices do veculo se encontram dentro da rea de estacionamento. Se algum vrtice no estiver dentro, a posio do veculo definida como no
permitida e a manobra dita invlida. O segundo critrio leva em considerao a medida de
similaridade proposta. Aps a definio dos critrios, foram realizadas anlises em todas as
manobras antes definidas como realizadas com sucesso para verificar o quo bem elas foram
executadas. A Figura 6.11 exibe um exemplo exagerado do funcionamento da medida proposta.
(a)
(b)
(c)
(d)
Figura 6.11: Exemplo da medida de similaridade: (a) mostra como o veculo ficou
posicionado na regio de estacionamento desejada; (b) imagem binria da rea de
estacionamento desejada; (c) posio obtida do veculo dentro da rea desejada; (d) rea final
de similaridade deste exemplo com 81,4%.
Na Figura 6.11(a) exibido a regio de estacionamento desejvel e como o veculo ficou
posicionado aps a manobra. A Figura 6.11(b) exibe a posio desejvel de parada do veculo
em uma imagem binria. A Figura 6.11(c) mostra a posio obtida do veculo tambm em
binrio, para que se possa comparar as regies. Sendo assim, a Figura 6.11(d) apresenta a rea
64
de similaridade entre a posio desejvel e a posio obtida. Vale lembrar que, para esta posio,
o estacionamento j seria dito invlido, pois o veculo ficou fora da rea de estacionamento.
Com o primeiro critrio de avaliao (todos os vrtices do veculo devem estar dentro da
rea de estacionamento) tem-se que o controlador neural III conseguiu somente estacionar bem
em 53 dos 55 casos, ou seja, aproximadamente 96% das manobras realizadas obtiveram sucesso no estacionamento. O controlador VII foi melhor, acertando 54 dos 55 casos, obtendo
aproximadamente 98% de sucesso. Sendo assim, dentre as regies analisadas para o controlador III conseguiu-se obter, no pior caso, 85,4% de similaridade e para o melhor caso, 98,6%
de similaridade. O controlador VII conseguiu para o pior caso 87,5% e para o melhor caso
99,0%. Isso confirma que a segunda estratgia melhor que a primeira, tanto nos resultados de
treinamento da rede, como nas mtricas definidas para saber o quo bem o carro parou na vaga
de estacionamento.
6.4
Consideraes Finais
Este captulo descreveu a abordagem desenvolvida para construo do controlador neural.

Esta abordagem levou em considerao as entradas e sadas dos sensores, assim como o estado
da manobra em que o veculo se encontrava. Alm disso, foi demonstrada atravs de simulaes
realizadas no MatLab a regio onde o veculo poderia iniciar a manobra. Atravs desta regio
e das etapas de estacionamento, foi implementado um Autmato Finito para coletar os dados
durante a trajetria de estacionamento. Na sequncia estes dados foram apresentados a diversas
topologias de duas estratgias diferentes, obtendo resultados de treinamento superiores 96%
de sucesso. Os piores casos (sensores com rudos e sem a presena de paredes) foram implementados no simulador e definidas mtricas para avaliao. O controlador neural III conseguiu
obter 96% de sucesso, pois duas manobras ficaram um pouco fora da vaga, e o controlador VII
teve 98% de sucesso, sendo que somente uma manobra ficou com uma pequena ponta fora da
rea de estacionamento.
C APTULO
7
Concluses e Perspectivas Futuras
Esta dissertao apresentou um sistema inteligente para realizar a manobra de estacionamento paralelo com uma nica manobra entre dois veculos, utilizando tcnicas de aprendizado
supervisionado com Redes Neurais Artificiais (RNA). Os resultados das simulaes demonstram um sistema que possui a capacidade de realizar a manobra, sem bater nos demais obstculos ao seu redor at mesmo para novos casos apresentados ao controlador neural.
O desenvolvimento deste trabalho teve incio com o levantamento bibliogrfico dos principais trabalhos sobre estacionamento autnomo das ltimas duas dcadas. Foi verificado que
poucos so os trabalhos atualmente que utilizam RNA para realizar a manobra, menos ainda os
que fazem uso de arquiteturas robticas reativas. Por isso foi estudada uma tcnica de aprendizado de mquina supervisionado que seria utilizado nesta pesquisa (RNA). Logo em seguida
foram apresentadas informaes dos modelos de ambientes, da cinemtica que utilizada para
movimentar o veculo e dos sensores que servem para o veculo perceber o ambiente. Assim,
foi desenvolvido um simulador especfico para o trabalho que utiliza as informaes estudadas.
Resultados simulados expressivos foram obtidos com o controlador neural desenvolvido.
Quanto ao desenvolvimento do controlador neural necessrio enfatizar que o processo
quase exclusivamente emprico, demandando experincia ao se definir uma arquitetura de RNA
para qualquer tipo de problema. Ressalta-se tambm a importncia de pr-processamento dos
dados das entrada do controlador, devido a sua influncia direta no aprendizado da RNA. Haja
vista a diferena nos resultados dos treinamentos das RNAs de arquiteturas equivalentes apenas
substituindo-se os dados de entrada. O interessante de usar RNA que, depois de bem treinada,
ela capaz de responder satisfatoriamente a casos no apresentados. Foram realizados diversos
testes, levando em considerao sensores sem erros e com erros, alm de vagas sem e com
65
66
7.1. TRABALHOS FUTUROS
a presena de paredes. Vale ressaltar que todas as RNAs foram implementadas em MatLab,
dado o conhecimento prvio da ferramenta e sua facilidade de prototipagem rpida. Logo em
seguida o sistema neural (DLL gerada pelo MatLab) era importado no simulador, a fim de
avaliar o resultado final em diferentes casos.
Este projeto demonstrou que as simulaes realizadas utilizando o controlador desenvolvido foram capazes de alcanar com sucesso os objetivos previstos, tanto no que se refere ao
aprendizado da tarefa, quanto ao que se refere ao controle do veculo durante a manobra de estacionamento. Mesmo com resultados simulados deve-se levar em considerao que o controle
do rob reativo, o que no sofreria muitas modificaes se implementado e testado no mundo
real, pois ele no depende de outras informaes alm das implementadas neste trabalho. Para
validar o quo bom o veculo est estacionado na vaga, foram criados dois critrios de avaliao, que consistiram em verificar se o veculo estava dentro de uma rea de estacionamento e
na sequncia fez uso de uma medidade de similaridade por regies.
Apesar disto o trabalho possui algumas limitaes em relao ao simulador e ao controlador.
So elas, at o momento: o veculo prottipo somente procura vaga, e estaciona direita; o
controlador somente serve para vagas paralelas; o ambiente desenvolvido bidimensional o que
reduz o realismo da simulao; somente foram simulados veculos geometricamente quadrados,
sendo que a maioria dos veculos tem os cantos arredondados.
Este trabalho contribui para o projeto do Laboratrio de Robtica Mvel da EESC-USP em
parceria com o INCT-INOF e INCT-SEC, e tem como proposta o desenvolvimento de um carro
autnomo. O veculo, dentre todos os problemas de navegao, mapeamento e localizao,
tambm dever realizar a manobra de estacionamento de forma autnoma no futuro. Desta
forma, o sistema inteligente de estacionamento paralelo perfeito apresentado pode ser visto
tambm como uma contribuio para o sistema inteligente total do projeto, sendo este apenas o
incio de outros trabalhos.
7.1
Trabalhos Futuros
Como perspectiva para trabalho futuros inclui-se o desenvolvimento de um simulador tridimensional para o Laboratrio de Robtica Mvel da EESC-USP. Este simulador j se encontra
em desenvolvimento por dois alunos do curso de Cincia da Computao da Escola de Engenharia de Piracicaba (EEP) em seus Trabalho de Concluso de Curso (TCC). Os alunos da
EEP esto neste primeiro momento integrando a linguagem C++, a biblioteca auxiliar Boost, a
engine9 grfica Ogre3D e a engine de fsica Bullet. Outro aluno da EESC tambm esta participando e ficou encarregado de simular os sensores usando multithreads1 no ambiente grfico.
9
Engine na computao um conjunto de funcinoalidades que so disponibilizadas para facilitar o desenvolvimento de aplicaes na parte grfica, ou na parte fsica, ou na parte de inteligncia artificial, etc.
1
Multithread na computao a caracterstica dos sistemas que permitem repartir a utilizao do processador
entre vrias tarefas aparentemente simultaneamente
CAPTULO 7. CONCLUSES E PERSPECTIVAS FUTURAS
67
Atualmente o veculo real que serviu de modelo para o veculo simulado est sendo equipado com dois sensores laser Hokuyo e um sensor inercial, para validar de forma realista o
sistema desenvolvido no mundo real. O grupo j estuda outras tcnicas como Algoritmos Genticos, Fuzzy e Hbridas para integrar ao sistema desenvolvido e fazer novos testes. Estudos
relacionados abordagem por planejamento de trajetrias sero feitos no futuro como forma
integrar todos os trabalhos realizados pelos outros mestrandos e doutorandos, a fim de tornar o
sistema de estacionamento do veculo ainda mais robusto. Por fim, outro trabalho interessante
e que tambm se encontra em andamento por um aluno de Iniciao Cientfica a criao de
uma funo para localizar a vaga, esteja ela direita, esquerda ou em outro lugar do ambiente
(mesmo em curvas).
Referncias Bibliogrficas
A NDRADE , K. O.; JARDIM , B.; J OAQUIM , R. C.; I TO , G. G.; S IQUEIRA , A. A. G.; C AURIN ,
G. A. P.; A MARAL , L. M. S. A game-based framework for robotic rehabilitation. In:
DINAME, ed. 14th International Symposium on Dynamic Problems of Mechanics -, Anais
do DINAME 2011, 2011.
BAJRACHARYA , M.; TANG , B.; H OWARD , A.; T URMON , M.; M ATTHIES , L. Learning longrange terrain classification for autonomous navigation. In: IEEE International Conference
on Robotics and Automation, ICRA 2008, 2008, p. 40184024.
BAKER , C.; D OLAN , J. Street smarts for boss.
v. 16, n. 1, p. 7887, 2009.
IEEE Robotics & Automation Magazine,
B ONNEVI , T.; S IRYANI , R.; G UINAMARD , A. IG-500, world smallest inertial navigation
system. In: 3rd US-European Competition and Workshop on Micro Air Vehicle Systems
(MAV07) & European Micro Air Vehicle Conference and Flight Competition (EMAV2007),
Toulouse - France, 2007.
B ORENSTEIN , J.; E VERETT, H. R.; F ENG , L.; W EHE , D. Mobile robot positioning: Sensors
and techniques. Journal of Robotic Systems, v. 14, n. 4, p. 231249, 1997.
B ORENSTEIN , J.; F ENG , L.; B ORENSTEIN , C. J. Measurement and correction of systematic
odometry errors in mobile robots. IEEE Transactions on Robotics and Automation, v. 12,
p. 869880, 1996.
B OSCH
Parking made easy - parking assistance
http://twixar.com/nspkIn9ygpc, acesso em: 21 mar. 2011, 2011.
systems
from
bosh.
B RAGA , A. P.; L UDEMIR , T. B.; C ARVALHO , A. C. P. L. F. Redes neurais artificiais: Teoria

e aplicaes. 2 ed. LTC Editora, 283 p., 2007.
69
70
REFERNCIAS BIBLIOGRFICAS
B USCHKA , P.; S AFFIOTTI , R. Some notes on the use of hybrid maps for mobile robots. In:
Proceedings of the 8th International. Conference on Inlligent Autonomous Systems (IAS),
2004, p. 547556.
C ABRERA -C OSETL , R.; M ORA -A LVAREZ , M. Z.; A LEJOS -PALOMARES , R. Self-parking
system based in a fuzzy logic approach. In: Proceedings of the 2009 International Conference on Electrical, Communications, and Computers,CONIELECOMP 09, Washington,
DC, USA: IEEE Computer Society, 2009, p. 119124.
C HAO , C.-H.; H O , C.-H.; L IN , S.-H.; L I , T. H. S. Omni-directional vision-based parallelparking control design for car-like mobile robot. In: Proc.eedings of IEEE International
Conference Mechatronics ICM 05, 2005, p. 562567.
C HATILA , R.; L AUMOND , J. Position referencing and consistent world modeling for mobile
robots. In: Proceedings of IEEE International Conference Robotics and Automation, 1985,
p. 138145.
C HU , A.; K AZEROONI , H.; Z OSS , A. On the biomimetic design of the Berkeley Lower Extremity Exoskeleton (BLEEX). In: Proceedings of the 2005 IEEE International Conference
on Robotics and Automation, Barcelona, 2005, p. 4345 4352.
DAN F ORESEE , F.; H AGAN , M. T. Gauss-newton approximation to bayesian learning. In:
International Conference on Neural Networks, 1997, p. 19301935.
D EMIRLI , K.; K HOSHNEJAD , M. Autonomous parallel parking of a car-like mobile robot by
a neuro-fuzzy sensor-based controller. Fuzzy Sets and Systems, v. 160, n. 19, p. 28762891,
2009.
D RISS , A.; RODRIGUES , V.; C OHENS , P. Parking a vision-guided automobile vehicle. In:
Proceedings of the Third IEEE Conference on Control Applications, 1994, p. 5964.
D UDEK , G.; J ENKIN , M. Computational principles of mobile robotics. New York, NY, USA:
Cambridge University Press, 2000.
D UDEK , G.; J ENKIN , M. Inertial sensors, gps, and odometry. In: S ICILIANO , B.; K HATIB ,
O., eds. Springer Handbook of Robotics, Springer Berlin Heidelberg, p. 477490, 2008.
E LECTRONICS , C.
Rotary encoders:
Operating principles.
electronics.info/en/00097/00e87.pdf, acesso em: 30 junho. de 2011., 2009.
http://copal-
F ERREIRA , A. B. H. Dicionrio novo aurlio sculo xxi lngua portuguesa grande. 3 ed.
Positivo, 2004.
F ORHAN , N. A. E. Giroscpios MEMS. Relatrio tcnico-cientfico, Instituto Nacional de
Pesquisas Espaciais - INPE, So Jos dos Campos - SP - Brasil, iNPE-16671-RPQ/848, 2010.
71
G ILLESPIE , T. D. Fundamentals of vehicle dynamics. SAE International, 519 p., 1992.

G ORINEVSKY, D.; K APITANOVSKY, A.; G OLDENBERG , A. Design of radial basis functionbased controller for autonomous parking of wheeled vehicles. In: American Control Conference, 1994, 1994, p. 806810.
G ORINEVSKY, D.; K APITANOVSKY, A.; G OLDENBERG , A. Neural network architecture for
trajectory generation and control of automated car parking. IEEE Transactions on Control
Systems Technology, v. 4, n. 1, p. 5056, 1996.
G RABIANOWSKI , E. How self-parking car works. http://auto.howstuffworks.com/cardriving-safety/safety-regulatory-devices/self-parking-car.htm, acesso em: 21 mar. de 2011.,
2007.
G UPTA , A.; D IVEKAR , R.; AGRAWAL , M. Autonomous parallel parking system for ackerman
steering four wheelers. In: Proceedings of IEEE International Conference Computational
Intelligence and Computing Research (ICCIC), 2010, p. 16.
H AGAN , M. T.; M ENHAJ , M. B. Training feedforward networks with the marquardt algorithm. IEEE Transactions on Neural Networks, v. 5, n. 6, p. 989993, 1994.
H AYKIN , S. Redes neurais: Princpios e prtica. 2 ed. Bookman, 2001.
H EINEN , F.; F ORTES , L.; O SRIO , F. S. Controle inteligente de veculos autnomos: Automatizao do processo de estacionamento de carros. In: Anais do SEMINCO 2001 - FURB,
Blumenau, 2001, p. 3546.
H EINEN , F. J. Sistema de controle hbrido para robs mveis autnomos. Dissertao de
mestrado, Unisinos, So Leopoldo, RS, 2002.
H EINEN , M.; O SRIO , F.; H EINEN , F.; K ELBER , C. Estacionamento de um veculo de forma
autnoma utilizando redes neurais artificiais. In: XXVI Congresso da Sociedade Brasileira
de Computao, UFMS - Campo Grande, 2006a.
H EINEN , M. R.; OS RIO , F. S.; H EINEN , F.; K ELBER , C. Uso de realidade virtual no
desenvolvimento de um sistema de controle do estacionamento de veculos autnomos. In:
Anais do VIII Simpsio Brasileiro de Realidade Virtual (SVR), Belm, Par, 2006b, p. 245
256.
H EINEN , M. R.; O SRIO , F. S.; H EINEN , F. J.; K ELBER , C. SEVA3D: autonomous vehicles
parking simulator in a three-dimensional environment. INFOCOMP Journal of Computer
Science, v. 6, n. 2, p. 6370, 2007.
72
H ERNANDES , A. C.; M ENDONA , A. S. B.; A NDRADE , K. O.; B ECKER , M. Redes neurais

artificiais aplicadas baliza paralela de veculo de passeio em ambiente simulado. In: Anais
do CONEM 2010, Campina Grande - PB: CONEM 2010 - Congresso Nacional de Engenharia
Mecnica, 2010, p. 110.
H ERRMANN , N. Ein mathematisches modell zum parallelparken. http://www.ifam.unihannover.de/ herrmann/PARKEN.PDF, acesso em: 3 dez. 2010, 2003.
H ONDA
2011.
Humanoid robot asimo. http://world.honda.com/ASIMO/, acesso em 28/03/2011,
H OYLE , R. Requirements for a perfect s-shaped parallel parking manoeuvre in a simple mathematical model. http://personal.maths.surrey.ac.uk/st/R.Hoyle/papers/parkingformula.pdf,
acesso em: 3 dez. 2010, 2003.
H SU , T.- H .; L IU , J.-F.; Y U , P.-N.; L EE , W.-S.; H SU , J.-S. Development of an automatic
parking system for vehicle. In: Proceedings of IEEE Vehicle Power and Propulsion Conference. VPPC 08, 2008, p. 16.
H UA , W.; C UIQIN , M.; L IJUAN , Z. A brief review of machine learning and its application.
In: International Conference on Information Engineering and Computer Science, 2009. ICIECS 2009, 2009, p. 1 4.
H UANG , S.-J.; L IN , G.-Y. Parallel auto-parking of a model vehicle using a self-organizing
fuzzy controller. Proceedings of The Institution of Mechanical Engineers Part D-journal of
Automobile Engineering, v. 224, p. 9971012, 2010.
H UI , N. B. Coordinated motion planning of multiple mobile robots using potential field
method. In: International Conference on Industrial Electronics, Control & Robotics (IECR),
2010, p. 611.
H USQVARNA Automower (Robotic lawn mower).
28/03/2011, 2011.
http://www.husqvarna.com, acesso em
IBGE
Censo 2010:
populao do brasil de 190.732.694 pessoas.
http://veja.abril.com.br/noticia/brasil/populacao-brasileira-e-de-190-732-694-pessoasrevela-censo, acesso em: 21 mar. 2011, 2011.
I LL , Z. J.; J I , X. D.; WAN , K. J.; BAE , K. Y. A study of autonomous parking for a 4-wheel
driven mobile robot. In: Proceedings of Chinese Control Conference. CCC 2007, 2007, p.
179184.
I ROBOT
Cleaning robots (Roomba, Scooba, Dirt Dog, Verro). http://www.irobot.com/, acesso

em 28/03/2011, 2011.
73
J IANG , K.; S ENEVIRATNE , L. D. A sensor guided autonomous parking system for nonholonomic mobile robots. In: Proceedings. 1999 IEEE International Conference on Robotics
and Automation, 1999, 1999, p. 311316.
J UNG , H. G.; C HO , Y. H.; YOON , P. J.; K IM , J. Scanning laser radar-based target position designation for parking aid system. IEEE Transactions on Intelligent Transportation
Systems, v. 9, n. 3, p. 406424, 2008a.
J UNG , H. G.; K IM , D. S.; YOON , P. J.; K IM , J. Light stripe projection based parking space
detection for intelligent parking assist system. In: Proceedings of IEEE Intelligent Vehicles
Symposium, 2007, p. 962968.
J UNG , H. G.; K IM , D. S.; YOON , P. J.; K IM , J. Two-touch type parking slot marking
recognition for target parking position designation. In: Proceedings of IEEE Intelligent
Vehicles Symposium, 2008b, p. 11611166.
K AEMPCHEN , N.; F RANKE , U.; OTT, R. Stereo vision based pose estimation of parking lots
using 3d vehicle models. In: Proceedings of IEEE Intelligent Vehicle Symposium, 2002, p.
459464.
K HOUKHI , A.; D EMIRLI , K. Near-optimal energy fuzzy parking of mobile robots.
Proceedings of 5th IEEE GCC Conference Exhibition, 2009, p. 18.
In:
KOCHEM , M.; N EDDENRIEP, R.; I SERMANN , R. Accurate local vehicle dead-reckoning for
a parking assistance system. In: Proceedings of the American Control Conference, 2002,
p. 6.
KONDAK , K.; H OMMEL , G. Computation of time optimal movements for autonomous parking of non-holonomic mobile platforms. In: Proceedings of IEEE ICRA International
Conference Robotics and Automation, 2001, p. 26982703.
K REBS , H.; D IPIETRO , L.; L EVY-T ZEDEK , S.; FASOLI , S.; RYKMAN -B ERLAND , A.;
Z IPSE , J.; FAWCETT, J.; S TEIN , J.; P OIZNER , H.; L O , A.; VOLPE , B.; H OGAN , N.
A paradigm shift for rehabilitation robotics. IEEE Engineering in Medicine and Biology
Magazine, v. 27, n. 4, p. 6170, 2008.
L AUGIER , C.; F RAICHARD , T.; PAROMTCHIK , I. E.; G ARNIER , P. Sensor-based control
architecture for a car-like vehicle. In: Proceedings of IEEE/RSJ International Conference
on Intelligent Robots and Systems, 1998, p. 216222.
L AW, A. M.; K ELTON , W. D. Simulation modeling and analysis. 3 ed. New York, NY:
McGraw-Hill, 2000.
74
L EE , C.-K.; L IN , C.-L.; S HIU , B.-M. Autonomous vehicle parking using artificial intelligent approach. In: 4th International Conference on Autonomous Robots and Agents, 2009.
ICARA 2009., 2009, p. 496501.
L EE , K.-H.; E HSANI , R. Comparison of two 2d laser scanners for sensing object distances,
shapes, and surface patterns. Computers and Electronics in Agriculture, v. 60, n. 2, p. 250
262, 2008.
L EE , T.-C.; T SAI , C.-Y.; S ONG , K.-T. A motion planning approach to fast parking control
of mobile robots. In: Proceedings. ICRA 03. IEEE International Conference on Robotics
and Automation, 2003, p. 905910.
L EE , T.-C.; T SAI , C.-Y.; S ONG , K.-T. Fast parking control of mobile robots: a motion
planning approach with experimental validation. IEEE Transactions on Control Systems
Technology, v. 12, n. 5, p. 661676, 2004.
L I , T.-H.; C HANG , C.-C.; Y E , Y.-J.; TASI , G.-R. Autonomous parking control design
for car-like mobile robot by using ultrasonic and infrared sensors. In: B REDENFELD , A.;
JACOFF , A.; N ODA , I.; TAKAHASHI , Y., eds. RoboCup 2005: Robot Soccer World Cup IX,
v. 4020 de Lecture Notes in Computer Science, Springer Berlin / Heidelberg, p. 472479,
2006.
L I , T.-H.; C HANG , S.-J. Autonomous fuzzy parking control of a car-like mobile robot.
IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, v. 33,
n. 4, p. 451465, 2003.
L I , T.-H.; Y EH , Y.-C.; W U , J.-D.; H SIAO , M.-Y.; C HEN , C.-Y. Multifunctional intelligent
autonomous parking controllers for carlike mobile robots. IEEE Transactions on Industrial
Electronics, v. 57, n. 5, p. 16871700, 2010.
L I , T.-H. S.; C HANG , S.-J.; C HEN , Y.-X. Implementation of autonomous fuzzy garageparking control by an fpga-based car-like mobile robot using infrared sensors. In: Proceedings. ICRA 2003. IEEE International Conference on Robotics and Automation, 2003a, p.
37763781.
L I , T.-H. S.; C HANG , S.-J.; C HEN , Y.-X. Implementation of human-like driving skills
by autonomous fuzzy behavior control on an FPGA-based car-like mobile robot. IEEE
Transactions on Industrial Electronics, v. 50, n. 5, p. 867880, 2003b.
L INDEN , R. Algoritmos genticos. 2 ed. Brasport, 428 p., 2008.
L O , Y.; R AD , A.; W ONG , C.; H O , M. Automatic parallel parking. In: Proceedings of IEEE
Intelligent Transportation Systems, 2003, p. 11901193.
75
L UDWIG J R ., O.; C OSTA , E. M. M. Redes neurais - fundamentos e aplicaes com programas

em C. Rio de Janeiro: Cincia Moderna, 136 p., 2007.
M ARSHALL , D. Programming microsoft visual c# 2008: The language. 2nd ed. Microsoft
Press, 2008.
M EDEIROS , A. Introduo robtica. In: Anais do XVII Encontro Nacional de Automtica,
Natal - RN: 50a reunio anual da Sociedade Brasileira para o Progresso da Cincia - SBPC,
1998, p. 5665.
M ORGAN , S. Programming microsoft robotics studio.
Press, 2008.
Redmond, WA - USA: Microsoft
M URRAY, R. M.; S ASTRY, S. S. Nonholonomic motion planning: steering using sinusoids.

IEEE Transactions on Automatic Control, v. 38, n. 5, p. 700716, 1993.
NAO Aldebaran robotics. http://www.aldebaran-robotics.com/, acesso em: 5 mai. de 2011,
2011.
O ENTARYO , R. J.; PASQUIER , M. Self-trained automated parking system. In: 8th International Conference on Control, Automation, Robotics and Vision, Kunming - China, 2004, p.
10051010.
O ETIKER , M. B.; BAKER , G. P.; G UZZELLA , L. A navigation-field-based semi-autonomous
nonholonomic vehicle-parking assistant. IEEE Transactions on Vehicular Technology, v. 58,
n. 3, p. 11061118, 2009.
O SRIO , F. S.; H EINEN , F.; F ORTES , L. Controle da tarefa de estacionamento de um veculo
autnomo atravs do aprendizado de um autmato finito usando uma rede neural j-cc. In:
VII Simpsio Brasileiro de Redes Neurais, Porto de Galinhas - Recife: Anais do VII SBRN,
2002, p. 16.
PARK , W.-J.; K IM , B.-S.; S EO , D.-E.; K IM , D.-S.; L EE , K.-H. Parking space detection
using ultrasonic sensor in parking assistance system. In: Proceedings of IEEE Intelligent
Vehicles Symposium, 2008, p. 10391044.
PAROMTCHIK , I. E.; L AUGIER , C. Autonomous parallel parking of a nonholonomic vehicle.
In: Proceedings of the 1996 IEEE Intelligent Vehicles Symposium, 1996a, p. 1318.
PAROMTCHIK , I. E.; L AUGIER , C. Motion generation and control for parking an autonomous
vehicle. In: Proceedings of IEEE International Conference ont Robotics and Automation,
1996b, p. 31173122.
P INHEIRO , B. C. Sistema de controle tempo real embarcado para automao de manobra de
estacionamento. In: Proceedings of the American Control Conference, Florianpolis, 2009.
76
P LAYER The player project. http://playerstage.sourceforge.net/, acesso em: 21 mar. de 2011.,

2011.
R EZENDE , S. O.
Manole, 2005.
Sistemas inteligentes: Fundamentos e aplicaes.
Barueri, SP, Brasil:
R IEDMILLER , M.; B RAUN , H. A direct adaptive method for faster backpropagation learning:
the rprop algorithm. In: Proceedings of IEEE International Conference on Neural Networks,
1993, p. 586591.
ROSSI , A.; ROSATI , G. Rehabilitation robotics in padua, italy. In: Proc. IEEE 10th Int. Conf.
Rehabilitation Robotics ICORR 2007, 2007, p. 323327.
ROTH , W. J. Einparken - ein ideales thema fr experimentelle geometrie und projektarbeit.
http://www.mathematik.tu-dortmund.de/ieem/cms/media/BzMU/BzMU2007/Roth.pdf,
acesso em: 5 dez. de 2010, 2009.
RUSSEL , S.; N ORVIG , P. Inteligencia artificial. So Paulo: Editora Campus, 1040 p., 2004.
RUSU , R. B.; M ALDONADO , A.; B EETZ , M.; G ERKEY, B. Extending Player/Stage/Gazebo
towards Cognitive Robots Acting in Ubiquitous Sensor-equipped Environments. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA) Workshop
for Network Robot Systems, Rome, Italy, 2007.
S AHIN , H.; G UVENC , L. Household robotics: autonomous devices for vacuuming and lawn
mowing [applications of control]. IEEE Control Systems, v. 27, n. 2, p. 2096, 2007.
S AINI , L. M.; S ONI , M. K. Artificial neural network based peak load forecasting using
levenberg-marquardt and quasi-newton methods. IEE Proceedings-Generation, Transmission and Distribution, v. 149, n. 5, p. 578584, 2002.
S AMPAIO , R. C. B.; F ERNANDES , V. V. M.; B ECKER HELVIS: a Mini Plataform in the
Research of HEVs. In: Vehicle Power and Propulsion Conference (VPPC), Chicago, USA,
2011, p. 16.
S ASIADEK , J. Z.; K HE , J. Sensor fusion based on fuzzy kalman filter. In: Proceedings of
the Second International Workshop on Robot Motion and Control, 2001, p. 275283.
SBG S YSTEMS Ig-500n Leaflet.
acesso em: 30 jun. 2011, 2011.
http://www.sbg-systems.com/docs/IG-500N-Leaflet.pdf,
S HAOHUA , M.; C HAO , W. Assistant-parking system based on vision perception system and
fuzzy logic controller. WRI Global Congress on Intelligent Systems, v. 1, p. 381384, 2010.
S ICILIANO , B.; K HATIB , O. Springer handbook of robotics. Springer, 2008.
77
S IEGWART, R.; N OURBAKHSH , I. R.; S CARAMUZZA , D. Introduction to Autonomous Mobile Robots. 2nd ed. The MIT Press, 453 p., 2011.
S ILVA , I. N.; S PATTI , D. H.; F LAUZINO , R. A. Redes neurais artificiais para engenharia e
cincias aplicadas: curso prtico. 1 ed. So Paulo: ArtLiber, 399 p., 2010.
S ONY
Aibo entertainment robots.
28/03/2011, 2011.
http://support.sony-europe.com/aibo/, acesso em
T HRUN , S. Robotic mapping: a survey. In: Exploring Artificial Intelligence in the New
Millenium, San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., p. 135, 2003.
T HRUN , S.; M ONTEMERLO , M.; DAHLKAMP, H.; S TAVENS , D.; A RON , A.; D IEBEL , J.;
F ONG , P.; G ALE , J.; H ALPENNY, M.; H OFFMANN , G.; L AU , K.; OAKLEY, C.; PALA TUCCI , M.; P RATT, V.; S TANG , P.; S TROHBAND , S.; D UPONT, C.; J ENDROSSEK , L.-E.;
KOELEN , C.; M ARKEY, C.; RUMMEL , C.; N IEKERK , J.; J ENSEN , E.; A LESSANDRINI ,
P.; B RADSKI , G.; DAVIES , B.; E TTINGER , S.; K AEHLER , A.; N EFIAN , A.; M AHONEY,
P. Stanley: The robot that won the darpa grand challenge. Journal of Field Robotics, v. 23,
n. 9, p. 661692, 2006.
VALEO Press releases - signature of a cooperation agreement between valeo and ibeo.
http://acessa.me/f5xb, acesso em: 30 jun. 2011, 2010.
V LACIC , L.; PARENT, M.; H ARASHIMA , F. Intelligent vehicle technologies: Theory and
applications. Society of Automotive Engineers. Oxford, United Kingdom: ButterworthHeinemann, 498 p., 2001.
WADA , M.; YOON , K. S.; H ASHIMOTO , H. Development of advanced parking assistance
system. IEEE Transactions on Industrial Electronics, v. 50, n. 1, p. 417, 2003.
Z HAO , Y.; J R ., E. G. C. Robust automatic parallel parking in tight spaces via fuzzy logic.
Robotics and Autonomous Systems, v. 51, n. 2-3, p. 111127, 2005.
Z HU , C.; R AJAMANI , R. Global positioning system-based vehicle control for automated
parking. Proceedings of the I MECH E Part D Journal of Automobile Engineering, v. 220,
n. 1, p. 3752, 2006.
A PNDICE
A
Mapa conceitual do projeto SENA
Figura A.1: Mapa global do projeto SENA
79
80
Figura A.2: Mapa do problema de veculos semi-autnomos
APNDICE A. MAPA CONCEITUAL DO PROJETO SENA
Figura A.3: Mapa do problema de veculos autnomos
81
82
Figura A.4: Mapa dos desafios do projeto SENA
A PNDICE
B
Pseudo-Algoritmo do Autmato Finito
Algoritmo 1: Manobra(automtico)
1 enquanto automtico faa
2
selecione estado faa
3
caso procurando vaga
4
Estado1();
5
caso posicionando veculo
6
Estado2();
7
caso entrando na vaga
8
Estado3();
9
caso posicionando na vaga
10
Estado4();
11
caso alinhando na vaga
12
Estado5();
13
caso parado
14
Estado6();
15
fim
16
fim
17 fim
Algoritmo 2: Estado6()
1 V 0;
2 automtico falso;
83
84
1 V 5;
2 0;
3 se SF 1 > d ento
4
P P + V Dt ;
5 seno se P Pmin ento
6
estado posicionando veculo;
7 seno
8
P 0;
9 fim
1 se SR1 d ento
+d)2 +P 2
R (W4(W
;
2
+d)
3
arctan Rl ;
4
se Rmin ento
5
0;
6
estado procurando vaga;
7
seno
8
V 5;
9
estado entrando na vaga;
10
fim
11 fim

1
P
1 se sin
ento
2R
2
= 1;
3
estado posicionando na vaga;
4 fim
1 se SR3 s ento
2
estado alinhando na vaga;
3 fim
1 se SF 3 SR3 > erro ento
2
V 5;
3 seno
4
V 5;
5 seno
6
estado parado;
7 fim
A PNDICE
C
Resultados das Topologias das Redes
Neurais
Tabela C.1: Resultados do Treinamento e validao das topologias candidatas para o primeiro
sistema neural (dados sem rudos e sem parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-1
MLP-2
MLP-3
MLP-4
MLP-5
MLP-6
MLP-7
MLP-8
MLP-9
MLP-10
MLP-11
MLP-12
MLP-13
MLP-14
MLP-15
MLP-16
MLP-17
MLP-18
MLP-19
MLP-20
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
Treinamento
MAPE (% acertos)
C2
C3
C4
C5
97,3
97,6
98,1
97,8
98,1
98,6
97,9
97,5
98,3
97,9
97,8
97,9
98,3
98,3
98,5
97,8
98,5
97,7
98,3
98,3
97,8
98,0
98,0
98,0
97,5
98,2
98,3
98,1
98,0
98,0
97,9
98,2
98,3
98,0
98,1
98,2
98,2
98,1
98,5
98,3
98,1
98,1
98,0
98,2
98,0
98,2
98,5
98,1
98,3
98,0
98,4
98,3
98,2
97,8
98,0
98,4
98,7
98,3
98,3
98,4
97,6
97,7
98,0
97,9
97,5
98,2
98,1
98,4
98,1
97,8
98,3
98,0
97,6
98,4
98,4
98,0
97,9
97,7
98,4
97,2
97,8
98,0
97,9
97,6
97,9
98,2
98,1
98,3
98,4
98,0
98,5
98,4
98,7
98,3
98,7
98,6
98,5
98,2
98,5
98,2
85
C1
Validao
MAPE (% acertos)
C2
C3
C4
C5
97,2
97,5
98,0
97,9
98,1
98,5
97,8
97,5
98,2
97,8
97,7
97,8
98,2
98,2
98,4
97,7
98,4
97,7
98,2
98,2
97,6
97,9
97,9
97,9
97,4
98,1
98,2
98,0
97,9
98,0
97,9
98,1
98,3
97,9
98,0
98,1
98,1
98,0
98,4
98,3
98,1
98,1
97,9
98,1
98,0
98,2
98,5
98,1
98,3
98,0
98,4
98,3
98,2
97,8
98,0
98,4
98,7
98,3
98,3
98,4
97,5
97,7
98,0
97,9
97,5
98,2
98,2
98,4
98,1
97,8
98,4
98,0
97,6
98,5
98,4
97,9
97,9
97,8
98,4
97,2
98,0
98,1
98,0
97,7
98,0
98,3
98,1
98,4
98,5
98,1
98,6
98,6
98,8
98,3
98,8
98,7
98,6
98,2
98,5
98,3
Mdia Final
MAPE (% acertos)
Trein.
Val.
97,7
97,9
98,0
97,9
97,8
98,3
98,2
98,1
98,2
97,9
98,2
98,2
98,2
98,2
98,3
98,2
98,3
98,0
98,4
98,1
97,7
97,9
98,0
97,9
97,8
98,2
98,1
98,1
98,2
98,0
98,2
98,2
98,2
98,1
98,3
98,2
98,3
98,0
98,4
98,1
86
Tabela C.2: Resultados do Treinamento e validao das topologias candidatas para o primeiro
sistema neural (dados sem rudos e sem parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-21
MLP-22
MLP-23
MLP-24
MLP-25
MLP-26
MLP-27
MLP-28
MLP-29
MLP-30
MLP-31
MLP-32
MLP-33
MLP-34
MLP-35
MLP-36
MLP-37
MLP-38
MLP-39
MLP-40
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
Treinamento
MAPE (% acertos)
C2
C3
C4
C5
98,6
98,4
88,0
78,1
99,3
99,3
75,5
61,7
99,0
93,5
97,5
89,1
91,0
97,4
78,5
98,7
99,3
89,1
86,4
77,4
91,0
84,4
98,2
95,0
99,1
99,5
74,2
88,9
99,0
95,3
93,5
91,5
75,5
97,3
89,2
99,1
99,5
89,5
87,6
90,8
96,4
98,2
98,3
93,9
99,3
99,5
64,8
94,5
95,5
87,2
97,2
97,0
91,8
94,7
74,1
97,3
99,5
89,2
97,5
81,3
98,3
88,4
94,0
97,4
99,2
99,4
57,3
88,6
95,5
94,6
96,3
99,2
78,5
89,2
78,9
98,1
99,4
89,7
85,6
97,6
98,7
98,8
97,9
74,9
99,2
99,7
67,5
92,4
98,9
99,2
95,3
80,3
65,6
86,7
89,7
99,2
99,5
89,7
87,9
90,9
C1
Validao
MAPE (% acertos)
C2
C3
C4
C5
98,7
98,5
88,3
78,7
99,3
99,3
75,8
62,0
99,1
93,5
97,3
89,0
91,2
97,2
78,9
98,8
99,3
89,3
86,7
78,2
90,8
84,8
98,1
94,5
99,1
99,4
74,1
87,8
98,9
95,0
93,5
91,1
73,9
97,0
88,9
99,0
99,4
89,7
87,0
90,6
96,0
98,0
98,2
93,8
99,3
99,4
64,4
94,6
95,1
87,2
97,1
97,2
91,7
94,4
74,4
97,1
99,5
89,3
97,2
81,3
98,3
88,2
93,9
97,6
99,1
99,4
56,5
88,7
95,8
94,4
96,5
99,3
78,0
89,2
78,3
98,4
99,4
89,3
85,5
97,7
98,7
98,8
97,9
74,3
99,2
99,7
66,6
92,0
98,8
99,2
95,4
81,8
65,6
87,2
90,1
99,2
99,5
89,4
88,6
91,4
Mdia Final
MAPE (% acertos)
Trein.
Val.
96,6
93,6
95,3
87,9
99,2
99,5
67,9
85,2
97,6
94,0
96,0
91,5
80,5
93,0
82,1
98,5
99,5
89,5
89,0
87,6
96,5
93,7
95,3
87,8
99,2
99,4
67,5
85,0
97,5
93,9
96,0
91,7
80,1
93,0
82,1
98,5
99,4
89,4
89,0
87,8
Tabela C.3: Resultados do Treinamento e validao das topologias candidatas para o segundo
sistema neural (dados sem rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-41
MLP-42
MLP-43
MLP-44
MLP-45
MLP-46
MLP-47
MLP-48
MLP-49
MLP-50
MLP-51
MLP-52
MLP-53
MLP-54
MLP-55
MLP-56
MLP-57
MLP-58
MLP-59
MLP-60
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
98,0
98,3
97,9
98,1
98,1
98,4
98,1
98,5
98,4
98,6
98,4
98,5
98,6
98,7
98,5
98,7
98,5
98,9
98,8
98,4
Treinamento
MAPE (% acertos)
C2
C3
C4
97,7 98,0 98,4
98,0 98,3 98,5
97,7 97,7 97,6
98,1 98,3 98,2
97,9 98,0 98,1
98,5 98,5 98,5
98,2 98,3 98,4
98,7 98,6 98,5
98,2 98,7 98,7
98,2 98,4 98,4
98,4 98,5 98,8
98,2 98,4 98,5
98,7 98,7 98,8
98,6 98,8 98,9
98,6 98,4 98,5
98,6 98,4 98,7
97,9 98,6 98,7
98,9 98,8 98,7
98,7 98,8 98,8
98,7 98,8 98,8
C5
97,8
98,0
97,7
97,8
98,0
98,6
98,1
98,3
98,6
98,6
98,9
98,4
98,8
98,9
98,8
98,7
98,0
98,4
99,0
98,5
C1
97,9
98,2
97,8
97,9
98,0
98,3
97,8
98,4
98,2
98,5
98,3
98,3
98,4
98,5
98,3
98,6
98,3
98,7
98,7
98,3
Validao
MAPE (% acertos)
C2
C3
C4
97,8 98,0 98,5
98,1 98,4 98,6
97,7 97,8 97,7
98,2 98,4 98,3
98,0 98,1 98,2
98,6 98,6 98,5
98,3 98,4 98,5
98,8 98,7 98,6
98,2 98,8 98,8
98,3 98,6 98,5
98,5 98,5 98,8
98,3 98,4 98,6
98,8 98,8 98,8
98,7 98,9 99,0
98,8 98,5 98,7
98,6 98,5 98,8
98,0 98,6 98,8
98,9 98,9 98,8
98,8 98,9 98,8
98,8 98,8 98,9
C5
97,6
97,9
97,6
97,6
97,9
98,5
98,0
98,1
98,5
98,4
98,7
98,2
98,6
98,8
98,6
98,6
97,9
98,3
98,8
98,3
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,0
98,0
98,2
98,2
97,7
97,7
98,1
98,1
98,1
98,0
98,5
98,5
98,2
98,2
98,5
98,5
98,5
98,5
98,5
98,4
98,6
98,6
98,4
98,4
98,7
98,7
98,8
98,8
98,6
98,6
98,6
98,6
98,3
98,3
98,7
98,7
98,8
98,8
98,6
98,6
APNDICE C. RESULTADOS DAS TOPOLOGIAS DAS REDES NEURAIS
87
Tabela C.4: Resultados do Treinamento e validao das topologias candidatas para o segundo
sistema neural(dados sem rudos e com parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-61
MLP-62
MLP-63
MLP-64
MLP-65
MLP-66
MLP-67
MLP-68
MLP-69
MLP-70
MLP-71
MLP-72
MLP-73
MLP-74
MLP-75
MLP-76
MLP-77
MLP-78
MLP-79
MLP-80
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
99,2
98,7
86,3
98,9
99,8
75,8
98,4
99,4
99,3
99,5
87,2
99,8
98,7
99,7
99,5
99,5
96,0
99,7
99,6
99,0
Treinamento
MAPE (% acertos)
C2
C3
C4
76,3 98,5 99,4
99,2 98,7 86,5
98,5 95,7 96,1
98,9 84,4 75,3
99,7 99,6 99,2
98,5 66,0 87,6
99,5 90,3 90,0
99,5 99,5 99,6
99,6 99,4 99,7
99,4 99,6 99,5
87,2 99,7 87,2
99,6 99,8 99,6
86,1 99,8 99,2
99,5 99,6 99,6
99,5 99,8 99,4
99,2 99,7 90,5
99,3 99,4 99,3
99,7 99,7 99,7
99,7 99,6 99,4
99,7 99,7 99,6
C5
89,5
98,8
89,2
94,9
99,5
97,9
90,0
99,7
99,7
99,7
87,2
99,8
99,3
99,7
99,7
99,7
99,1
99,7
99,6
99,8
C1
99,1
98,5
86,3
98,7
99,7
75,5
98,1
99,2
99,1
99,4
87,2
99,6
98,5
99,5
99,4
99,3
95,9
99,5
99,5
98,8
Validao
MAPE (% acertos)
C2
C3
C4
76,8 98,4 99,4
99,3 98,6 86,6
98,7 95,6 96,2
99,0 84,6 75,3
99,7 99,6 99,2
98,7 66,1 87,3
99,5 89,9 89,9
99,4 99,5 99,6
99,6 99,4 99,7
99,5 99,5 99,6
87,0 99,7 87,2
99,5 99,8 99,6
85,9 99,7 99,0
99,5 99,5 99,6
99,5 99,8 99,4
99,2 99,6 90,5
99,3 99,3 99,4
99,7 99,7 99,7
99,6 99,6 99,5
99,7 99,6 99,6
C5
89,5
98,8
88,9
95,3
99,4
98,3
89,9
99,7
99,6
99,7
87,3
99,7
99,4
99,7
99,6
99,7
99,0
99,6
99,6
99,6
Mdia Final
MAPE (% acertos)
Trein.
Val.
92,6
92,6
96,4
96,4
93,2
93,1
90,5
90,6
99,5
99,5
85,2
85,2
93,6
93,5
99,5
99,5
99,6
99,5
99,6
99,5
89,7
89,7
99,7
99,6
96,6
96,5
99,6
99,6
99,6
99,6
97,7
97,7
98,6
98,6
99,7
99,6
99,6
99,6
99,5
99,5
Tabela C.5: Resultados do Treinamento e validao das topologias candidatas para o terceiro
sistema neural (dados com rudos e sem parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-81
MLP-82
MLP-83
MLP-84
MLP-85
MLP-86
MLP-87
MLP-88
MLP-89
MLP-90
MLP-91
MLP-92
MLP-93
MLP-94
MLP-95
MLP-96
MLP-97
MLP-98
MLP-99
MLP-100
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
97,8
98,0
97,8
98,0
97,9
98,1
98,3
98,2
98,3
97,8
98,2
98,3
98,2
98,2
97,9
98,1
98,3
98,3
98,2
98,1
Treinamento
MAPE (% acertos)
C2
C3
C4
97,8 97,6 97,8
98,0 97,4 97,8
97,9 97,9 97,9
98,2 98,0 98,0
98,1 97,6 97,8
98,3 97,6 98,0
98,4 97,9 98,1
98,1 97,9 97,8
98,0 98,0 97,9
98,6 98,0 98,2
98,0 97,8 98,4
98,5 97,7 98,1
98,5 98,2 98,2
98,4 97,8 98,2
98,2 98,0 98,3
98,4 98,1 98,1
98,4 97,5 98,2
98,6 98,0 98,5
98,2 98,0 98,0
98,3 97,9 98,2
C5
97,7
97,9
97,8
98,2
97,2
98,1
97,9
98,2
98,3
98,4
98,1
98,4
98,5
98,3
98,0
98,2
98,2
98,5
98,3
98,4
C1
97,8
97,9
97,7
97,9
97,8
98,0
98,2
98,1
98,2
97,7
98,2
98,2
98,1
98,1
97,8
98,1
98,3
98,2
98,1
98,0
Validao
MAPE (% acertos)
C2
C3
C4
97,6 97,9 97,7
97,7 97,7 97,7
97,6 98,1 97,9
97,9 98,2 98,0
97,8 97,8 97,8
98,0 97,9 98,0
98,1 98,2 98,1
97,8 98,2 97,8
97,8 98,2 97,9
98,3 98,3 98,2
97,8 98,1 98,4
98,3 98,0 98,0
98,3 98,4 98,2
98,2 98,1 98,2
98,0 98,3 98,3
98,2 98,4 98,1
98,1 97,8 98,2
98,4 98,3 98,5
98,0 98,2 98,0
98,0 98,2 98,2
C5
97,8
98,0
97,9
98,2
97,3
98,1
97,9
98,2
98,3
98,4
98,1
98,4
98,5
98,3
98,1
98,2
98,2
98,5
98,3
98,4
Mdia Final
MAPE (% acertos)
Trein.
Val.
97,8
97,8
97,8
97,8
97,9
97,9
98,1
98,1
97,7
97,7
98,0
98,0
98,1
98,1
98,0
98,0
98,1
98,1
98,2
98,2
98,1
98,1
98,2
98,2
98,3
98,3
98,2
98,2
98,1
98,1
98,2
98,2
98,1
98,1
98,4
98,4
98,1
98,1
98,2
98,2
88
Tabela C.6: Resultados do Treinamento e validao das topologias candidatas para o terceiro
sistema neural (dados com rudos e sem parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-101
MLP-102
MLP-103
MLP-104
MLP-105
MLP-106
MLP-107
MLP-108
MLP-109
MLP-110
MLP-111
MLP-112
MLP-113
MLP-114
MLP-115
MLP-116
MLP-117
MLP-118
MLP-119
MLP-120
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
72,4
98,6
75,7
99,0
85,3
87,7
99,0
99,1
98,4
99,1
98,8
98,9
99,0
98,5
98,5
97,3
98,3
90,6
98,8
84,9
Treinamento
MAPE (% acertos)
C2
C3
C4
83,5 87,4 87,4
99,0 99,0 98,9
97,6 97,7 85,3
99,0 98,9 99,0
98,1 84,8 98,2
95,0 84,6 97,4
98,9 99,2 99,0
99,4 99,2 99,0
86,5 90,5 99,0
99,1 98,8 99,0
99,1 99,2 98,8
99,1 99,0 98,6
99,1 98,9 99,0
98,8 98,7 98,8
71,4 98,4 70,7
98,1 98,6 95,2
99,1 98,0 99,1
85,1 96,5 98,5
99,1 98,5 99,0
85,0 86,8 88,8
C5
87,7
98,7
67,6
98,9
98,6
92,4
99,0
98,9
98,9
99,0
99,0
99,0
99,1
99,0
79,5
95,5
98,5
98,4
98,8
84,8
C1
72,4
98,5
75,4
98,8
85,4
87,7
98,7
98,9
98,2
98,9
98,7
98,7
98,8
98,3
98,2
96,7
98,1
90,0
98,6
84,5
Validao
MAPE (% acertos)
C2
C3
C4
83,1 87,1 87,2
99,0 99,0 98,8
97,4 97,6 85,8
99,0 99,0 99,0
97,9 85,1 98,3
94,4 84,5 97,6
98,8 99,2 99,0
99,3 99,2 98,9
86,6 91,1 98,9
99,0 99,0 99,0
99,0 99,3 98,8
99,0 99,1 98,5
99,0 99,0 98,9
98,6 98,7 98,7
70,9 98,2 70,4
97,7 98,5 94,8
99,0 98,1 99,0
84,7 96,9 98,5
98,9 98,6 98,9
84,4 87,2 88,7
C5
88,1
98,7
67,5
99,0
98,6
92,2
99,1
99,0
99,0
99,1
98,9
99,1
99,1
98,9
79,6
95,9
98,6
98,5
98,9
84,1
Mdia Final
MAPE (% acertos)
Trein.
Val.
83,7
83,6
98,8
98,8
84,8
84,7
99,0
98,9
93,0
93,1
91,4
91,3
99,0
98,9
99,1
99,1
94,7
94,8
99,0
99,0
99,0
98,9
98,9
98,9
99,0
99,0
98,7
98,7
83,7
83,5
96,9
96,7
98,6
98,5
93,8
93,7
98,8
98,8
86,0
85,8
Tabela C.7: Resultados do Treinamento e validao das topologias candidatas para o quarto
sistema neural (dados com rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-121
MLP-122
MLP-123
MLP-124
MLP-125
MLP-126
MLP-127
MLP-128
MLP-129
MLP-130
MLP-131
MLP-132
MLP-133
MLP-134
MLP-135
MLP-136
MLP-137
MLP-138
MLP-139
MLP-140
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
97,6
97,4
97,0
97,2
97,8
97,4
97,8
97,8
97,9
98,1
97,7
98,1
98,3
98,3
98,1
98,2
98,2
98,2
97,9
98,3
Treinamento
MAPE (% acertos)
C2
C3
C4
98,0 98,1 97,9
97,9 97,9 97,8
97,1 97,9 97,3
97,9 97,3 98,1
98,1 98,2 97,9
98,2 98,3 98,2
98,4 98,4 98,4
98,2 98,4 98,4
98,2 98,3 98,1
98,3 98,5 98,3
98,2 98,4 97,9
98,5 98,5 98,6
98,5 98,4 98,4
98,3 98,2 98,2
98,2 98,2 98,5
98,5 98,5 98,3
98,4 98,5 98,4
98,1 98,3 98,1
98,3 98,5 98,0
98,4 98,4 98,3
C5
97,9
97,9
97,4
97,4
97,8
98,4
98,2
98,1
98,0
98,2
97,9
98,3
98,4
98,3
98,2
98,3
98,4
98,1
98,3
98,4
C1
97,8
97,7
97,2
97,4
98,0
97,5
98,1
98,0
98,1
98,3
98,0
98,3
98,4
98,4
98,4
98,4
98,4
98,4
98,1
98,5
Validao
MAPE (% acertos)
C2
C3
C4
97,8 97,8 98,1
97,7 97,7 97,9
97,0 97,7 97,5
97,8 97,1 98,3
97,9 97,9 98,0
98,1 98,1 98,3
98,3 98,2 98,5
98,0 98,2 98,6
98,1 98,1 98,2
98,2 98,3 98,4
98,0 98,2 98,0
98,5 98,3 98,7
98,3 98,2 98,6
98,1 97,9 98,4
98,1 98,0 98,5
98,4 98,3 98,4
98,2 98,3 98,5
98,0 98,1 98,2
98,2 98,3 98,2
98,3 98,1 98,4
C5
97,9
98,0
97,4
97,4
97,9
98,3
98,2
98,1
98,1
98,2
97,9
98,3
98,4
98,3
98,2
98,3
98,4
98,1
98,3
98,3
Mdia Final
MAPE (% acertos)
Trein.
Val.
97,9
97,9
97,8
97,8
97,3
97,3
97,6
97,6
98,0
98,0
98,1
98,1
98,2
98,2
98,2
98,2
98,1
98,1
98,3
98,3
98,0
98,0
98,4
98,4
98,4
98,4
98,3
98,2
98,3
98,2
98,4
98,4
98,4
98,4
98,1
98,1
98,2
98,2
98,3
98,3
89
Tabela C.8: Resultados do Treinamento e validao das topologias candidatas para o quarto
sistema neural (dados com rudos e com parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-141
MLP-142
MLP-143
MLP-144
MLP-145
MLP-146
MLP-147
MLP-148
MLP-149
MLP-150
MLP-151
MLP-152
MLP-153
MLP-154
MLP-155
MLP-156
MLP-157
MLP-158
MLP-159
MLP-160
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
98,3
98,5
98,5
98,9
99,1
89,3
70,6
89,7
98,9
99,1
99,1
99,2
95,7
99,3
99,1
98,7
89,0
98,8
84,1
79,7
Treinamento
MAPE (% acertos)
C2
C3
C4
88,8 98,1 86,0
99,1 98,7 98,5
98,9 80,3 98,7
98,8 98,9 99,0
99,1 98,2 99,0
89,3 76,1 89,5
70,5 80,1 86,0
98,1 98,6 79,3
98,8 98,8 99,0
98,7 89,5 88,8
99,2 99,3 99,2
99,2 99,2 99,1
98,3 98,7 98,9
98,5 99,3 98,9
99,1 99,1 99,1
86,6 98,5 98,7
72,1 99,2 99,4
98,9 99,2 99,1
98,6 99,2 99,1
90,1 89,3 98,5
C5
88,7
98,0
80,2
98,9
97,3
89,8
70,3
99,1
98,8
87,9
99,2
99,1
98,4
98,4
99,4
98,5
99,4
99,2
85,0
98,7
C1
98,3
98,4
98,4
98,9
99,0
89,2
70,6
89,7
98,9
98,9
99,1
99,1
95,8
99,2
99,1
98,7
89,0
98,8
84,2
79,4
Validao
MAPE (% acertos)
C2
C3
C4
89,2 98,1 86,0
99,0 98,6 98,4
98,8 80,6 98,7
98,7 98,7 99,1
99,0 98,1 99,0
88,7 76,0 89,7
69,2 80,3 85,9
98,1 98,6 79,8
98,7 98,7 98,9
98,5 89,6 89,1
99,1 99,2 99,2
99,0 99,1 99,1
98,2 98,6 98,8
98,4 99,2 98,8
98,9 99,1 99,1
86,8 98,3 98,5
70,1 99,1 99,3
98,8 99,1 99,1
98,5 99,1 99,1
89,1 89,3 98,2
C5
88,0
97,9
80,5
98,9
97,2
89,8
70,5
99,0
98,7
87,9
99,1
99,1
98,4
98,3
99,3
98,4
99,1
99,1
85,1
98,7
Mdia Final
MAPE (% acertos)
Trein.
Val.
92,0
91,9
98,5
98,5
91,3
91,4
98,9
98,8
98,5
98,5
86,8
86,7
75,5
75,3
93,0
93,0
98,9
98,8
92,8
92,8
99,2
99,1
99,1
99,1
98,0
98,0
98,9
98,8
99,2
99,1
96,2
96,1
91,8
91,3
99,1
99,0
93,2
93,2
91,3
90,9
Tabela C.9: Resultados do Treinamento e validao das topologias especialistas candidatas

(12 entradas e uma sada com esteramento do veculo) para o quinto sistema neural (dados
sem rudos e sem parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-161
MLP-162
MLP-163
MLP-164
MLP-165
MLP-166
MLP-167
MLP-168
MLP-169
MLP-170
MLP-171
MLP-172
MLP-173
MLP-174
MLP-175
MLP-176
MLP-177
MLP-178
MLP-179
MLP-180
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
100,0
99,9
99,9
99,9
99,9
99,9
100,0
99,9
99,9
100,0
100,0
99,9
99,9
99,9
99,8
100,0
99,9
99,9
99,9
99,9
Treinamento
MAPE (% acertos)
C2
C3
C4
100,0 99,9 100,0
99,9
99,9
99,9
99,9 100,0 100,0
99,9
99,9
99,9
100,0 99,9 100,0
99,9
99,9
99,9
99,9
99,9 100,0
99,9
99,8
99,9
99,9
99,9
99,9
100,0 100,0 100,0
100,0 100,0 99,9
100,0 99,9 100,0
99,9
99,9 100,0
99,9
99,9
99,9
99,9
99,9
99,9
100,0 100,0 100,0
99,9 100,0 100,0
99,9
99,9 100,0
99,9
99,9 100,0
99,9
99,9
99,9
C5
100,0
99,9
99,9
99,9
99,9
99,9
100,0
99,9
99,9
100,0
100,0
99,9
100,0
99,9
99,9
100,0
100,0
100,0
100,0
99,9
C1
100,0
100,0
99,9
99,9
99,9
99,9
100,0
99,9
99,9
100,0
100,0
99,9
99,9
99,9
99,8
100,0
99,9
99,9
99,9
99,9
Validao
MAPE (% acertos)
C2
C3
C4
100,0 100,0 100,0
99,9 99,9
99,9
99,9 100,0 100,0
99,9 99,9
99,9
100,0 99,9 100,0
99,9 99,9
99,9
99,9 99,9 100,0
99,9 99,8
99,9
99,9 99,9
99,9
100,0 100,0 100,0
100,0 100,0 99,9
100,0 99,9 100,0
99,9 99,9 100,0
99,9 99,9
99,9
99,9 99,9
99,9
100,0 100,0 100,0
100,0 100,0 100,0
99,9 99,9 100,0
99,9 99,9 100,0
99,9 99,9
99,9
C5
100,0
99,9
99,9
99,9
99,9
99,9
100,0
99,9
99,9
100,0
100,0
99,9
100,0
99,9
99,9
100,0
100,0
100,0
99,9
99,9
Mdia Final
MAPE (% acertos)
Trein.
Val.
100,0
100,0
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
100,0
100,0
100,0
100,0
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
100,0
100,0
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
90

sem rudos e sem parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-181
MLP-182
MLP-183
MLP-184
MLP-185
MLP-186
MLP-187
MLP-188
MLP-189
MLP-190
MLP-191
MLP-192
MLP-193
MLP-194
MLP-195
MLP-196
MLP-197
MLP-198
MLP-199
MLP-200
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
100,0
100,0
100,0
97,4
98,7
41,6
100,0
100,0
100,0
100,0
100,0
100,0
88,7
100,0
100,0
97,4
100,0
73,0
83,1
100,0
Treinamento
MAPE (% acertos)
C2
C3
C4
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 97,7 97,6
98,8
98,9 100,0
41,5
93,4 100,0
92,2
98,8
80,6
100,0 100,0 100,0
100,0 100,0 100,0
64,4 100,0 86,0
100,0 100,0 100,0
100,0 100,0 100,0
91,5
85,6
61,7
100,0 100,0 100,0
100,0 100,0 100,0
97,6 100,0 97,6
100,0 100,0 100,0
100,0 88,9 88,4
100,0 98,5 93,9
100,0 100,0 100,0
C5
100,0
100,0
100,0
97,8
100,0
70,9
97,0
100,0
100,0
97,8
100,0
100,0
98,1
100,0
100,0
97,8
100,0
75,2
98,9
100,0
C1
100,0
100,0
100,0
98,5
99,3
41,2
100,0
100,0
100,0
100,0
100,0
100,0
89,7
100,0
100,0
98,5
100,0
73,8
83,9
100,0
Validao
MAPE (% acertos)
C2
C3
C4
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 97,4 97,7
98,9
98,7 100,0
41,3
92,8 99,9
91,9 98,7
78,8
100,0 100,0 100,0
100,0 100,0 100,0
64,2 100,0 84,2
100,0 100,0 100,0
100,0 100,0 100,0
91,0
86,8 61,2
100,0 100,0 100,0
100,0 100,0 100,0
97,7 100,0 97,7
100,0 100,0 100,0
100,0 89,1 88,4
100,0 98,1 93,2
100,0 100,0 100,0
C5
100,0
100,0
100,0
96,8
100,0
70,2
96,1
100,0
100,0
96,8
100,0
100,0
97,2
100,0
100,0
96,8
100,0
76,7
98,4
100,0
Mdia Final
MAPE (% acertos)
Trein.
Val.
100,0
100,0
100,0
100,0
100,0
100,0
98,1
98,1
99,3
99,4
69,5
69,1
93,7
93,1
100,0
100,0
100,0
100,0
89,6
89,0
100,0
100,0
100,0
100,0
85,1
85,2
100,0
100,0
100,0
100,0
98,1
98,2
100,0
100,0
85,1
85,6
94,9
94,7
100,0
100,0

(12 entradas e uma sada com a velocidade do veculo) para o quinto sistema neural (dados
sem rudos e sem parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-201
MLP-202
MLP-203
MLP-204
MLP-205
MLP-206
MLP-207
MLP-208
MLP-209
MLP-210
MLP-211
MLP-212
MLP-213
MLP-214
MLP-215
MLP-216
MLP-217
MLP-218
MLP-219
MLP-220
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
95,6
95,3
96,0
96,0
94,4
95,5
95,5
95,7
95,7
95,9
96,0
95,9
96,3
95,4
96,1
96,4
96,0
95,4
95,9
95,7
Treinamento
MAPE (% acertos)
C2
C3
C4
94,0 93,7 94,4
95,5 94,8 95,1
95,3 95,4 95,7
95,1 95,4 95,1
93,6 95,1 95,2
94,8 95,1 95,5
95,4 95,0 95,7
95,7 95,3 95,5
95,9 95,3 95,6
96,0 95,3 95,7
95,6 94,8 95,3
96,0 95,3 96,0
95,4 95,2 95,6
96,0 95,2 95,7
95,1 94,5 96,0
95,8 95,2 95,5
96,1 95,7 95,7
95,6 95,3 95,6
96,4 95,6 95,6
95,6 95,1 95,6
C5
95,2
95,3
95,6
94,9
94,3
95,2
95,5
95,5
95,5
95,3
95,6
95,7
95,4
95,4
95,2
95,7
95,6
95,5
95,7
88,0
C1
95,5
95,2
96,1
95,9
94,5
95,5
95,6
95,7
95,7
96,0
96,0
95,9
96,2
95,4
96,1
96,4
96,1
95,4
95,9
95,7
Validao
MAPE (% acertos)
C2
C3
C4
93,7 94,2 94,0
95,2 95,3 94,8
95,0 95,8 95,3
94,8 95,8 94,7
93,2 95,6 94,9
94,4 95,6 95,1
95,1 95,4 95,3
95,3 95,8 95,1
95,6 95,7 95,2
95,7 95,7 95,4
95,2 95,3 95,0
95,6 95,7 95,6
95,0 95,6 95,2
95,6 95,6 95,3
94,8 94,9 95,7
95,4 95,7 95,1
95,8 96,1 95,4
95,2 95,7 95,2
96,0 96,1 95,2
95,1 95,5 95,2
C5
95,4
95,5
95,8
95,1
94,6
95,4
95,6
95,7
95,7
95,5
95,8
95,9
95,6
95,6
95,4
95,9
95,8
95,8
95,8
88,3
Mdia Final
MAPE (% acertos)
Trein.
Val.
94,6
94,5
95,2
95,2
95,6
95,6
95,3
95,2
94,5
94,5
95,2
95,2
95,4
95,4
95,5
95,5
95,6
95,6
95,6
95,7
95,5
95,5
95,8
95,7
95,6
95,5
95,5
95,5
95,4
95,4
95,7
95,7
95,8
95,8
95,5
95,5
95,8
95,8
94,0
94,0
91

sem rudos e sem parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-221
MLP-222
MLP-223
MLP-224
MLP-225
MLP-226
MLP-227
MLP-228
MLP-229
MLP-230
MLP-231
MLP-232
MLP-233
MLP-234
MLP-235
MLP-236
MLP-237
MLP-238
MLP-239
MLP-240
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
97,5
97,6
97,2
97,9
97,4
98,1
98,0
98,2
97,8
97,0
97,7
97,7
96,6
97,7
94,1
97,8
89,7
98,1
93,1
97,7
Treinamento
MAPE (% acertos)
C2
C3
C4
96,1 97,4 97,4
97,4 97,5 97,4
97,2 97,0 97,1
94,9 97,3 96,1
96,4 96,8 97,6
97,7 97,8 98,0
98,6 97,7 96,9
98,4 97,9 98,4
98,0 98,1 97,7
97,8 97,6 96,1
91,6 92,5 98,2
93,2 97,0 97,8
97,4 98,3 97,3
98,2 97,9 98,1
97,9 97,9 97,9
98,0 98,2 97,9
97,9 97,3 98,7
98,1 98,0 98,6
96,7 95,0 97,3
97,7 98,1 98,2
C5
97,5
96,3
97,4
94,7
96,9
97,6
98,1
97,9
98,3
97,6
97,4
97,4
98,1
97,9
98,3
98,3
91,0
98,4
93,4
97,3
C1
97,5
97,5
97,1
97,8
97,5
98,0
98,1
98,1
97,9
96,9
97,7
97,7
96,7
97,7
93,5
97,9
89,9
98,2
92,8
97,8
Validao
MAPE (% acertos)
C2
C3
C4
96,1 97,5 97,0
97,5 97,7 97,0
97,3 97,3 96,7
94,6 97,5 95,7
96,4 96,9 97,2
97,7 97,9 97,5
98,5 97,8 96,5
98,3 98,0 98,0
97,9 98,1 97,3
97,8 97,7 95,6
91,1 92,7 97,8
93,2 97,0 97,4
97,3 98,3 97,0
98,3 97,9 97,7
97,9 98,0 97,5
97,9 98,2 97,5
97,8 97,4 98,4
97,9 98,1 98,1
96,6 95,1 96,9
97,5 98,1 97,8
C5
97,4
96,2
97,4
94,9
96,7
97,5
98,0
97,8
98,2
97,5
97,4
97,4
98,0
97,8
98,2
98,1
90,7
98,2
92,9
97,3
Mdia Final
MAPE (% acertos)
Trein.
Val.
97,2
97,1
97,2
97,2
97,2
97,1
96,2
96,1
97,0
97,0
97,8
97,7
97,9
97,8
98,2
98,0
98,0
97,9
97,2
97,1
95,5
95,3
96,6
96,5
97,5
97,5
98,0
97,9
97,2
97,0
98,0
97,9
94,9
94,8
98,2
98,1
95,1
94,9
97,8
97,7

(12 entradas e trs sadas com os prximos estados da manobra) para o quinto sistema neural
(dados sem rudos e sem parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-241
MLP-242
MLP-243
MLP-244
MLP-245
MLP-246
MLP-247
MLP-248
MLP-249
MLP-250
MLP-251
MLP-252
MLP-253
MLP-254
MLP-255
MLP-256
MLP-257
MLP-258
MLP-259
MLP-260
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
98,3
98,3
98,5
98,8
98,8
98,4
98,4
98,5
98,7
98,5
98,1
98,6
98,5
98,4
98,0
98,3
98,7
98,4
98,5
98,5
Treinamento
MAPE (% acertos)
C2
C3
C4
98,1 98,5 98,4
97,9 98,5 97,9
97,9 98,2 97,9
98,4 98,2 98,1
97,7 98,8 98,0
79,8 98,3 97,8
98,3 98,4 97,8
98,9 98,5 98,1
98,7 98,8 98,2
98,1 98,8 97,9
98,1 98,8 97,8
98,0 99,1 97,8
98,4 98,9 97,8
98,2 98,8 97,7
97,7 99,1 97,7
98,6 98,4 98,2
98,5 98,8 97,7
98,5 98,6 97,7
98,9 98,8 98,0
98,0 98,9 98,1
C5
98,2
98,5
98,1
98,2
98,3
98,9
98,8
97,9
99,0
98,1
98,8
97,9
98,5
98,0
98,5
98,7
99,0
98,7
98,3
98,9
C1
98,4
98,4
98,6
98,9
98,9
98,6
98,5
98,6
98,7
98,6
98,2
98,6
98,6
98,4
98,1
98,4
98,8
98,4
98,6
98,6
Validao
MAPE (% acertos)
C2
C3
C4
98,1 98,2 98,7
98,0 98,2 98,2
97,9 97,9 98,2
98,4 97,9 98,4
97,8 98,5 98,3
79,8 98,0 98,1
98,4 98,0 98,2
99,0 98,3 98,3
98,9 98,5 98,4
98,2 98,5 98,2
98,1 98,5 98,1
98,1 98,8 98,1
98,5 98,6 98,2
98,3 98,6 98,0
97,8 98,8 98,0
98,6 98,0 98,4
98,6 98,5 98,1
98,6 98,3 98,1
99,0 98,5 98,3
98,1 98,5 98,4
C5
98,0
98,3
98,0
98,1
98,1
98,7
98,6
97,8
98,8
97,9
98,6
97,8
98,3
97,9
98,3
98,4
98,7
98,6
98,2
98,6
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,3
98,3
98,2
98,2
98,1
98,1
98,4
98,3
98,3
98,3
94,6
94,6
98,3
98,3
98,4
98,4
98,7
98,7
98,3
98,3
98,3
98,3
98,3
98,3
98,4
98,4
98,2
98,2
98,2
98,2
98,4
98,4
98,5
98,5
98,4
98,4
98,5
98,5
98,5
98,5
92

(dados sem rudos e sem parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-261
MLP-262
MLP-263
MLP-264
MLP-265
MLP-266
MLP-267
MLP-268
MLP-269
MLP-270
MLP-271
MLP-272
MLP-273
MLP-274
MLP-275
MLP-276
MLP-277
MLP-278
MLP-279
MLP-280
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
99,9
68,3
99,2
99,7
49,4
99,4
100,0
81,2
99,6
98,7
99,2
70,3
99,6
99,9
94,3
99,2
90,8
82,1
82,2
99,4
Treinamento
MAPE (% acertos)
C2
C3
C4
C5
99,3 99,9 99,3 99,9
38,4 28,0 87,6 98,3
92,0 99,4 96,9 85,2
99,9 99,8 99,4 99,9
82,2 93,1 77,0 79,3
99,9 99,9 99,0 99,9
99,9 99,9 99,9 99,6
71,8 53,4 76,6 81,6
99,7 99,8 99,8 99,7
99,3 99,3 99,3 72,9
99,5 99,7 99,7 97,9
67,6 75,5 83,1 85,0
99,8 99,7 99,7 99,4
99,6 99,8 99,4 99,7
85,9 85,9 85,5 85,6
99,7 99,0 99,8 99,4
82,6 99,5 96,6 88,0
99,5 81,9 99,8 82,2
93,9 88,0 72,8 87,9
99,8 99,8 98,7 99,8
C1
99,9
67,9
99,3
99,7
50,2
99,3
99,9
81,4
99,5
98,7
99,3
70,5
99,6
99,8
94,2
99,2
90,2
81,6
83,3
99,3
Validao
MAPE (% acertos)
C2
C3
C4
99,2 99,7 99,3
38,4 28,1 87,8
91,6 99,2 97,1
99,9 99,7 99,6
82,6 92,7 77,4
99,9 99,7 99,3
99,9 99,7 99,8
71,3 53,9 76,4
99,7 99,6 99,8
99,2 99,1 99,3
99,6 99,5 99,8
67,5 74,9 82,6
99,8 99,6 99,8
99,6 99,7 99,4
85,6 85,7 85,0
99,7 98,8 99,8
82,8 99,3 96,5
99,6 81,6 99,9
94,0 87,8 73,4
99,8 99,6 98,9
C5
99,9
98,3
85,5
99,9
79,4
99,8
99,6
81,6
99,6
73,3
97,6
85,2
99,3
99,6
85,9
99,3
88,3
81,6
87,3
99,7
Mdia Final
MAPE (% acertos)
Trein.
Val.
99,7
99,6
64,1
64,1
94,5
94,6
99,8
99,8
76,2
76,4
99,6
99,6
99,9
99,8
72,9
72,9
99,7
99,6
93,9
93,9
99,2
99,2
76,3
76,2
99,7
99,6
99,7
99,6
87,4
87,3
99,5
99,4
91,5
91,4
89,1
88,9
84,9
85,2
99,5
99,4

sem rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-281
MLP-282
MLP-283
MLP-284
MLP-285
MLP-286
MLP-287
MLP-288
MLP-289
MLP-290
MLP-291
MLP-292
MLP-293
MLP-294
MLP-295
MLP-296
MLP-297
MLP-298
MLP-299
MLP-300
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
99,9
99,9
99,9
99,9
100,0
99,9
99,9
100,0
100,0
100,0
99,9
99,9
99,9
100,0
100,0
100,0
99,9
100,0
100,0
100,0
Treinamento
MAPE (% acertos)
C2
C3
C4
99,9
99,9
99,9
99,9
99,9
99,8
99,9
99,9 100,0
99,9
99,9
99,9
100,0 100,0 100,0
99,9
99,9
99,9
99,9
99,9
99,9
99,4
99,9
99,9
100,0 100,0 100,0
100,0 100,0 100,0
99,9
99,8
99,9
99,9 100,0 99,8
99,9
99,9
99,9
100,0 99,9
99,9
100,0 100,0 100,0
100,0 100,0 100,0
99,9
99,9
99,9
99,9 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
C5
99,9
99,9
99,9
99,9
100,0
100,0
99,9
100,0
100,0
100,0
99,9
99,9
99,9
100,0
100,0
100,0
99,9
100,0
100,0
100,0
C1
99,9
99,9
99,9
99,9
100,0
99,9
99,9
100,0
100,0
100,0
99,9
99,9
99,9
100,0
100,0
100,0
99,9
100,0
100,0
100,0
Validao
MAPE (% acertos)
C2
C3
C4
99,9
99,9 99,9
99,9
99,9 99,7
99,9
99,9 99,9
99,9
99,9 99,9
100,0 100,0 100,0
99,9
99,9 99,8
99,9
99,9 99,9
99,4 99,9
99,9
100,0 100,0 100,0
100,0 100,0 100,0
99,9
99,8 99,9
99,9 100,0 99,8
99,9
99,9 99,9
100,0 99,9
99,9
100,0 100,0 100,0
100,0 100,0 100,0
99,9
99,9 99,9
99,9 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
C5
99,9
99,9
99,9
99,9
100,0
100,0
99,9
100,0
100,0
100,0
99,9
99,9
99,9
100,0
100,0
100,0
99,9
100,0
100,0
100,0
Mdia Final
MAPE (% acertos)
Trein.
Val.
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
100,0
100,0
99,9
99,9
99,9
99,9
99,8
99,8
100,0
100,0
100,0
100,0
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
100,0
100,0
100,0
100,0
99,9
99,9
100,0
100,0
100,0
100,0
100,0
100,0
93

sem rudos e com parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-301
MLP-302
MLP-303
MLP-304
MLP-305
MLP-306
MLP-307
MLP-308
MLP-309
MLP-310
MLP-311
MLP-312
MLP-313
MLP-314
MLP-315
MLP-316
MLP-317
MLP-318
MLP-319
MLP-320
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
100,0
100,0
81,7
100,0
100,0
100,0
100,0
100,0
97,5
100,0
100,0
100,0
100,0
100,0
100,0
99,9
45,8
100,0
100,0
100,0
Treinamento
MAPE (% acertos)
C2
C3
C4
100,0 100,0 100,0
100,0 100,0 100,0
51,2 100,0 78,6
100,0 100,0 100,0
100,0 95,3 45,7
100,0 100,0 99,6
100,0 100,0 100,0
100,0 100,0 100,0
98,1
97,6
97,6
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 97,6 100,0
100,0 100,0 100,0
100,0 100,0 100,0
98,7
45,4
97,7
98,8
45,7
98,6
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
C5
100,0
100,0
99,8
100,0
100,0
100,0
100,0
100,0
94,2
100,0
100,0
100,0
100,0
100,0
100,0
97,2
67,2
100,0
100,0
100,0
C1
100,0
100,0
83,0
100,0
100,0
100,0
100,0
100,0
97,2
100,0
100,0
100,0
100,0
100,0
100,0
100,0
47,5
100,0
100,0
100,0
Validao
MAPE (% acertos)
C2
C3
C4
100,0 100,0 100,0
100,0 100,0 100,0
54,8 100,0 78,1
100,0 100,0 100,0
100,0 94,9
46,5
100,0 100,0 99,6
100,0 100,0 100,0
100,0 100,0 100,0
98,3 97,4
96,5
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 97,4
99,9
100,0 100,0 100,0
100,0 100,0 100,0
98,9 43,4
96,7
99,0 43,9
98,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
C5
100,0
100,0
99,9
100,0
100,0
100,0
100,0
100,0
95,8
100,0
100,0
100,0
100,0
100,0
100,0
98,5
66,4
100,0
100,0
100,0
Mdia Final
MAPE (% acertos)
Trein.
Val.
100,0
100,0
100,0
100,0
82,3
83,2
100,0
100,0
88,2
88,3
99,9
99,9
100,0
100,0
100,0
100,0
97,0
97,0
100,0
100,0
100,0
100,0
100,0
100,0
99,5
99,5
100,0
100,0
100,0
100,0
87,8
87,5
71,2
71,0
100,0
100,0
100,0
100,0
100,0
100,0

sem rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-321
MLP-322
MLP-323
MLP-324
MLP-325
MLP-326
MLP-327
MLP-328
MLP-329
MLP-330
MLP-331
MLP-332
MLP-333
MLP-334
MLP-335
MLP-336
MLP-337
MLP-338
MLP-339
MLP-340
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
96,4
96,8
94,6
97,0
95,8
96,9
97,0
96,9
96,7
96,9
97,1
97,0
97,7
97,1
97,3
97,2
96,9
96,2
97,1
96,4
Treinamento
MAPE (% acertos)
C2
C3
C4
96,6 96,7 96,6
97,2 97,3 97,5
96,5 97,0 98,1
97,0 97,1 96,8
95,9 95,5 94,4
97,0 96,7 95,3
97,4 97,4 95,9
97,2 97,1 97,5
97,1 96,8 97,6
97,3 96,3 98,0
97,0 96,9 97,1
96,6 97,3 98,4
96,4 97,2 97,2
97,5 97,6 97,8
97,1 97,2 95,6
97,2 97,0 96,1
97,7 96,6 97,7
96,9 96,9 97,5
97,7 97,7 98,5
96,5 97,4 98,0
C5
96,8
97,8
96,9
97,3
96,9
97,0
97,6
98,1
97,2
96,8
97,1
97,7
97,9
97,6
97,8
97,3
97,2
98,5
96,9
97,7
C1
96,7
97,0
94,7
97,0
95,8
97,1
97,1
96,9
96,9
97,1
97,3
97,2
97,8
97,3
97,4
97,4
97,0
96,3
97,1
96,6
Validao
MAPE (% acertos)
C2
C3
C4
96,4 96,6 96,8
97,0 97,1 97,6
96,4 96,9 98,1
96,9 97,0 96,9
95,7 95,3 94,5
96,8 96,4 95,5
97,3 97,2 96,1
97,0 97,0 97,5
97,0 96,8 97,7
97,1 96,0 98,0
96,9 96,6 97,3
96,4 97,1 98,4
96,2 97,1 97,1
97,4 97,4 97,9
97,0 97,0 95,8
97,1 96,7 96,4
97,6 96,5 97,9
96,7 96,8 97,7
97,6 97,5 98,6
96,4 97,2 98,1
C5
96,8
97,8
96,9
97,3
96,8
96,9
97,6
98,1
97,2
96,7
97,1
97,7
97,9
97,6
97,8
97,2
97,2
98,5
96,8
97,7
Mdia Final
MAPE (% acertos)
Trein.
Val.
96,6
96,6
97,3
97,3
96,6
96,6
97,0
97,0
95,7
95,6
96,6
96,6
97,1
97,1
97,3
97,3
97,1
97,1
97,0
97,0
97,0
97,0
97,4
97,4
97,3
97,2
97,5
97,5
97,0
97,0
97,0
97,0
97,2
97,2
97,2
97,2
97,6
97,5
97,2
97,2
94
sem rudos e com parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-341
MLP-342
MLP-343
MLP-344
MLP-345
MLP-346
MLP-347
MLP-348
MLP-349
MLP-350
MLP-351
MLP-352
MLP-353
MLP-354
MLP-355
MLP-356
MLP-357
MLP-358
MLP-359
MLP-360
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
98,6
98,6
98,8
99,0
98,8
98,9
99,1
98,9
98,8
98,9
99,2
98,8
98,7
98,9
90,4
98,8
98,0
98,8
98,0
98,6
Treinamento
MAPE (% acertos)
C2
C3
C4
97,8 98,0 98,3
98,2 98,5 98,9
98,5 98,7 99,1
98,3 98,7 99,3
98,3 97,7 99,4
98,7 98,4 99,3
98,5 98,7 99,4
98,8 98,5 98,8
98,7 98,8 99,4
98,6 98,7 99,7
98,6 98,5 99,5
98,5 98,4 99,4
98,0 98,7 99,4
98,3 98,6 99,4
91,9 92,0 96,8
98,5 98,6 99,5
98,5 98,9 99,7
98,4 98,7 99,6
98,1 97,6 99,4
98,5 98,6 99,7
C5
98,7
98,7
98,8
99,1
99,4
99,3
98,8
99,4
99,7
99,5
99,2
99,2
99,4
98,5
96,4
99,5
99,5
95,8
99,8
99,0
C1
98,5
98,5
98,8
99,0
98,7
98,9
99,1
98,8
98,7
98,8
99,1
98,7
98,7
98,8
90,2
98,8
98,0
98,7
97,9
98,5
Validao
MAPE (% acertos)
C2
C3
C4
97,7 98,0 98,4
98,1 98,4 98,9
98,4 98,5 99,1
98,2 98,6 99,3
98,1 97,6 99,4
98,6 98,4 99,3
98,3 98,6 99,4
98,6 98,4 98,9
98,5 98,7 99,4
98,5 98,5 99,7
98,4 98,4 99,5
98,4 98,3 99,4
97,9 98,5 99,4
98,2 98,5 99,4
91,5 92,0 96,7
98,4 98,5 99,5
98,4 98,7 99,7
98,2 98,5 99,6
97,8 97,5 99,4
98,4 98,4 99,7
C5
98,7
98,7
98,7
99,1
99,4
99,2
98,8
99,4
99,6
99,5
99,2
99,2
99,4
98,4
96,1
99,5
99,5
96,0
99,7
99,0
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,3
98,3
98,6
98,5
98,8
98,7
98,9
98,8
98,7
98,6
98,9
98,9
98,9
98,8
98,9
98,8
99,1
99,0
99,1
99,0
99,0
98,9
98,9
98,8
98,8
98,8
98,7
98,7
93,5
93,3
99,0
98,9
98,9
98,9
98,2
98,2
98,6
98,5
98,9
98,8

(dados sem rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-361
MLP-362
MLP-363
MLP-364
MLP-365
MLP-366
MLP-367
MLP-368
MLP-369
MLP-370
MLP-371
MLP-372
MLP-373
MLP-374
MLP-375
MLP-376
MLP-377
MLP-378
MLP-379
MLP-380
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
99,1
99,4
98,9
99,3
99,1
99,1
99,1
99,4
99,5
99,3
99,3
99,3
99,4
99,2
99,5
99,2
98,8
98,9
99,5
99,4
Treinamento
MAPE (% acertos)
C2
C3
C4
98,3 98,7 98,6
98,8 98,5 98,8
99,1 98,7 99,0
99,1 99,0 98,9
99,2 99,0 99,2
98,9 99,0 99,0
99,2 98,9 98,7
99,0 98,9 98,4
98,8 99,2 99,1
98,6 98,9 99,2
99,0 99,0 99,1
98,6 98,7 99,0
99,1 98,9 98,9
99,3 99,2 99,3
97,9 98,9 98,9
98,9 99,2 99,3
98,8 98,4 98,8
99,2 99,2 98,5
99,0 99,2 99,5
98,7 99,0 99,1
C5
98,7
98,7
99,0
99,3
99,2
99,0
99,1
99,2
99,0
99,0
99,3
99,2
99,4
99,3
98,9
98,9
99,4
98,6
99,2
99,0
C1
99,0
99,3
98,8
99,1
99,0
99,0
99,1
99,3
99,5
99,3
99,2
99,3
99,3
99,1
99,4
99,1
98,8
98,7
99,4
99,4
Validao
MAPE (% acertos)
C2
C3
C4
98,4 98,7 98,5
98,8 98,6 98,4
99,2 98,7 98,9
99,2 99,2 98,8
99,4 99,0 99,1
99,0 99,0 98,9
99,3 98,9 98,6
99,1 99,0 98,3
98,9 99,1 98,9
98,6 98,9 99,0
99,1 99,1 99,0
98,8 98,8 98,9
99,2 98,8 98,8
99,4 99,2 99,1
98,0 98,9 98,7
99,1 99,2 99,2
98,8 98,5 98,5
99,3 99,1 98,4
99,1 99,2 99,4
98,7 99,0 98,7
C5
98,7
98,9
99,1
99,4
99,2
99,1
99,2
99,2
99,1
99,0
99,3
99,2
99,4
99,2
98,9
99,0
99,4
98,7
99,2
99,2
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,7
98,7
98,8
98,8
98,9
98,9
99,1
99,1
99,1
99,1
99,0
99,0
99,0
99,0
99,0
99,0
99,1
99,1
99,0
99,0
99,2
99,1
99,0
99,0
99,1
99,1
99,2
99,2
98,8
98,8
99,1
99,1
98,8
98,8
98,9
98,8
99,3
99,2
99,0
99,0
95

(dados sem rudos e com parede), usando o algoritmo Levenberd-Marquardt.
Ref.
MLP-381
MLP-382
MLP-383
MLP-384
MLP-385
MLP-386
MLP-387
MLP-388
MLP-389
MLP-390
MLP-391
MLP-392
MLP-393
MLP-394
MLP-395
MLP-396
MLP-397
MLP-398
MLP-399
MLP-400
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
99,9
80,1
99,7
92,8
98,5
99,3
36,3
99,9
74,6
99,8
99,0
99,7
78,4
99,7
99,6
99,3
63,0
99,4
99,2
99,3
Treinamento
MAPE (% acertos)
C2
C3
C4
C5
99,9 99,9 100,0 100,0
67,4 56,5 79,7 81,9
99,6 99,2 99,5 99,3
85,7 96,9 99,8 99,2
49,4 80,5 99,0 99,1
94,2 62,9 72,4 46,4
58,3 54,0 55,5 65,6
99,9 99,9 99,9 99,9
68,5 70,6 79,2 73,5
99,6 99,9 85,8 82,0
99,2 99,5 99,1 98,4
39,5 67,6 76,6 81,2
80,2 93,4 85,0 92,2
99,8 99,9 99,8 99,8
99,9 99,7 99,6 99,6
86,3 99,3 99,4 99,9
68,7 63,0 81,1 63,1
99,3 99,4 99,9 99,4
99,3 99,3 99,4 99,6
99,6 99,6 99,4 99,7
C1
99,9
80,5
99,7
92,1
98,3
99,3
36,9
99,8
74,5
99,7
98,9
99,6
77,5
99,7
99,5
99,3
63,4
99,4
99,2
99,0
Validao
MAPE (% acertos)
C2
C3
C4
99,8 99,9 99,9
67,1 57,3 80,2
99,5 99,1 99,2
84,3 96,9 99,6
47,4 80,0 98,8
93,8 63,0 72,1
58,3 54,3 54,3
99,9 99,8 99,8
68,5 71,0 79,3
99,6 99,8 86,3
99,1 99,6 98,8
38,9 67,7 75,5
80,1 92,8 84,8
99,8 99,8 99,7
99,8 99,6 99,4
86,3 99,3 99,4
68,3 63,3 81,6
99,3 99,4 99,8
99,2 99,3 99,1
99,6 99,5 99,3
C5
99,9
82,4
99,4
99,3
99,2
46,2
66,1
99,8
72,4
81,4
98,7
80,9
92,3
99,7
99,5
99,8
62,3
99,4
99,6
99,4
Mdia Final
MAPE (% acertos)
Trein.
Val.
99,9
99,9
73,1
73,5
99,5
99,4
94,9
94,5
85,3
84,7
75,0
74,9
53,9
54,0
99,9
99,8
73,3
73,1
93,4
93,4
99,0
99,0
72,9
72,5
85,8
85,5
99,8
99,7
99,7
99,6
96,8
96,8
67,8
67,8
99,5
99,5
99,4
99,3
99,5
99,4
Tabela C.21: Resultado do treinamento e validao das topologias especialistas candidatas

(12 entradas e uma sada com o esteramento do veculo) para o stimo sistema neural (dados
com rudos e sem parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-401
MLP-402
MLP-403
MLP-404
MLP-405
MLP-406
MLP-407
MLP-408
MLP-409
MLP-410
MLP-411
MLP-412
MLP-413
MLP-414
MLP-415
MLP-416
MLP-417
MLP-418
MLP-419
MLP-420
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
99,9
99,8
100,0
99,9
99,9
99,9
99,8
99,9
99,9
100,0
99,8
99,9
99,9
100,0
100,0
99,9
99,9
99,9
100,0
99,9
Treinamento
MAPE (% acertos)
C2
C3
C4
C5
99,8
99,9
99,8 99,8
99,9
99,9 100,0 99,9
99,9 100,0 99,9
99,9
99,9 100,0 99,9 99,9
99,8
99,8
99,9 99,9
99,8
99,9
99,9 99,9
99,9
99,7
99,9 99,8
99,9
99,9
99,9 99,9
100,0 99,9
99,9 99,9
100,0 100,0 100,0 99,9
99,9
99,9
99,8 99,9
99,9
99,9
99,9 99,9
99,9
99,9
99,9 99,9
100,0 100,0 100,0 100,0
100,0 100,0 100,0 100,0
99,9
99,9
99,9 99,9
99,8
99,8
99,8 99,9
99,9
99,9
99,9 99,9
99,6 100,0 99,9
99,9
100,0 100,0 99,9 99,9
C1
99,9
99,8
100,0
99,9
99,9
99,9
99,7
99,9
99,9
100,0
99,8
99,9
99,9
100,0
100,0
99,9
99,9
99,9
100,0
99,9
Validao
MAPE (% acertos)
C2
C3
C4
C5
99,8 99,9
99,8
99,9
99,9 99,9 100,0 99,9
99,9 99,9
99,9
99,9
99,9 99,9
99,9
99,9
99,8 99,8
99,9
99,9
99,8 99,9
99,9
99,9
99,9 99,7
99,9
99,8
99,9 99,8
99,9
99,9
100,0 99,9 100,0 99,9
100,0 100,0 100,0 99,9
99,9 99,9
99,9
99,9
99,9 99,9
99,9
99,9
99,9 99,8
99,9
99,9
100,0 100,0 100,0 100,0
100,0 100,0 100,0 100,0
99,9 99,9
99,9
99,9
99,8 99,8
99,9
99,9
99,9 99,9
99,9
99,9
99,6 100,0 100,0 99,9
100,0 100,0 99,9
99,9
Mdia Final
MAPE (% acertos)
Trein.
Val.
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,8
99,8
99,9
99,9
99,9
99,9
100,0
100,0
99,9
99,9
99,9
99,9
99,9
99,9
100,0
100,0
100,0
100,0
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
96

(12 entradas e uma sada com o esteramento do veculo) para o stimo sistema neural (dados
com rudos e sem parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-421
MLP-422
MLP-423
MLP-424
MLP-425
MLP-426
MLP-427
MLP-428
MLP-429
MLP-430
MLP-431
MLP-432
MLP-433
MLP-434
MLP-435
MLP-436
MLP-437
MLP-438
MLP-439
MLP-440
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
100,0
100,0
97,7
100,0
98,9
41,9
100,0
100,0
100,0
100,0
100,0
100,0
100,0
99,9
98,9
100,0
100,0
100,0
100,0
93,5
Treinamento
MAPE (% acertos)
C2
C3
C4
100,0 100,0 100,0
100,0 99,8
98,7
65,9
75,1
98,7
100,0 83,1
99,8
99,3
82,9
88,9
97,7 100,0 100,0
100,0 100,0 100,0
97,7 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
98,8
98,8
98,5
100,0 100,0 100,0
100,0 100,0 97,4
100,0 100,0 100,0
100,0 100,0 100,0
89,2 100,0 97,2
C5
100,0
100,0
97,1
100,0
100,0
27,5
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
98,7
100,0
100,0
100,0
100,0
100,0
C1
100,0
100,0
97,1
100,0
98,6
42,9
100,0
100,0
100,0
100,0
100,0
100,0
100,0
99,9
98,6
100,0
100,0
100,0
100,0
94,0
Validao
MAPE (% acertos)
C2
C3
C4
100,0 100,0 100,0
100,0 99,4
99,3
65,8
77,3 99,3
100,0 84,9
99,7
99,2
83,5 89,4
97,5 100,0 100,0
100,0 100,0 100,0
97,5 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
98,7
98,4 99,0
100,0 100,0 100,0
100,0 100,0 98,6
100,0 100,0 100,0
100,0 100,0 100,0
88,3 100,0 98,6
C5
100,0
100,0
97,5
100,0
100,0
31,6
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
99,0
100,0
100,0
100,0
100,0
100,0
Mdia Final
MAPE (% acertos)
Trein.
Val.
100,0
100,0
99,7
99,7
86,9
87,4
96,6
96,9
94,0
94,1
73,4
74,4
100,0
100,0
99,5
99,5
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
98,7
98,7
100,0
100,0
99,5
99,7
100,0
100,0
100,0
100,0
96,0
96,2

(12 entradas e uma sada com a velocidade do veculo) para o stimo sistema neural (dados
Ref.
MLP-441
MLP-442
MLP-443
MLP-444
MLP-445
MLP-446
MLP-447
MLP-448
MLP-449
MLP-450
MLP-451
MLP-452
MLP-453
MLP-454
MLP-455
MLP-456
MLP-457
MLP-458
MLP-459
MLP-460
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
95,6
94,3
94,8
95,2
95,0
95,6
95,6
95,1
95,9
95,3
95,2
95,4
95,3
95,7
95,3
95,4
95,6
96,1
95,1
95,8
Treinamento
MAPE (% acertos)
C2
C3
C4
95,0 95,2 95,4
95,0 96,0 95,7
95,2 95,2 95,3
95,5 95,5 95,5
95,6 95,5 95,9
95,4 95,9 95,7
95,4 96,3 95,6
95,6 95,6 95,5
95,8 96,0 95,6
95,4 95,9 95,7
95,4 95,9 95,5
95,4 96,1 95,7
95,6 96,6 95,5
95,6 96,0 95,8
95,5 96,1 94,8
95,5 95,9 95,4
95,5 95,8 95,8
95,5 96,2 95,7
95,4 96,1 95,5
95,3 96,4 95,7
C5
95,0
95,2
95,3
96,0
95,7
95,6
96,4
96,0
95,7
95,8
96,1
96,3
96,4
95,4
96,4
95,9
96,5
96,5
96,3
82,5
C1
95,8
94,4
94,9
95,3
95,1
95,6
95,6
95,1
95,9
95,3
95,3
95,5
95,3
95,8
95,4
95,5
95,6
96,3
95,1
95,9
Validao
MAPE (% acertos)
C2
C3
C4
95,3 95,2 94,9
95,3 96,1 95,3
95,6 95,2 94,9
95,8 95,5 95,1
95,9 95,5 95,4
95,6 95,9 95,3
95,7 96,2 95,2
95,9 95,6 95,1
96,1 96,0 95,2
95,7 96,0 95,3
95,7 95,8 95,1
95,8 96,1 95,3
95,8 96,6 95,1
95,8 96,0 95,4
95,8 96,1 94,4
95,7 95,9 95,0
95,8 95,8 95,3
95,8 96,2 95,3
95,7 96,2 95,1
95,7 96,4 95,3
C5
95,1
95,2
95,3
96,1
95,8
95,7
96,5
96,0
95,8
95,9
96,1
96,4
96,4
95,4
96,4
95,9
96,6
96,6
96,3
82,4
Mdia Final
MAPE (% acertos)
Trein.
Val.
95,3
95,2
95,2
95,2
95,2
95,2
95,5
95,5
95,5
95,5
95,6
95,6
95,9
95,9
95,6
95,5
95,8
95,8
95,6
95,6
95,6
95,6
95,8
95,8
95,9
95,9
95,7
95,7
95,6
95,6
95,6
95,6
95,8
95,8
96,0
96,0
95,7
95,7
93,2
93,1
97

(12 entradas e uma sada com a velocidade do veculo) para o stimo sistema neural (dados
Ref.
MLP-461
MLP-462
MLP-463
MLP-464
MLP-465
MLP-466
MLP-467
MLP-468
MLP-469
MLP-470
MLP-471
MLP-472
MLP-473
MLP-474
MLP-475
MLP-476
MLP-477
MLP-478
MLP-479
MLP-480
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
96,9
96,8
95,8
96,6
96,8
96,9
96,8
95,6
94,6
96,2
97,0
97,0
96,5
85,8
97,0
97,1
97,3
96,9
89,1
95,6
Treinamento
MAPE (% acertos)
C2
C3
C4
95,6 96,7 96,5
94,5 96,2 95,8
95,8 96,2 92,4
95,6 96,7 96,5
95,7 96,9 96,3
95,6 96,2 95,7
95,5 96,4 96,1
94,7 93,0 96,7
95,8 96,6 96,1
95,9 88,3 81,4
95,6 96,5 96,2
96,0 96,2 95,9
95,9 96,2 96,3
84,4 97,4 96,8
95,9 96,9 96,5
95,7 96,5 96,6
95,9 96,6 96,7
96,1 96,8 96,5
96,6 96,4 96,3
95,3 90,8 95,3
C5
97,0
96,9
96,5
96,6
96,8
97,0
97,1
96,7
97,2
97,0
97,3
97,0
97,0
96,9
95,0
97,2
97,3
96,9
97,1
97,2
C1
97,0
97,0
95,8
96,8
96,9
96,8
96,9
95,6
94,4
96,4
97,1
97,1
96,6
85,9
97,1
97,2
97,3
97,0
88,9
95,8
Validao
MAPE (% acertos)
C2
C3
C4
95,8 96,8 96,0
94,8 96,1 95,4
96,1 96,2 91,8
95,7 96,6 96,0
96,0 96,7 95,8
95,9 96,2 95,4
95,7 96,4 95,8
94,9 93,0 96,1
95,9 96,6 95,8
96,1 88,2 82,4
95,8 96,5 95,8
96,2 96,2 95,4
96,1 96,2 95,9
84,8 97,2 96,2
95,6 96,8 96,0
95,8 96,5 96,1
96,1 96,6 96,3
96,3 96,7 96,1
96,7 96,2 95,8
95,5 90,9 94,6
C5
97,1
97,0
96,6
96,6
96,9
97,1
97,2
96,9
97,2
97,1
97,4
97,0
97,1
97,1
94,9
97,3
97,3
97,0
97,1
97,4
Mdia Final
MAPE (% acertos)
Trein.
Val.
96,5
96,5
96,1
96,1
95,3
95,3
96,4
96,3
96,5
96,5
96,3
96,3
96,4
96,4
95,3
95,3
96,0
96,0
91,8
92,0
96,5
96,5
96,4
96,4
96,4
96,4
92,3
92,3
96,3
96,1
96,6
96,6
96,8
96,7
96,7
96,6
95,1
94,9
94,9
94,8

(12 entradas e 4 sadas com o prximo estado da manobra) para o stimo sistema neural (dados
Ref.
MLP-481
MLP-482
MLP-483
MLP-484
MLP-485
MLP-486
MLP-487
MLP-488
MLP-489
MLP-490
MLP-491
MLP-492
MLP-493
MLP-494
MLP-495
MLP-496
MLP-497
MLP-498
MLP-499
MLP-500
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
98,0
98,4
98,4
98,0
98,1
97,7
98,3
98,5
97,9
97,9
98,3
97,7
98,4
98,0
98,2
98,4
98,2
98,4
98,6
98,7
Treinamento
MAPE (% acertos)
C2
C3
C4
98,4 97,9 98,1
98,2 98,3 98,4
98,3 98,1 98,4
98,1 98,4 98,3
98,3 98,6 98,5
97,7 98,3 98,5
98,4 98,1 98,3
98,3 98,5 98,7
98,0 98,5 98,6
98,3 98,4 98,8
98,2 98,6 98,6
98,3 98,0 98,6
98,6 98,6 98,8
98,6 98,4 98,8
98,3 98,5 98,8
98,3 98,5 98,7
98,0 98,4 97,8
98,9 97,9 98,7
98,8 98,9 98,8
98,3 98,3 99,0
C5
98,1
98,0
98,3
97,6
98,8
98,2
98,9
98,4
98,3
97,9
98,2
97,7
98,5
98,7
98,8
98,6
98,4
98,3
98,7
98,5
C1
98,3
98,5
98,5
98,0
98,2
97,8
98,4
98,6
98,1
98,0
98,3
97,8
98,4
98,1
98,1
98,4
98,2
98,3
98,6
98,6
Validao
MAPE (% acertos)
C2
C3
C4
98,7 97,7 97,9
98,4 98,1 98,2
98,4 97,9 98,2
98,5 98,0 98,1
98,5 98,5 98,3
98,0 98,0 98,3
98,6 97,9 98,2
98,5 98,3 98,5
98,4 98,1 98,4
98,6 98,2 98,7
98,4 98,3 98,5
98,6 97,7 98,5
98,8 98,4 98,7
98,8 98,2 98,8
98,5 98,2 98,6
98,6 98,1 98,6
98,2 98,0 97,6
99,1 97,6 98,5
98,9 98,7 98,6
98,5 98,0 98,8
C5
98,1
98,1
98,5
97,7
98,9
98,3
99,1
98,5
98,5
98,1
98,3
97,7
98,7
98,8
99,0
98,7
98,5
98,4
98,8
98,6
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,1
98,1
98,3
98,3
98,3
98,3
98,1
98,0
98,5
98,5
98,1
98,1
98,4
98,4
98,5
98,5
98,3
98,3
98,3
98,3
98,4
98,4
98,1
98,1
98,6
98,6
98,5
98,5
98,5
98,5
98,5
98,5
98,2
98,1
98,4
98,4
98,7
98,7
98,5
98,5
98

(12 entradas e 4 sadas com o prximo estado da manobra) para o stimo sistema neural (dados
Ref.
MLP-501
MLP-502
MLP-503
MLP-504
MLP-505
MLP-506
MLP-507
MLP-508
MLP-509
MLP-510
MLP-511
MLP-512
MLP-513
MLP-514
MLP-515
MLP-516
MLP-517
MLP-518
MLP-519
MLP-520
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
99,0
98,8
80,1
99,5
99,5
85,5
78,3
49,3
42,1
99,2
99,4
81,8
99,5
98,8
99,4
99,5
99,1
90,1
64,2
82,7
Treinamento
MAPE (% acertos)
C2
C3
C4
81,5 93,0 81,8
99,4 99,3 99,5
80,0 82,5 82,7
85,7 98,7 99,4
99,4 99,5 99,4
85,5 85,2 77,5
65,5 83,4 75,5
45,5 29,5 48,1
38,0 36,5 70,8
99,2 99,3 98,6
99,3 99,4 99,4
97,0 99,3 99,2
85,7 91,4 85,7
98,6 99,4 99,5
99,3 99,4 99,4
99,2 99,1 99,3
98,9 99,3 99,2
57,5 69,2 97,4
58,5 67,9 83,6
99,5 99,4 99,0
C5
81,5
99,4
95,6
98,8
98,9
85,8
84,4
37,7
36,3
99,1
99,1
82,2
99,3
99,3
99,2
99,5
99,3
92,2
70,5
99,1
C1
99,2
98,7
80,0
99,4
99,4
85,4
78,8
49,8
43,3
99,1
99,3
82,1
99,3
98,7
99,3
99,2
98,7
90,5
66,1
81,9
Validao
MAPE (% acertos)
C2
C3
C4
81,1 93,1 81,8
99,4 99,1 99,4
81,0 82,7 82,4
85,4 98,5 99,2
99,4 99,2 99,3
85,2 85,5 76,6
66,3 83,5 75,0
45,9 30,1 48,0
39,0 37,3 70,4
99,2 98,8 98,6
99,3 99,0 99,3
97,3 99,0 99,0
85,3 91,4 85,4
98,8 99,1 99,4
99,3 99,1 99,3
99,2 98,6 99,0
98,7 99,4 99,1
56,7 69,8 97,1
58,8 68,8 83,5
99,3 99,4 99,0
C5
81,6
99,4
95,6
99,0
99,0
85,8
84,6
37,8
36,4
99,1
99,2
82,4
99,3
99,3
99,3
99,5
99,3
91,9
71,3
99,2
Mdia Final
MAPE (% acertos)
Trein.
Val.
87,3
87,4
99,3
99,2
84,2
84,3
96,4
96,3
99,3
99,3
83,9
83,7
77,4
77,6
42,0
42,3
44,8
45,3
99,1
99,0
99,3
99,2
91,9
92,0
92,3
92,2
99,1
99,1
99,3
99,3
99,3
99,1
99,2
99,1
81,3
81,2
68,9
69,7
95,9
95,8

com rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-521
MLP-522
MLP-523
MLP-524
MLP-525
MLP-526
MLP-527
MLP-528
MLP-529
MLP-530
MLP-531
MLP-532
MLP-533
MLP-534
MLP-535
MLP-536
MLP-537
MLP-538
MLP-539
MLP-540
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
Treinamento
MAPE (% acertos)
C1
C2
C3
C4
C5
99,7
99,9
99,8
99,9 99,8
100,0 99,9
99,9
99,9 99,9
99,9
99,8 100,0 99,9 99,9
99,8 100,0 99,8 99,8 99,8
99,9
99,9 100,0 100,0 99,8
99,8
99,8
99,8
99,8 99,8
99,8
99,8
99,9
99,7 99,6
99,8
99,8 100,0 100,0 99,8
99,9 100,0 99,9 99,9 99,5
100,0 99,9 100,0 100,0 100,0
99,9
99,9
99,9
99,9 99,9
99,9
99,7
99,2
99,9 99,5
99,7
99,8
99,9
99,8 99,9
99,9
99,9
99,9
99,9 100,0
99,9
99,8
99,9
99,8 99,8
99,9
99,9
99,9
99,9 99,9
99,8
99,8
99,8
99,7 99,7
99,9
99,9
99,8
99,9 99,9
99,9 100,0 99,9 100,0 99,9
100,0 100,0 100,0 100,0 100,0
C1
99,8
100,0
99,9
99,8
99,9
99,8
99,8
99,8
99,9
100,0
99,9
99,9
99,7
99,9
99,9
99,9
99,8
99,9
99,9
100,0
Validao
MAPE (% acertos)
C2
C3
C4
C5
99,9
99,8 99,9
99,8
99,9 99,9
99,9
99,9
99,8 100,0 99,8
99,9
100,0 99,8 99,8
99,8
99,9 100,0 100,0 99,8
99,7
99,8 99,8
99,8
99,8
99,9 99,7
99,7
99,8 100,0 100,0 99,8
100,0 99,9 99,9
99,5
100,0 100,0 100,0 100,0
99,9
99,9 99,9
99,9
99,7
99,2 99,9
99,5
99,8
99,9 99,8
99,9
99,9
99,9 99,9 100,0
99,8
99,9 99,8
99,8
99,9
99,9 99,9
99,9
99,8
99,8 99,7
99,7
99,9
99,8 99,9
99,9
100,0 99,9 100,0 99,9
100,0 100,0 100,0 100,0
Mdia Final
MAPE (% acertos)
Trein.
Val.
99,8
99,8
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,9
99,8
99,8
99,8
99,8
99,9
99,9
99,8
99,8
100,0
100,0
99,9
99,9
99,6
99,6
99,8
99,8
99,9
99,9
99,8
99,8
99,9
99,9
99,8
99,8
99,9
99,9
99,9
99,9
100,0
100,0
99

com rudos e com parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-541
MLP-542
MLP-543
MLP-544
MLP-545
MLP-546
MLP-547
MLP-548
MLP-549
MLP-540
MLP-551
MLP-552
MLP-553
MLP-554
MLP-555
MLP-556
MLP-557
MLP-558
MLP-559
MLP-550
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
100,0
100,0
100,0
100,0
100,0
100,0
91,3
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
96,6
100,0
Treinamento
MAPE (% acertos)
C2
C3
C4
97,5 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 45,1
100,0 100,0 97,6
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 98,8
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
88,4
62,9
22,1
100,0 100,0 100,0
C5
95,5
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
98,8
100,0
100,0
100,0
100,0
91,8
100,0
C1
100,0
100,0
100,0
100,0
100,0
100,0
90,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
96,8
100,0
Validao
MAPE (% acertos)
C2
C3
C4
97,7 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 46,5
100,0 100,0 97,7
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 98,7
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
100,0 100,0 100,0
89,8 65,9
23,5
100,0 100,0 100,0
C5
94,2
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
98,6
100,0
100,0
100,0
100,0
92,0
100,0
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,6
98,4
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
89,0
89,3
97,8
97,5
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
99,5
99,5
100,0
100,0
100,0
100,0
100,0
100,0
100,0
100,0
72,4
73,6
100,0
100,0

com rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-561
MLP-562
MLP-563
MLP-564
MLP-565
MLP-566
MLP-567
MLP-568
MLP-569
MLP-570
MLP-571
MLP-572
MLP-573
MLP-574
MLP-575
MLP-576
MLP-577
MLP-578
MLP-579
MLP-580
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
96,1
96,0
96,3
96,6
96,4
96,1
96,4
96,2
96,3
96,7
96,1
96,3
96,7
96,4
95,8
96,4
96,6
96,3
96,4
96,2
Treinamento
MAPE (% acertos)
C2
C3
C4
96,2 95,8 96,0
96,0 95,6 93,2
95,5 94,7 95,9
96,3 95,9 95,8
95,8 94,9 96,6
95,3 95,5 95,6
96,0 94,0 95,3
96,3 94,7 96,4
95,9 95,8 95,2
96,8 95,3 96,8
96,3 95,8 95,6
96,4 96,5 96,3
96,3 95,6 96,3
96,0 95,5 96,0
96,8 96,0 96,0
96,3 95,5 95,7
96,5 95,7 96,1
95,9 95,5 96,1
95,9 95,7 96,3
96,2 95,9 96,6
C5
96,0
95,8
94,0
96,4
95,6
95,7
95,6
95,5
95,6
95,5
96,0
96,3
96,3
95,9
96,3
95,7
96,6
95,8
96,3
96,1
C1
96,3
96,3
96,6
96,8
96,6
96,4
96,7
96,5
96,6
97,0
96,3
96,6
97,0
96,6
96,0
96,7
96,8
96,6
96,6
96,4
Validao
MAPE (% acertos)
C2
C3
C4
95,9 95,9 95,7
95,6 95,7 93,1
95,2 94,8 95,6
96,1 96,0 95,5
95,6 95,0 96,3
95,1 95,7 95,4
95,8 94,2 95,2
96,0 94,9 96,1
95,6 95,9 94,9
96,5 95,4 96,5
95,9 96,0 95,4
96,1 96,5 96,0
96,0 95,7 96,0
95,7 95,7 95,8
96,5 96,2 95,8
96,0 95,6 95,5
96,2 95,8 95,9
95,5 95,7 95,8
95,5 95,8 96,0
95,9 96,1 96,3
C5
96,1
95,9
94,0
96,4
95,6
95,8
95,6
95,6
95,7
95,7
96,1
96,4
96,4
96,0
96,3
95,8
96,6
95,9
96,3
96,2
Mdia Final
MAPE (% acertos)
Trein.
Val.
96,0
96,0
95,3
95,3
95,3
95,2
96,2
96,2
95,8
95,8
95,7
95,7
95,5
95,5
95,8
95,8
95,8
95,7
96,2
96,2
96,0
95,9
96,3
96,3
96,2
96,2
96,0
96,0
96,2
96,2
95,9
95,9
96,3
96,3
95,9
95,9
96,1
96,1
96,2
96,2
100
com rudos e com parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-581
MLP-582
MLP-583
MLP-584
MLP-585
MLP-586
MLP-587
MLP-588
MLP-589
MLP-590
MLP-591
MLP-592
MLP-593
MLP-594
MLP-595
MLP-596
MLP-597
MLP-598
MLP-599
MLP-600
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
96,8
96,8
97,2
97,1
96,3
96,1
96,9
95,4
97,0
96,8
85,3
44,5
96,4
97,1
97,0
55,5
96,7
96,7
90,8
96,1
Treinamento
MAPE (% acertos)
C2
C3
C4
96,7 97,0 96,8
96,2 97,2 97,0
94,6 97,4 90,0
97,0 96,3 97,0
97,1 96,9 96,5
96,1 97,2 96,9
96,7 97,0 96,8
97,2 96,4 96,0
97,1 97,1 96,8
97,0 96,5 97,0
96,5 91,3 96,6
89,4 45,5 93,0
97,3 96,8 97,1
97,2 97,5 96,8
97,2 97,2 96,8
97,0 97,0 96,8
96,8 97,3 97,0
97,4 96,9 97,1
97,0 64,9 96,7
96,9 97,4 96,9
C5
95,8
95,9
95,0
96,4
95,9
95,6
96,1
96,2
96,4
95,9
95,5
90,2
95,9
96,2
96,2
96,3
96,4
96,9
95,9
96,2
C1
97,1
97,0
97,4
97,3
96,5
96,3
97,1
95,5
97,1
97,0
85,6
43,1
96,6
97,3
97,2
56,8
96,9
97,0
90,7
96,3
Validao
MAPE (% acertos)
C2
C3
C4
96,4 97,0 96,5
95,9 97,2 96,7
94,4 97,3 90,0
96,8 96,3 96,7
96,8 96,9 96,2
96,1 97,1 96,6
96,5 97,0 96,6
97,1 96,4 95,8
96,9 97,1 96,6
96,7 96,6 96,8
96,1 91,4 96,4
88,9 45,1 92,7
97,0 96,8 96,9
97,0 97,4 96,6
96,9 97,2 96,6
96,8 96,9 96,6
96,5 97,2 96,7
97,2 96,9 96,8
96,6 65,2 96,4
96,5 97,3 96,7
C5
95,6
95,9
95,1
96,4
95,9
95,5
96,0
96,2
96,4
95,9
95,5
90,7
96,0
96,3
96,3
96,3
96,5
96,8
95,7
96,1
Mdia Final
MAPE (% acertos)
Trein.
Val.
96,6
96,5
96,6
96,6
94,9
94,8
96,8
96,7
96,5
96,5
96,4
96,3
96,7
96,6
96,2
96,2
96,9
96,8
96,6
96,6
93,1
93,0
72,5
72,1
96,7
96,7
97,0
96,9
96,9
96,8
88,5
88,7
96,8
96,7
97,0
97,0
89,1
88,9
96,7
96,6

(dados com rudos e com parede), usando o algoritmo Resilient Propagation.
Ref.
MLP-601
MLP-602
MLP-603
MLP-604
MLP-605
MLP-606
MLP-607
MLP-608
MLP-609
MLP-610
MLP-611
MLP-612
MLP-613
MLP-614
MLP-615
MLP-616
MLP-617
MLP-618
MLP-619
MLP-620
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
98,1
98,1
98,1
98,1
98,5
97,9
98,4
98,2
98,4
98,2
98,5
98,3
98,4
98,2
98,3
98,1
98,0
98,1
98,7
98,0
Treinamento
MAPE (% acertos)
C2
C3
C4
98,5 98,5 98,6
98,2 98,4 98,5
98,6 98,5 98,6
98,3 98,2 98,3
98,3 98,6 98,5
98,7 98,4 98,6
98,6 98,5 98,6
98,7 98,7 98,8
98,2 98,0 98,2
98,4 98,1 98,4
98,4 98,4 98,6
97,8 98,3 98,4
98,2 98,4 98,4
98,2 98,6 98,5
98,5 98,7 98,5
98,4 98,7 98,6
98,1 97,9 99,0
98,7 98,6 98,9
98,5 98,6 98,3
98,1 98,7 98,8
C5
98,6
97,9
98,6
98,1
98,3
98,7
98,4
98,5
98,6
98,4
98,4
98,9
98,7
98,3
98,7
98,8
98,0
98,9
98,4
98,7
C1
98,1
98,2
98,2
98,1
98,5
98,0
98,4
98,3
98,5
98,2
98,5
98,4
98,4
98,2
98,3
98,1
98,0
98,1
98,6
98,0
Validao
MAPE (% acertos)
C2
C3
C4
98,5 98,6 98,5
98,3 98,4 98,3
98,6 98,5 98,4
98,4 98,3 98,1
98,3 98,7 98,4
98,6 98,5 98,5
98,6 98,5 98,4
98,7 98,8 98,6
98,2 98,0 98,0
98,4 98,1 98,2
98,4 98,5 98,5
97,9 98,4 98,2
98,2 98,5 98,2
98,2 98,7 98,3
98,5 98,7 98,3
98,3 98,7 98,4
98,1 98,0 98,9
98,7 98,7 98,8
98,5 98,7 98,2
98,1 98,8 98,6
C5
98,6
98,0
98,6
98,2
98,4
98,7
98,5
98,5
98,6
98,4
98,4
98,9
98,7
98,4
98,7
98,9
98,1
99,0
98,5
98,7
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,5
98,5
98,2
98,2
98,5
98,5
98,2
98,2
98,4
98,4
98,5
98,5
98,5
98,5
98,6
98,6
98,3
98,3
98,3
98,3
98,5
98,5
98,4
98,4
98,4
98,4
98,4
98,3
98,5
98,5
98,5
98,5
98,2
98,2
98,7
98,6
98,5
98,5
98,5
98,4
101

(dados com rudos e com parede), usando o algoritmo Levenberg-Marquardt.
Ref.
MLP-621
MLP-622
MLP-623
MLP-624
MLP-625
MLP-626
MLP-627
MLP-628
MLP-629
MLP-630
MLP-631
MLP-632
MLP-633
MLP-634
MLP-635
MLP-636
MLP-637
MLP-638
MLP-639
MLP-640
Neurnios
Escondidos
5
5-5
5-10
5-15
5-20
10
10-5
10-10
10-15
10-20
15
15-5
15-10
15-15
15-20
20
20-5
20-10
20-15
20-20
C1
98,3
98,8
99,6
68,0
98,9
99,3
98,8
99,4
83,9
99,6
99,4
45,6
70,5
99,4
97,8
95,1
98,9
99,1
86,9
99,7
Treinamento
MAPE (% acertos)
C2
C3
C4
98,6 98,8 99,3
98,6 97,7 93,7
99,3 99,6 99,1
81,0 81,1 80,9
99,1 99,0 99,1
99,3 99,5 99,1
99,6 99,2 99,5
99,5 99,5 99,4
98,9 99,2 99,1
99,4 99,5 99,5
99,4 99,4 99,4
51,5 49,1 21,2
80,1 67,7 86,1
99,4 99,6 99,5
98,5 89,9 98,9
99,2 80,3 99,1
99,3 99,3 99,6
60,5 99,1 98,6
95,2 80,5 86,6
99,4 99,3 99,5
C5
99,6
98,5
97,9
80,9
99,1
99,5
98,8
99,4
99,2
99,6
99,6
30,8
67,7
99,5
82,3
95,4
99,4
98,6
76,0
99,5
C1
98,2
98,6
99,5
67,8
98,7
99,2
98,7
99,2
83,5
99,4
99,2
45,5
70,2
99,3
97,3
95,4
98,8
99,0
86,7
99,3
Validao
MAPE (% acertos)
C2
C3
C4
98,6 98,8 99,3
98,6 97,8 93,6
99,3 99,5 99,0
81,7 80,6 80,6
99,1 99,0 99,0
99,3 99,5 98,9
99,5 99,2 99,5
99,4 99,5 99,3
98,9 99,1 98,7
99,3 99,5 99,4
99,3 99,4 99,2
51,2 48,6 22,1
80,8 67,6 86,4
99,3 99,5 99,4
98,3 90,3 98,3
99,0 79,9 98,8
99,2 99,4 99,4
60,7 98,9 98,3
95,2 80,7 85,9
99,3 99,1 99,4
C5
99,5
98,6
97,8
80,5
99,0
99,4
98,8
99,4
99,0
99,5
99,5
30,9
67,3
99,4
82,1
95,2
99,3
98,6
76,4
99,3
Mdia Final
MAPE (% acertos)
Trein.
Val.
98,9
98,9
97,5
97,4
99,1
99,0
78,4
78,3
99,0
99,0
99,4
99,3
99,2
99,1
99,4
99,3
96,0
95,8
99,5
99,4
99,4
99,3
39,7
39,7
74,4
74,5
99,5
99,4
93,5
93,2
93,8
93,7
99,3
99,2
91,2
91,1
85,1
85,0
99,5
99,3

SistemaNeuralReativoparaoEstacionamentoParalelocomumaÚnicamanobraem VeículosdePasseio

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

SistemaNeuralReativoparaoEstacionamentoParalelocomumaÚnicamanobraem VeículosdePasseio

Uploaded by

Copyright:

Available Formats

KLBER DE OLIVEIRA ANDRADE

Dissertao apresentada Escola de Engenharia de So

rea de Concentrao: Dinmica de Sistemas e Controles

ESTE EXEMPLAR TRATA-SE DA

AUTORIZO A REPRODUO E DIVULGAO TOTAL OU PARCIAL DESTE

Ficha catalogrfica preparada pela Seo de Tratamento

Andrade, Klber de Oliveira

Inicialmente gostaria de agradecer ao Instituto Nacional de Cincia e Tecnologia em ptica

ANDRADE, K. O. Sistema Neural Reativo para o Estacionamento Paralelo com uma

1. HERNANDES, A. C.; MENDONCA, A. S. B.; ANDRADE, K. O.; BECKER, M.; Redes

Etapas do estacionamento paralelo . . . . . . . . . . . . . . . . . . . . . . . .

Tipos de mapas utilizados na robtica: (a) representao mtrica baseado em

Neurnio: (a) Representao do neurnio biolgico (retirado de http://

Descrio da Rede Neuralutilizada para controlar o veculo. . . . . . . . . . . .

Mapa global do projeto SENA . . . . . . . . .

Descries dos parmetros da cinemtica do carro. . . . . . . . . . . . . . . .

C.15 Resultados do Treinamento e validao das topologias especialistas candidatas

C.27 Resultados do Treinamento e validao das topologias especialistas candidatas

Lista de Abreviaturas e Siglas

Perceptron Multi-Camadas (Multi Layer Perceptron)

Distncia entre rodas

Feixe 2 do sensor de trs do veculo

Lista de Abreviaturas e Siglas

Aprendizado Supervisionado e Redes Neurais

Simuladores de Robs Mveis . . . . .

Abordagem do Estacionamento Paralelo

Sistema Neural Desenvolvido

Concluses e Perspectivas Futuras

A Mapa conceitual do projeto SENA

B Pseudo-Algoritmo do Autmato Finito

C Resultados das Topologias das Redes Neurais

The Defence Advanced Research Projects Agency - http://www.darpa.mil/

The European Robot Trial - http://www.elrob.org/

de risco iminente, melhorando a dirigibilidade do motorista atravs de assistncia cooperativa

Valeo Sistemas Automotivos - http://www.valeo.com

1. Estudar o estado da arte do problema de estacionamento para veculos do tipo carro de

1.3. ESTRUTURA DA DISSERTAO

Captulo 7 - Concluso e Trabalhos Futuros: discutida a proposta e apontadas perspectivas de desenvolvimento.

O problema de estacionamento pode ser classificado em trs categorias: estacionamento do

O Problema do Estacionamento Paralelo

2.1. O PROBLEMA DO ESTACIONAMENTO PARALELO

Figura 2.1: Etapas do estacionamento paralelo

CAPTULO 2. ESTADO DA ARTE

Sistemas Automotivos para Estacionamento

A indstria automobilistica e a comunidade acadmica nestas ltimas duas dcadas, tem

2.2. SISTEMAS AUTOMOTIVOS PARA ESTACIONAMENTO

O Citron C4 Picasso se tornou em 2006 o primeiro carro a apresentar um sistema integrado

Bosch uma empresa de inovao e tecnologia automotiva - http://www.bosch.com.br

CAPTULO 2. ESTADO DA ARTE

Ibeo Automotive Systems GmbH - http://www.ibeo-as.com/

2.3. TRABALHOS ACADMICOS

CAPTULO 2. ESTADO DA ARTE

2.4. CONSIDERAES FINAIS

Este captulo apresenta os princpios para a implementao de um simulador e uma breve

Existem na literatura diversos modelos j estudados que so bem fiis ao comportamento

CAPTULO 3. MODELAGEM E SIMULAO

2. Roda sem deslizamento lateral: movimento lateral da roda igual a zero;

T representa as velocidades lineonde V a velocidade longitudinal do veculo, o vetor [x y ]

Figura 3.2: Modelo cinemtico do veculo.

ngulo de esteramento do carro

Com as equaes cinemticas apresentadas em Equao 3.2b, tem-se o vetor de velocidades

CAPTULO 3. MODELAGEM E SIMULAO

onde o vetor [x y ]T representa as posies do veculo nas coordenadas globais (referencial

Figura 3.3: Mini-veculo HELVIS (Sampaio et al., 2011).