Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias

Detalhes bibliográficos
Autor(a) principal: Coelho, Gabriel José Dias
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/82130
Resumo: Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação
id RCAP_95b9f3bd637727bc3dffd29c06fb0a68
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/82130
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomaliasMachine LearningDeep learningModelos generativosDetecção de anomaliasDados sensoriaisGenerative modelsAnomaly detectionSensor dataEngenharia e Tecnologia::Outras Engenharias e TecnologiasDissertação de mestrado integrado em Engenharia e Gestão de Sistemas de InformaçãoO desenvolvimento actual da indústria da condução autónoma, levou a um crescimento no interesse do negócio de veículos autónomos compartilhados. O foco destas tecnologias tem crescido em torno da atenção dos veículos ao ambiente exterior. No entanto, fornecedores de serviços de mobilidade identifi caram que é necessário um entendimento dos acontecimentos no interior do habitáculo de um veículo, para atender a necessidades de comunicação, segurança, monitorização e resposta do veículo a cada situação. Focada neste problema, esta dissertação surge no âmbito do projecto Easy Ride: Experience is Everything, uma parceria entre a Bosch Car Multimedia e a Universidade do Minho, através do centro Algoritmi, perspectivando desenvolvimentos que permitem obter-se uma ”inteligência”dentro de um veí culo, capaz de responder, de forma rápida e segura, a acontecimentos relevantes. Sendo que os dados necessários para aplicar modelos de Machine Learning nesta área são inexistentes ou então de muito difícil acesso, esta dissertação focou-se numa geração de dados sintéticos, para que desta forma seja possível aplicar metodologias para a detecção de anomalias no interior de habitáculos de veículos. Fo ram estudados, implementados e testados algoritmos de forma a obter os resultados esperados, usando técnicas de Deep Learning como por exemplo Generative Adversial Networks para a geração de dados sintéticos, e consequentemente algoritmos para a detecção de anomalias.Current developments on self-driving cars has led to an increasing interest on the business of autonomous shared taxicabs. The developments made in this field were mostly focused on the outside environment. However, the mobility service providers have identified the needs to understand the events in-vehicle occurring during a service, to better attend the communication with costumers, provide safety, monitoring and be able to act in an abnormal situation. Due to this problem, this master dissertation arises within the scope of the project Easy Ride: Experience is Everything, a partnership between Bosch Car Multimedia and University of Minho, through Centro Algoritmi, aiming developments that will allow anomaly detection in-vehicle. Since data are non existent in this domain, what makes Machine Learning approaches nearly impossible, this dissertation aims to do developments in generation of sensor data, allowing the application of Machine learning methods to anomaly detection approaches. Algorithms will be studied, implemented and tested to obtain results, making developments in the generation methods field hence of anomaly detection.This work is supported by: European Structural and Investment Funds in the FEDER component, through the Operational Competitiveness and Internationalization Programme (COMPETE 2020) [Project n 039334; Funding Reference: POCI-01-0247-FEDER-039334]Cortez, PauloUniversidade do MinhoCoelho, Gabriel José Dias2022-01-142022-01-14T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/82130por203075820info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:05:33Zoai:repositorium.sdum.uminho.pt:1822/82130Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T18:56:00.698511Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
title Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
spellingShingle Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
Coelho, Gabriel José Dias
Machine Learning
Deep learning
Modelos generativos
Detecção de anomalias
Dados sensoriais
Generative models
Anomaly detection
Sensor data
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
title_short Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
title_full Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
title_fullStr Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
title_full_unstemmed Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
title_sort Geração de dados sensoriais do habitáculo de veículos para uma abordagem de Machine Learning de deteção de anomalias
author Coelho, Gabriel José Dias
author_facet Coelho, Gabriel José Dias
author_role author
dc.contributor.none.fl_str_mv Cortez, Paulo
Universidade do Minho
dc.contributor.author.fl_str_mv Coelho, Gabriel José Dias
dc.subject.por.fl_str_mv Machine Learning
Deep learning
Modelos generativos
Detecção de anomalias
Dados sensoriais
Generative models
Anomaly detection
Sensor data
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
topic Machine Learning
Deep learning
Modelos generativos
Detecção de anomalias
Dados sensoriais
Generative models
Anomaly detection
Sensor data
Engenharia e Tecnologia::Outras Engenharias e Tecnologias
description Dissertação de mestrado integrado em Engenharia e Gestão de Sistemas de Informação
publishDate 2022
dc.date.none.fl_str_mv 2022-01-14
2022-01-14T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/82130
url https://hdl.handle.net/1822/82130
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv 203075820
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132347047608320

Registros relacionados