SubwayNav - Navegação de pedestres no metro usando o smartphone

• Autor(a) principal: Vogensen, Afonso Gonçalo Amorim
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/14774
• topic: Mobilidade; Navigação; Redes Metro; Localização no Interior; Sensores Digitais; Processamento Sinal; Android; Python; Supervised Machine Learning; Mobility; Navigation; Subway Networks; Indoor Location; Digital Sensors; Signal Processing; Sistemas Gráficos e Multimédia

Pessoas de todo o mundo confrontam-se com pobre informação nas redes de metro em turismo, o que causa atrasos ou enganos no percurso. Uma pesquisa extensa revela que as soluções de navegação subterrânea são escassas e maioritariamente para fins académicos. A procura insuficiente, juntamente com as limitações da tecnologia de navegação em ambientes subterrâneos existente, como GNSS, são as principais razões para essa escassez a nível global. No entanto, representa uma oportunidade para fornecer informações adicionais para turistas e cidadãos nativos, melhorando a experiência do utilizador nas redes de metro. Para alcançar esta solução, SubwayNav aborda a navegação nesses ambientes usando sensores digitais disponíveis na maioria dos dispositivos móveis Android, como o acelerómetro, magnetómetro e giroscópio. Colaboradora no campo da mobilidade urbana, Ubirider, propôs as principais funcionalidades que incluem um contador de paragens, detector de direção e um simples planejador de rotas, contando apenas com sensores de smartphones e possuindo adaptabilidade, precisão e eficiência. A contagem de paragens implica a distinção entre pelo menos dois estados: num metro em movimento e parado em qualquer outra situação. Preliminarmente, considerando isto como um problema de classificação, dados de sensores são repetidamente adquiridos em viagens de metro, extensivamente analisados e processados para identificar as features que melhor distinguem os estados uns dos outros. Recorrendo a algoritmos de aprendizagem supervisionados, treinados com as melhores features para melhor robustez, o dispositivo móvel introduz janelas curtas de dados dos sensores em tempo real e obtém assim o seu estado. Para detectar a direção, o tempo entre as paragens é comparado com a duração entre as margens fixas antes e depois da duração média até a estação correta. Com essa informação, os utilizadores conseguem chegar ao destino a tempo e em segurança com mais facilidade. Finalmente, uma prova de conceito visualmente básica é desenvolvida e testada em campo para avaliar o desempenho, o valor e a fiabilidade do algoritmo desenvolvido.