Académique Documents
Professionnel Documents
Culture Documents
Sistema Neural Reativo para o Estacionamento Paralelo com uma nica manobra em
Veculos de Passeio
USP - So Carlos
Outubro/2011
A553s
Dedicatria
Dedico este trabalho minha famlia, por tornar possvel mais esta fundamental conquista e
minha namorada Claudia, pela compreenso e pacincia.
Agradecimentos
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
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
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
3.1
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
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
Levenberg-Marquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
Levenberg-Marquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.11 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 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. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.13 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 sem rudos e sem parede), usando o algoritmo Resilient
Propagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
C.14 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 sem rudos e sem parede), usando o algoritmo LevenbergMarquardt. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
85
86
86
87
87
88
88
89
89
90
90
91
91
92
92
93
93
94
94
95
95
96
96
97
97
98
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
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
xxvii
SR2
SR3
V
W
Y
X
F
I
l
r
I
t
y
x
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
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
30
32
33
33
34
34
34
35
36
36
37
38
38
39
3.3
4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
41
41
42
43
46
48
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
49
49
50
52
53
54
55
56
57
57
58
58
58
59
60
60
64
65
66
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Referncias Bibliogrficas
77
79
83
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
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
1.2. OBJETIVOS
(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
CAPTULO 1. INTRODUO
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.
C APTULO
2
Estado da Arte
2.1
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
2.2
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
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
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
12
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
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
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
17
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)
18
3.1. MODELOS
Descrio
l
r
l
L
b
a
W
R
V
ICR
[X, Y ]
x (k + 1) = x (k) + xt
y (k + 1) = y (k) + yt
(k + 1) = (k) + t
(3.3)
19
Valor
W
Rmin
l
L
b
30o /30o
260 mm
580,24 mm
335 mm
480 mm
65 mm
3.1.3
Sensores
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
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
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
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)
Implementao do Simulador
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
Interface 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
28
3.3
Consideraes Finais
C APTULO
4
Aprendizado Supervisionado e Redes
Neurais
30
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
(a)
(b)
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)
(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
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)
4.1.1
Arquiteturas de RNAs
33
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
Figura 4.4: Exemplo de rede com arquitetura do tipo feedforward de camada mltiplas.
34
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.
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
35
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.
36
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
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.
38
n+ ij (t 1), se E(t1)
E(t)
>0
w
wij
ij
(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
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
42
(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,
43
(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
(5.2a)
(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
(5.3a)
(5.3b)
(5.3c)
(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
(5.5a)
(5.5b)
46
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)
= 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
(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
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
Sensores
Ambiente
RNA
Prximo
Velocidade e
Esteramento
6.1.1
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-
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.
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
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
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
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
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
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
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
6.2.4
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).
Tabela 6.6: 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 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
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
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).
Tabela 6.7: 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 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
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
61
Tabela 6.8: 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 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)
62
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
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
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
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
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.
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.
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.
REFERNCIAS BIBLIOGRFICAS
71
72
REFERNCIAS BIBLIOGRFICAS
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
REFERNCIAS BIBLIOGRFICAS
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
REFERNCIAS BIBLIOGRFICAS
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.
REFERNCIAS BIBLIOGRFICAS
75
76
REFERNCIAS BIBLIOGRFICAS
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.
REFERNCIAS BIBLIOGRFICAS
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
79
80
81
82
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
Algoritmo 3: Estado1()
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
Algoritmo 4: Estado2()
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
Algoritmo 5: Estado3()
1
P
1 se sin
ento
2R
2
= 1;
3
estado posicionando na vaga;
4 fim
Algoritmo 6: Estado4()
1 se SR3 s ento
2
estado alinhando na vaga;
3 fim
Algoritmo 7: Estado5()
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
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
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
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
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
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
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
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
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
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
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
Tabela 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 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
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
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
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
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
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
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
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
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
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
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
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
Tabela 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 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
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
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