Aprendizado Bayesiano aplicado ao controle de veículos autônomos de grande porte

Abstract

apoio e fomento dados durante o período de formação acadêmica e desenvolvimento da pesquisa que gerou esta tese.A todos meus familiares que sempre me apoiaram ao longo da realização deste trabalho, principalmente a meus pais e meus irmãos, por todo o incentivo, carinho e compreensão nos momentos de ausência. Agradeço por vocês terem formado a pessoa que sou hoje.Ao meu orientador, Prof Dr. Valdir Grassi Junior pela oportunidade, orientação, paciência, sabedoria e confiança ao longo de meu doutorado. Ao Prof. Dr. Fabio Ramos por ter me recebido na School of IT da Universidade de Sydney, e por toda a orientação e suporte.Aos amigos do LASI, da USP -São Carlos e aos amigos da School of IT da Universidade de Sydney, por todas as discussões teóricas, auxílio nos experimentos, parceria nos trabalhos, companheirismo e amizade.A todos, meu sincero agradecimento. ResumoROCHA, Fernando Henrique Morais da. Aprendizado Bayesiano Aplicado ao Controle de Veículos Autônomos de Grande Porte. 2018. 54 f. Tese (Doutorado) -Curso O tópico de identificação de sistemas aparece em vários ramos da ciência, com especial importância ao campo de Controle Automático. Entretanto, os problemas encontrados na construção de uma representação precisa de um sistema, como a falta de informações prévias, e as diversas decisões de projeto que devem ser tomadas para a resolução de problemas de identificação de sistemas por meios mais tradicionais, podem ser solucionados através da análise empírica do sistema. Nesse sentido, os processos Gaussianos apresentamse como uma alternativa viável para a modelagem não-paramétrica de sistemas, trazendo a vantagem da estimação da incerteza do modelo. Para verificar o potencial dos processos Gaussianos em problemas de identificação de sistemas, foi realizada a identificação do modelo longitudinal de um veículo de grande porte, tendo alcançado um desempenho satisfatório, mesmo quando se utilizou poucos dados de treinamento. A partir do modelo aprendido, foi projetado um controlador preditivo baseado em modelo para controlar a velocidade do veículo. O controlador levou em consideração a variância da predição do modelo GP (Gaussian Process -Processos Gaussianos) em consideração durante o processo de otimização do sinal de controle. O controlador proposto alcançou um baixo erro no seguimento da referência, mesmo em situações extremas, como estradas íngremes. Entretanto, em alguns tipos de problemas, o resultado só pode ser mensurado a partir da combinação de uma sequência de ações, ou sinais de controle, aplicados ao longo da execução do processo, como é o caso do problema de direção ecológica (eco-driving). Nesses casos, estratégias que otimizem sinais de controle instantâneos podem não ser viáveis, sendo necessária a utilização de estratégias em que toda a política de controle seja otimizada de uma vez. Além disso, a avaliação do custo, ou execução de todo um episódio do processo, pode ser dispendiosa, é desejável que uma solução seja encontrada com a menor quantidade de interações possíveis com o sistema real. Um...

Máquinas de vetores de suporte e espectroscopia vibracional para autenticação e classificação de alimentos

“…A otimização Bayesiana visa encontrar o vetor de N dimensões que otimize uma função objetivo f : ℝ → ℝ, como definido pela Equação (32). [65][66][67]…”

“…A exploração ocorre em regiões desconhecidas e de alta incerteza em busca de compreender o funcionamento da função f naquela região. O aprofundamento, por sua vez, realiza avaliações em regiões já conhecidas e que apresentam valores ótimos, uma vez que nessa região existe uma alta probabilidade de se encontrar um ponto ótimo da função f. O equilíbrio entre a exploração e o aprofundamento é realizado pelas funções de aquisição, sendo a Expected Improvement uma das mais aplicadas na otimização Bayesiana e utilizada nesta dissertação 64,66. .…”