a economia em portugal 2018 digital 1.6 Inteligência Artificial | Machine Learning | Robótica 74 O Move-It é uma iniciativa que pretende reduzir o congestionamento, a poluição e a sinistralidade nas estradas, contribuindo para o desenvolvimento revolucionário da tecnologia de condução autónoma Altran MOVE-IT Aplicação de analítica avançada para impulsionar a experiência de condução autónoma O Move-it é uma iniciativa integrada no plano E-Cockpit do Grupo Altran, no sentido de contribuir para o desenvolvimento revolucionário da tecnologia de condução autónoma. O desenvolvimento de algoritmos de inteligência artificial fornecem numerosas capacidades de discernimento dos dados captados por sensores, recorrendo a técnicas de machine learning e deep learning. Entre várias, destacam-se a criação de uma ferramenta de geração de cenários de teste, a deteção das linhas das faixas de rodagem, deteção de peões em diferentes cenários de oclusão, back-ground e iluminação, e ainda o cálculo da distância de visibilidade em condições meteorologicamente adversas. desafiOS O objetivo da solução implementada foi o de desenvolver processos para suportar as componentes mencionadas anteriormente, por forma a produzir maior conhecimento das técnicas de comportamento em estrada e contribuir para a inovação e evolução da tecnologia. Pretendeu-se, com este trabalho de otimização, reduzir congestionamento, poluição, sinistralidade nas estradas, enquanto a mobilidade, disponibilidade e experiência aumentam significativamente. Com todos estes benefícios, surgem também novas oportunidades e modelos de negócio diferenciadores. Tecnologia Depois do levantamento do estado da arte, o algoritmo base de deteção de peões para o trabalho de otimização foi o SqueezeDet+, programado em Python utilizando a biblioteca TensorFlow. A mesma linguagem foi utilizada para a deteção de linhas e distância de visibilidade, tendo sido a OpenCV (Open Source Computer Vision) a biblioteca mais relevante, e onde o cálculo de distância de visibilidade retirado relevante inspiração do artigo (Negru, 2013). A ferramenta de geração de cenários foi igualmente desenvolvida em Python, com especial foco na biblioteca Tkinter. A estrutura base dos cenários assentou no OpenSCENARIO, cuja estrutura XSD foi traduzida para classes Python com recurso ao package GenerateDS, com algumas adaptações. Resultados No campo dos resultados, destaca-se a capacidade de deteção de linhas das faixas de circulação, através de alterações de condições de luminosidade (ver imagemem cima), e o cálculo da distância de visibilidade com um erro de incerteza inferior a 5% em distâncias menores que 100 metros (ver imagem ao centro). Em relação à deteção de peões, foram obtidos resultados promissores através da otimização dos hiperparâmetros da rede neuronal utilizada, que, através do poder de processamento adequado, darão lugar a valores de precisão na deteção superiores a 85%. No que concerne à ferramenta de geração de cenários (ver quadro), esta foi produzida para permitir criar elementos (ex: veículos, peões, objetos, etc.), descrever o contexto (ex: tráfego, limites de velocidade, posição dos elementos, etc.) e que gera um ficheiro XML, com uma estrutura pré-definida, com toda a informação inserida, bem como um ficheiro de texto com um sumário do cenário gerado. Os primeiros desafios encontrados no desenvolvimento desta iniciativa foram a escassez de datasets com suficiente qualidade e quantidade de dados para o treino dos modelos. Adicionalmente, existiu maior necessidade de capacidade de processamento, face à maior
75 em portugal 2018 1.6 Inteligência Artificial | Machine Learning | Robótica a economia digital Exemplo do cálculo de distância de visibilidade Exemplo de deteção de peões Exemplo de deteção de linhas laterais à faixa Seção de geração de cenários Fonte: Altran parte dos algoritmos que o estado da arte de inteligência artificial exigem, nomeadamente para o Deep Convolutional Neural Networks. Sendo uma área ainda predominantemente pioneira, os desafios associados à descoberta de algoritmos novos são inerentes, prevalecendo os processos iterativos de experimentação e análise. Coordenação/Autoria: Jorge Afonso, Daniel Andrade e Pedro Louro, Altran Principal referência Negru, M. and Nedevschi, S., 2013, September. Image based fog detection and visibility estimation for driving assistance systems. In Intelligent Computer Communication and Processing (ICCP), 2013 IEEE International Conference on Communications (pp. 163-168). IEEE. Altran REARM Manutenção preditiva em tempo real para motores elétricos usando tecnologia de big data Atualmente, no setor industrial, os motores elétricos representam 2/3 do consumo energético global do setor. A ocorrência de avarias inesperadas aumenta em grande medida os custos e tempo de reparação. Por esse motivo, os métodos tradicionais tornam-se insuficientes face às necessidades de gerir e analisar grandes volumetrias de dados, carecendo de técnicas de aprendizagem automática na deteção de falhas, na medida em que existe dificuldade e grande complexidade no apuramento do estado atual dos motores. desafiOS O REARM pretende ser uma ferramenta de suporte à decisão para minimizar o O REARM pretende ser uma ferramenta de suporte à decisão para minimizar o custo e o tempo de reparação dos motores
