Sistema de assistência à condução integrando visão computacional e dados veiculares

Abstract

RESUMO: A tecnologia está cada vez mais presente nos automóveis, oferecendo recursos embarcados modernos que alertam o motorista em situações de risco e que assumem a responsabilidade pelas trocas de marcha, como os câmbios automatizados e automáticos. No entanto, em veículos mais simples, o motorista pode não saber qual a melhor marcha para reduzir o consumo de combustível e a distância de segurança aos veículos que estão na frente. O presente trabalho visa fornecer recomendação sobre a distância a ser mantida do veículo à frente, assim como a melhor marcha para reduzir o consumo de combustível em situação normal de condução. Os dados da central eletrônica do veículo com informações como a velocidade e consumo instantâneo são obtidos por meio da interface física \textit{OBD-II} presente no carro. E para estimação da distância aos veículos à frente, é utilizada uma rede neural convolucional para detecção dos veículos na via a partir das imagens vindas de um par de câmeras instalado no carro, assim como técnicas de visão computacional, como a geometria epipolar, para recuperar a informação de profundidade dos carros em relação às câmeras. Os algoritmos foram desenvolvido em \textit{Python}, e bibliotecas como \textit{Python-OBD} e \textit{OpenCV} foram utilizadas para a obtenção dos dados veiculares, para o processamento digital das imagem e implementação das técnicas de visão computacional. Para a validação da estimativa da distância aos veículos na via, foram realizados experimentos envolvendo a capacidade de detectar os carros por meio das câmeras embarcadas, assim como para averiguar a precisão da estimação de distância aos veículos detectados. Já para validar o sistema de recomendação da marcha adequada, foram realizados experimentos com o veículo em estradas para constatar melhorias das métricas de consumo do carro.

ABSTRACT: Technology is increasingly present in automobiles, offering modern onboard features that alert drivers in risky situations and take responsibility for gear shifts, such as automated and automatic transmissions. However, in simpler vehicles, drivers may not know the best gear to reduce fuel consumption and maintain a safe distance from vehicles ahead. This study aims to provide recommendations on the distance to be maintained from the vehicle in front, as well as the best gear to reduce fuel consumption during normal driving conditions. Data from the vehicle's electronic control unit, including speed and instant consumption, are obtained through the car's OBD-II physical interface. To estimate the distance to vehicles ahead, a convolutional neural network is used for vehicle detection on the road from images captured by a pair of cameras installed in the car, along with computer vision techniques, such as epipolar geometry, to retrieve depth information of the cars relative to the cameras. The algorithms were developed in \textit{Python}, utilizing libraries such as \textit{Python-OBD} and \textit{OpenCV} for vehicle data acquisition, digital image processing, and implementation of computer vision techniques. To validate the distance estimation to vehicles on the road, experiments were conducted to test the system's ability to detect cars using onboard cameras and verify the accuracy of the distance estimation to detected vehicles. Additionally, experiments were conducted on roads to validate the gear recommendation system to confirm improvements in the car's consumption metrics.