"Ciências Básicas para o Desenvolvimento Sustentável"

24 a 26 de outubro de 2023

Trabalho 18097

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível Graduação
Modalidade Pesquisa
Área de conhecimento Ciências Exatas e Tecnológicas
Área temática Inteligência Artificial
Setor Departamento de Engenharia Elétrica
Bolsa CNPq
Conclusão de bolsa Sim
Apoio financeiro CNPq
Primeiro autor Guilherme Serra Francisco Pinel
Orientador KETIA SOARES MOREIRA
Outros membros ALEXANDRE SANTOS BRANDAO
Título Identificação de Gestos para Controle de Veículos Autônomos em Tempo Real
Resumo A interação entre humanos e veículos autônomos ocorre por meio de fala, movimentos, gestos e outros meios. Um estudo realizado por de Carvalho et al. (2021), foi proposto uma solução para o controle remoto de robôs móveis, utilizando gestos de alto nível e um classificador de Rede Neural Artificial (RNA) treinado com dados capturados por câmera RGB-D. Essa abordagem permitiu a execução de tarefas de inspeção, emergência e transporte de cargas. Os mesmos autores exploraram técnicas de aprendizado de máquina para identificação e controle de gestos em veículos autônomos, reduzindo a dimensão dos dados de entrada. Neste trabalho, busca-se implementar um algoritmo para captura e classificação de gestos em tempo real, visando criar uma ferramenta de reconhecimento de ações de fácil execução. No entanto, desafios como normalização de amostras, aquisição suficiente para cada ação e extração de características para classificação das ações motoras humanas precisam ser superados. O classificador K-Nearest Neighbors (KNN) foi escolhido devido à facilidade de implementação e baixa exigência de processamento. Para o controle de um veículo aéreo autônomo (VANT), foram propostos cinco gestos: voar, pousar, seguir operador, parar e capturar imagem. Será necessário criar uma base de dados com pontos de referência tridimensionais do corpo do operador para elaboração dos gestos. O processo de classificação utilizará o KNN, treinando a RNA para identificar os gestos e controlar o VANT. A construção da base de dados foi realizada com um algoritmo em Python, utilizando as bibliotecas MediaPipe e OpenCV para capturar frames do sensor Intel RealSense D435 e obter os pontos de referência (landmarks) do esqueleto. Essa estratégia facilitará a implementação no controle de veículos autônomos. A base de dados foi formulada para cada subetapa, extraindo os landmarks (5 pontos de referência) para a classificação dos gestos. Este trabalho se concentra na interação entre humanos e veículos autônomos por meio de gestos, com o objetivo de implementar um algoritmo para captura e classificação em tempo real. Resultados preliminares mostram uma estratégia promissora para controle de veículos autônomos, aplicável em áreas como inspeção, emergência e transporte de cargas. A interação por gestos oferece uma comunicação natural e intuitiva, eliminando interfaces complexas e comandos de voz. A personalização dos gestos permite adaptá-los às preferências do operador.
Palavras-chave Rede Neural Artificial, K-Nearest Neighbors, Interação
Forma de apresentação..... Painel
Link para apresentação Painel
Gerado em 0,63 segundos.