Aprendizado supervisionado de sistemas de inferência fuzzy aplicados em veículos inteligentes.

Abstract

Esta tese trata do desenvolvimento de um algoritmo para aprendizado supervisionado capaz de extrair conhecimentos provenientes de tarefas de manobras veiculares realizadas por um motorista humano. Como o objetivo final e determinar o conhecimento do motorista de forma compreensível, este será representado por Sistema de Inferência Fuzzy (FIS) baseado no modelo Mamdani, por representar o problema de forma simples por meio da linguagem natural humana. O desenvolvimento de tal sistema e, na verdade, um problema de otimização inteira mista, onde se deseja mapear o relacionamento entre as entradas provenientes do sistema de aquisição de dados do veículo com as respostas fornecidas por um humano. A geração deste Sistema Fuzzy implica na geração de uma estrutura de regras fuzzy e funções de pertinência que representem adequadamente o conjunto de exemplos de treinamento. Assim, o problema e dividido em duas partes: uma responsável pelo aprendizado das regras e a outra responsável pela otimização das funções de pertinência. A implementação do algoritmo para solucionar este problema, aplica os conceitos de Sistema Imunológico Artificial baseado em Gradiente (GbAIS) com duas populações distintas de anticorpos: uma para aprendizagem da estrutura de regras e outra para otimização das funções de pertinência. Por meio do processo de coevolução das duas populações e possível: trocar informações entre elas, uma vez que as mesmas são interdependentes; evitar o surgimento de ótimos locais; e aumentar o fitness do sistema gerado. Para validar esta proposta, o FIS gerado e utilizado em uma aplicação de veículos inteligentes. O algoritmo foi testado inicialmente em um ambiente de simulação 3D e posteriormente em um veículo de passeio real. Os resultados obtidos para o problema de estacionamento em vaga paralela e navegação em um circuito com waypoints comprovaram a eficácia do algoritmo proposto. As principais contribuições desta tese são: 1) a utilização de técnicas de aprendizado supervisionado para geração automática de sistemas de controle de alto nível em veículos inteligentes, por ser um tema pouco pesquisado neste tipo de aplicação; 2) a proposta da Tabela de Regras Potencias (TRP) para pré-seleção de regras candidatas, conduzindo a redução do espaço de busca; e 3) a aplicação de CGbAIS, uma nova técnica baseada em população.