| 1. Identificação | ||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||
| Site | mtc-m21c.sid.inpe.br | |||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identificador | 8JMKD3MGP3W34R/44582LP | |||||||||
| Repositório | sid.inpe.br/mtc-m21c/2021/02.05.01.02 | |||||||||
| Última Atualização | 2021:05.10.16.42.24 (UTC) simone | |||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21c/2021/02.05.01.02.47 | |||||||||
| Última Atualização dos Metadados | 2022:04.03.23.15.41 (UTC) administrator | |||||||||
| Chave Secundária | INPE-18404-TDI/3059 | |||||||||
| Chave de Citação | Fornari:2021:CaDeSi | |||||||||
| Título | Caracterização e desenvolvimento de um sistema autoadaptativo para estimação da posição de veículos aéreos não tripulados baseado em imagens  | |||||||||
| Título Alternativo | Characterization and development of a self-adaptive system for estimating the position of unmanned aerial vehicles based on images | |||||||||
| Curso | CAP-COMP-DIPGR-INPE-MCTI-GOV-BR | |||||||||
| Ano | 2021 | |||||||||
| Data | 2020-12-22 | |||||||||
| Data de Acesso | 20 maio 2024 | |||||||||
| Tipo da Tese | Tese (Doutorado em Computação Aplicada) | |||||||||
| Tipo Secundário | TDI | |||||||||
| Número de Páginas | 155 | |||||||||
| Número de Arquivos | 1 | |||||||||
| Tamanho | 8507 KiB | |||||||||
| 2. Contextualização | ||||||||||
| Autor | Fornari, Gabriel | |||||||||
| Banca | Guimarães, Lamartine Nogueira Frutuoso (presidente) Santiago Junior, Valdivino Alexandre de (orientador) Shiguemori, Elcio Hideiti (orientador) Velho, Haroldo Fraga de Campos Körting, Thales Sehn Almeida Junior, Jurandy Gomes de Maximo, Marcos Ricardo Omena de Alburquerque | |||||||||
| Endereço de e-Mail | gabriel.fornari@inpe.br; gabrielfornari@gmail.com | |||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| Cidade | São José dos Campos | |||||||||
| Histórico (UTC) | 2021-02-05 01:04:54 :: gabriel.fornari@inpe.br -> pubtc@inpe.br :: 2021-02-09 18:19:41 :: pubtc@inpe.br -> gabriel.fornari@inpe.br :: 2021-02-11 03:24:35 :: gabriel.fornari@inpe.br -> pubtc@inpe.br :: 2021-02-24 14:15:48 :: pubtc@inpe.br -> gabriel.fornari@inpe.br :: 2021-02-24 17:51:47 :: gabriel.fornari@inpe.br -> pubtc@inpe.br :: 2021-05-11 18:18:27 :: pubtc@inpe.br -> simone :: 2021-05-11 18:19:02 :: simone :: -> 2021 2021-05-11 18:27:25 :: simone -> administrator :: 2021 2022-04-03 23:15:41 :: administrator -> :: 2021 | |||||||||
| 3. Conteúdo e estrutura | ||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||
| Estágio do Conteúdo | concluido | |||||||||
| Transferível | 1 | |||||||||
| Palavras-Chave | sistemas autoadaptativos Veículos Aéreos Não Tripulados (VANTs) visão computacional estimação da posição por imagens aprendizado de máquina self-adaptive systems Unmaned Aerial Vehicles (UAVs) computer vision pose estimation based on images machine learning | |||||||||
| Resumo | Ambientes operacionais dinâmicos requerem que sejam desenvolvidos sistemas que possam se adaptar a mudanças não determinísticas das condições operacionais. Na literatura, áreas com diferentes nomenclaturas estudam o processo de adaptação em sistemas de engenharia, tais como sistemas autoadaptativos e sistemas reconfiguráveis. Recentemente, os Veículos Aéreos Não Tripulados (VANTs) passaram a ser utilizados em diferentes aplicações. Tais veículos necessitam de um sistema de estimação da posição para serem capazes de realizar o controle e navegação da aeronave. A despeito de ser por meio do Sistema Global de Navegação por Satélite (GNSS) que a estimativa de posição de VANTs em tempo real é mais usualmente identificada, devido a uma série de problemas associados ao uso de satélites no cálculo da posição, metodologias alternativas estão sendo propostas para o mesmo fim, como o uso de sensores imageadores e visão computacional. Nesse sentido, diferentes algoritmos de visão computacional podem ser utilizados para compor o sistema de navegação do VANT, que, por sua vez, se encontra imerso em um ambiente operacional cujas condições podem variar dinamicamente. A presente tese de doutorado objetiva contribuir para o processo de navegação autônoma de VANTs por meio da visão computacional identificando o mais adequado, entre vários algoritmos de visão computacional, para a estimação da posição de VANTs por imagens obtidas sob diferentes condições ambientais. Para esse processo, é proposto o uso de diferentes técnicas de Aprendizado de Máquina, que incluem Máquinas de Vetores de Suporte, Árvores de Classificação e Redes Neurais Artificiais. Os resultados revelam que a abordagem autoadaptativa melhora o desempenho, para estimar a posição de VANTs por meio de imagens, se comparada a uma abordagem não adaptativa estática, demonstrando a viabilidade dessa pesquisa. ABSTRACT: Dynamic operating environments demand the development of systems able to selfadapt to non-deterministic changes in operating conditions. In the scientific literature, different nomenclatures are used to name the study of adaptation process in engineering systems, such as self-adaptive systems and reconfigurable systems. Recently, Unmanned Aerial Vehicles (UAV) have been used in different applications. Such vehicles need a pose estimation system and, consequently, a system able to control and navigate the aircraft. Despite the fact that it is by means of Global Navigation Satellite System (GNSS) that the estimation of the position of real-time UAVs is usually estimated, there is a series of problems associated to the use of satellites in the computation of the position, and new alternative methodologies are being proposed for the same goal, as the use of imaging sensors and computer vision. In this sense, different algorithms of computer vision can be used to compose the navigation system of the UAV, which, in turn, is immersed in an operating environment whose conditions can change dynamically. This PhD thesis aims to contribute to the process of autonomous navigation of UAVs using computer vision identifying the most appropriate, among several camputer vision algorithms, for the pose estimation system of UAVs based on images obtained under different environmental conditions. For this strategy, several Machine Learning methods are used, including Artificial Neural Networks (ANN), Support Vector Machines (SVM), and Classification Trees. The results revealed that the adaptive methodology can increase performance, to estimate the position of UAVs using imagens, if compared to a nonadaptive static methodology, demonstrating the viability of this research. | |||||||||
| Área | COMP | |||||||||
| Arranjo 1 | urlib.net > CAP > Caracterização e desenvolvimento... | |||||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Caracterização e desenvolvimento... | |||||||||
| Conteúdo da Pasta doc | acessar | |||||||||
| Conteúdo da Pasta source |
| |||||||||
| Conteúdo da Pasta agreement |
| |||||||||
| 4. Condições de acesso e uso | ||||||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/44582LP | |||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/44582LP | |||||||||
| Idioma | pt | |||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||
| Grupo de Usuários | gabriel.fornari@inpe.br pubtc@inpe.br simone | |||||||||
| Visibilidade | shown | |||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | |||||||||
| Permissão de Leitura | allow from all | |||||||||
| Permissão de Atualização | não transferida | |||||||||
| 5. Fontes relacionadas | ||||||||||
| Repositório Espelho | urlib.net/www/2017/11.22.19.04.03 | |||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F2PHGS 8JMKD3MGPCW/46KUES5 | |||||||||
| Lista de Itens Citando | sid.inpe.br/bibdigital/2013/10.12.22.16 1 | |||||||||
| Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 | |||||||||
| 6. Notas | ||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||