Análise estatística e técnicas de identificação de pilotos para veículos Baja SAE

Martins, Allan de Medeiros

2018-08-31

Identificação de sistemas

Análise estatística de dados

Baja SAE

Redes neurais artificiais

Imergindo-se no contexto dos esportes motorizados, o uso de inteligência artificial se torna uma grande aliada para o bom rendimento de uma equipe de corrida, pois pode extrair características importantes do sistema carro/piloto e assim fornecer feedbacks para melhor performance, como já pode ser encontrado em algumas equipes de Formula 1. Partindo deste princípio, este trabalho objetiva a caracterização de pilotos de um veículo off-road Baja SAE para que feedbacks, durante a temporada de competição, possam ser realizados. Através da parceria com a equipe Car-Kará Baja SAE UFRN, foram selecionados 4 pilotos, com diferentes níveis de experiência em condução de veículo Baja SAE, em 7 pistas de testes. Os dados foram colhidos através de um data logger industrial e analisados de maneira offline. A partir da coleta dos dados, fez-se a divisão do vetor de variáveis (RPM, velocidade linear, velocidade angular, aceleração longitudinal e aceleração lateral) em 3 e 5 seções e então foi computada análise estatística (média, desvio padrão, valor máximo e valor mínimo) de cada parte, criando o vetor de características. Esse vetor, por sua vez, foi inserido em uma arquitetura neural artificial de duas camadas ocultas, obtendo uma taxa de classificação, do conjunto de dados reunindo os 4 pilotos, de 97% para o vetor de variáveis com 3 divisões e 93% para o vetor com 5 divisões.

Immersing in the motorsports context, the use of artificial inteligence becomes a great ally to the racing team efficiency by extracting important features from car/driver system and providing feedbacks for a better performance, as it can be found in some Formula 1 teams. From that principle, this work aims to characterize drivers of an off-road Baja SAE vehicle. Through the partnership with the Car-Kará Baja SAE UFRN team, 4 different drivers have been selected in 7 different test tracks. The data has been collected, through an industrial data logger, and analyzed in an offline manner. From the data collection, it has been done a divison of the variable vector in 3 and 5 sections and then it has been computed the statistical analysis for each part, creating the feature vectors. That vector was inserted in an artificial neural archtecture with two hidden layer, obtaining a classification rate of 97% for the variable vector division in 3 parts and 93% for 5 parts.