Inteligência artificial para mapeamento da qualidade de vias urbanas para ciclistas

Abstract

Resumo: Este estudo acadêmico explora o uso de aprendizado de máquina, com o objetivo de desenvolver um algoritimo para coleta e análise dados de sensores de dispositivos móveis para mapear as condições das vias urbanas no ciclismo. O objetivo desta pesquisa visa melhorar a experiência e a segurança dos ciclistas, além de oferecer dados atualizados para entidades públicas, auxiliando no planejamento e manutenção da infraestrutura viária. A pesquisa envolve a investigação de sensores como: acelerômetro, giroscópio, GPS e câmeras; e um aplicativo que integra informações destes dispositivos utilizando técnicas de aprendizado de máquina em uma interface intuitiva para dispositivos móveis. A metodologia contou com o levantamento bibliográfico e discussão dos principais trabalhos nesta temática, incluindo aplicações em áreas correlatas, além da própria coleta de 453.951 amostras de dados dos sensores, adquiridos durante diversos percursos em vias urbanas da cidade de Curitiba, o pré-processamento e a rotulação supervisionada destes dados, a definição e treinamento de diversos modelos de aprendizado de máquina e validação preliminar desta abordagem. Os experimentos foram realizados em diversas condições de vias públicas e com diferentes arquiteturas de coleta de dados, de dispositivos móveis acoplados em variadas posições, utilizando 2 modelos de biciletas populares. Após a análise qualitativa e quantitativa desses experimentos, pode-se concluir que o estudo identificou o modelo de Florestas Aleatórias como o mais efeito para a aplicação final, alcançando um F1-score de 0,999. Redes Neurais também apresentaram desempenho significativo, com um F1-score de 0,990, após extensivo ajuste de hiperparâmetros e seleção de variáveis. Os resultados demonstram a viabilidade da utilização de sensores de dispositivos móveis e técnicas de aprendizado de máquina para identificação automática das condições de vias urbanas durante a atividade do ciclismo. Além disso, o desenvolvimento do aplicativo permitiu a coleta eficiente de dados e o desenvolvimento de um sistema computacional consistente para futuras ações de planejamento urbano. Este trabalho também abre caminhos para pesquisas futuras, como por exemplo: a ampliação e compartilhamento de dados das vias públicas, a integração com plataformas de mapeamento e a exploração de técnicas de aprendizado contínuo, visando aprimorar ainda mais a segurança e a experiência dos ciclistas. O estudo também estabelece um ponto de partida para futuras pesquisas que explorem novas tecnologias e algoritmos, contribuindo para a evolução das soluções de mobilidade urbana sustentável

Abstract: This academic study explores the use of machine learning to develop an algorithm for collecting and analyzing data from mobile device sensors to map urban road conditions in cycling. The objective of this research is to enhance cyclists’ experience and safety while providing updated data to public entities, aiding in road infrastructure planning and maintenance. The study investigates sensors such as accelerometers, gyroscopes, GPS, and cameras, along with an application that integrates information from these devices using machine learning techniques in an intuitive mobile interface. The methodology included a literature review and discussion of key works in this field, including applications in related areas, as well as the collection of 453,951 sensor data samples acquired during various cycling routes in urban streets of Curitiba. The research also involved preprocessing and supervised labeling of the data, defining and training multiple machine learning models, and conducting a preliminary validation of this approach. Experiments were conducted under various road conditions and with different data collection architectures, using mobile devices mounted in different positions on two popular bicycle models. After a qualitative and quantitative analysis of these experiments, the study identified the Random Forest model as the most effective for the final application, achieving an F1-score of 0.999. Neural Networks also demonstrated significant performance, reaching an F1-score of 0.990 after extensive hyperparameter tuning and feature selection. The results demonstrate the feasibility of using mobile device sensors and machine learning techniques for the automatic identification of urban road conditions during cycling activities. Additionally, the development of the application enabled efficient data collection and the creation of a robust computational system for future urban planning actions. This work also paves the way for future research, such as expanding and sharing public road data, integrating with mapping platforms, and exploring continuous learning techniques to further improve cyclists’ safety and experience. Moreover, the study establishes a foundation for future research on emerging technologies and algorithms, contributing to the advancement of sustainable urban mobility solutions