A neurodynamics-based system for online learning and prediction of traveling routines in intelligent vehicles
Sistema baseado em neurodinâmica para aprendizagem online e previsão das rotinas de viagem em veículos inteligentes
| dc.comments | EE/2025/6390 | |
| dc.contributor.advisor | Monteiro, Sérgio | |
| dc.contributor.advisor | Ferreira, Flora José Rocha | |
| dc.contributor.author | Guimarães, Pedro Miguel Ferreira | |
| dc.date.accessioned | 2026-01-12T14:54:23Z | |
| dc.date.issued | 2025-10-31 | |
| dc.date.submitted | 2025-11 | |
| dc.description.abstract | A indústria automóvel tem prestado crescente atenção aos assistentes inteligentes integrados nos veículos, capazes de aprender e adaptar-se aos seus utilizadores. A previsão de destinos é uma das funções que tem sido amplamente explorada, aproveitando-se da regularidade espaço-temporal nos padrões de mobilidade humana. No entanto, prever informações sobre viagens além dos destinos permite formas de assistência mais abrangentes e impactantes, mas também implica lidar com a complexidade de prever aspetos espaciais e temporais. As abordagens existentes baseiam-se predominantemente em aprendizagem offline, exigindo conjuntos extensos de dados, e tipicamente inaptas para cenários realistas onde os dados de treino são incrementais ou os padrões de viagem evoluem. Esta tese propõe uma abordagem baseada em Campos Dinâmicos Neuronais para a aprendizagem e previsão dinâmica de informações sobre viagens. Esta abordagem suporta aprendizagem contínua e online, permitindo a adaptação a hábitos de viagem em evolução. Para além de determinar onde e quando ocorrem partidas e chegadas, identifica condutores, passageiros e objetos envolvidos. Assim, possibilita lembretes oportunos, configurações de conforto personalizadas, e sugestões proativas como avisos sobre objetos esquecidos. Isto contrasta com soluções que se concentram exclusivamente na aprendizagem dos destinos habituais do veículo ou fornecem sugestões apenas após a seleção de um perfil de condutor. A abordagem proposta foi implementada num sistema baseado em ROS (Robot Operating System), concebido para suportar operação em tempo real e simulação. Esta capacidade permite testes e validação controlados da abordagem, com rotinas pré-gravadas, garantindo confiança no desempenho para testes em contexto real. Avaliações realizadas em rotinas reais de 11 semanas, recolhidas através de uma aplicação móvel desenvolvida, demonstram a sua eficácia. A simulação e o desempenho em tempo real são otimizados com aceleração por hardware na NVIDIA Jetson Nano. A escalabilidade e modularidade do sistema oferecem uma base para diversas aplicações assistivas e progressão a níveis de maturidade tecnológica mais elevados. | por |
| dc.description.abstract | The automotive industry is witnessing growing attention to intelligent in-vehicle assistants capable of learning and adapting to user behaviors. Among these capabilities, destination prediction has been a widely explored feature, leveraging the spatio-temporal regularity observed in human mobility patterns. Predicting trip information beyond just destinations, however, enables more comprehensive and impactful forms of assistance, but it requires addressing the complexity of predicting both spatial and temporal aspects of mobility. Existing approaches predominantly rely on offline learning from stationary data distributions, requiring extensive datasets. Many also do not fully address realistic scenarios where training data is incrementally available, or travel patterns may change over time. This thesis proposes an approach based on Dynamic Neural Fields for dynamically learning and predicting trip information. It supports online and continual learning to adapt to evolving travel habits. Beyond determining where and when departures and arrivals occur, it identifies the specific drivers, passengers, and objects involved. It thus enables functionalities like timely reminders, personalized comfort settings prepared in advance, and proactive suggestions such as notifying about forgotten objects. This contrasts with some commercially available systems, which focus solely on learning the vehicle’s habitual destinations or provide personalized suggestions only after a driver profile is selected. The proposed approach was implemented within a modular system based on ROS (Robot Operating System), designed for both real-time operation and simulation. This dual-mode capability enables controlled testing and validation of the approach with prerecorded routines, ensuring confidence in its theoretical performance for real-time deployment. Evaluations on 11-week datasets of real traveling routines, collected via a tailored mobile application, demonstrate its efficacy. Simulation speed and real-time performance are optimized by leveraging hardware acceleration on the NVIDIA Jetson Nano. The system’s scalability and modularity provide a foundation for diverse assistive applications and progression to higher Technology Readiness Levels. | eng |
| dc.description.sponsorship | The work received financial support from FCT and Bosch Car Multimedia Portugal through the PhD scholarship PD/BDE/150498/2019 | |
| dc.identifier.tid | 101668813 | |
| dc.identifier.uri | https://hdl.handle.net/1822/99047 | |
| dc.language.iso | eng | |
| dc.relation | PD/BDE/150498/2019 | |
| dc.relation | PD/BDE/150498/2019 | |
| dc.rights | openAccess | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Aprendizagem adaptativa espaço-temporal | |
| dc.subject | Campos dinâmicos neuronais | |
| dc.subject | Previsão de informações sobre viagens | |
| dc.subject | Robot operating system | |
| dc.subject | Unidades de processamento gráfico | |
| dc.subject | Adaptive spatio-temporal learning | |
| dc.subject | Dynamic neural fields | |
| dc.subject | Graphics processing units | |
| dc.subject | Trip information prediction | |
| dc.subject.fos | Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática | |
| dc.title | A neurodynamics-based system for online learning and prediction of traveling routines in intelligent vehicles | eng |
| dc.title.alternative | Sistema baseado em neurodinâmica para aprendizagem online e previsão das rotinas de viagem em veículos inteligentes | por |
| dc.type | doctoralThesis | eng |
| dspace.entity.type | Publication | |
| oaire.awardNumber | PD/BDE/150498/2019 | |
| oaire.awardTitle | PD/BDE/150498/2019 | |
| oaire.awardURI | https://hdl.handle.net/1822/99045 | |
| oaire.funderIdentifier | http://doi.org/10.13039/501100001871 | |
| oaire.funderName | Fundação para a Ciência e a Tecnologia, I.P. | |
| relation.isProjectOfPublication | 48b8b890-73e1-48d2-8321-360ebed388f7 | |
| relation.isProjectOfPublication.latestForDiscovery | 48b8b890-73e1-48d2-8321-360ebed388f7 | |
| sdum.degree.grade | Bom com distinção | |
| sdum.uoei | Escola de Engenharia | |
| thesis.degree.grantor | Universidade do Minho | por |
| thesis.degree.name | Programa doutoral em Sistemas Avançados de Engenharia para a Indústria |
Ficheiros
Pacote original
1 - 1 de 1
A carregar...
- Nome:
- Pedro Miguel Ferreira Guimarães.pdf
- Tamanho:
- 65.11 MB
- Formato:
- Adobe Portable Document Format