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.commentsEE/2025/6390
dc.contributor.advisorMonteiro, Sérgio
dc.contributor.advisorFerreira, Flora José Rocha
dc.contributor.authorGuimarães, Pedro Miguel Ferreira
dc.date.accessioned2026-01-12T14:54:23Z
dc.date.issued2025-10-31
dc.date.submitted2025-11
dc.description.abstractA 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.abstractThe 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.sponsorshipThe work received financial support from FCT and Bosch Car Multimedia Portugal through the PhD scholarship PD/BDE/150498/2019
dc.identifier.tid101668813
dc.identifier.urihttps://hdl.handle.net/1822/99047
dc.language.isoeng
dc.relationPD/BDE/150498/2019
dc.relationPD/BDE/150498/2019
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectAprendizagem adaptativa espaço-temporal
dc.subjectCampos dinâmicos neuronais
dc.subjectPrevisão de informações sobre viagens
dc.subjectRobot operating system
dc.subjectUnidades de processamento gráfico
dc.subjectAdaptive spatio-temporal learning
dc.subjectDynamic neural fields
dc.subjectGraphics processing units
dc.subjectTrip information prediction
dc.subject.fosEngenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática
dc.titleA neurodynamics-based system for online learning and prediction of traveling routines in intelligent vehicleseng
dc.title.alternativeSistema baseado em neurodinâmica para aprendizagem online e previsão das rotinas de viagem em veículos inteligentespor
dc.typedoctoralThesiseng
dspace.entity.typePublication
oaire.awardNumberPD/BDE/150498/2019
oaire.awardTitlePD/BDE/150498/2019
oaire.awardURIhttps://hdl.handle.net/1822/99045
oaire.funderIdentifierhttp://doi.org/10.13039/501100001871
oaire.funderNameFundação para a Ciência e a Tecnologia, I.P.
relation.isProjectOfPublication48b8b890-73e1-48d2-8321-360ebed388f7
relation.isProjectOfPublication.latestForDiscovery48b8b890-73e1-48d2-8321-360ebed388f7
sdum.degree.gradeBom com distinção
sdum.uoeiEscola de Engenharia
thesis.degree.grantorUniversidade do Minhopor
thesis.degree.namePrograma doutoral em Sistemas Avançados de Engenharia para a Indústria

Ficheiros

Pacote original

A mostrar 1 - 1 de 1
A carregar...
Nome:
Pedro Miguel Ferreira Guimarães.pdf
Tamanho:
65.11 MB
Formato:
Adobe Portable Document Format