Use este identificador para citar ou linkar para este item:
https://repositorio.ifgoiano.edu.br/handle/prefix/3939
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | França, Heyde | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1651485688533494 | pt_BR |
dc.contributor.referee1 | Belo Filho, Marcio Antônio Ferreira | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/0986077475580390 | pt_BR |
dc.contributor.referee2 | Oliveira, Douglas | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/8621490090221615 | pt_BR |
dc.creator | Menezes, Marcyhel | - |
dc.creator.Lattes | http://lattes.cnpq.br/3292426802121727 | pt_BR |
dc.date.accessioned | 2023-10-09T16:41:47Z | - |
dc.date.available | 2023-10-09T16:41:47Z | - |
dc.date.issued | 2023-09-18 | - |
dc.identifier.uri | https://repositorio.ifgoiano.edu.br/handle/prefix/3939 | - |
dc.description.abstract | Traffic in urban areas is one of the challenges of contemporary society. Increase constant number of vehicles, creates an environment conducive to accidents and congestion. In this scenario, the development of autonomous cars appears as a potentially revolutionary solution to improve road safety and optimize urban mobility. This work describes an approach to enable autonomous cars to travel in environments with obstacles, combining Deep Neural Networks and Genetic Algorithms. The goal is to develop an autonomous driving system that can learn to take decisions based on sensory information from the environment. A virtual environment was created to train autonomous cars using simulation scenarios with obstacles. The application of genetic algorithms optimized the process of training, allowing the neural network to adapt to different obstacle conditions. The results of the experiments demonstrated remarkable progress in autonomous driving. The integration of neural networks and genetic algorithms has enabled the self-driving car navigate with greater safety, anticipation and agility, minimizing the risk of collisions and optimizing driving efficiency. The approach results in steering systems autonomous vehicles more efficient and safe, contributing to the evolution of the field of mobility and road safety. | pt_BR |
dc.description.resumo | O trânsito nas áreas urbanas é um dos desafios da sociedade contemporânea. O aumento constante do número de veículos, cria um ambiente propício para acidentes e congestionamentos. Nesse cenário, o desenvolvimento de carros autônomos surge como uma solução potencialmente revolucionária para melhorar a segurançaa nas estradas e otimizar a mobilidade urbana. Este trabalho descreve uma abordagem para capacitar carro autônomos a trafegar em ambientes com obstáculos, combinando Redes Neurais Profundas e Algoritmos Genéticos. O objetivo é desenvolver um sistema de direção autônoma que possa aprender a tomar decisões baseadas em informações sensoriais do ambiente. Um ambiente virtual foi criado para treinar carros autônomos usando a simulação de cenários com obstáculos. A aplicação de algoritmos genéticos otimizou o processo de treinamento, permitindo que a rede neural se adaptasse a diferentes condições de obstáculos. Os resultados dos experimentos demonstraram um progresso notável na condução autônoma. A integração de redes neurais e algoritmos genéticos permitiu que o carro autônomo navegassem com maior segurança, antecipação e agilidade, minimizando riscos de colisões e otimizando a eficiência na condução. A abordagem resulta em sistemas de direção autônoma mais eficientes e seguros, contribuindo para a evolução do campo da mobilidade e da segurança nas estradas. | pt_BR |
dc.description.provenance | Submitted by Marcyhel da Silva Menezes (marcyhel.menezes@estudante.ifgoiano.edu.br) on 2023-10-05T21:59:56Z No. of bitstreams: 1 TCC_Marcyhel_final.pdf: 983768 bytes, checksum: 1dff5e088d1b3017f62be956b2d56da7 (MD5) | en |
dc.description.provenance | Rejected by Hevellin Estrela (hevellin.estrela@ifgoiano.edu.br), reason: Prezado MARCYHEL informamos que sua submissão foi rejeitada para ajustes pelo seguinte motivo: -- Falta a folha de aprovação tem que estar assinada por todos os membros da banca. -- Falta o TCAE no modelo disponibilizado pelo RIIF e tem que estar assinado pelo orientador (https://repositorio.ifgoiano.edu.br/arquivos/termo_de_autorizacao.pdf); ----> O Termo de Ciência e Autorização Eletrônico (TCAE) não foi anexado à submissão. O TCAE deverá constar, obrigatoriamente, dentro dos trabalhos acadêmicos submetidos no Repositório, por ventura o Termo não esteja inserido, a publicação será rejeitada pelos administradores da plataforma. o TCAE está disponível na plataforma na aba "Termo de Autorização" O TCAE, também, deverá conter assinatura do autor e do orientador do trabalho, com todas as informações corretamente preenchidas e escaneado; on 2023-10-06T17:07:47Z (GMT) | en |
dc.description.provenance | Submitted by Marcyhel da Silva Menezes (marcyhel.menezes@estudante.ifgoiano.edu.br) on 2023-10-06T18:12:55Z No. of bitstreams: 3 TCC_Marcyhel_final.pdf: 983768 bytes, checksum: 1dff5e088d1b3017f62be956b2d56da7 (MD5) AtaMarchyel.pdf: 192021 bytes, checksum: 88e78fea93db566d5392e32567b0189c (MD5) termo_de_autorizacao_assinados.pdf: 156331 bytes, checksum: 179deb580ed25673bbce4ae9d5f65b6c (MD5) | en |
dc.description.provenance | Approved for entry into archive by Hevellin Estrela (hevellin.estrela@ifgoiano.edu.br) on 2023-10-09T16:41:40Z (GMT) No. of bitstreams: 3 TCC_Marcyhel_final.pdf: 983768 bytes, checksum: 1dff5e088d1b3017f62be956b2d56da7 (MD5) AtaMarchyel.pdf: 192021 bytes, checksum: 88e78fea93db566d5392e32567b0189c (MD5) termo_de_autorizacao_assinados.pdf: 156331 bytes, checksum: 179deb580ed25673bbce4ae9d5f65b6c (MD5) | en |
dc.description.provenance | Approved for entry into archive by Hevellin Estrela (hevellin.estrela@ifgoiano.edu.br) on 2023-10-09T16:41:47Z (GMT) No. of bitstreams: 3 TCC_Marcyhel_final.pdf: 983768 bytes, checksum: 1dff5e088d1b3017f62be956b2d56da7 (MD5) AtaMarchyel.pdf: 192021 bytes, checksum: 88e78fea93db566d5392e32567b0189c (MD5) termo_de_autorizacao_assinados.pdf: 156331 bytes, checksum: 179deb580ed25673bbce4ae9d5f65b6c (MD5) | en |
dc.description.provenance | Made available in DSpace on 2023-10-09T16:41:47Z (GMT). No. of bitstreams: 3 TCC_Marcyhel_final.pdf: 983768 bytes, checksum: 1dff5e088d1b3017f62be956b2d56da7 (MD5) AtaMarchyel.pdf: 192021 bytes, checksum: 88e78fea93db566d5392e32567b0189c (MD5) termo_de_autorizacao_assinados.pdf: 156331 bytes, checksum: 179deb580ed25673bbce4ae9d5f65b6c (MD5) Previous issue date: 2023-09-18 | en |
dc.language | por | pt_BR |
dc.publisher | Instituto Federal Goiano | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Campus Rio Verde | pt_BR |
dc.publisher.initials | IF Goiano | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Redes Neurais | pt_BR |
dc.subject | Algorítmo genético | pt_BR |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO::SOFTWARE BASICO | pt_BR |
dc.title | REDES NEURAIS PROFUNDAS E ALGORITMOS GENÉTICOS: ESTUDO DE CASO: TREINAMENTO DE CARROS AUTONOMOS | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
Aparece nas coleções: | Bacharelado em Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC_Marcyhel_final.pdf | 960,71 kB | Adobe PDF | Visualizar/Abrir | |
AtaMarchyel.pdf | 187,52 kB | Adobe PDF | Visualizar/Abrir | |
termo_de_autorizacao_assinados.pdf | 152,67 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.