Estimativa embarcada de esforço de operação: uma análise do compromisso entre desempenho e eficiência em aprendizado de máquina

Abstract

Este trabalho desenvolveu e avaliou métodos de monitoramento de esforço operacional em veículos automotores através de uma evolução metodológica em três estágios distintos. A abordagem orientada a dados foi escolhida para superar as limitações dos modelos físicos tradicionais, que frequentemente falham em capturar a complexidade e variabilidade das operações reais.

O primeiro estágio revelou limitações fundamentais na abordagem inicial, demonstrando que dados inadequados comprometem significativamente a eficácia dos métodos, mesmo com algoritmos sofisticados. O segundo estágio trouxe avanços significativos com a implementação de redução de dimensionalidade via \gls{pca} e métodos semi-supervisionados, estabelecendo as bases para o sucesso do sistema final. O terceiro estágio culminou em um sistema robusto com validação quantitativa e benchmark computacional.

O sistema proposto utiliza dados de múltiplos sensores embarcados, incluindo IMU, CANBUS e sensores de motor, processados através de um autoencoder LSTM para filtragem de sinal não linear. Foram implementados e comparados quatro métodos distintos: uma heurística de linha de base, clusterização DTW direta, um modelo híbrido semi-supervisionado, e classificação supervisionada via XGBoost. A abordagem semi-supervisionada foi adotada para garantir a interpretabilidade dos clusters identificados.

Os resultados demonstram que o modelo híbrido semi-supervisionado oferece uma solução de compromisso superior, equilibrando precisão robusta com eficiência computacional aceitável. A validação em plataforma RISCV demonstrou viabilidade de implantação em sistemas embarcados, com medições de tempo de execução e consumo de energia adequados para aplicações em tempo real.

Este trabalho contribui significativamente para o desenvolvimento de sistemas de monitoramento automotivo inteligentes, oferecendo um framework prático para seleção de modelos sob restrições do mundo real e apresentando um caminho viável para inteligência robusta no dispositivo. A abordagem desenvolvida demonstra o potencial do uso de técnicas de ML orientadas a dados para superar as limitações dos métodos tradicionais, abrindo caminho para aplicações mais sofisticadas e eficientes em sistemas automotivos embarcados.