An Embedded System for Analysis and Classification of a Driver's Conducting

1
Universidade Federal de Pernambuco
Centro de Informática
Graduação em Engenharia da Computação
Um Sistema Embarcado para Análise e Classificação de Condução de
Motoristas
Felipe de Paula Wanderley Barros
Trabalho de Graduação
Recife, 2016

2
Centro de Informática
Graduação em Engenharia da Computação
Felipe de Paula Wanderley Barros
Um Sistema Embarcado para Análise e Classificação de Condução de
Motoristas
Trabalho de Conclusão de Curso
apresentado à Coordenação do Curso de
Engenharia da Computação da
como requisito parcial para a conclusão da
graduação desse curso.
Orientador: Prof. Divanilson Campelo
Recife, 2016

3
Agradecimentos
Primeiramente, eu dedico esse trabalho e tudo o que foi realizado durante
esses seis anos de graduação à minha família. Família que esteve sempre do meu
lado, desde a decisão de largar uma Universidade Federal até o desafio de morar
sozinho em uma cidade desconhecida. Aos meus pais e avós pelo apoio
incondicional, tanto emocional quanto financeiro. Ao meu irmão pelas experiências
compartilhadas e pelo suporte sempre que necessário. E aos meus tios Isabela e
Jorge que, junto com Biel, me acolheram em seu lar durante minha jornada em
Recife. Ter vocês como um porto seguro sempre que necessário fez as coisas
ficarem menos difíceis e possíveis. Essa conquista é nossa.
Também gostaria de agradecer à minha turma de graduação, ao
Engenhação. Grupo unido que possibilitou que a árdua trajetória de uma graduação
de Engenharia da Computação fosse mais divertida e memorável. Dedico essa
conquista às noites em claro estudando juntos, e aos acampamentos dentro do Cin
para concluirmos trabalhos. Histórias que nunca esqueceremos.
Além destes amigos, também gostaria de lembrar do pessoal que fez um dos
anos da minha graduação ser mais especial, durante o período que participei do
CITi, pelo aprendizado e pela experiência diferenciada que é participar da
comunidade de empresários juniores.
Por fim, gostaria de agradecer a todos os funcionários do CIn-UFPE, desde
faxineiros a professores que fazem do meu Centro de Informática um pólo referência
em computação.

4
Resumo
Com o advento do conceito Internet of Things, existe um interesse crescente
na conectividade entre os mais distintos dispositivos eletrônicos, bem como na
análise de dados que os mesmos possam vir a trocar, fazendo proveito do aumento
da capacidade de processamento e do barateamento de sistemas embarcados. Os
automóveis estão inclusos nesta lista de dispositivos conectáveis, cujas redes
internas geram enorme quantidade de dados a todo momento, mas que são
direcionados apenas para controles eletrônico e mecânico internos do veículo, ou
para funcionalidades de conforto e segurança. O protocolo mais utilizado atualmente
para a comunicação entre os módulos eletrônicos de um automóvel é o protocolo
CAN, o qual é utilizado especificamente em aplicações automotivas e industriais. Por
este motivo, um sistema para análise da rede CAN de um carro foi desenvolvido com
o intuito de identificar e alertar sobre comportamentos do motorista que possam vir a
causar danos ao veículo, além de classificar o modus operandi do condutor
utilizando um algoritmo de Aprendizagem de Máquina. Essas informações são
recuperadas em uma placa Arduino conectada ao veículo e processadas e enviadas
por uma placa Intel Edison, via internet, para um servidor Web o qual disponibiliza
estas informações já formatadas para o usuário. O experimento foi realizado em um
Renault Sandero (2015) recuperando informações de velocidade, rotações por
minuto e pressão do pedal do acelerador, as quais foram processadas de modo a
demonstrar estatísticas de comportamento de frenagens e trocas de marcha
realizadas pelo motorista.
Palavras chaves: Redes Automotivas, Controller Area Network, CAN,
Inteligência Artificial, Internet das Coisas, Aprendizagem de Máquina.

5
Abstract
With the advent of the Internet of Things concept, there is an increasing
interest regarding to connectivity among different electronic devices, as well as to
data analysis of interchanged information among them, taking advantage of the
increased processing capacity and cheaper embedded system devices. Cars are
included into this list of connectable devices, whose internal networks generates
tremendous amounts of data every moment, but that are directed only to electronic
and mechanic control, or even to comfort and safety features. The most used
protocol for internal communication in vehicles is called CAN, which is mainly used
for automotive and industrial applications. For this reason, a system has been
developed to analyze a CAN network aiming at identifying and alerting about the
driver’s behavior, which may harm the vehicle mechanically, as well as classifying
driver’s driving using an algorithm of artificial intelligence. This information is
recorded using an Arduino board connected to the vehicle and processed and sent
through an Intel Edison board, via Internet, to a web server, which provides formatted
data to the user. The experiment was realized into a Renault Sandero (2015)
accessing information such as current speed, rotations per minute and accelerator
pedal position, which were processed aiming at delivering statistics about breaking
and gear changing conducted by the driver.
Key words: Automotive Networks, Controller Area Network, CAN, Artificial
Intelligence, Internet of Things.

6
Índice de Tabelas e Figuras
Figura 1. Arquitetura definida no padrão ISO-11898 [3]................................................12
Figura 2. Campos da mensagem do Standard CAN [3].................................................12
Figura 3. Exemplo de arbitração no barramento CAN [3]..............................................14
Figura 4. Arduino Uno..................................................................................................18
Tabela 1. Especificações técnicas do Arduino Uno.....................................................18
Figura 5. Seeed CAN Shield.........................................................................................19
Figura 6. Especificações técnicas do Seeed CAN Shield.............................................19
Figura 7. Cabo OBD-II..................................................................................................20
Figura 8. Configuração da pinagem do cabo OBD-II....................................................20
Figura 8. Configuração da pinagem do cabo OBD-II....................................................21
Figura 10. Conexão do cabo OBD-II no veículo.........................................................22
Figura 11. Conexão do sniffer no laptop...................................................................23
Figura 12. Trecho dos dados impressos no monitor serial..........................................24
Figura 13. Diagrama com o fluxo do código do sniffer.................................................25
Figura 14. Intel Edison conectada à Arduino Breakout Board......................................27
Tabela 2. Especificações técnicas principais da placa Intel Edison.............................28
Figura 15. Gráficos dos dados originais gerados.........................................................29
Figura 16. Gráficos de velocidade e aceleração...........................................................30
Tabela 3. Classificações dos eventos de frenagem.....................................................30
Figura 17. Derivada do RPM.........................................................................................31
Figura 18. Análise das trocas de marcha.....................................................................32
Tabela 4. Classificações dos eventos de troca de marcha...........................................33
Figura 19. Exemplo da saída do Relatório do Percurso................................................33
Figura 20. Gráfico de setores com estatísticas dos eventos........................................34
Figura 21. BD de treinamento.......................................................................................35
Tabela 5. Vetor de Características do Sistema.............................................................36
Tabela 6. Classes do Knn............................................................................................37
Figura 22. Exemplo de Classificação do Motorista.......................................................37
Tabela 7. Informações técnicas do módulo WiFi da Intel Edison.................................39
Figura 23. Diagrama de funcionamento do sistema de comunicação...........................39
Figura 24. Tela do Acompanhamento em Tempo Real.................................................40
Figura 25. Tela final com os dados estatísticos do percurso.......................................41
Figura 26. Tela da classificação do motorista..............................................................42

7
Sumário
Introdução ............................................................................................................................. 9
Fundamentação Teórica.......................................................................................................11
2.1 Redes Automotivas ................................................................................................11
2.2 CAN – Controller Area Network..............................................................................11
2.2.1 Arquitetura CAN..................................................................................................11
2.2.2 Mensagem CAN .................................................................................................12
2.2.3 Arbitração ...........................................................................................................13
2.2.4 Verificação de Erro .............................................................................................14
2.3 Inteligência Artificial................................................................................................14
2.3.1 kNN – K Nearest Neighboor ...............................................................................15
2.4 HTTP Protocol........................................................................................................16
Captura de Dados no Barramento CAN ...............................................................................17
3.1 Introdução..............................................................................................................17
3.2 Componentes Utilizados ........................................................................................17
3.2.1 Arduino Uno........................................................................................................17
3.2.2 CAN-Shield.........................................................................................................18
3.2.3 Cabo OBD-II.......................................................................................................19
3.3 Metodologia ...........................................................................................................20
3.4 Extração dos Dados do Veículo .............................................................................21
3.5 Funcionamento ......................................................................................................23
Processamento dos Dados ..................................................................................................26
4.1 Introdução..............................................................................................................26
4.2 Objetivo..................................................................................................................26
4.3 A Intel Edison.........................................................................................................27
4.4 Análises .................................................................................................................28
4.4.1 Análise das Frenagens .......................................................................................29
4.4.2 Análise das Trocas de Marcha............................................................................31
4.5 Relatório do Percurso.............................................................................................33
4.6 Aplicação de Inteligência Artificial ..........................................................................34
4.6.1 Criação do Banco de Dados ...............................................................................35
4.6.2 Classificação do Comportamento do Motorista...................................................36
Interface com Usuário ..........................................................................................................38
5.1 Introdução..............................................................................................................38
5.2 Django ...................................................................................................................38

8
5.3 Disponibilização dos Dados ...................................................................................38
5.3.1 Comunicação Intel Edison e Servidor Web.........................................................38
5.3.2 Dados na Web....................................................................................................39
5.4 Telas do Sistema ...................................................................................................40
5.4.1 Tela de Acompanhamento em Tempo Real........................................................40
5.4.2 Tela de Relatório de Percurso ............................................................................41
5.4.3 Tela de Classificação do Percurso......................................................................41
Trabalhos Futuros ................................................................................................................43
6.1 Unificação dos Sistemas Embarcados ...................................................................43
6.2 Detecção de Outros Eventos de Direção................................................................43
6.3 Fornecimento de Dados a Empresas .....................................................................44
6.4 Refinamento da Classificação de Frenagens e Trocas de Marcha.........................44
Conclusão ............................................................................................................................45
Anexos .................................................................................................................................46
8.1 Pseudo-Código da Captura de Dados...................................................................46
8.2 Pseudo-Código do Processamento de Dados.......................................................47
Referências..........................................................................................................................49

9
Capítulo 1
Introdução
A temática envolvendo redes intraveiculares configura uma das áreas da
computação com maior potencial e interesse atualmente, sendo alavancada pelos
promissores mercados dos carros autônomos, segurança e da indústria de
aplicativos para o nicho automobilístico. Além disso, o barateamento de sistemas
embarcados e o aumento da capacidade computacional destes dispositivos
encorajam a criação de aplicações “pesadas” voltadas para ambientes até então
pouco explorados, como uma rede interna de um automóvel.
Este cenário de alta visibilidade da área de Redes Automotivas juntamente
com a maior acessibilidade a componentes eletrônicos estimula o desenvolvimento
de trabalhos como este que criem maneiras de analisar o comportamento do
motorista, visando o seu aperfeiçoamento e, consequente, ajude a evitar acidentes e
mortes no trânsito. Segundo a pesquisa Acidentes de trânsito nas rodovias federais
brasileiras do IPEA (Instituto de Pesquisa Econômica Aplicada), dos 169.153
acidentes de trânsito registrados pela PRF (Polícia Rodoviária Federal) em 2014,
17.937 aconteceram por velocidade incompatível, 54.317 por falta de atenção e
6.787 por defeitos mecânicos nos veículos, dentre os quais 2.379 envolveram
vítimas fatais [12]. Estes três motivos de acidentes são direta ou indiretamente
avaliados pelos dados gerados por esse trabalho. Ainda segundo a pesquisa citada
acima, todos os acidentes acontecidos em 2014 significaram R$ 12,3 bilhões de
reais em custos para o governo. Considerando que estes acidentes contribuíram
igualmente para este valor, os acidentes causados pelos três motivos citados acima
custariam R$ 5,74 bilhões de reais às contas públicas naquele ano.
O CAN (Controller Area Network) é o protocolo mais empregado nos
ambientes veiculares atualmente, sendo utilizado para controlar o funcionamento e a
comunicação entre ECUs (Electronic Control Unit) que, por sua vez, são dispositivos
eletrônicos cuja finalidade é controlar funcionalidades veiculares como freio ABS
(Anti-lock Braking System) e AirBag. Carros modernos podem conter mais de 50
ECUs conectadas entre si [11]. O emprego de tantas ECUs resulta em uma
quantidade relativamente alta de dados trafegando na rede CAN de um automóvel
que, com o tratamento correto, pode vir a fornecer informações valiosas.

10
Sistemas embarcados são sistemas eletrônicos com capacidade
computacional e tamanho reduzidos, cuja prototipação ocorre visando atingir apenas
um conjunto de funcionalidades, ao contrário de um sistema computacional de
propósito geral, para o qual não se pode predizer em qual ambiente o mesmo será
inserido. Exemplos de sistemas embarcados estão nos controles de desde MP3
players, até em ECUs em carros e aviões. Com a evolução destes sistemas de
propósito definido, principalmente do seu poder computacional, abre-se a
possibilidade da inserção de algoritmos mais complexos, como algoritmos de
Inteligência Artificial.
A evolução da Internet, democratização das tecnologias móveis e o conceito
de nuvem têm condicionado os usuários comuns a depender e, até, reivindicar que
uma infinidade de tipos serviços estejam disponíveis em todo lugar, serviços estes
que tendem a se tornar gradualmente mais complexos.
Este trabalho visa unificar os conceitos observados nos parágrafos anteriores
em uma aplicação embarcada que propõe observar o tráfego interno de uma rede
CAN intraveicular e, a partir dos dados coletados, processar as informações
capturadas analisando o comportamento com o qual o motorista conduz o veículo,
gerando dados estatísticos sobre esse comportamento, classificando o tipo de
condução a partir de algoritmos de Inteligência Artificial, e disponibilizando esses
dados em tempo real no ambiente web.

11
Capítulo 2
Fundamentação Teórica
Este capítulo fornece toda a informação necessária a respeito dos conceitos teóricos
que serviram como base para o desenvolvimento deste trabalho.
2.1 Redes Automotivas
Veículos deixaram de ser apenas dispositivos mecânicos. Veículos atuais possuem
um número crescente de dispositivos eletrônicos conectados entre si que, como um todo,
são responsáveis por monitorar e controlar o estado do veículo [11]. Atualmente, existem
diversos tipos de redes que são utilizadas em automóveis, cada qual com suas
particularidades e objetivos específicos, variando em largura de banda, custo, complexidade
entre outros quesitos. Dentre as redes automotivas mais conhecidas estão LIN (Local
Interconnect Network), FlexRay, MOST (Media Oriented Systems Transport) e CAN
(Controller Area Network), sendo esta última a utilizada nesse trabalho, e que será explicada
nas seções subsequentes.
2.2 CAN – Controller Area Network
O protocolo CAN foi desenvolvido pela BOSCH como um sistema multimaster com
mensagens broadcast com uma taxa máxima de 1 Megabits por segundo (1Mbps). Ao
contrário de outros protocolos de rede como USB ou Ethernet, o CAN não envia grande
pacotes de dados de ponto a ponto de um nó A até um nó B sob a supervisão de um nó
master central. No protocolo CAN, várias pequenas mensagens, tais como temperatura e
RPM (Rotações por Minuto), são difundidas na rede por completo, permitindo que qualquer
nó conectado ao barramento possa acessar essa informação [3].
Uma vez que os princípios básicos do CAN são o formato da mensagem, seus tipos
e identificadores, os esquema de arbitração e de verificação de erros, eles serão explicados
nas próximas seções.
2.2.1 Arquitetura CAN
O protocolo de comunicação CAN, ISO-11898:2003, descreve como a informação é
trocada entre seus nós conectados em uma rede de acordo com o modelo OSI (Open
Systems Interconnection), a qual é definida em camadas. O ISO-11898, documento que
descreve o protocolo CAN, define as últimas duas camadas das sete do modelo OSI, como
a camada de enlace (Data Link Layer) e camada física (Physical Layer) da Figura 1 [3]
abaixo:

12
Figura 1. Arquitetura definida no padrão ISO-11898 [3].
2.2.2 Mensagem CAN
O protocolo CAN possui duas variações de composição dos seus campos de
mensagem, sendo eles: o Standard CAN onde o campo ID da mensagem possui 11 bits no
total, e o Extended CAN em que este campo possui 29 bits. Durante este trabalho, apenas o
primeiro padrão foi utilizado, sendo o mesmo ilustrado na Figura 2 [3]:
Figura 2. Campos da mensagem do Standard CAN [3].
 SOF: Um único bit dominante (Start of Frame) que marca o início da mensagem,
e é utilizado para sincronizar os nós conectados ao barramento, após o mesmo
ter estado ocioso.
 IDENTIFIER: Este campo é o responsável por definir a prioridade das mensagens
CAN. Quanto menor for seu valor, maior a prioridade da mensagem.
 RTR: Este bit (Remote Transmission Request) é dominante quando alguma
informação é requerida de outro nó. Todos os nós recebem a mensagem, mas o
Identifier determina qual deles deve responder, da mesma maneira que a

13
informação respondida também é recebida por todos os nós conectados ao
barramento.
 IDE: Este bit é responsável por identificar o padrão utilizado, se o Standard CAN
ou o Extended CAN.
 R0: Bit reservado para uso futuro.
 DLC: 4 bits contendo o número de bytes de dados que estão sendo transmitidos
(Data Length Code).
 DATA: Até 64 bits de dados que possam estar sendo transmitidos.
 CRC: 16 bits utilizados para detecção de erros (Cyclic Redundancy Check).
 ACK: Todos os nós sobrescrevem esse bit para indicar que o pacote foi recebido
com sucesso e livre de erros. Se houve erro, o nó deixa o bit recessivo, descarta
a mensagem, e o emissor a reenvia.
 EOF: Este campo de 7 bits marca o fim do frame CAN.
 IFS: Este campo de 7 bits contém o tempo requerido pelo controlador para pôr
um frame recebido na posição correta dentro de seu buffer de mensagens.
Durante o projeto, foi necessário descobrir o valor correto dos IDs para as
mensagens de velocidade instantânea, valor do RPM e pressão no pedal do acelerador,
sendo necessária uma consulta na documentação do padrão OBD-II, o qual define os
valores de ID’s de mensagens nos barramentos automotivos, e disponível em [4].
2.2.3 Arbitração
A arbitração é uma característica fundamental do protocolo CAN, a qual garante que
mensagens com maior prioridade poderão trafegar no barramento sem colisões ou erros. O
acesso ao barramento é disparado por eventos e acontece randomicamente. Se dois nós
tentam ocupar o barramento no mesmo instante, o acesso ao barramento é implementado
de maneira não destrutiva com uma arbitração bit a bit, garantindo o barramento para a
mensagem com o menor valor de Identifier. Não destrutivo significa que o nó ganhando a
arbitração segue enviando sua mensagem, sem que a mesma tenha sido destruída pelo
envio de outro nó [3]. Para que a arbitração aconteça, cada nó segue verificando o
barramento à medida que transmite, possibilitando uma comparação entre bit enviado e bit
presente no barramento. Caso uma mensagem com maior prioridade esteja presente no
barramento, o nó para imediatamente a sua transmissão. A Figura 3 [3] exemplifica o caso
de concorrência por um barramento CAN entre dois nós, onde o nó C ganha a arbitração
inicialmente e envia sua mensagem por completo. Após isso, o nó B ganha a arbitração e
está autorizado a enviar sua mensagem.

14
Figura 3. Exemplo de arbitração no barramento CAN [3].
2.2.4 Verificação de Erro
A robustez do protocolo CAN pode ser atribuída em parte ao abundante
procedimento de verificação de erros. O protocolo CAN possui cinco diferente métodos de
checagem de erro, sendo três em nível de mensagem e mais dois em nível de bits. Se a
mensagem falhar em qualquer um deles, esta não é aceita pelo receptor e uma mensagem
de erro é gerada no barramento, obrigando o emissor a reenviar a mensagem até que esta
seja recebida corretamente. Além disso, se um nó começar a enviar mensagens de erro
continuamente no barramento, sua capacidade de transmissão é removida por seu
controlador após atingir um limite máximo de mensagens [3].
2.3 Inteligência Artificial
Inteligência Artificial é a área da computação responsável por estudar e desenvolver
algoritmos capazes de reconhecer e classificar padrões, como por exemplo, reconhecimento
de fala, identificação de impressão digital e muitas outras aplicações úteis e já empregadas
na indústria [2].
Por esse motivo, idealizou-se o uso dessas ferramentas de classificação
automatizada para incorporar a este trabalho, na tentativa de fornecer uma maneira de
classificar o comportamento do motorista após um período dirigindo. Esta funcionalidade foi
implementada utilizando o algoritmo de classificação KNN (K-Nearest Neighboor), o qual
será explicado na próxima seção.

15
2.3.1 kNN – K Nearest Neighboor
O algoritmo KNN é um algoritmo baseado em instância que, por definição, é um tipo
de algoritmo que não necessita de processamento prévio para “ensinar” a máquina de
classificação (no caso de Redes Neurais, é necessário que a máquina seja “ensinada” para
calibrar os pesos das arestas que serão utilizadas no processo de classificação). Ou seja,
todo o processamento necessário é transferido ao processo de classificação, sendo o
processo de aprendizagem apenas o armazenamento do conjunto de treinamento [1]. Para
esse trabalho, em que o processamento acontece em uma plataforma embarcada, a
utilização de um método semelhante a Redes Neurais seria o ideal, uma vez que o processo
de aprendizagem poderia ser feito em um ambiente otimizado, e apenas a função de
classificação passada ao embarcado. No entanto, pela simplicidade da implementação e do
conceito por trás do KNN, este foi escolhido.
O algoritmo KNN consiste em uma solução clássica de Aprendizagem de Máquina,
em que o conceito básico é, dado um objeto de análise, classificá-lo com a classe com
maior ocorrência dentre os outros elementos do espaço, considerando apenas os K
elementos mais próximos ao elemento de análise. A distância entre dois elementos do
espaço de objetos é dada pela Distância Euclidiana [1]. Seja uma instância arbitrária
definida pelo vetor de características:
( ( ) ( ) ( )) (2.1)
onde an(x) denota a r-ésima característica do elemento x. Então, a distância Euclidiana entre
duas instâncias xi e xj é dada por d(xi,xj), onde:
( ) √∑( ( ) ( )) (2.2)
Os valores atribuídos às características podem ser discretos ou contínuos para esse
algoritmo, necessitando criar uma forma de cálcular a distância Euclidiana para o primeiro
caso, que não seja apenas subtrair valores [1]. No entanto, esse trabalho utilizou valores
reais para definir as características do seu conjunto de treinamento1
, não necessitando de
adaptação no algoritmo.
1
Dá-se o nome de conjunto de treinamento ao grupo composto pelos objetos cujas características têm seus
valores conhecidos, assim como suas classes definidas. Esse grupo é utilizado para determinar a classe de uma
instância que se deseja classificar.

16
Calculadas as distâncias entre os elementos do conjunto de treinamento e o
elemento de análise, escolhem-se os K elementos mais próximos para análise. A classe
com maior incidência dentre esses K elementos é então escolhida para classificar o
elemento de análise.
2.4 HTTP Protocol
O protocolo HTTP (Hypertext Transfer Protocol) é o protocolo de comunicação
utilizado na camada de aplicação (segundo o modelo OSI) por sistemas de informação de
hipermídia, distribuídos e colaborativos [5].
Este é o protocolo utilizado pela aplicação para permitir a comunicação entre o
sistema embarcado e o servidor responsável por disponibilizar os dados na web.

17
Capítulo 3
Captura de Dados no Barramento CAN
Este capítulo tem como objetivo detalhar o processo inicial de captura dos dados a
partir do barramento CAN presente no automóvel.
3.1 Introdução
A etapa inicial do experimento realizado neste projeto se resumiu em acessar o
barramento CAN de um automóvel em funcionamento, e colher informações relevantes para
um processamento futuro. Este objetivo foi alcançado construindo um sniffer2
que pudesse
se conectar à entrada para diagnósticos automotivos conhecida como OBD-II, a qual está
presente na maioria dos carros atuais para colher, em tempo real, informações como
velocidade instantânea, rotações por minuto e pressão exercida no pedal do acelerador.
Estes dados foram então salvos em arquivos de log pra serem utilizados na análise que será
explicada em 4.4.
3.2 Componentes Utilizados
Todos os componentes utilizados no desenvolvimento do sniffer serão descritos nas
sub-seções seguintes:
3.2.1 Arduino Uno
O Arduino é a placa com microcontrolador baseada no ATmega328. Ela possui 14
saídas/entradas digitais (das quais 6 podem ser utilizadas como saídas PWM (Pulse-Width
Modulation), 6 saídas analógicas, um cristal de quartzo de 16MHz, uma conexão USB, uma
entrada de energia, e um botão de reset [7] .
2 Em redes de computadores, sniffer é o termo designado para uma ferramenta de hardware ou software capaz
de se conectar a uma rede, interceptar e registrar o tráfego de dados. Esta ferramenta ainda é capaz de
capturar cada pacote, decodificá-lo e analisar seu conteúdo [6].

18
Figura 4. Arduino Uno.
Micro controlador Atmega328
Voltagem de Operação 5V
Pinos de I/O Digitais 14
Pinos Analógicos de Entrada 6
Memória Flash 32KB (0.5KB para bootloader)
SRAM 2KB
EPROM 1KB
Clock 16MHz
Tabela 1. Especificações técnicas do Arduino Uno.
3.2.2 CAN-Shield
Esta foi a placa utilizada como interface entre o Arduino Uno e o barramento CAN do
automóvel. Esta CAN-Shield fabricada pela empresa Seeed
(http://www.seeedstudio.com/depot/) integra o controlador CAN MCP2515 e o transceiver
CAN MCP2551 através de uma interface SPI proporcionando ao Arduino a capacidade de
executar ações que um nó CAN de um carro também possui [8].
A comunicação entre este dispositivo e o carro ocorre com o auxílio de um cabo
OBD-II que será detalhado na próxima seção.

19
Figura 5. Seeed CAN Shield.
Na Figura 6 abaixo estão detalhadas algumas características técnicas do CAN
Shield, assim como o posicionamento dos pinos utilizados no barramento CAN, como CAN
High e CAN Low, além do GND e a alimentação de 12V.
Figura 6. Especificações técnicas do Seeed CAN Shield.
3.2.3 Cabo OBD-II
Como já mencionado anteriormente, o padrão OBD-II é uma interface utilizada para
diagnósticos em automóveis e está presente na maioria dos carros atualmente. Por isso, um
cabo OBD-II foi utilizado para possibilitar a conexão entre veículo e a porta serial da CAN-
Shield. Dentre os 16 pinos presentes no padrão OBD-II, os pinos 4 (GND), 6 (CANH), 14
(CANL) e 16 (12V) são aqueles utilizados especificamente para permitir o acesso ao
barramento CAN do carro.

20
Figura 7. Cabo OBD-II.
Figura 8. Configuração da pinagem do cabo OBD-II.
3.3 Metodologia
Esta seção do capítulo tem como objetivo detalhar todo o fluxo seguido neste
trabalho, envolvendo desde a etapa de Captura de Dados, representada por este capítulo,
até as demais etapas do trabalho, as quais serão detalhadas nos capítulos seguintes.
Este trabalho pode ser dividido em três etapas principais, sendo elas:
 Captura de Dados no Barramento CAN: Etapa responsável por colher os
dados que trafegam no barramento CAN do veículo e salvá-los em arquivo
para posterior processamento.
 Processamento dos Dados: Etapa responsável por processar os dados
gerados na etapa anterior, e enviá-lo ao Servidor Web, presente na próxima
etapa. Este processamento dos dados envolve detectar os eventos de
frenagem e trocas de marcha efetuados pelo condutor, e classificá-los. Por
fim, o percurso é classificado como um todo através de Inteligência Artificial.

21
 Interface com o Usuário: Última etapa do sistema, responsável por receber
os dados processados e disponibilizá-los na Web para o usuário. Esta etapa
contém um Servidor Web responsável por atender as requisições realizadas
pelo Browser e pelo sistema de Processamento de Dados presente na etapa
anterior.
Figura 9. Diagrama com o fluxo entre as etapas do trabalho.
3.4 Extração dos Dados do Veículo
Antes de detalhar os procedimentos realizados para extração de dados, vale lembrar
que o objetivo final do projeto era classificar o comportamento do motorista baseado em
suas frenagens e trocas de marcha. Portanto, era necessário extrair informações relevantes
para estes tipos de análises.
O sniffer foi conectado à entrada OBD-II do automóvel Renault Sandero (2015) e, a
partir desta conexão, informações em formato de log foram salvas em arquivos .txt para
serem utilizadas para análise em uma etapa seguinte. O sistema foi programado para
requisitar três informações distintas a respeito do estado interno do veículo a cada 0.6
segundos. Estas informações foram:
Captura dos Dados
Processamento dos Dados
Interface com o Usuário

22
 Velocidade Instântanea: A velocidade recebida é dada em Km/h sendo esta
informação essencial para a análise da frenagem, utilizada para gerar um
padrão de acelerações exercidas pelo carro.
 Rotações por minuto: O valor do RPM instantâneo é dado em valor
absoluto, sendo essencial para a análise das trocas de marchas.
 Pressão no pedal do acelerador: O valor retornado desta requisição está
entre 0 e 100, e indica a posição relativa do pedal do acelerador no momento
em que a requisição é atendida.
A Figura 10 abaixo mostra a conexão do sniffer no carro através da ferramenta de
diagnósticos OBD-II.
Figura 10. Conexão do cabo OBD-II no veículo.
A Figura 11 abaixo mostra a conexão do sniffer ao laptop para que os dados
pudessem ser impressos no monitor serial enquanto o carro estivesse em funcionamento.

23
Figura 11. Conexão do sniffer no laptop.
3.5 Funcionamento
Inicialmente, dado que o desenvolvimento do sniffer dependeu da integração entre
Arduino e o CAN-Shield, foi necessário que duas bibliotecas fossem utilizadas para o
controle do segundo, sendo elas: SPI (Serial Peripheral Interface), a qual é responsável por
implementar funções de controle e comunicação entre microcontroladores que utilizam este
tipo de interface para troca de dados, como o controlador e transceiver presentes no CAN-
Shield; e, a biblioteca mcp_can.h, a qual é liberada pela própria Seeed, fabricante do CAN-
Shield, disponibilizando funções com alto nível de abstração para o desenvolvedor.
Após desenvolvido e carregado na memória interna do Arduino, o código passa ser
executado assim que a placa é energizada, neste caso, ao se conectar com o automóvel.
Além disso, quando conectada a um computador pessoal, o desenvolvedor tem a
possibilidade de acompanhar os dados gerados no embarcado através de um monitor de
saída serial do Arduino, como mostra a Figura 12. Esse monitor serial foi a ferramenta
utilizada nesse trabalho para colher os dados do veículo e então salvá-los em arquivos de
log.

24
Figura 12. Trecho dos dados impressos no monitor serial.
Em nível de código, o primeiro passo da implementação é inicializar os periféricos
conectados ao Arduino, neste caso monitor serial e o CAN-Shield, o qual foi configurado
para transmitir a uma taxa de 500Kbps. Após este setup inicial, o sistema passa a realizar
três requisições dentro de um laço a cada 0.6 segundos, recuperando as informações de
velocidade instantânea, RPM e pressão no pedal do acelerador, e imprimindo esses dados
no monitor serial. Este processo se repete indefinidamente até que o carro seja desligado.
Neste momento, os dados impressos no monitor serial são salvos nos arquivos .txt para
serem analisados posteriormente. A Figura 13 ilustra o funcionamento do sniffer.
O pseudo código desta etapa está presente em 8.1.

25
Figura 13. Diagrama com o fluxo do código do sniffer.
Setup Inicial do
monitor serial e
CAN-Shield
Requisições
no CAN Bus
Impressões
no serial
monitor
Arquivo de log

26
Capítulo 4
Processamento dos Dados
Este capítulo tem como objetivo detalhar a etapa do projeto a qual foi responsável
pelo processamento dos dados colhidos pela etapa de captura de dados, detalhada no
capítulo anterior.
4.1 Introdução
Esta etapa intermediária do trabalho consistiu em processar os dados colhidos na
etapa anterior de forma a detectar eventos de frenagem e troca de marcha, categorizá-los
em intervalos de acordo com o nível de ameaça à integridade do veículo, gerar dados
estatísticos sobre esses eventos e então classificar o comportamento do motorista utilizando
o algoritmo de Aprendizagem de Máquina KNN. Para processar todos esses dados, foi
utilizada outra plataforma embarcada chamada Edison e fornecida pela empresa Intel, a
qual será apresentada mais detalhadamente das seções subsequentes. Por último, ainda
nessa etapa, os dados gerados são formatados e transmitidos a um servidor Web, cuja
função é disponibilizar essas informações na nuvem e que será detalhado no próximo
capítulo.
4.2 Objetivo
A etapa de Processamento dos Dados é, de fato, o coração do trabalho pela
responsabilidade em gerar todo o conteúdo que justifica a realização do projeto. O objetivo
desta etapa foi transformar toda a informação “crua” que fora colhida do barramento CAN do
veículo em dados com maior valor para o usuário final, entregando uma análise a respeito
do perfil de motorista que este usuário possui.
Idealmente, esta etapa e a de Captura de Dados deveriam ser executadas no
mesmo momento, pelo mesmo sistema, simulando um sistema real que estaria conectado
ao veículo e gerando informação em tempo real enquanto o motorista está dirigindo. No
entanto, por limitações dos equipamentos utilizados, não foi possível realizar o experimento
desta maneira, obrigando a separação dos sistemas.

27
4.3 A Intel Edison
A placa Intel Edison é uma plataforma de prototipação de aplicações IoT (Internet of
Things). Em um módulo de apenas 9 cm2
estão presentes um processador Atom dual-core
de 500Mhz, 1GB RAM DDR3, 4GB de memória Flash, Bluetooth 4.0 e Wi-Fi. Além disso,
esta placa roda uma versão diferenciada do Linux chamada Yocto, possibilitando um
ambiente capaz de rodar linguagens como Python e Java em um ambiente embarcado.
Juntamente com o módulo Intel Edison, também foi utilizado o Arduino Breakout Board, cuja
finalidade é destrinchar os 70 pinos da Edison em uma placa de prototipação semelhante a
uma placa Arduino [9]. A Tabela 2 detalha as demais especificações técnicas da Intel
Edison.
Apesar do alto poder de processamento e da disponibilização de ferramentas atuais
para comunicação, esta placa não foi utilizada da maneira ideal para esse projeto.
Inicialmente, foi projetado que a Intel Edison também se responsabilizaria pela etapa de
Captura de Dados de um carro em funcionamento, criando um sistema completo que se
comunicaria com o barramento CAN do veículo, processaria os dados e os enviaria a um
servidor externo. No entanto, por não existirem bibliotecas disponíveis para o sistema da
Edison que possibilitasse o uso do CAN-Shield, a alternativa de separar os sistemas surgiu
como uma solução.
Figura 14. Intel Edison conectada à Arduino Breakout Board.

28
Processador Atom Dual-Core
500Mhz
Memória RAM 1GB DDR3
Memória Flash 4GB
WiFi 802.11 a/b/g/n Dual
Band
Bluetooth 4.0
I/O Pins Total de 40 Pinos
SD Card
UART (2)
I2C (2)
SPI
...
Sistema Operacional Yocto Linux v1.6
Ambiente de
Desenvolvimento
Arduino IDE; Eclipse
com suporte a C, C++
e Python; Intel XDK.
Tabela 2. Especificações técnicas principais da placa Intel Edison.
4.4 Análises
Nesta seção será detalhado como os dados foram analisados para encontrar
padrões que pudessem detectar eventos de frenagem e troca de marcha.

29
Como explicado em 3.3 os dados disponíveis até o momento são simples valores
absolutos de velocidade instantânea, rotações por minuto e pressão no pedal de acelerador.
Para auxiliar na análise dos dados, outras informações foram geradas, como os dados de
acelerações, calculando uma lista de derivadas das velocidades e, além disso, dados de
variação de RPM, também calculando as derivadas dos RPMs. Por fim, estas informações
deveriam ser de algum modo analisadas, para que padrões fossem identificados e então
servir como ponto de partida para detectar os eventos procurados. A abordagem escolhida
para fazer essa análise foi transformar os dados dos logs em gráficos, como demonstra a
Figura 15:
Figura 15. Gráficos dos dados originais gerados.
Na Figura 15 são ilustrados os três gráficos gerados com os dados colhidos, em que
seus eixos das abcissas são dados em segundos, e os eixos das ordenadas são dados em
rotações por minuto, velocida em km/h e porcentagem de de pressão no pedal do
acelerador, respectivamente.
4.4.1 Análise das Frenagens
Para a detecção dos eventos de frenagem, foram utilizados os dados da velocidade
instantânea, utilizando a informação do período de amostragem do sistema (0.6 segundos)
para gerar uma lista com acelerações, em m/s2
. A Figura 16 demonstra o comportamento
dos dados de velocidade e aceleração do log de teste:

30
Figura 16. Gráficos de velocidade e aceleração.
Na Figura 16 são ilustrados os gráficos de velocidade, o qual já foi apresentado na
Figura 15, e o gráfico de aceleração cujo eixo das ordenadas é dado em m/s2
.
Após a plotagem e análise dos gráficos foi necessário especificar quais padrões de
dados identificariam uma frenagem, sendo definido que qualquer valor negativo de
aceleração caracterizaria um evento onde o motorista estaria freiando.
O próximo passo foi classificar estas frenagens em grupos de acordo com o risco à
integridade do veículo. Usou-se três tipos de classificações, demonstradas em Tabela 3 em
ordem crescente de nível de ameaça à integridade do veículo.
Classificação Intervalo
Green Entre 0 m/s2
e -1 m/s2
Yellow Entre -1 m/s2
e -2 m/s2
Red Entre -2 m/s2
e -10 m/s2
Tabela 3. Classificações dos eventos de frenagem
3
.
Estas classificações foram criadas empiricamente durante o trabalho ao observar os
dados colhidos na etada de Captura de Dados, com o único intuito de separar diferentes
tipos de frenagens.
3
*Os intervalos são fechados a esquerda e aberto à direita, ou seja, [ -1, 0) por exemplo.

31
Durante a execução do algoritmo, cada frenagem identificada e classificada é
guardada no sistema para ser utilizada na geração de dados estatísticos ao fim do percurso.
4.4.2 Análise das Trocas de Marcha
O processo de detecção dos eventos de troca de marcha foi realizado de modo
semelhante ao utilizado no caso anterior. Foram utilizados todos os dados disponíveis e, a
partir do período de amostragem de dados (0.6 segundos), as derivadas de RPM foram
geradas para auxiliar na identificação de padrões que caracterizassem uma troca de
marcha.
Figura 17. Derivada do RPM.
Na Figura 17 é ilustrado o gráfico de variação de RPM, cuja abcissa e ordenada são
dados em segundos e RPM/segundo, respectivamente.
Durante a análise dos gráficos, percebeu-se que quando havia picos nos valores do
RPM, também havia leve retenção nos valores de velocidade e depressões no gráfico de
pressão do pedal do acelerador, representando o breve momento em que o motorista
precisa trocar a marcha, tira o pé do acelerador, troca a marcha e volta a acelerar. Esse
padrão pode ser observado na Figura 18:

32
Figura 18. Análise das trocas de marcha.

33
Por esse motivo, decidiu-se que os eventos de troca de marcha seriam identificados
como aqueles onde há picos de RPM, ou seja, momentos onde a derivada no RPM muda de
positiva para negativa.
Após a identificação, o próximo passo foi classificar a troca de marcha, também
como forma de pontuar o comportamento do motorista na condução do veículo. Utilizou-se
os valores absolutos do RPM no momento da troca de marcha para criar três classificações,
detalhadas em Tabela 4:
Classificação Intervalo
Green Entre 0 a 1000 RPM.
Yellow Entre 1000 a 2000 RPM.
Red Entre 2000 a 7000 RPM
Tabela 4. Classificações dos eventos de troca de marcha
4
.
Estas classificações foram criadas empiricamente durante o trabalho ao observar os
dados colhidos na etada de Captura de Dados, com o único intuito de separar diferentes
tipos de trocas de marcha.
Durante a execução do algoritmo, cada troca de marcha identificada e classificada é
guardada no sistema para ser utilizada na geração de dados estatísticos ao fim do percurso.
4.5 Relatório do Percurso
O próximo passo do processamento dos dados foi gerar dados estatísticos com os
eventos de frenagem e troca de marcha, os quais serão utilizados para classificar o
comportamento do motorista com o algoritmo de IA a ser explicado na próxima seção.
Este relatório do percurso consistiu em contabilizar os eventos e calcular a
porcentagem que cada categoria representava em cada um dos casos de análise, frenagem
e troca de marcha. A Figura 19 demonstra um exemplo da saída do sistema ao término do
percurso:
Figura 19. Exemplo da saída do Relatório do Percurso.
4
*Os intervalos são fechados a esquerda e aberto à direita, ou seja, [ 0, 1000) por exemplo.

34
Figura 20. Gráfico de setores com estatísticas dos eventos.
Ao término do algoritmo, a saída mostrada na Figura 19 é enviada ao servidor web
para ser mostrada ao usuário de maneira formatada.
4.6 Aplicação de Inteligência Artificial
Este é o último processamento por onde passam as informações coletadas no
barramento CAN, em que o comportamento do motorista ao volante é classificado de
maneira automatizada através de um algoritmo de Aprendizagem de Máquina. Para que
esse processamento pudesse ser incorporado ao sistema, porém, foi necessário que um
banco de dados com instâncias de treinamento fosse criado, o que é detalhado em 4.6.1. A
partir daí, a classificação pôde ser aplicada utilizando o algoritmo kNN, detalhado em 2.3.1.

35
4.6.1 Criação do Banco de Dados
A criação do banco de dados é uma atividade essencial para que a classificação
possa ser implementada. Como mencionado em 2.3.1, o algoritmo escolhido (kNN) é
extremamente dependente da existência de um banco de dados contendo um conjunto de
treinamento devidamente mensurado e classificado. Por esse motivo e pela inexistência de
um banco desse tipo que seja útil para a finalidade desse projeto, foi necessário criá-lo e
classificá-lo. Vale lembrar que, por ter sido criado um banco de dados sintético, existiu uma
preocupação em garantir que esse banco fosse fiel à realidade. A única restrição necessária
para garantir que esse banco de dados corresponda à realidade está na totalização dos
valores presentes nos eventos de frenagem e troca de marcha. Em cada um dos tipos de
evento, os valores de suas três classes deveriam totalizar 100%.
Primeiramente, vale lembrar que as características de uma instância, ou de um
percurso, são definidas pelos dados mostrados na Figura 19, em que temos os dados
estatísticos do percurso. Nesses dados, temos as porcentagens referentes a cada uma das
classificações em cada caso de análise: frenagens e trocas de marcha. Portanto, para a
criação de um banco de dados de treinamento, foram criadas, via script Python, 200
entradas com valores aleatórios que atendessem todos os requisitos de uma saída real, e
então classificadas com a ajuda de colaboradores. Na Figura 21, segue uma imagem da
planilha que ficou disponível na nuvem para que os colaboradores pudessem classificar:
Figura 21. BD de treinamento.
Nas três primeiras colunas estão as porcentagens referentes às três classes de
frenagens, com seus valores totalizando 100%. O mesmo acontece nas outras três colunas,
em que estão as porcentagens referentes às três classes de trocas de marcha, também
totalizando 100%. E por último, a coluna de classificação, onde os colaboradores puseram
a classe do motorista de acordo com os dados estatísticos do percurso, e que será melhor
detalhada em 4.6.2.

36
4.6.2 Classificação do Comportamento do Motorista
A classificação do comportamento do motorista se resumiu em definir classes nas
quais um percurso se enquadraria, classificando desde motoristas mais cautelosos até os
mais atrevidos.
Inicialmente, foi necessário definir o elemento de análise em seu vetor de
características, como já mencionado em (2.1). Vale lembrar também que, cada percurso é
definido pelos tipos de frenagens e trocas de marcha que obteve, como ilustrado na Tabela
3 e na Tabela 4. Cada elemento de análise contou, portanto, com as 6 (seis) características
do percurso do motorista em seu vetor, como mostrado na Tabela 5:
Índice do
Vetor
Característica (%)
a1 Frenagens GREEN
a2 Frenagens YELLOW
a3 Frenagens RED
a4 Trocas de Marcha GREEN
a5 Trocas de Marcha YELLOW
a6 Trocas de Marcha RED
Tabela 5. Vetor de Características do Sistema.
Definido o vetor de características a ser utilizado pelo sistema, cada percurso
finalizado é, então, interpretado como um vetor de valores (a1, a2, a3, a4, a5, a6) o qual possui
todos os dados necessários para a classificação do percurso.
A próxima etapa do processo de classificação é definir as classes existentes nas
quais os elementos de análise devem se enquadrar. Foram criadas 5 classes distintas,
numeradas de 1 a 5, sendo 1 para o motorista com melhor abordagem ao volante e 5 para
aquele mais negligente, como mostra Tabela 6 :

37
Classe Descrição da Classe
1 Ótimo
2 Bom
3 Regular
4 Ruim
5 Péssimo
Tabela 6. Classes do Knn.
Por último, segundo 2.3.1, é necessário definir o valor de K, que indica a quantidade
de vizinhos mais próximos a ser considerada pelo sistema. Foi definido que o valor de K
seria 3, ou seja, ao calcular a Distância Euclidiana (2.2) entre elemento de análise e os
elementos do banco de dados, seriam escolhidos para análise apenas os três elementos
mais próximos.
Finalmente, com todas as distâncias calculadas e os três elementos de treinamento
mais próximos do elemento de análise encontrados, o sistema analisa a classe destes três
elementos. Aquela classe com maior incidência dentre eles será escolhida como a classe do
elemento de análise. No caso de teste, exemplificado em Figura 20, a classificação do
sistema para este percurso foi (1, Ótimo), como mostra a Figura 22:
Figura 22. Exemplo de Classificação do Motorista.
O pseudo código desta etapa está presente em 8.2.

38
Capítulo 5
Interface com Usuário
Este capítulo irá detalhar a Interface com o Usuário que foi criada para este projeto
para disponibilizar os dados processados em uma interface web, possibilitando acesso via
browser ou smartphone.
5.1 Introdução
Esta etapa do projeto foi responsável pela interface com o usuário do sistema,
oferecendo os dados já formatados em um site na web. Através desse site, o usuário pôde
acompanhar os dados sendo processados em tempo real, recebendo feedbacks a respeito
do seu comportamento ao dirigir e, ao final, visualizar sua performance por completo com as
estatísticas mencionadas em 4.5. Para a construção do servidor, foi utilizado um framework
para criação de aplicações web chamado Django, e explicado na próxima seção.
5.2 Django
Django é um framework para a criação de aplicações web na linguagem Python.
Segundo o site oficial da ferramenta, “Django é um framework web em Python de alto nível
que encoraja o desenvolvimento rápido e limpo. Construído por desenvolvedores
experientes, Django realiza automaticamente muito do retrabalho exigido pelo
desenvolvimento web para que o desenvolvedor possa focar no sistema sem ter que
reinventar a roda.” [10].
5.3 Disponibilização dos Dados
Essa seção descreve como a disponibilização dos dados processados pela Intel
Edison foi implementada, explicando desde a comunicação entre a Intel Edison e servidor,
até as requisições realizadas pelo usuário via browser.
5.3.1 Comunicação Intel Edison e Servidor Web
A primeira etapa do processo de comunicação do sistema se responsabilizou em
oferecer um meio pelo qual o embarcado, representado pela Intel Edison, pôde enviar os
dados processados ao servidor web. Para que esse objetivo fosse atingido, utilizou-se o
módulo WiFi da Edison, cujas especificações podem ser vista na Tabela 7:

39
WiFi Broadcom* 43340 802.11 a/b/g/n;
Dual-band (2.4 and 5 GHz)
Onboard antenna
Tabela 7. Informações técnicas do módulo WiFi da Intel Edison.
Com o módulo WiFi completamente configurado e funcional, o sistema utiliza o
protocolo de comunicação da camada de maior abstração do modelo OSI, enviando
mensagens HTTP ao servidor web a cada ciclo do sistema, ou seja, a cada período de
amostragem dos dados, 0.6 segundos. Portanto, o servidor deve receber mensagens
indicando frenagem e troca de marcha a cada ciclo, caso estas tenham ocorrido.
5.3.2 Dados na Web
O próximo passo na etapa de comunicação tratou de disponibilizar os dados ao
usuário final, em qualquer ambiente em que o mesmo estivesse. Para isso, foi desenvolvido
um sistema de arquivos, onde o servidor se responsibiliza em salvar os dados recebidos da
Intel Edison em arquivos .txt. Então, sempre que uma requisição acontece vinda do browser,
esse arquivo é visitado e a primeira entrada é retornada ao usuário e renderizada na página.
Esse processo continua a acontecer até que não haja mais dados no arquivo .txt ou que a
comunicação com a Intel Edison tenha sido encerrada. Para que esse processo possa ser
melhor entendido, a Figura 23 foi disponibilizada, ilustrando o diagrama do funcionamento
do sistema:
Figura 23. Diagrama de funcionamento do sistema de comunicação.
Dados Processados e
Formatados
Escrita e Leitura dos
Dados Formatados nos
arquivos .txt
Requisições por novos
dados a cada período
Envio de novos dados
ou status de Finalização

40
Esse processo continua indefinidamente desde que o usuário esteja na página da
aplicação. Além disso, o sistema precisa estar com status de funcionamento, em que o
percurso ainda não foi finalizado. Uma vez finalizado o percurso, o browser recupera uma
última informação contendo as estatísticas do percurso, assim como a classificação do
motorista, e para de requisitar o servidor.
5.4 Telas do Sistema
Esta seção tem como objetivo disponibilizar e explicar as telas que foram
desenvolvidas para mostrar os dados formatados para o usuário final.
5.4.1 Tela de Acompanhamento em Tempo Real
Esta é tela principal do sistema, onde o usuário consegue acompanhar os eventos
de frenagem e troca de marcha em tempo real. Esta tela é responsável por requisitar as
informações mais atuais do servidor a cada período. Portanto, a cada 0.6 segundos, a tela
requisita as frenagens mais atuais juntamente com as trocas de marcha, e separa o
resultado dessas requisições em duas seções. Na Figura 24, pode-se ver um exemplo desta
tela em funcionamento, onde as informações de frenagens são inseridas na caixa à
esquerda, enquanto que as trocas de marcha estão na caixa à direita:
Figura 24. Tela do Acompanhamento em Tempo Real.

41
5.4.2 Tela de Relatório de Percurso
A tela de Relatório de Percurso é a tela final do sistema, onde são mostrados os
dados estatísticos do percurso, os mesmos que foram exemplificados na Figura 19,
juntamente com a classificação do motorista dada pelo Algoritmo de Aprendizagem de
Máquina. Segue na Figura 25 um exemplo dessa tela:
Figura 25. Tela final com os dados estatísticos do percurso.
5.4.3 Tela de Classificação do Percurso
A tela de Classificação do Percurso também faz parte da tela final do sistema e é
responsável por mostrar a classificação do percurso de acordo com o algoritmo de
Aprendizagem de Máquina KNN explicado em 4.6. Nessa tela, é mostrado o resultado final
da classificação detalhada em 4.6.2. Segue na Figura 26 um exemplo da Tela de
Classificação:

42
Figura 26. Tela da classificação do motorista.
Na parte superior da tela é possível ver a classificação do motorista medida em
estrelas, sendo uma estrela para o motorista menos cauteloso e cinco para o motorista com
uma maneira mais adequada de direção.

43
Capítulo 6
Trabalhos Futuros
Este capítulo tem como objetivo explicitar possíveis trabalhos a serem desenvolvidos
no futuro com o intuito de incrementar este projeto.
6.1 Unificação dos Sistemas Embarcados
A unificação dos Sistemas Embarcados consistiria em unir as etapas de Captura de
Dados no Barramento CAN (Capítulo 3) e de Processamento de Dados (Capítulo 4) em uma
plataforma única, como já mencionado neste documento.
Inicialmente, havia sido projetado que a plataforma Intel Edison seria responsável
por essas duas etapas. No entanto, não foi possível realizar a a integração entre Intel
Edison e CAN-Shield Seeed por esta última não possuir qualquer biblioteca já implementada
na liguagem Python para a Intel Edison. A implementação desta biblioteca surgiu como um
possível trabalho a ser feito como Trabalho de Conclusão de Curso, no entanto, achou-se
mais interessante um sistema que de fato gerasse novas informações ao utilizar os dados
que trafegam em uma rede intraveicular.
6.2 Detecção de Outros Eventos de Direção
A proposta desse trabalho seria implementar outras detecções de eventos além de
frenagens e trocas de marcha utilizando as mensagens CAN disponíveis. A detecção de
outros eventos de direção entregaria mais informações estatísticas sobre a forma com a
qual o motorista dirige, além de fornecer mais dados ao processo de classificação com IA.
Inicialmente, pensou-se em vários outros eventos de direção que poderiam ser
detectados com o objetivo de inferir quão seguro é o comportamento do motorista diante do
volante. Além de frenagens e troca de marcha, estavam:
 Lane-Drifting: Tem como objetivo detectar o comportamento do motorista ao
mudar de faixa ou ao realizar uma conversão. É comum observar que alguns
motoristas possuem o hábito de não utilizar a seta para alertar sobre a mudança
de direção do veículo, utilizando-a tardiamente, ou até mesmo negligenciando
seu uso. A implementação deste caso dependeria de informações a respeito da
posição das rodas ou volante, além de informações a respeito do acionamento
das setas. Assim, é possível calcular uma relação de tempo entre elas,

44
concluindo quão antes o motorista costuma alertar sobre a mudança de direção
do veículo.
 Velocidade em curvas: Tem como objetivo analisar quão veloz o motorista
costuma realizar curvas, detectando quando estes eventos acontecem em altas
velocidades. A implementação deste caso também dependeria da informação a
respeito da posição das rodas ou volante, além da velocidade instantânea que já
é recuperada e mencionada neste trabalho.
Estes eventos não puderam ser detectados durante este projeto pela
indisponibilidade das informações relativas à posição das rodas, volante e setas. Como
pode ser visto em [4], apenas os IDs de algumas mensagens CAN são disponibilizadas por
padrão. Cada montadora possui seu conjunto de IDs de mensagens CAN, não
disponibilizando-o gratuitamente à comunidade. Portanto, pra implementar esses casos
mencionados acima, seria necessário ter acesso a esses conjuntos proprietários de IDs de
mensagens CAN.
6.3 Fornecimento de Dados a Empresas
Este trabalho também poderia ser utilizado comercialmente, fornecendo dados a
respeito do perfil de condutores para empresas como seguradoras ou empresas de logística.
Com uma classificação a respeito de trechos conduzidos por um motorista, seria possível
traçar o perfil do mesmo, identificando os principais defeitos em seu estilo de condução,
além de assegurar que ele seja cobrado de maneira mais condizente à ameaça que oferece
ao veículo.
6.4 Refinamento da Classificação de Frenagens e Trocas de
Marcha
Um próximo passo para este projeto poderia envolver o trabalho em conjunto com
profissionais de Engenharia Mecânica, cuja expertise poderia trazer mais informações a
respeito de como separar os diferentes tipos de frenagens e trocas de marcha. Além disso,
estes profissionais poderiam oferecer mais idéias a respeito de quais outros fatores também
levam um motorista a ameaçar a integridade mecânica do veículo que dirigem.

45
Capítulo 7
Conclusão
Após a realização deste trabalho, concluiu-se que sistemas capazes de analisar os
dados presentes nas redes intraveiculares e processá-los podem vir a ser uma oportunidade
de negócio, uma vez que estes dados podem conter bastante informação a respeito do
motorista e do carro, os quais podem ser de interesse de grandes empresas do ramo de
logistíca e seguros. Além disso, considerando que dados importantes do motorista foram
gerados a partir de um conjunto limitado de mensagens CAN, a quantidade de dados a
serem gerados pode aumentar consideravelmente quando em posse das tabelas
proprietárias de mensagem CAN, aumentando o potencial de projetos deste tipo.

46
Capítulo 8
Anexos
Este capítulo tem como objetivo disponibilizar os anexos referentes aos códigos
utilizados no sistema. Todo o código presente neste capítulo está no formato de pseudo-
código por motivos de complexidade e tamanho.
8.1 Pseudo-Código da Captura de Dados
Nesta seção está o pseudo-código utilizado para a captura dos dados no barramento
CAN:
//Initializa o monitor serial e a CAN Shield.
initialize_peripherals()
// Checa os valores das variaves no CAN Bus e imprime no Monitor Serial.
while there_is_power(){
// Checa o RPM.
check_rpm();
// Imprime o RPM.
print rpm;
// Checa a velocidade.
check_speed();
// Imprime a velocidade.
print speed;
// Checa a pressão no pedal do acelerador.
check_accelerator_pedal();
// Imprime a pressão no pedal do acelerador.
print accelerator_pedal;
delay(600);
}

47
8.2 Pseudo-Código do Processamento de Dados
Nesta seção está o pseudo-código utilizado para a processar os dados:
PERIOD = 0.6
LOG_PATH = "Caminho com o arquivo de log"
# Cria um Dict com as entradas de SPEED, RPM e PEDAL_ACCELERATOR presentes
no arquivo.
# Este dict é criado após a leitura do log com os dados da Captura.
""" log_dict = {
'SPEED': [list_of_speed_values],
'RPM': [list_of_rpm_values],
'PEDAL_ACCELERATOR': [list_of_pedal_accelerator_values]
}
"""
log_dict = set_log_dict(LOG_PATH)
# Salva o valor de iterações do sistema.
route_length = smaller_list_length_in_dict(log_dict)
# Cria as entradas RPM_DERIVATIVE e ACCELERATION no dict de entradas.
log_dict['RPM_DERIVATIVE'] = []
log_dict['ACCELERATION'] = []
# Cria as listas com os eventos de Frenagem e Troca de Marcha.
break_events = []
shifting_gear_events = []
for item in range(route_length):
# Inclui a leitura momentânea dos dados em um Dict.
current_data = {
'SPEED': log_dict['SPEED'][item],
'RPM': log_dict['RPM'][item],
'PEDAL_ACCELERATOR': log_dict['PEDAL_ACCELERATOR'][item]
}
# Descobre o valor da derivada do RPM naquele momento.
current_data['RPM_DERIVATIVE'] = proccess_rpm_derivative(current_data,
item, log_dict)
# Salva o valor da derivada do RPM no histórico.
log_dict['RPM_DERIVATIVE'].append(current_data['RPM_DERIVATIVE'])
# Descobre o valor da aceleração naquele momento.
current_data['ACCELERATION'] = (proccess_acceleration(current_data,
item, log_dict))
# Salva o valor da aceleração no histórico.
log_dict['ACCELERATION'].append(current_data['ACCELERATION'])

48
# Detecta o evento de Frenagem naquele momento.
break_event = detect_break_event(current_data, log_dict, item)
# Detecta o evento de Troca de Marchas naquele momento.
shifting_gear_event = detect_shifting_gear_event(current_data,
log_dict, item)
# Se houver algum evento de frenagem, ele é enviado para o Servidor Web
# e salvo na lista de eventos de frenagem.
if break_event is not None:
send_data_to_web_server(break_event)
break_events.append(break_event)
# Se houver algum evento de troca de marcha, ele é enviado para o
# Servidor Web e salvo na lista de eventos de troca de marcha.
if shifting_gear_event is not None:
send_data_to_web_server(shifting_gear_event)
shifting_gear_events.append(shifting_gear_event)
# Ao término do percurso, os dados são analisados por Inteligência
# Artificial para classificar o motorista.
driver_analysis = analyse_driver_data
(break_events=break_events,
shifing_gear_events=shifting_gear_events)
# Os dados com a análise de IA são enviados para o servidor Web para
# mostrar a classificação do motorista.
send_data_to_web_server(driver_analysis)

49
Referências
[1] MITCHELL, Tom. Machine Learning. McGraw-Hill, 1997.
[2] DUDA, Richard O.; HART, Peter E.; STORK, David G. Pattern Classification. Second
Edition. Wiley-Interscience, 2000.
[3] CORRIGAN, Steve. Introduction to the Controller Area Network (CAN). Texas
Instruments, 2008.
[4] Wikipedia, (2016). OBD-II PIDs. [Online] Disponível em:
https://en.wikipedia.org/wiki/OBD-II_PIDs [Acessado 17 Jan. 2016].
[5] FIELDING, GETTYS, MOGUL; Hypertext Transfer Protocol -- HTTP/1.1. [Online]
Disponível em: https://www.w3.org/Protocols/rfc2616/rfc2616.txt [Acessado 13 Jan.
2016].
[6] Wikipedia, (2016). Packet Analyzer. [Online] Disponível em:
https://en.wikipedia.org/wiki/Packet_analyzer [Acessado 13 Jan. 2016].
[7] Arduino, (2016). Arduino Uno. [Online] Disponível em:
https://www.arduino.cc/en/Main/ArduinoBoardUno [Acessado 14 Jan. 2016].
[8] Seeed, (2016). CAN-Bus Shield. [Online] Disponível em:
http://www.seeedstudio.com/wiki/CAN-BUS_Shield#Getting_Started [Acessado 14 Jan.
2016].
[9] Intel, (2016). Intel Edison. [Online] Disponível em:
http://download.intel.com/support/edison/sb/edison_pb_331179002.pdf [Acessado 14
Jan. 2016].
[10] Django Project, (2016). Django. [Online] Disponível em:
https://www.djangoproject.com/ [Acessado 17 Jan. 2016].
[11] VALASEK, MILLER, (2014). Adventures in Automotive Networks and Control Units.
[Online] Disponível em:
http://www.ioactive.com/pdfs/IOActive_Adventures_in_Automotive_Networks_and_Contr
ol_Units.pdf [Acessado 25 Jan. 2016].
[12] IPEA, (2014). Acidentes de trânsito nas rodovias federais brasileiras. [Online]
Disponível em:
http://www.ipea.gov.br/portal/images/stories/PDFs/relatoriopesquisa/150922_relatorio_ac
identes_transito.pdf [Acessado 09 Abr. 2016].

An Embedded System for Analysis and Classification of a Driver's Conducting

Mais conteúdo relacionado

Destaque (11)

Semelhante a An Embedded System for Analysis and Classification of a Driver's Conducting (20)

An Embedded System for Analysis and Classification of a Driver's Conducting