DESENVOLVIMENTO DE PERCEPÇÃO PARA VEÍCULOS AUTÔNOMOS

Resumo

Este trabalho teve como principal objetivo o desenvolvimento e a integração de um sistema de detecção de pessoas utilizando o modelo YOLOv10 e o framework ROS2, com vistas à futura implementação em veículos autônomos. Durante o desenvolvimento, foram realizadas várias etapas, desde o treinamento do modelo até a sua integração com o ROS2, permitindo a detecção de pessoas em tempo real a partir de fluxos de vídeo gravados e capturados ao vivo.
Os resultados indicaram que o modelo treinado no YOLOv10 obteve uma precisão de 74% e um recall de 70%, valores que, embora satisfatórios, não são suficientes para aplicações em ambientes urbanos, onde a precisão precisa ser ainda maior para garantir a
segurança dos pedestres e a confiabilidade do sistema. Um dos principais fatores que contribuíram para esses números foi a limitação de hardware utilizada durante o treinamento, que restringiu a capacidade de realizar ajustes mais refinados no modelo.
Para trabalhos futuros, as melhorias devem se concentrar no aumento da robustez do modelo em diferentes condições ambientais, como a expansão do dataset de treinamento para abranger uma maior diversidade de cenários e condições de iluminação. Ajustes refinados nos hiperparâmetros e a implementação de técnicas avançadas de pré-processamento de imagens, como a normalização de iluminação, poderão otimizar o desempenho em cenários dinâmicos e reduzir os falsos negativos. Outro ponto importante é a necessidade de otimizar o modelo para rodar em hardware de menor capacidade, sem comprometer a precisão ou o tempo de resposta, algo crucial para a implementação em veículos reais. Além disso, o uso de hardware mais robusto, como GPUs de maior capacidade ou TPUs, permitirá que o modelo seja treinado e executado com maior eficiência e precisão, garantindo um melhor desempenho em condições mais desafiadoras.
Somente após melhorias, o sistema estará apto para testes em veículos autônomos em ambientes reais, validando sua aplicação segura e eficiente na navegação. O trabalho fornece uma base sólida para sistemas de percepção, mas reforça a necessidade de melhorias contínuas para assegurar uma detecção de pessoas precisa e confiável, um fator crítico para a segurança em operações futuras.