DSpace Coleção:http://www.monografias.ufop.br/handle/35400000/202026-09-14T09:24:21Z2026-09-14T09:24:21ZSistema de detecção passiva de presença humana baseado em Wi-Fi CSI com ESP32-S3 para ambientes internos.Lima, Lucas Brazzarola dehttp://www.monografias.ufop.br/handle/35400000/96032026-08-26T15:01:15Z2026-01-01T00:00:00ZTítulo: Sistema de detecção passiva de presença humana baseado em Wi-Fi CSI com ESP32-S3 para ambientes internos.
Autor(es): Lima, Lucas Brazzarola de
Resumo: Este trabalho investiga o uso de informações do estado do canal de uma comunicação Wi-Fi
para detectar passivamente a presença humana e distinguir três condições de ocupação
em um ambiente interno: ambiente vazio, presença estática e presença em movimento.
O objetivo foi desenvolver e avaliar uma solução de baixo custo, sem câmeras e sem
dispositivos vestíveis, adequada a situações nas quais o monitoramento sem contato e
sem formação de imagens seja desejável. O sistema utiliza dois microcontroladores ESP32
S3, um responsável pela criação da rede e pela geração periódica de tráfego UDP e
outro pela captura das amostras de Channel State Information (CSI), posteriormente
encaminhadas ao computador por comunicação serial. Foram implementados mecanismos
de aquisição, validação e armazenamento dos dados, além de um pipeline composto por
pré-processamento, segmentação em janelas temporais, extração e seleção de características,
treinamento de classificadores e inferência contínua com consolidação temporal das decisões.
O conjunto de dados foi formado por 300 aquisições válidas, distribuídas igualmente entre as
três classes, duas sessões e cinco zonas do ambiente, totalizando 149.141 pacotes CSI. Todas
as aquisições envolvendo presença humana foram realizadas com um único participante.
A avaliação empregou separação estratificada por arquivo em dez divisões, mantendo
todas as janelas provenientes de uma mesma aquisição no mesmo subconjunto e ajustando
as operações dependentes dos dados somente com os arquivos de treinamento. Entre os
modelos comparados, foi selecionado o Extra Trees com 100 árvores e 160 características.
O modelo apresentou acurácia média de 0,8433±0,0237 e Macro F1 de 0,8402±0,0242. A
presença em movimento alcançou F1 de 0,9318, enquanto a presença estática obteve 0,7455,
sendo frequentemente confundida com o ambiente vazio. Em uma sequência contínua, a
consolidação temporal elevou a acurácia de 0,8914 para 0,9140. Os resultados demonstram
a viabilidade da utilização de um único enlace Wi-Fi com dispositivos ESP32-S3 para
monitoramento sem contato e sem formação de imagens no cenário experimental adotado.
Entretanto, a dificuldade de diferenciar presença estática de ambiente vazio, a utilização
de um único participante e ambiente, além da dependência da configuração de aquisição
empregada, limitam a extensão dos resultados para outras condições sem nova avaliação
ou calibração.2026-01-01T00:00:00ZAplicações de técnicas meta-heurísticas na otimização de rotas para coleta de resíduos sólidos.Vitor Oliveira Silva, Hudsonhttp://www.monografias.ufop.br/handle/35400000/95852026-08-24T15:21:33Z2026-01-01T00:00:00ZTítulo: Aplicações de técnicas meta-heurísticas na otimização de rotas para coleta de resíduos sólidos.
Autor(es): Vitor Oliveira Silva, Hudson
Resumo: O presente trabalho aborda o problema de planejamento de rotas para coleta de resíduos sólidos domiciliares em João Monlevade - MG, formulando-o como um Problema de Roteamento em Arcos Capacitados (PRAC/CARP). Para isso, a malha viária é representada como um grafo, obtido a partir de recursos geoespaciais, e organizada em instâncias de análise compatíveis com a estrutura adotada no estudo utilizado como referência. A demanda de coleta é incorporada ao modelo por meio de uma estratégia de atribuição ao longo da rede, viabilizando a execução dos métodos propostos. A solução do problema é conduzida por meio do GRASP (Greedy Randomized Adaptive Search Procedure) como estratégia construtiva, associado a procedimentos de busca local, incluindo trocas entre trechos de coleta e a meta-heurística Simulated Annealing. Os resultados obtidos permitiram comparar as abordagens em termos de distância total percorrida e tempo de processamento, indicando que a configuração proposta alcançou redução de até 2,89% na distância total em relação ao estudo de referência, sendo até 20.582,13 vezes mais rápida no tempo de execução.2026-01-01T00:00:00ZAprendizado residual híbrido para predição de tempos de volta e insights estratégicos em múltiplos circuitos de Fórmula 1.Pereira, Marcos Paulo de Oliveirahttp://www.monografias.ufop.br/handle/35400000/95822026-08-25T00:15:02Z2026-01-01T00:00:00ZTítulo: Aprendizado residual híbrido para predição de tempos de volta e insights estratégicos em múltiplos circuitos de Fórmula 1.
Autor(es): Pereira, Marcos Paulo de Oliveira
Resumo: A predição do tempo de volta é um componente central da análise estratégica na Fórmula
1, uma vez que pequenas variações no ritmo de corrida podem influenciar decisões como o
momento dos pit stops, a escolha do composto de pneu e a viabilidade de táticas como o
undercut e o overcut. Este trabalho propõe um pipeline de aprendizado de máquina para a
predição de tempos de volta em múltiplos circuitos, utilizando dados públicos de telemetria
extraídos por meio da biblioteca FastF1, cobrindo cinco circuitos (Bahrein, Arábia Saudita,
Estados Unidos, Itália e Hungria) ao longo das temporadas de 2022 a 2025, período em
que vigorou um único regulamento técnico. Para lidar com a limitação de dados por piloto
e por pista, é proposta uma abordagem híbrida de dois estágios, denominada MLR-LSTM
Híbrido, na qual um modelo de Regressão Linear Múltipla estima a tendência agregada do
ritmo de corrida ao longo das temporadas, enquanto uma rede Long Short-Term Memory
modela os resíduos desse modelo, filtrados por piloto e por ano, capturando dependências
temporais não lineares. O modelo híbrido é comparado a modelos de Regressão Linear e
XGBoost, sendo avaliado por meio de uma validação temporal baseada em janela expansiva
e de um indicador de score composto COS, que pondera desempenho médio e variância
entre treino e teste. Diferentemente de abordagens que tratam a predição como fim em si
mesma, todos os três modelos são submetidos a uma análise interpretativa, apoiada em
coeficientes de regressão, importância de features e valores SHAP. Essa análise permite
identificar quais fatores climáticos, mecânicos e temporais mais influenciam o ritmo de
corrida em cada circuito, e comparar como cada modelo (linear, não linear e híbrido)
captura essas relações de forma distinta. Os resultados mostram que a abordagem híbrida
melhora a predição em cenários de dados limitados, notadamente na Itália, e que a extensão
da interpretabilidade também ao componente residual do modelo híbrido permite extrair
insights estratégicos específicos para cada Grande Prêmio, oferecendo uma base tanto para
a predição do ritmo de corrida quanto para a compreensão de informações importantes
quanto às estratégias.2026-01-01T00:00:00ZUtilização do AWS Rekognition na identificação de objetos para reconstrução 3D.Silva, Vinicius Assis ehttp://www.monografias.ufop.br/handle/35400000/95552026-08-17T21:28:01Z2026-01-01T00:00:00ZTítulo: Utilização do AWS Rekognition na identificação de objetos para reconstrução 3D.
Autor(es): Silva, Vinicius Assis e
Resumo: Este trabalho investiga o uso do AWS Rekognition para a identificação e o processamento de objetos em imagens e vídeos, integrando essas funcionalidades a uma pipeline modular de reconstrução tridimensional (3D). A reconstrução 3D exige a identificação precisa de elementos visuais, sendo um processo tradicionalmente complexo e com alto custo computacional. Em cenários reais, conjuntos de imagens capturados por câmeras convencionais ou por drones frequentemente contêm redundâncias, imagens com baixa nitidez ou ângulos inadequados, o que eleva desnecessariamente a carga computacional nas etapas subsequentes e pode comprometer a qualidade do modelo final. Nesse contexto, o AWS Rekognition, um serviço de visão computacional baseado em técnicas de aprendizado profundo disponibilizado pela Amazon Web Services, é utilizado como etapa de pré-processamento para filtragem automática dessas imagens irrelevantes antes da reconstrução. O estudo contempla desde a aquisição em vídeo e a extração de frames até a visualização do modelo gerado no MeshLab. A pipeline proposta é estruturada de forma modular, dividida em etapas independentes e interconectadas: extração de frames do vídeo por amostragem uniforme, filtragem via AWS Rekognition, reconstrução esparsa e densa por meio de Structure from Motion (SfM) e Multi-View Stereo (MVS) com o COLMAP, e alinhamento de nuvens de pontos por \textit{Global Registration} (RANSAC sobre descritores FPFH) seguido de refinamento por Iterative Closest Point (ICP) e reconstrução de superfície com a técnica de \textit{Screened Poisson}. Essa arquitetura favorece maior flexibilidade, escalabilidade e facilidade de análise individual de cada fase do processo. As vantagens, limitações e possíveis aplicações da solução são discutidas, com foco no seu potencial para cenários de reconstrução 3D com hardware convencional e recursos limitados.2026-01-01T00:00:00Z