Aslı Mürsel Olan Hadisin Mevsûl Rivâyet Edilmesi

Na investigação de possíveis alternativas de fusão de sensores, mostra-se mais promissora a otimização lexicográfica apresentada por Sun et al. em 1999 ([99]), que no trabalho citado foi formalizada para a solução do problema da REID, usando apenas dados de sensores a laço indutivo em dois pontos da via. Esta abordagem foi desde então adaptada por inúmeros autores de trabalhos na área de REID. A otimização lexicográfica apresentada por Sun et al. é uma formulação preemptiva multi-objetivo hierarquizada, que combina programação por

objetivo (ou “goal programming”), classificação, média ponderada (ou “weighted average”)

e técnicas de análise Bayesiana.

Como veremos na Seção 3.5, as formas de onda dos laços indutivos com geometria mais comumente encontrada contêm uma grande variedade de informações (veja a Tabela 3-1), incluindo magnitude máxima da variação de indutância, comprimento, forma da superfície metálica da plataforma do veículo, número de eixos, etc. Cada informação embutida no perfil magnético pode ser extraída e colocada sob a forma de vetores de características. Adicionalmente, outras características inerentes à aplicação em uma via de tráfego real, como velocidade, ocupação, faixa de tráfego, hora do dia, etc., podem ser coletados e associados às formas de onda de perfil magnético em um banco de dados mais abrangente.

A escolha natural, portanto, para uma futura abordagem de fusão de sensores recai na otimização multi-objetivo16 lexicográfica17. Note que embora o objetivo geral seja a atribuição de um determinado veículo a uma classe previamente definida, a atribuição a determinadas classes intermediárias pode ser considerado um objetivo por si só, e muitas vezes até desejável. Por exemplo, a classificação de veículos por número de eixos é útil por si só em pontos de pedágio. Portanto, classificar por número de eixos é um objetivo e classificar

por velocidade é outro objetivo. Ao perseguirmos a abordagem multi-objetivo, que combina

estes múltiplos objetivos individuais, passa a existir a necessidade de se determinar a relevância e a hierarquização de cada um. Um veículo com 5 eixos, por exemplo, com certeza não pertencerá à classe de veículos de passeio, o que coloca a contagem de eixos, quando disponível, no topo da hierarquia de decisão quanto à classificação. Daí a adequação da abordagem lexicográfica, que é um método seqüencial de otimização multi-objetivo, no qual cada conjunto da etapa seguinte é na realidade um subconjunto da etapa de classificação anterior, restringindo o espaço de soluções do nível hierárquico corrente. Mais importante do que isso, espera-se que cada nível forneça como resultado um conjunto de múltiplas soluções para implementação do esquema hierárquico. Este procedimento resulta naturalmente nas várias modalidades de classificação usualmente almejadas pelos profissionais de tráfego. O processo continua até que todos os níveis de classificação estabelecidos tenham sido considerados.

O termo otimização normalmente está relacionado com a minimização, escolhido um objetivo específico, de distâncias entre pares de vetores de características. Note que isto é equivalente a escolher alguma característica como critério, podendo esta otimização ser, portanto, chamada também de abordagem multi-critério. Para algumas características do veículo, a redução do espaço de soluções possíveis é feita por satisfação de critérios ao invés de

16 _{Qualitativamente, a otimização multi-objetivo é a busca por pontos ótimos x}* _{dentro de um conjunto}

plausível de dados x que são “os melhores possíveis de se obter” quando julgados perante múltiplos critérios (Rentmeesters, 1998, citado por Sun et al.,1999 em [99]). As soluções ótimas para problemas multi-objetivo são denominadas Conjunto de Pareto, que contém todos os pontos para os quais não existe qualquer outro ponto que seria uniformemente melhor em todos os objetivos. Um conjunto de Pareto é conhecido como a fronteira de eficiência e os pontos pertencentes a este conjunto são os pontos eficientes.

17 _{O método lexicográfico é uma abordagem seqüencial de se resolver a otimização multi-objetivo, aplicável}

quando os vários objetivos sob consideração não podem ser quantitativamente comparados um com o outro (Rentmeesters et al, 1996, citado por Sun et al.,1999 em [99]). Nesta abordagem, cada objetivo é ordenado de acordo com sua importância, e cada conjunto de soluções da etapa seguinte é um sub-conjunto da etapa de otimização anterior.

envolver minimização de funções objetivo. Felizmente isto é verdade especialmente para etapas que naturalmente se posicionam em níveis hierárquicos superiores, como a classificação por contagem de eixos ou por comprimento do veículo, por exemplo.

Um conceito usado na área de otimização é o de programação lexicográfica por meta. Na definição mais geral, programação por meta (ou “goal programming”) é o estabelecimento de graus de alcance para cada critério (em outras palavras, condições de parada). Os métodos de programação por meta conhecidos lidam com o estabelecimento de alvos ou valores para cada objetivo e buscam a minimização de uma função objetivo maior, formada pela soma de desvios em relação aos alvos de todos os objetivos individuais. Uma meta (ou conjunto de

alvos) pode ser usada para restringir o espaço de soluções. A introdução de metas visando à

restrição do espaço de soluções de forma hierarquizada é exatamente a definição do conceito

de programação lexicográfica por meta.

Devido à natureza completamente diferente entre as diversas grandezas mapeadas na forma de características, a otimização multi-objetivo lexicográfica desponta como meio mais natural de proceder à fusão de dados. Sua forma de distribuição hierárquica dos resultados vem a ser extremamente útil, pois se molda naturalmente a diversos objetivos específicos de classificação. Esta abordagem, aliada aos avanços constatados e demonstrados, constituem ponto de partida para, em conjunto com o protótipo construído, coletar e trabalhar sobre dados de veículos reais, em atividades subseqüentes de campo.

S

Ao longo deste capítulo, ao nos inteirarmos do estado da arte na pesquisa para classificação de veículos, tomamos consciência da sua importância para a área de transportes. Das diversas tecnologias citadas, concentramos no laço indutivo e possibilitamos, na concepção do protótipo construído, a possibilidade de realizar trabalhos posteriores envolvendo o processamento concomitante de imagens adquiridas por câmeras de vídeo. Embora o presente trabalho não envolva fusão de dados de sensores, consideramos este um caminho natural na evolução da técnica. Abordamos, portanto, o estado da técnica quanto à fusão multi-objetivo lexicográfica das informações providas por ambos os sensores, i.e., laços indutivos e câmeras de vídeo, por considerá-la promissora. No próximo capítulo, iremos explorar em maior detalhe os desafios postos diante de nós pela tecnologia de laço indutivo.