Um Sistema Hardware/Software para Detecção de Obstáculos em Vias Urbanas

• Allicia R. dos Santos IFES
• Julia S. Barreiros IFES
• João V. S. da Silva IFES
• Amanda B. Ferreira IFES
• Richard J. M. G. Tello IFES

DOI: https://doi.org/10.5753/eries.2025.16039

Resumo

Este artigo apresenta o desenvolvimento de um sistema embarcado de hardware e software para detecção de obstáculos em vias. O sistema é composto por um robô móvel 4WD equipado com uma placa ESP32 e um sensor inercial MPU6050. Obstáculos em escala, produzidos por impressão 3D, foram testados em cenários lineares e retangulares. Os dados coletados pelo sensor inercial foram transmitidos via Wi-Fi para processamento externo. Após o préprocessamento e a segmentação dos sinais temporais, redes neurais recorrentes (LSTM, Bi-LSTM e GRU) foram empregadas para análise. Os resultados indicaram que a rede GRU apresentou o melhor desempenho, alcançando acurácia média superior a 98% nos dois cenários avaliados. Esses achados demonstram a viabilidade do sistema para a identificação de irregularidades em ambientes controlados.

Referências

Cho, K., Gulcehre, C., Bougares, F., Schwenk, H., and Bengio, Y. (2014). Learning phrase representations using rnn encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078.

Confederação Nacional do Transporte (2024). Pesquisa CNT de Rodovias 2024. CNT; SEST SENAT; ITL, Brasília. ISBN 978-85-68865-23-1.

De Zoysa, K., Keppitiyagama, C., and Weerathunga, S. (2007). A public transport system based sensor network for road surface condition monitoring. page 9.

Eriksson, J., Girod, L., Hull, B., Newton, R., Madden, S., and Balakrishnan, H. (2008). The pothole patrol: Using a mobile sensor network for road surface monitoring. In Proceedings of the 6th International Conference on Mobile Systems, Applications, and Services (MobiSys ’08).

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.

Mednis, A., Strazdins, G., Zviedris, R., Kanonirs, G., and Selavo, L. (2011). Real time pothole detection using android smartphones with accelerometers. pages 1 – 6.

Rodas, Q. (2018). Novas tecnologias: carros atuais têm até 100 sensores a bordo. Revista Quatro Rodas. Acesso em: 8 ago. 2025.

Rosca, C., Stancu, A., and Gortoescu, I.-A. (2025). Advanced sensor integration and ai architectures for next-generation traffic navigation. Applied Sciences, 15:4301.

Schuster, M. and Paliwal, K. K. (1997). Bidirectional recurrent neural networks. IEEE Transactions on Signal Processing, 45(11):2673–2681.

Ye, Z., Wei, Y., Yang, S., Li, P., Yang, F., Yang, B., and Wang, L. (2024). Iot-enhanced smart road infrastructure systems for comprehensive real-time monitoring. Internet of Things and Cyber-Physical Systems, 4:235–249.

Zareei, M., Castañeda, C. A. L., Alanazi, F., Granda, F., and Díaz, J. A. P. (2025). Machine learning model for road anomaly detection using smartphone accelerometer data. IEEE Access, pages 1–1.