Upload
glynis
View
13
Download
0
Embed Size (px)
DESCRIPTION
Identificando padrões comportamentais do tipo avoidance em trajetórias de objetos móveis. Alisson Moscato Loy (UFRGS) Orientador: Luis Otávio Alvares (UFRGS) Co-Orientadora: Vania Bogorny (UFSC). Estrutura da apresentação. Motivação; Objetivo do trabalho; - PowerPoint PPT Presentation
Citation preview
Identificando padrões comportamentais do tipo
avoidance em trajetórias de objetos móveis.
Alisson Moscato Loy (UFRGS)Orientador: Luis Otávio Alvares (UFRGS)Co-Orientadora: Vania Bogorny (UFSC)
2
Estrutura da apresentação
Motivação; Objetivo do trabalho; Heurística para identificação do
padrão comportamental avoidance; Algoritmo desenvolvido; Experimentos; Considerações finais;
3
Trajetórias de objetos móveis
(x1,y1,t1)
(x2,y2,t2)(x10,y10,t10)
Trajetória 1tid Coord tempo
1 x1,y1 t1
1 x2,y2 t2
... ... ...
1 x10,y10 t10
... ... ...
4
Objetivo do trabalho Definir o padrão comportamental que ocorre quando uma
trajetória evita determinadas regiões espaciais.
Avoidance
5
O termo avoidance na literatura
Principalmente utilizado para caracterizar o comportamento de evitar o choque entre objetos móveis (Ex: robôs, aviões, navios, veículos); Collision-avoidance;
Freqüentemente relacionado a uma ação em tempo real;
6
Exemplos de ocorrência do padrão comportamental avoidance proposto neste trabalho
Veículos que evitam câmeras de segurança;
Pessoas que desviam de seguranças em aeroportos e shoppings;
Na busca por rotas de escape em regiões de tráfego lento;
7
Heurística para detecção do avoidance
t1
t2
A trajetória deve estar na direção do objeto-alvo e, num dado
instante, mudar de direção de forma a evitá-lo.
t3
Objeto alvo
8
Heurística para detecção do avoidance
Objeto alvo
Região de interesse
Para ser considerado um avoidance a trajetória deve
interceptar a região de interesse do objeto-alvo;
9
Heurística para detecção do avoidance
Objeto alvo
Região de interesse
A trajetória deve apresentar uma
subtrajetória direcionada ao alvo dentro da região de
interesse.
t1
t2
t3
10
Heurística para detecção do avoidance
Objeto alvo
Região de interesse
Região de incremento de confiança
t1
t2
Região que permite aumentar o grau de confiança do
avoidance, pela análise do comportamento da trajetória.
11
Confiança local – Um objeto alvo
strong (1.0)
weak (0.5)
none (0.0)
12
Confiança local – Vários objetos-alvo
strong (1.0)
weak (0.5)
none (0.0)
O1
O2
O3
t1
13
Percentual de avoidance por objeto-alvo (Prk)
O3O1
O2
t2t1
t3
Pr2 = 66,66 %Pr2 = 100 %
14
Fator de ponderação (Wk)
O1
O2
t1
t2
t3
W1 = 1.0
W2 = 0.5
15
Evitando falsas ocorrências de avoidance em eventos conhecidos
GID evento início fim geom
0 Manut. Rede Esgoto
2011-01-17 10:00:00
2011-01-19 15:00:00
LINESTRING (...)
1 Feira de rua
2011-01-23 06:30:00
2011-01-23 15:00:00
LINESTRING (...)
... ... ... ... ...
TID GID Geom time
0 1 POINT(...) 2011-01-18 19:52:19
0 2 POINT(...) 2011-01-18 19:52:20
... ... ... ...
16
Cálculo da confiança global
Onde: n corresponde ao número de objetos-alvo cuja região de interesse foi interceptada pela trajetória ti, Avik é a medida de avoidance da trajetória ti em relação ao objeto-alvo ok e wk é o fator de ponderação do objeto-alvo ok.
n
kk
k
n
kik
t
w
wAvAv
i
1
1
Quanto maior o índice Avt, mais forte é a característica da trajetória de evitar determinadas regiões espaciais.
17
Algoritmo desenvolvido
Pseudocódigo principal; Identificação da subtrajetória
direcionada ao alvo; Geração da região de incremento de
confiança;
18
Pseudocódigo principal
Conjunto de trajetóriasConjunto de objetos-alvoTamanho do buffer da região de interesse Tamanho mínimo da subtrajetória direcionada ao alvoConjunto de eventos
Identifica os avoidancese calcula os índices de Confiança locais
Calcula o percentual deavoidance por objeto-alvo Eliminando os casos de 100%
Calcula o índice global de confiança de avoidance por trajetória
Percentual de avoidance por região de interesseConfiança global de avoidance por trajetória
19
Pseudocódigo principal
Para cada trajetória que intercepta uma região de interesse
Para cada região de interesse interceptada
Conjunto de trajetóriasConjunto de objetos-alvoTamanho do buffer da região de interesse Tamanho mínimo da subtrajetória direcionada ao alvoConjunto de eventos
Intercepta o objeto-alvo?
SIM
NÃO
Identifica Subtrajetória dir. ao alvo
Possui subtrajetória direcionada ao alvo?
SIM
NÃO
Não é avoidance
Calcula região de incrementode confiança
Intercepta região de incremento de confiança??
SIM
NÃO
Strongavoidance
Weakavoidance
Confiança local dos avoidances detectados
Possui evento relacionado?
SIM
NÃO
20
Identificação da subtrajetória direcionada ao alvo
21
Pseudocódigo principal
Para cada trajetória que intercepta uma região de interesse
Para cada região de interesse interceptada
Conjunto de trajetóriasConjunto de objetos-alvoTamanho do buffer da região de interesse Tamanho mínimo da subtrajetória direcionada ao alvoConjunto de eventos
Intercepta o objeto-alvo?
SIM
NÃO
Identifica Subtrajetória dir. ao alvo
Possui subtrajetória direcionada ao alvo?
SIM
NÃO
Não é avoidance
Calcula região de incrementode confiança
Intercepta região de incremento de confiança??
SIM
NÃO
Strongavoidance
Weakavoidance
Confiança local dos avoidances detectados
Possui evento relacionado?
SIM
NÃO
22
Calculando a região de incremento de confiança
23
Experimentos
Experimentos iniciais para apoio ao desenvolvimento da heurística: Dados obtidos em praça pública em Porto Alegre; Trajetórias coletadas em ruas e avenidas em
diferentes locais;
Experimentos para fins de verificação de eficácia e eficiência do algoritmo desenvolvido: Experimento 1 - trajetórias de veículos em Porto
Alegre; Experimento 2 – trajetórias de veículos em Xangri-lá; Experimento 3 – trajetórias de pedestres no Parque
Germânia;
24
Experimento 1 – trajetórias de veículos em Porto Alegre
21 trajetórias;
4 objetos-alvo;
Região interesse:100m;
Raio do objeto alvo:20m;
Subtrajetóriadirecionada aoalvo: 8m
25
Experimento 1 – trajetórias de veículos em Porto Alegre
Dados de avoidance por região de interesse:GID Percentual0 50%1 57.14%2 50%3 50%
Cálculo da confiança global do avoidance:TID Confiança Global7 113 118 0.9321 0.515 0.411 0.25
26
Experimento 1 – trajetórias de veículos em Porto Alegre
27
Experimento 1 – trajetórias de veículos em Porto Alegre
28
Experimento 2 – trajetórias de veículos em Xangri-lá41 trajetórias;
10 objetos-alvo;
Região interesse: 120m;
Raio do objeto alvo: 20m;
Subtrajetória direcionada ao alvo: 10m;
29
Experimento 2 – trajetórias de veículos em Xangri-láDados de avoidance por região de interesse:
GID Percentual* 0 100%
1 33.34% 2 50% 3 0% 4 40% 5 0%
* 6 100% 7 0% 8 33.34% 9 9.09%
Objetos-alvo marcados com * serão removidos do cálculo do índice de confiança global.Cálculo da confiança global do avoidance:
TID Confiança Global 12 1 33 0.75 9 0.667 17 0.5 19 0.5 20 0.5 29 0.5 7 0.25 21 0.25 2 0.167
30
Experimento 2 – trajetórias de veículos em Xangri-lá
31
Experimento 3 – trajetórias de pedestres no Parque Germânia17 trajetórias;
5 objetos-alvo;
Região interesse: 50m;
Raio do objeto alvo: 10m;
Subtrajetória direcionada ao alvo: 4m;
32
Experimento 3 – trajetórias de pedestres no Parque Germânia
Dados de avoidance por Região de Interesse:GID Percentual 0 11.11% 1 14.28% 2 33.33% 3 37.5% 4 0%
Cálculo da confiança global do avoidance:TID Confiança Global 7 0.667 6 0.5 8 0.5 4 0.167
33
Experimento 3 – trajetórias de pedestres no Parque Germânia
34
Experimento 3 – trajetórias de pedestres no Parque Germânia
35
Trabalhos Publicados
Parte deste trabalho foi publicado no GeoInfo 2010 [Loy et al. 2010] tendo sido selecionado como um dos três melhores artigos do congresso.
An Algorithm to Identify Avoidance Behavior in Moving Object Trajectories (Luis Otavio Alvares, Alisson M. Loy, Chiara Renso and Vania Bogorny), Journal of the Brazilian Computer Society, Volume 17, Number 3, p. 193-203, 2011.
36
Considerações finais – trabalhos futuros
Aprimorar a heurística que determina o índice de confiança local;
Avaliar outras técnicas para criação da região de incremento de confiança;
Aprimorar a determinação do fator de ponderação Wk;
37
Referências[Alvares et al. 2007] Alvares, L. O.; Bogorny, V.; Kuijpers, B.; Macedo, J. A. F.; Moelans,
B.; Vaisman, A.: A Model for Enriching Trajectories with Semantic Geographical Information.. In: Proc. of the ACM 15th International Symposium on Advances in Geographic Information Systems (ACM-GIS'07), Seattle, Washingthon, 7-9 November (2007).pp. 162-169.
[Andersson et al. 2008] Mattias Andersson, Joachim Gudmundsson, Patrick Laube, and Thomas Wolle: Reporting Leaders and Followers Among Trajectories of Moving Point Objects, Geoinformatica (2008), Volume 12, Number 4, 497-528, DOI:10.1007/s10707-007-0037-9.
[Benkert et al. 2006] Benkert, M., Gudmundsson, J., H¨ubner, F., Wolle, T.: Reporting flock patterns. In: Algorithms - ESA 2006, Proceedings. Volume 4168 of Lecture Notes in Computer Science. Springer-Verlag Berlin, Berlin (2006) 660–671.
[Bernabeu et al. 2001] Bernabeu, E.J., Tornero, J., Tomizuka, M.: Collision prediction and avoidance amidst moving objects for trajectory planning applications in: Robotics and Automation. (2001) 3801 - 3806 vol.4. ISSN:1050-4729.
[Bogorny et al. 2008] Bogorny, V. and Wachowicz, M. A Framework for Context-Aware Trajectory Data Mining. In: Longbing Cao, Philip S. Yu, Chengqi Ahang, Huaifeng Zhang. (Org.). Data Mining for Business Applications. Springer, 2008.
[Bogorny et al. 2009] Bogorny, V.; Kuijpers, B.; Alvares, L.O. ST-DMQL: A Semantic Trajectory Data Mining Query Language. In: International Journal of Geographical Information Science. Taylor and Francis, 2009.
[Cao et al. 2006] Cao H.; Mamoulis, N.; Cheung, D.W.: Discovery of collocation episodes in spatiotemporal data. In ICDM, pages 823–827. IEEE Computer Society, 2006.
38
Referências[Cao et al. 2007] Cao, H., Mamoulis, N., and Cheung, D. W. (2007). Discovery of periodic patterns in spatiotemporal
sequences. IEEE Transactions on Knowledge and Data Engineering, 19(4):453–467.[Elnekave et al. 2007] Sigal Elnekave, Mark Last, Oded Maimon: Predicting future locations
using clusters' centroids. Proceedings of the 15th annual ACM international symposium on Advances in geographic information systems , 2007.
[Giannotti et al. 2006] F. Giannotti, M. Nanni, and D. Pedreschi. Eficient mining of sequences with temporal annotations. In Proc. SIAM Conference on Data Mining, pages 346–357. SIAM, 2006.
[Giannotti et al. 2007] Giannotti, F., Nanni, M., Pinelli, F., and Pedreschi, D. (2007). Trajectory pattern mining. In Berkhin, P., Caruana, R., and Wu, X., editors, KDD, ACM, p. 330–339.
[Gudmundsson et al. 2006] Gudmundsson, J.; Kreveld, M.. Computing longest duration flocks in trajectory data. In GIS’06: Proceedings of the 14th annual ACM international symposium on Advances in geographic information systems, pages 35–42, New York, NY, USA, 2006. ACM Press.
[Gudmundsson et al. 2007] Gudmundsson, J., van Kreveld, M. J., and Speckmann, B. (2007). Efficient detection of patterns in 2d trajectories of moving points. GeoInformática, 11(2):195–215.
[Guo 2008] Danhuai Guo; Mining Traffic condition from trajectories. Fifth International Conference on Fuzzy Systems and Knowledge Discovery (pp. 256-260). Shandong, China: IEEE Computer Society (2008).
[Gütting et al. 2000] Gütting, R. H.; Böhlen, M. H.; Erwig, M.; Jensen, C. S.; Lorentzos, N. A.; Schneider, M.; Vazirgiannis, M. A foundation for representing and quering moving objects. ACM Trans. Database Syst., [S.1.], v.25, n.1, p.1-42, 2000.
[Hornsby 2001] Hornsby, K. Temporal zooming. Transactions in GIS, 5, pp. 255–272, 2001.[Kim et al. 2007] Dae-Jin Kim, Kwang-Hyun Park, M., Bien, Z.: Hierarchical longitudinal controller for rear-end collision
avoidance, (2007).[Laube et al. 2002] Laube, P. and Imfeld, S. Analyzing relative motion within groups of trackable moving point objects. In
Egenhofer, M. J. and Mark, D. M., editors, GIScience, volume 2478 of Lecture Notes in Computer Science, pages 132–144. Springer, 2002.
[Laube et al. 2004] Laube, P., van Kreveld, M., Imfeld, S.: Finding REMO - detecting relative motion patterns in geospatial lifelines. In Fisher, P.F., ed.: Developments in Spatial Data Handling. Proceedings of the 11th International Symposium on Spatial Data Handling. Springer, Berlin Heidelberg, DE (2004) 201–214.
[Laube et al. 2005] Laube P., Imfeld S., Weibel R. Discovering relative motion patterns in groups of moving point objects, in: International Journal of Geographic Information Science, vol. 19, Taylor & Francis Group, pp. 639–668, 2005.
39
Referências[Lee et al. 1999] Lee, S.W., Lee, B.H., Lee, K.D.: A configuration space approach to collision avoidance of a
two-robot system. Robotica 17, 131–141 (1999).[Lee et al. 2008] Lee, J.G., Han, J., Li, X.: Trajectory outlier detection: A partition-and-detect framework. In:
ICDE, pp. 140–149. IEEE (2008).[Liu et al. 2005] Liu, Y.H., Shi, C.J.: A fuzzy-neural inference network for ship collision avoidance. In:
Proceedings of 2005 International Conference on Machine Learning and Cybernetics, pp. 4754–4754. IEEE Computer Society (2005)
[Loy et al. 2010] Loy, A. M., Bogorny, V., Renso C., Alvares L. O., Um algoritmo para identificar padrões comportamentais do tipo avoidance em trajetórias de objetos móveis. GeoInfo 2010. Campos do Jordão-SP.
[Nedevschi et al. 2009] Stereo-Based Pedestrian Detection for Collision-Avoidance Applications. Sergiu Nedevschi, Silviu Bota and Corneliu Tomiuc. Ieee Transactions On Intelligent Transportation Systems, Vol. 10, No. 3, September 2009.
[Palma et at. 2008] Palma, A. T; Bogorny, V.; Kuijpers, B.; Alvares, L.O. A Clustering-based Approach for Discovering Interesting Places in Trajectories. In: 23rd Annual Symposium on Applied Computing, (ACM-SAC'08), Fortaleza, Ceara, 16-20 March (2008) Brazil. pp. 863-868.
[Shandy et al. 2001] Shandy, S., Valasek, J.: Intelligent agent for aircraft collision avoidance. In: Proceedings of AIAA Guidance, Navigation, and Control Conference, pp. 1–11. American Institute of Aeronautics and Astronautics (2001).
[Soldera 2007] John Soldera, Detecção de movimentos suspeitos em seqüências de vídeo. Dissertação de mestrado, Universidade do Vale do Rio dos Sinos, 2007.
[Suh et al. 1988] Suk-Hwan Suh, Albert B. Bishop. Collision-avoidance trajectory planning using tube concept: Analysis and simulation. – Journal of Robotic System 5(6), 497-525 (1988).
[Suh et al. 1992] Suk-Hwan Suh, Kim, M.S.: An algebraic approach to collision-avoidance trajectory planning for dual-robot systems: Formulation and optimization. Robotica 10(02), 173–182 (1992).
40
Entrada: T // Conjunto de trajetóriasO // Conjunto de objetos-alvod // Tamanho do buffer da região de interesse em torno do objeto-alvol // Tamanho mínimo da subtrajetória direcionada ao alvoE // Conjunto de eventos
Saída: Avt // Conjunto de graus de confiança de avoidance por trajetória
1. Início2. Para ok Є O faça3. wk 0,5 // valor inicial da ponderação4. Fim Para5. Para ti Є T | intersects (ti, buffer(O, d)) faça // intercepta região de interesse6. Para ok Є O faça7. Se intersects (ti, ok) // Testa interseção com objeto-alvo8. avik none // não é avoidance9. wk 1 // ajusta ponderação10. Senão11. S Subtrajetoria(ti, ok, d) // obtém maior subt. em dir. ao alvo12. Se S.dist >= l // é subtrajetória direcionada ao alvo?13. Se ( ej Є E | intersects (ok, ej) período de ti
está inserido no tempo de validade de ej )14. Ric RegIncrConf(ok, d, S.ini) // Calcula região de
// incremento de confiança15. Se intersects (ti, Ric) período de ti > período de S
// cruza a reg. de incr. de conf. em um tempo
// posterior à subtrajetória direcionada ao alvo.
16. avik strong // avoidance forte17. Senão18. avik weak // avoidance fraco19. Fim Se20 Fim Se21. Senão22. avik none // não é avoidance23. Fim Se24. Fim Se25. Fim Para26. Fim Para27. Para cada ok Є O faça28. Calcula Prk29. Se Prk = 130. Retira ok de O31. Fim se32. Fim para33. Para cada ti Є T34. Calcula Avti35. Fim para36. Retorna Avt37. Fim
41
Identificação da subtrajetória direcionada ao alvo
Entrada: P // Conjunto de pontos da trajetória que interceptam a região de interesseo // objeto-alvo em análised // tamanho do buffer da região de interesse em torno do objeto-alvo
Saída: Subt // Subtrajetória direcionada ao alvo
Método: Subtrajetoria()
1.Início2. i 13. próximo i + 14. distaux 05. dist 0 // Inicializa variável 6. ini Pi // Guarda ponto inicial da subtrajetória7. Repete até o final de P8. ap azimute (Pi , Ppróximo) // Calcula o azimute entre os pontos9. Pauxx sen(ap) · ( 2 · d ) + Pix // Calcula coordenada x do ponto auxiliar10. Pauxy cos(ap) · ( 2 · d )+ Piy // Calcula coordenada y do ponto auxiliar11. Se intersects (makeline(Pi, Paux), o) // Intercepta o objeto alvo?12. distaux Calcula distância euclidiana(Pi , Ppróximo)13. Se distaux > dist14. dist distaux // Guarda maior distância euclidiana 15. ini Pi // Guarda ponto inicial da maior subtrajetória
identificada16. Fim Se17. próximo próximo +118. Senão // Avalia o próximo ponto da trajetória19. i i +120. próximo i + 121. Fim Se22. Fim Repete23. Subt {dist, ini}24. Retorna Subt25.Fim
42
Calculando a região de incremento de confiança
Entrada: o //objeto alvod // tamanho do buffer da região de interesseini // ponto inicial da subtrajetória direcionada ao alvo
Saída: reg // região de incremento de confiança
Método: RegIncrConf()
1.Início2. Oc centroid(o) // centro geométrico de o3. az azimute(ini, Oc) // Obtém inclinação da região de incremento de
confiança4. lim1 makeline1 (az, o, exteriorring(buffer(o, d))) 5. lim2 makeline2 (az, o, exteriorring(buffer(o, d))) 6. reg CalculaRegião(lim1, exteriorring(o), lim2,
exteriorring(buffer(o, d))) // calcula região dentro dos limites informados
7. retorna reg // devolve a região de incremento de confiança8.Fim
43
Gráfico comparativo entre o número total de pontos nas trajetórias e o número de pontos dentro de alguma região de interesse
3099
519
19780
2097
5499
2051
0
2000
4000
6000
8000
10000
12000
14000
16000
18000
20000
Veículos em Porto Alegre Veículos em Xangri-lá Pedestres no parque Germânia
Total de pontos Pontos dentro de região de interesse
44
Gráfico comparativo entre a quantidade de objetos-alvo, avoidance identificados e trajetórias que interceptaram alguma região de interesse
4
11 1110
13
30
5
8
13
0
5
10
15
20
25
30
Veículos em Porto Alegre Veículos em Xangri-lá Pedestres no parque Germânia
Objetos-alvo Avoidances identificados Trajetórias que interceptaram região de interesse
45
Gráfico comparativo dos tempos médios de execução para os diferentes tipos de dados utilizados nos experimentos
4791 5442
39166
11745
0
5000
10000
15000
20000
25000
30000
35000
40000
Tempo
(
ms
)
Veículos em PortoAlegre (sem eventos)
Veículos em PortoAlegre (com eventos)
Veículos em Xangri-lá Pedestres no parqueGermânia