[pt] Os veículos automatizados devem trafegar em determinado ambiente detectando, planejando e seguindo uma trajetória segura. De modo a se mostrarem mais seguros que seres humanos, eles devem ser capazes de executar essas tarefas tão bem ou melhor do que motoristas humanos sob diferentes condições críticas. Uma parte essencial no estudo de veículos automatizados o desenvolvimento de modelos representativos que sejam precisos e computacionalmente eficientes. Assim, para lidar com esses problemas, o presente trabalho aplica métodos de inteligência computational e identificação de sistemas para realizar modelagem de veículos e controle de rastreamento de trajetória. Primeiro, arquiteturas neurais são usadas para capturar as características do pneu na interação entre a dinâmica lateral e longitudinal do veículo, reduzindo o custo computacional em controladores preditivos. Em segundo lugar, uma combinação de modelos caixa-preta é usada para melhorar o controle preditivo. Em seguida, uma abordagem híbrida combina modelos baseados na física e orientados por dados com modelagem de caixa-preta das discrepâncias. Essa abordagem é escolhida para melhorar a precisão da modelagem de veículos, propondo um modelo de discrepância para capturar incompatibilidades entre modelos de veículos e dados medidos. Os resultados são mostrados quando os métodos propostos são aplicados a sistemas com dados simulados/reais e comparados com abordagens encontradas na literatura, mostrando um aumento de precisão (até 40 por cento) em termos de métricas baseadas em erro, com menor esforço computacional (redução de até 88 por cento) do que os controladores preditivos convencionais. / [en] Automated vehicles must travel in a given environment detecting, planning, and following a safe path. In order to be safer than humans, they must be able to perform these tasks as well or better than human drivers under different critical conditions. An essential part of the study of automated vehicles is the development of representative models that are accurate and computationally efficient. Thus, to cope with these problems, the present work applies artificial neural networks and system identification methods to perform vehicle modeling and trajectory tracking control. First, neural architectures are used to capture tire characteristics present in the interaction between lateral and longitudinal vehicle dynamics, reducing computational costs for predictive controllers. Secondly, a combination of black-box models is used to improve predictive control. Then, a hybrid approach combines physics-based and data-driven models with black-box modeling of the discrepancies. This approach is chosen to improve the accuracy of vehicle modeling by proposing a discrepancy model to capture mismatches between vehicle models and measured data. Results are shown when the proposed methods are applied to systems with simulated/real data and compared with approaches found in the literature, showing an increase of accuracy (up to 40 percent) in terms of error-based metrics while having lesser computational effort (reduction by up to 88 percent) than conventional predictive controllers.

[pt] Veículos autônomos ou Higly Automated Vehicles (HAVs) vêm trazendo novos paradigmas para o campo da ergonomia automotiva. A partir do momento em que motoristas se encontram fora de um loop contínuo de tomada de decisão, suas capacidades de retomada de controle manual do veículo durante situações de emergência são comprometidas. Para mitigar este problema, muitos autores acreditam que um maior entendimento dos padrões de aquisição de informação durante retomadas de controle em automação veicular pode fornecer insumos para a concepção de ferramentas designadas a auxiliar o motorista nesta tarefa, ao fornecer informações relevantes em momentos de necessidade. Baseado nestas questões, esta pesquisa visou categorizar o acesso de motoristas a diferentes informações oferecidas em interfaces de veículos autônomos durante a retomada de controle em diferentes níveis de automação. A pesquisa abordou o problema por meio de experimentos em simuladores de condução, onde motoristas foram expostos a diferentes cenários de retomada de controle, e seu seus padrões de olhar foram avaliados, para se testar a hipótese de que eles geralmente acessam a informação presente na interface apenas durante a retomada de controle em si, para checar o estado do sistema. Os resultados sugerem que o olhar do motorista está sujeito a influência de dois fatores: nível de automação e tarefa desempenhada. Foi observado que uma maior a quantidade de informação oferecida na interface aumenta concentração de olhares do motorista nesta região. Informações ativas sobre o ambiente melhoraram o desempenho do motorista durante as retomadas, porém tal benefício não se refletiu em uma maior usabilidade percebida. / [en] Highly automated vehicles (HAVs) are bringing new perspectives for the field of automotive ergonomics. By the time the driver is not constantly on the decision-making loop of the task, his/her performance for resuming control of the automation in safety-critical situations seems to be diminished. To mitigate this problem, many authors believe that by understanding drivers information scanning patterns and decision-making process during transitions of control in vehicle automation it is possible to design tools better adapted to support them in this activity, by providing relevant information in appropriate times. Based on this issue, this research aimed to categorize driver s reliance on the different information provided by the system s HMI during transitions of control in different levels of automation. The research followed a driving simulator experimental approach, where drivers were exposed to different take-over scenarios and their gaze behaviour was measured to test the hypothesis that they generally rely on information on the road to gain situation awareness, and only access the information on the HMI in cases of transitions of control, to check the system status. The results suggest that driver s gaze behaviour patterns are susceptible to influence of two main factors: the level of automation and the task in hand. It was observed that the more information presented on the HMI, the more drivers will look at it. Active information about the road environment have enhanced drivers performance during transitions of control, but it was not reflected in terms of perceived usability of the systems.