Soluções que se utilizem de filtros de partículas como método de estimação de parâmetros de sistemas dinâmicos analisam, em geral, uma população de amostras com o mesmo tamanho em todas as etapas do algoritmo. Porém, a manutenção de um mesmo número de partículas, independentemente do nível de certeza que se possui acerca do Sistema, pode contribuir para o alto processamento exigido para a implementação de algumas técnicas que se utilizem de Métodos Sequencias de Monte Carlo. A presente dissertação visa propor uma metodologia para o ajuste da população de partículas analisadas por um filtro de partículas. Para tanto, utiliza-se o Limite Inferior de Cramér Rao como medida do nível de certeza das estimativas, ajustando assim o tamanho da população a ser analisada de acordo com uma heurística simples. Para a prova de conceito da metodologia apresentada é utilizado o problema SLAM (Simultaneous Localization and Mapping), da robótica móvel. Trata-se da construção do mapa de um ambiente desconhecido concomitantemente com a localização do agente localizador na representação do ambiente criada. Mais especificamente, será utilizado o algoritmo mais recente da solução DP SLAM (Distributed Particle SLAM) - executada para a análise de um log de dados disponibilizado pela comunidade científica - para a elaboração de um algoritmo modificado que ajuste o número de partículas analisadas de acordo com o nível de certeza das estimativas realizadas. Pela natureza recursiva inerente ao problema considerado será utilizada uma metodologia também recursiva para o cálculo do Limite Inferior de Cramér Rao a posteriori, o qual fornece uma "medida" do máximo de informação que pode ser extraído de um sistema dinâmico quando os dados e os estados são considerados aleatórios, tendo em mente a análise de performance por uma perspectiva Bayesiana.

Apresentam-se nessa tese dois filtros de partículas aperfeiçoados para rastreamento automático de alvos balísticos a partir de medidas de radar convencional. O primeiro rastreador proposto é um filtro SIR que usa uma função de importância localmente otimizada e re-amostragem residual para combater o efeito de degeneração de partículas, e também incorpora um passo adicional de movimento MCMC para prevenir o empobrecimento de partículas. O segundo algoritmo proposto é um filtro de partículas auxiliar. Avaliou-se o desempenho dos algoritmos assumindo modelo de movimento com coeficiente balístico conhecido e modelo com coeficiente balístico aleatório. Os resultados das simulações mostram que, utilizando um número de partículas significativamente menor do que foi mencionado anteriormente na literatura, os erros quadráticos médios do filtro SIR otimizado e do filtro de partículas auxiliar aproximam-se da raiz quadrada do limite inferior ideal de Cramér-Rao. Nas mesmas condições de simulação, o filtro de partículas bootstrap convencional previamente proposto na literatura foi incapaz de seguir alvo na fase final do vôo balístico quando o alvo penetra nas camadas mais densas da atmosfera.

Este trabalho apresenta um sistema completo para simulação e avaliação do uso de filtros estocásticos para combinar medidas de posição feitas por um sistema inercial, composto de girômetros e acelerômetros, com medidas de posição de um sistema GPS, de modo que possamos extrair uma estimativa do erro de posição acumulado por integração das medidas dos sensores inerciais e corrigir a leitura do mesmo. Para tal, foram desenvolvidos em detalhes e validados um modelo de navegação e um modelo de espaço de estados onde o vetor de variáveis ocultas é a combinação dos erros de posição, velocidade, atitude e fator de escala dos sensores inerciais e deriva de ambos os sensores, inerciais e do GPS. Ainda foram implementados e analisados em sua performance três tipos de Filtros aplicados quando o modelo de observações é não-linear: o Filtro Estendido de Kalman (EKF), o Filtro de Kalman Unscented (UKF) e o Filtro de partículas com Função de importância ótima e Reamostragem. Resultados da Integração Inercial-GPS em diversas trajetórias e configurações de parâmetros são apresentados, bem como os problemas e as soluções na implementação são discutidos.

Video Object Tracking plays a crucial role on several Computer Vision applications, such as Video Surveillance, Intelligent Transportation System (ITS), Human Machine Interface (HMI), Video Indexing and Shopping Behavior Analysis. Nevertheless, the processing power demanded by object tracking techniques still consists in a bottleneck to their wider adoption. To reduce this computational power demand, some techniques that extract object motion information from compressed video domain, instead of the raw video, have been developed. This work addresses the problem of efficiently tracking objects from compressed video. The focus is on algorithms that track objects using motion estimation informationfrom MPEG-2 and MPEG-4 family of video compressors. Two complementary solutions are presented. At first, a novel Spatiotemporal Motion-Vector Consistency Filter is proposed and evaluated. The filter is applied on the initial stage of tracking algorithm and significantly reduces the noisy motion vectors which do not represent a real object movement. Then, a Kalman Filter is used to provide improved estimations of objects position and size. A novel model for Kalman Filter application on the context of motion-vector based object tracking is proposed and evaluated, with determination of measures and noise patterns. Qualitative and quantitative experiments, with standard metrics, are performed displaying that the proposed Spatiotemporal Filter outperforms the currently widely used Vector Median Filter. The results obtained with the Spatiotemporal Filter make it suitable as a first step of any system that aims to detect and track objects from compressed video using its motion vectors. Both filters are jointly used in a complete object tracker system denominated moveTRAKS - motion-vector based object Tracker with Kalman filter and Spatiotemporal filter. The moveTRAKS is also qualitative and quantitative tested, demonstrating its efficiency and limitations for compressed video object tracking.

The capability of predicting failure events of systems and components can provide benefits in equipment operation and maintenance. For this reason, the subject of failure prognosis is gaining greater attention from academia and industry over the last years. This work presents novel contributions related to the development and performance evaluation of failure prognosis solutions. One important step in failure prognosis is the estimation of the health state of the monitored equipment and its trend. Here, Sigma-Point Kalman Filter (SPKF) algorithms are employed for this purpose and their performance is compared to Particle Filter (PF) algorithms which are commonly cited in literature for this kind of application. Once the health state and its trend are estimated, in order to proceed with the failure prognosis, it is necessary to use this information to predict the remaining useful life (RUL) of the equipment. The RUL estimate is commonly yielded on the form of a probability distribution. A novel method, based on the Unscented Transform (UT), is presented and evaluated for this purpose. Results indicate that this approach may provide benefits when compared to the usual Monte Carlo based method. Finally, after a failure prognosis solution is developed, it is necessary to adequately evaluate its performance. This work also comprises the proposition of a novel method for such assessment, based on the use of the Probability Integral Transform (PIT). Such new method provides a measure of how adequately the proposed RUL probability distributions fit the available set of ground truth validation data. Also, additional proposed features make it possible to take into consideration the impact of the size of the validation data set into the uncertainty of the resulting metrics.

A robótica móvel autônoma é uma área de pesquisa onde o foco primordial concentra-se na busca incessante de meios que possibilitem a operação de um robô móvel sem a intervenção humana e de um modo mais inteligente possível. Para isso, essa busca pode ser dividida em diferentes ênfases: planejamento de ações, mapeamento de ambiente e localização do robô dentro do mundo em que se encontra. Mais especificamente, o problema de determinação da localização é considerado por alguns como o fator mais importante para capacitar a autonomia de um robô móvel. Muito já foi proposto sobre técnicas de localização, e, dentre as mais recentes, destaca-se o algoritmo de localização Monte Carlo, uma técnica eficiente no que diz respeito à solução dos diversos problemas que abrangem estimação de posição de um robô móvel. O trabalho aqui apresentado tem por objetivo a implementação de um algoritmo de estimação de posição baseado no algoritmo de localização Monte Carlo em conjunto com um Algoritmo Genético. Aqui, a função deste último é minimizar erros acentuados de localização, ocasionados pela deficiência dos modelos probabilísticos que representam a dinâmica de movimento e a percepção sensorial do robô. Isso acontece, principalmente no caso de sensores do tipo sonar diante de obstáculos do tipo quina. O resultado obtido é o método de localização Monte Carlo Genético, que se apresentou como uma possível solução para minimização desses erros de localização. O grande empecilho, porém, constatado nessa abordagem, é o elevado número de parâmetros a serem configurados. O desafio, então, torna-se encontrar o ajuste ideal de parametrização para obtenção de melhor desempenho deste método.