O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes. / The growing use of global positioning systems (GPS) and other location systems made the tracking of moving objects possible, producing a large volume of a new kind of data, called trajectories of moving objects. However, there is a large gap between the amount of data generated by these devices and the knowledge that can be inferred from these data. One type of knowledge discovery in trajectories of moving objects is classification. Trajectory classification is a relatively new research subject, and a few methods have been proposed so far. Most of these methods were developed for a specific application. Only a few have proposed a general method, applicable to multiple domains or datasets. This work presents a new classification method that transforms the trajectories into time series, in order to obtain more discriminative features for classification. Experiments with real trajectory data revealed that the proposed approach is more effective than existing approaches.

LEAL, Bruno de Carvalho. Da modelagem conceitual à representação lógica de trajetórias em SGBDOR e sistemas de DW. 2011. 120 f. Dissertação (Mestrado em ciência da computação)- Universidade Federal do Ceará, Fortaleza-CE, 2011. / Submitted by Elineudson Ribeiro (elineudsonr@gmail.com) on 2016-07-08T19:40:27Z No. of bitstreams: 1 2011_dis_bcleal.pdf: 2151043 bytes, checksum: 6cb423b35ccbf999cc937ddda41507be (MD5) / Approved for entry into archive by Rocilda Sales (rocilda@ufc.br) on 2016-07-14T15:22:29Z (GMT) No. of bitstreams: 1 2011_dis_bcleal.pdf: 2151043 bytes, checksum: 6cb423b35ccbf999cc937ddda41507be (MD5) / Made available in DSpace on 2016-07-14T15:22:29Z (GMT). No. of bitstreams: 1 2011_dis_bcleal.pdf: 2151043 bytes, checksum: 6cb423b35ccbf999cc937ddda41507be (MD5) Previous issue date: 2011 / Com o aumento do número de dispositivos móveis equipados com serviços de localização geográfica, tem se tornado cada vez mais economicamente e tecnicamente possível capturar os percursos (i.e. trajetórias) dos objetos móveis. Muitas aplicações interessantes têm sido desenvolvida com intuito de explorar análises de trajetórias de objetos móveis. Por exemplo, em sistemas de gerenciamento de veículos de entrega, pode ser realizado tanto o monitoramento dos veículos quanto análises para apoio a decisões estratégicas. De modo geral, as trajetórias podem ser analisadas em duas perspectivas: tempo real e histórica. Além disso, aplicações de trajetórias compartilham uma necessidade em comum que é o registro mais estruturado do movimento. Isso permite manipular trajetórias como objetos de primeira classe e adicionar qualquer semântica requerida pela aplicação e, também, a criação de métodos robustos e eficientes para agregar conjuntos de trajetórias de forma a permitir a realização de análises complexas. Este trabalho estende um trabalho anterior na modelagem conceitual de trajetórias pela generalização da ideia de paradas e movimentos e pela definição de um conjunto de funções de agregação para trajetórias. Neste trabalho é proposto, ainda, duas abordagens por modelagem, ambas baseadas em meta-esquemas, para elaboração de esquemas de trajetórias para ambiente transacional e multidimensional. Para demonstrar e provar nossas contribuições apresentamos um caso de estudo real sobre trajetórias de caminhões de entrega. Os resultados experimentais demonstram que as abordagens de modelagem oferecem a flexibilidade necessária para lidar com a complexidade da semântica das trajetórias em análises de tempo real e histórica.

The aim of this study is to disseminate a novel path planner which is particularly used for offline robots to build more efficient collision-free trajectories in terms of the length in more skilled fashion. Robotic path planning as one of the most important problems has been under investigation by a variety of researchers within the last few decades. Path planner refers to a unit which is responsible to perform a series of operations on the robots’ environment with the sole purpose of building proper trajectories from a start point to the goal configuration. A robot’s planner generally consists of some or all of the following units: analyzing the workspace, mapping the workspace into an alternative methodology such as a graph, optimizing the constructed map, and calculating and refining the desired trajectory. Various path planners have been proposed based on the different robots’ functionalities as well as the environmental specifications. A path planner basically uses a methodology inspiring a scientific theory or event to build optimal paths. This research tends to propose a novel path planner which is able to be successfully applied on a variety of workspaces with different constraints. Moreover, the presented planner successfully builds the shortest collision-free trajectories from an initial to the goal configurations. In addition, compared to the other majority of path planners, the illustrated path planner uses less environmental global information to build optimal paths. This leads the planner unit to allocate less of system resources such as memory, hence, increasing the performance of the planner in terms of preserving more system resources.

O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes. / The growing use of global positioning systems (GPS) and other location systems made the tracking of moving objects possible, producing a large volume of a new kind of data, called trajectories of moving objects. However, there is a large gap between the amount of data generated by these devices and the knowledge that can be inferred from these data. One type of knowledge discovery in trajectories of moving objects is classification. Trajectory classification is a relatively new research subject, and a few methods have been proposed so far. Most of these methods were developed for a specific application. Only a few have proposed a general method, applicable to multiple domains or datasets. This work presents a new classification method that transforms the trajectories into time series, in order to obtain more discriminative features for classification. Experiments with real trajectory data revealed that the proposed approach is more effective than existing approaches.

O crescimento do uso de sistemas de posicionamento global (GPS) e outros sistemas de localização espacial tornaram possível o rastreamento de objetos móveis, produzindo um grande volume de um novo tipo de dado, chamado trajetórias de objetos móveis. Existe, entretanto, uma forte lacuna entre a quantidade de dados extraídos destes dispositivos, dotados de sistemas GPS, e a descoberta de conhecimento que se pode inferir com estes dados. Um tipo de descoberta de conhecimento em dados de trajetórias de objetos móveis é a classificação. A classificação de trajetórias é um tema de pesquisa relativamente novo, e poucos métodos tem sido propostos até o presente momento. A maioria destes métodos foi desenvolvido para uma aplicação específica. Poucos propuseram um método mais geral, aplicável a vários domínios ou conjuntos de dados. Este trabalho apresenta um novo método de classificação que transforma as trajetórias em séries temporais, de forma a obter características mais discriminativas para a classificação. Experimentos com dados reais mostraram que o método proposto é melhor do que abordagens existentes. / The growing use of global positioning systems (GPS) and other location systems made the tracking of moving objects possible, producing a large volume of a new kind of data, called trajectories of moving objects. However, there is a large gap between the amount of data generated by these devices and the knowledge that can be inferred from these data. One type of knowledge discovery in trajectories of moving objects is classification. Trajectory classification is a relatively new research subject, and a few methods have been proposed so far. Most of these methods were developed for a specific application. Only a few have proposed a general method, applicable to multiple domains or datasets. This work presents a new classification method that transforms the trajectories into time series, in order to obtain more discriminative features for classification. Experiments with real trajectory data revealed that the proposed approach is more effective than existing approaches.

CoordenaÃÃo de AperfeiÃoamento de Pessoal de NÃvel Superior / Com o aumento do nÃmero de dispositivos mÃveis equipados com serviÃos de localizaÃÃo geogrÃfica, tem se tornado cada vez mais economicamente e tecnicamente possÃvel capturar os percursos (i.e. trajetÃrias) dos objetos mÃveis. Muitas aplicaÃÃes interessantes tÃm sido desenvolvida com intuito de explorar anÃlises de trajetÃrias de objetos mÃveis. Por exemplo, em sistemas de gerenciamento de veÃculos de entrega, pode ser realizado tanto o monitoramento dos veÃculos quanto anÃlises para apoio a decisÃes estratÃgicas. De modo geral, as trajetÃrias podem ser analisadas em duas perspectivas: tempo real e histÃrica. AlÃm disso, aplicaÃÃes de trajetÃrias compartilham uma necessidade em comum que à o registro mais estruturado do movimento. Isso permite manipular trajetÃrias como objetos de primeira classe e adicionar qualquer semÃntica requerida pela aplicaÃÃo e, tambÃm, a criaÃÃo de mÃtodos robustos e eficientes para agregar conjuntos de trajetÃrias de forma a permitir a realizaÃÃo de anÃlises complexas. Este trabalho estende um trabalho anterior na modelagem conceitual de trajetÃrias pela generalizaÃÃo da ideia de paradas e movimentos e pela definiÃÃo de um conjunto de funÃÃes de agregaÃÃo para trajetÃrias. Neste trabalho à proposto, ainda, duas abordagens por modelagem, ambas baseadas em meta-esquemas, para elaboraÃÃo de esquemas de trajetÃrias para ambiente transacional e multidimensional. Para demonstrar e provar nossas contribuiÃÃes apresentamos um caso de estudo real sobre trajetÃrias de caminhÃes de entrega. Os resultados experimentais demonstram que as abordagens de modelagem oferecem a flexibilidade necessÃria para lidar com a complexidade da semÃntica das trajetÃrias em anÃlises de tempo real e histÃrica.

A mobile manipulator is a robotic arm mounted on a robotic mobile platform. In such a system, the degrees of freedom of the mobile platform are combined with that of the manipulator. As a result, the workspace of the manipulator is substantially extended. A mobile manipulator has two trajectories: the end-effector trajectory and the mobile platform trajectory. Typically, the mobile platform trajectory is not defined and is determined through inverse kinematics. But in some applications it is important to follow a specified mobile platform trajectory. The main focus of this work is to determine the inverse kinematics of a mobile manipulator to follow the specified end-effector and mobile platform trajectories, especially when both trajectories cannot be exactly followed simultaneously due to physical limitations. Two new control algorithms are developed to solve this problem. In the first control algorithm, three joint-dependent control variables (spherical coordinates D, α and β) are introduced to define the mobile platform trajectory in relation to the end-effector trajectory and vice versa. This allows direct control of the mobile platform motion relative to the end-effector. Singularity-robust and task-priority inverse kinematics with gradient projection method is used to find best possible least-square solutions for the dual-trajectory tracking while maximizing the whole system manipulability. MATLAB Simulated Planar Mobile Manipulation is used to test and optimize the proposed control system. The results demonstrate the effectiveness of the control system in following the two trajectories as much as possible while optimizing the whole system manipulability measure. The second new inverse kinematics algorithm is introduced when the mobile platform motion is restricted to stay on a specified virtual or physical track. The control scheme allows xii the mobile manipulator to follow the desired end-effector trajectory while keeping the mobile platform on a specified track. The mobile platform is moved along a track to position the arm at a pose that facilitates the end-effector task. The translation of the redundant mobile manipulator over the mobile platform track is determined by combining the mobility of the platform and the manipulation of the redundant arm in a single control system. The mobile platform is allowed to move forward and backward with different velocities along its track to enable the end-effector in following its trajectory. MATLAB simulated 5 DoF redundant planar mobile manipulator is used to implement and test the proposed control algorithm. The results demonstrate the effectiveness of the control system in adjusting the mobile platform translations along its track to allow the arm to follow its own trajectory with high manipulability. Both control algorithms are implemented on MATLAB simulated wheelchair mounted robotic arm system (WMRA-II). These control algorithms are also implemented on real the WMRA-II hardware. In order to facilitate mobile manipulation, a control motion scheme is proposed to detect and correct the mobile platform pose estimation error using computer vision algorithm. The Iterative Closest Point (ICP) algorithm is used to register two consecutive Microsoft Kinect camera views. Two local transformation matrices i. e., Encoder and ICP transformation matrices, are fused using Extended Kalman Filter (EKF) to filter the encoder pose estimation error. VICON motion analysis system is used to capture the ground truth of the mobile platform. Real time implementation results show significant improvement in platform pose estimation. A real time application involving obstacle avoidance is used to test the proposed updated motion control system.

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-07-12T13:16:29Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) tese_doutorado_amilcar-07-2016_versao-cd (1).pdf: 2101060 bytes, checksum: 21d268c59ad60238bce0cde073e6f3cd (MD5) / Made available in DSpace on 2017-07-12T13:16:29Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) tese_doutorado_amilcar-07-2016_versao-cd (1).pdf: 2101060 bytes, checksum: 21d268c59ad60238bce0cde073e6f3cd (MD5) Previous issue date: 2016-03-10 / A popularização de tecnologias de captura de dados geolocalizados aumentou a quantidade de dados de trajetórias disponível para análise. Trajetórias de objetos móveis são geradas a partir das posições de um objeto que se move durante um certo intervalo de tempo no espaço geográfico. Para diversas aplicações é necessário que as trajetórias sejam divididas em partições menores, denominadas segmentos, que representam algum comportamento relevante para a aplicação. A literatura reporta diversos trabalhos que propõem a segmentação de trajetórias. Entretanto, pouco se discute a respeito de quais algoritmos são mais adequados para um domínio ou quais valores de parâmetros de entrada fazem com que um algoritmo obtenha o melhor desempenho neste mesmo domínio. A grande maioria dos algoritmos de segmentação de trajetórias utiliza critérios pré-definidos para realizar esta tarefa. Poucos trabalhos procuram utilizar critérios nos quais não se sabe a priori que tipos de segmentos são gerados, sendo esta questão pouco explorada na literatura. Outra questão em aberto é o uso de exemplos para induzir um algoritmo de segmentação a encontrar segmentos semelhantes a estes exemplos em outras trajetórias. Esta proposta de tese objetiva resolver estas questões. Primeiro, são propostos os métodos GEnetic Algorithm based on Roc analysis (GEAR) e o Iterated F-Race for Trajectory Segmentation Algorithms (I/F-Race-TSA), que são métodos para auxiliar na escolha da melhor configuração (i.e. valores de parâmetros de entrada) de algoritmos de segmentação de trajetórias. Segundo, é proposto o Greedy Randomized Adaptive Search Procedure for Unsupervised Trajectory Segmentation (GRASP-UTS), com o objetivo de resolver o problema de segmentação de trajetórias quando o critério de segmentação não é previamente definido. Por último, propomos o GRASP for Semi-supervised Trajectory Segmentation (GRASP-SemTS). O GRASP-SemTS usa exemplos para induzir a tarefa de segmentação a encontrar segmentos semelhantes em outras trajetórias. Foram conduzidos experimentos com os métodos e algoritmos propostos para domínios distintos e para trajetórias reais de objetos móveis. Os resultados mostraram que ambos os métodos GEAR e I/F-Race-TSA foram capazes de calibrar automaticamente os parâmetros de entrada de algoritmos de segmentação de trajetórias para um dado domínio de aplicação. Os algoritmos GRASP-UTS e GRASP-SemTS obtiveram melhor desempenho quando comparados a outros algoritmos de segmentação de trajetórias da literatura contribuindo assim com importantes resultados para a área. / The popularization of technologies for geolocated data increased the amount of trajectory data available for analysis. Moving objects’ trajectories are generated from the positions of an object that moves in the geographical space during a certain amount of time. For many applications, it is necessary to partition trajectories into smaller pieces, named segments, which represent a relevant behavior to the application point of view. The literature reports many studies that propose trajectory segmentation approaches. However, there is a lack of discussions about which algorithm is more likely to be applied in a domain or which values of its input parameters obtain the best performance in the domain. Most algorithms for trajectory segmentation use pre-defined criteria to perform this task. Only few works make use of criteria where the characteristics of the segment are not known a priori and this topic is not well explored in the literature. Another open question is how to use a small amount of labeled segments to induce a segmentation algorithm in order to find such kind of behaviors into unseen trajectories. This thesis proposal aims to solve these questions. First, we propose the GEnetic Algorithm based on Roc analysis (GEAR) and the Iterated F-Race for Trajectory Segmentation Algorithms (I/F-RaceTSA), which are methods that are able to find the best configuration (i.e. input parameter values) of algorithms for trajectory segmentation. Second, we propose a Greedy Randomized Adaptive Search Procedure for Unsupervised Trajectory Segmentation (GRASP-UTS) aiming to solve the trajectory segmentation problem when the criteria is not determined a priori. Last, we propose the GRASP for Semi-supervised Trajectory Segmentation (RGRASP-SemTS). The GRASP-SemTS solves the problem of using a small amount of labeled data to induce the trajectory segmentation algorithm to find such behaviors into unseen trajectories. Experiments were conducted with the methods and algorithms algorithms using real world trajectory data. Results showed that GEAR and I/F-Race-TSA are capable of finding automatically the input parameter values for a domain. The GRASP-UTS and GRASP-SemTS obtained a better performance when compared to other segmentation algorithms from literature, contributing with important results for this field.

Studying lymphocyte development using mass cytometry Abstract Development of mature lymphocytes, a white blood cell subtype, is crucial for the correct function of the human immune system. Currently, developmental pathways of lymphocytes can be studied using high-throughput single-cell measurements. In particular, mass cytometry enables the study of immunologically relevant pheno- typic and functional markers on a vast scale. In this work I present my individual contribution to tviblindi, a powerful software tool for analysis of cytometric data aimed at uncovering developmental trajectories. tviblindi is a package written in R, Python and C++. It provides a means to integrate prior knowledge with data analyses grounded in graph theory and algebraic topology. tviblindi is accessible to biological researchers without background in computer science or mathematics. It is an addition to the expanding field of trajectory inference in single-cell data. Furthermore, I review current knowledge of T-cell development and conduct a tviblindi analysis thereof using human thymus and peripheral blood datasets and evaluate the results. 1

Studying lymphocyte development using mass cytometry Abstract Development of mature lymphocytes, a white blood cell subtype, is crucial for the correct function of the human immune system. Currently, developmental pathways of lymphocytes can be studied using high-throughput single-cell measurements. In particular, mass cytometry enables the study of immunologically relevant pheno- typic and functional markers on a vast scale. In this work I present my individual contribution to tviblindi, a powerful software tool for analysis of cytometric data aimed at uncovering developmental trajectories. tviblindi is a package written in R, Python and C++. It provides a means to integrate prior knowledge with data analyses grounded in graph theory and algebraic topology. tviblindi is accessible to biological researchers without background in computer science or mathematics. It is an addition to the expanding field of trajectory inference in single-cell data. Furthermore, I review current knowledge of T-cell development and conduct a tviblindi analysis thereof using human thymus and peripheral blood datasets and evaluate the results. 1