Pinned Repositories
StateMachine
This is a framework to develop with timed state machines in C that can be ported to 8/16/32bits microcontrollers with lightweight footprint. *The compiles should support function pointer.
Autonomous
Uma das técnicas mais aplicadas a veículos autônomos é o uso de Inteligência Artificial pela sua capacidade de resolver problemas complexos e não-lineares. Partindo dessa base teórica o presente trabalho pretende usar o conceito de rede Múltiplas Camadas e do algoritmo de retropropagação do erro (backpropagation) para controlar um automodelo através de imagens. O veículo deve de forma autônoma seguir um trajeto estipulado por duas faixas na pista. Para o processamento dos dados da imagem, e para controlar a aceleração e direção do veículo foram utilizados um computador comum e um microcomputador Raspberry Pi. Utilizando dois tipos de pista e algumas técnicas para processamento de imagens, foram treinadas e testadas várias redes neurais e obtido para cada uma delas um valor percentual referente ao acerto de decisões, o qual serviu como índice de confiabilidade.
chebyshev-polynomial-calculator
Matlab script for chebyschev polinomial's calculator
jtonete's Repositories
jtonete/StateMachine
This is a framework to develop with timed state machines in C that can be ported to 8/16/32bits microcontrollers with lightweight footprint. *The compiles should support function pointer.
jtonete/chebyshev-polynomial-calculator
Matlab script for chebyschev polinomial's calculator
jtonete/Autonomous
Uma das técnicas mais aplicadas a veículos autônomos é o uso de Inteligência Artificial pela sua capacidade de resolver problemas complexos e não-lineares. Partindo dessa base teórica o presente trabalho pretende usar o conceito de rede Múltiplas Camadas e do algoritmo de retropropagação do erro (backpropagation) para controlar um automodelo através de imagens. O veículo deve de forma autônoma seguir um trajeto estipulado por duas faixas na pista. Para o processamento dos dados da imagem, e para controlar a aceleração e direção do veículo foram utilizados um computador comum e um microcomputador Raspberry Pi. Utilizando dois tipos de pista e algumas técnicas para processamento de imagens, foram treinadas e testadas várias redes neurais e obtido para cada uma delas um valor percentual referente ao acerto de decisões, o qual serviu como índice de confiabilidade.