Aprendizado de máquina e redes neurais de visão em veículos autônomos para a população envelhecida: Um protocolo de revisão de escopo
DOI:
https://doi.org/10.33448/rsd-v13i10.47019Palavras-chave:
Veículo Autônomo, Aprendizado de Máquina, Redes Neurais de Visão, Interação Humano-Computador, Inteligência Artificial.Resumo
Esta revisão de escopo visa mapear sistematicamente o corpo atual da literatura sobre o papel do Aprendizado de Máquina (ML) e das Redes Neurais de Visão (VNN) no aprimoramento da usabilidade e Acessibilidade de Veículos Autônomos (VAs) para usuários idosos e deficientes. Embora a tecnologia de VA tenha avançado significativamente nos últimos anos, as soluções de como essas tecnologias podem abordar os desafios únicos enfrentados por essas populações vulneráveis ainda estão em um estágio subdesenvolvido ou subdesenvolvido. Por exemplo, declínio cognitivo, limitações físicas e menor confiança em sistemas automatizados. A revisão investigará como ML e VNN contribuem para melhorar a segurança, usabilidade, acessibilidade e confiança em VAs, com foco em estudos publicados entre 2020 e 2024. Uma busca abrangente será conduzida em quatro grandes bancos de dados, que são PubMed, IEEE Xplore, Scopus e Google Scholar. O idioma de segmentação de estudos empíricos revisados por pares e revisões deve ser escrito em inglês. Os dados serão extraídos usando um formulário padronizado e sintetizados por meio de uma estrutura analítica descritiva para identificar os principais temas, tendências e lacunas na literatura. As descobertas oferecerão insights valiosos sobre como as tecnologias AV podem ser ainda mais otimizadas para usuários idosos e deficientes. Elas orientarão pesquisas futuras e informarão o desenvolvimento de sistemas AV mais inclusivos, seguros e confiáveis. Portanto, elas podem promover maior mobilidade e independência para essas populações.
Referências
Alzubaidi, M. S., Shah, U., Dhia Zubaydi, H., Dolaat, K., Abd-Alrazaq, A. A., Ahmed, A., & Househ, M. (2021). The role of neural network for the detection of Parkinson’s disease: A scoping review. Healthcare, 9(6), 740. https://doi.org/10.3390/healthcare9060740
Australian Government. (2024, July 2). Older Australians, about. Australian Institute of Health and Welfare. https://www.aihw.gov.au/reports/older-people/older-australians/contents/about
Bichu, Y. M., Hansa, I., Bichu, A. Y., Premjani, P., Flores-Mir, C., & Vaid, N. R. (2021). Applications of artificial intelligence and machine learning in orthodontics: A scoping review. Progress in Orthodontics, 22(1). https://doi.org/10.1186/s40510-021-00361-9
Casali, Y., Aydin, N. Y., & Comes, T. (2022). Machine learning for spatial analyses in urban areas: A scoping review. Sustainable Cities and Society, 85, 104050. https://doi.org/10.1016/j.scs.2022.104050
Elallid, B. B., Benamar, N., Hafid, A. S., Rachidi, T., & Mrani, N. (2022). A comprehensive survey on the application of deep and reinforcement learning approaches in autonomous driving. Journal of King Saud University - Computer and Information Sciences, 34(9), 7366–7390. https://doi.org/10.1016/j.jksuci.2022.03.013
Fayyad, J., Jaradat, M. A., Gruyer, D., & Najjaran, H. (2020). Deep learning sensor fusion for autonomous vehicle perception and localization: A review. Sensors, 20(15), 4220. https://doi.org/10.3390/s20154220
Ignatious, H. A., Sayed, H.-E., & Khan, M. (2022). An overview of sensors in autonomous vehicles. Procedia Computer Science, 198, 736–741. https://doi.org/10.1016/j.procs.2021.12.315
Katalesanket. (2023, November 27). Machine learning in self-driving cars. Medium. https://medium.com/@katalesanket90/machine-learning-in-self-driving-cars-8b5d1c685d3b
Karle, P., Fent, F., Huch, S., Sauerbeck, F., & Lienkamp, M. (2023). Multi-modal sensor fusion and object tracking for autonomous racing. IEEE Transactions on Intelligent Vehicles, 8(7), 3871–3883. https://doi.org/10.1109/tiv.2023.3271624
Lajunen, T., & Sullman, M. J. (2021). Attitudes toward four levels of self-driving technology among elderly drivers. Frontiers in Psychology, 12. https://doi.org/10.3389/fpsyg.2021.682973
Mozaffari, S., Al-Jarrah, O. Y., Dianati, M., Jennings, P., & Mouzakitis, A. (2022). Deep learning-based vehicle behavior prediction for autonomous driving applications: A review. IEEE Transactions on Intelligent Transportation Systems, 23(1), 33–47. https://doi.org/10.1109/tits.2020.3012034
Müller, J. M. (2019). Comparing technology acceptance for autonomous vehicles, battery electric vehicles, and car sharing—a study across Europe, China, and North America. Sustainability, 11(16), 4333. https://doi.org/10.3390/su11164333
Mohammad-Rahimi, H., Nadimi, M., Rohban, M. H., Shamsoddin, E., Lee, V. Y., & Motamedian, S. R. (2021). Machine learning and orthodontics, current trends and future opportunities: A scoping review. American Journal of Orthodontics and Dentofacial Orthopedics, 160(2). https://doi.org/10.1016/j.ajodo.2021.02.013
Pande, P. S., & Khandelwal, S. (2022). A review on deep learning approaches for object detection in self-driving cars. NeuroQuantology, 20(13), 1144–1151. https://www.neuroquantology.com/open-access/A+Review+on+Deep+Learning+approaches+for+Object+Detection+in+Self-Driving+Cars9862/? download=true
Pavel, M. I., Tan, S. Y., & Abdullah, A. (2022). Vision-based autonomous vehicle systems based on deep learning: A systematic literature review. Applied Sciences, 12(14), 6831. https://doi.org/10.3390/app12146831
Rahman, M. M., Deb, S., Strawderman, L., Burch, R., & Smith, B. (2019). How the older population perceives self-driving vehicles. Transportation Research Part F: Traffic Psychology and Behaviour, 65, 242–257. https://doi.org/10.1016/j.trf.2019.08.002
Reid, A. E., Doucet, S., Luke, A., Azar, R., & Horsman, A. R. (2019). The impact of patient navigation: A scoping review protocol. JBI Evidence Synthesis, 17(6), 1079–1085.
Silva, N., Zhang, D., Kulvicius, T., Gail, A., Barreiros, C., Lindstaedt, S., Kraft, M., Bölte, S., Poustka, L., Nielsen-Saines, K., Wörgötter, F., Einspieler, C., & Marschik, P. B. (2021). The future of general movement assessment: The role of computer vision and machine learning – A scoping review. Research in Developmental Disabilities, 110, 103854. https://doi.org/10.1016/j.ridd.2021.103854
Singh, S., & Saini, B. S. (2021). Autonomous cars: Recent developments, challenges, and possible solutions. IOP Conference Series: Materials Science and Engineering, 1022(1), 012028. https://doi.org/10.1088/1757-899x/1022/1/012028
Sirohi, D., Kumar, N., & Rana, P. S. (2020). Convolutional neural networks for 5G-enabled intelligent transportation system: A systematic review. Computer Communications, 153, 459–498. https://doi.org/10.1016/j.comcom.2020.01.058
Smith, T., Lee, K. H., Yu, K., Armstrong, L., & Cook, D. M. (2022). Exploring issues of resilience and technology use for older people: A scoping review protocol. Research, Society and Development, 11(15), 1–6. https://doi.org/10.33448/rsd-v11i15.37773
Soori, M., Arezoo, B., & Dastres, R. (2023). Artificial intelligence, machine learning and deep learning in advanced robotics, a review. Cognitive Robotics, 3, 54–70. https://doi.org/10.1016/j.cogr.2023.04.001
Stewart, L. A., Clarke, M., Rovers, M., Riley, R. D., Simmonds, M., Stewart, G., & Tierney, J. F. (2015). Preferred reporting items for a systematic review and meta-analysis of individual participant data: The PRISMA-IPD statement. JAMA, 313(16), 1657–1665.
Sun, H., Jing, P., Zhao, M., Chen, Y., Zhan, F., & Shi, Y. (2020). Research on the mode choice intention of the elderly for autonomous vehicles based on the extended ecological model. Sustainability, 12(24), 10661. https://doi.org/10.3390/su122410661
Yuen, K. F., Cai, L., Qi, G., & Wang, X. (2020). Factors influencing autonomous vehicle adoption: An application of the technology acceptance model and innovation diffusion theory. Technology Analysis & Strategic Management, 33(5), 505–519. https://doi.org/10.1080/09537325.2020.1826423
Zablocki, É., Ben-Younes, H., Pérez, P., & Cord, M. (2022). Explainability of deep vision-based autonomous driving systems: Review and challenges. International Journal of Computer Vision, 130(10), 2425–2452. https://doi.org/10.1007/s11263-022-01657-x
Zakaria, N. J., Shapiai, M. I., Ghani, R. A., Yassin, M. N., Ibrahim, M. Z., & Wahid, N. (2023). Lane detection in autonomous vehicles: A systematic review. IEEE Access, 11, 3729–3765. https://doi.org/10.1109/access.2023.3234442
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2024 Shengsheng Tan
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
