Paulo, Filipe de Faria PachecoVogensen, Afonso Gonçalo Amorim2019-11-062022-10-102019http://hdl.handle.net/10400.22/14774Pessoas de todo o mundo confrontam-se com pobre informação nas redes de metro em turismo, o que causa atrasos ou enganos no percurso. Uma pesquisa extensa revela que as soluções de navegação subterrânea são escassas e maioritariamente para fins académicos. A procura insuficiente, juntamente com as limitações da tecnologia de navegação em ambientes subterrâneos existente, como GNSS, são as principais razões para essa escassez a nível global. No entanto, representa uma oportunidade para fornecer informações adicionais para turistas e cidadãos nativos, melhorando a experiência do utilizador nas redes de metro. Para alcançar esta solução, SubwayNav aborda a navegação nesses ambientes usando sensores digitais disponíveis na maioria dos dispositivos móveis Android, como o acelerómetro, magnetómetro e giroscópio. Colaboradora no campo da mobilidade urbana, Ubirider, propôs as principais funcionalidades que incluem um contador de paragens, detector de direção e um simples planejador de rotas, contando apenas com sensores de smartphones e possuindo adaptabilidade, precisão e eficiência. A contagem de paragens implica a distinção entre pelo menos dois estados: num metro em movimento e parado em qualquer outra situação. Preliminarmente, considerando isto como um problema de classificação, dados de sensores são repetidamente adquiridos em viagens de metro, extensivamente analisados e processados para identificar as features que melhor distinguem os estados uns dos outros. Recorrendo a algoritmos de aprendizagem supervisionados, treinados com as melhores features para melhor robustez, o dispositivo móvel introduz janelas curtas de dados dos sensores em tempo real e obtém assim o seu estado. Para detectar a direção, o tempo entre as paragens é comparado com a duração entre as margens fixas antes e depois da duração média até a estação correta. Com essa informação, os utilizadores conseguem chegar ao destino a tempo e em segurança com mais facilidade. Finalmente, uma prova de conceito visualmente básica é desenvolvida e testada em campo para avaliar o desempenho, o valor e a fiabilidade do algoritmo desenvolvido.People across the world are no strangers to poor information in unknown subway networks, which cause delays or mistakes in their trajectory. A thorough research reveals that underground navigation solutions are scarce and mainly for academic purposes. Insufficient demand coupled with the limitations of existing navigational technology in the environment, such as GNSS, are the main reasons for this scarcity on a global level. However, this poses as an opportunity to provide additional information to tourists and natives, improving the user experience in subway networks. To achieve this solution, SubwayNav tackles navigation in these environments using digital sensors which are present on most Android mobile devices, such as the accelerometer, magnetometer and gyroscope. Collaborator in the field of urban mobility, Ubirider, proposed the main functionalities which include a stop counter, direction detector and a simple route planner, relying solely on smartphone sensors and emphasizing adaptability, precision and efficiency. Counting stops requires distinguishing between at least two states: moving within a metro, and stopped in any other situation. Preliminarily, considering this a classification problem, sensor data is repeatedly acquired in metro trips, extensively analyzed and processed to identify the features that best distinguish the states from each other. Resorting to supervised machine learning algorithms, trained with the best performing features for better robustness, the mobile device may feed short windows of sensor data in real time, thus keeping track of its state. To detect direction, time between stops is compared to a time window ranging between fixed margins before and after the average duration to the correct station. With this information, users are likely to reach their destination safely and on time. Finally, a visually basic proof of concept was developed and tested in the field to assess the performance, value and reliability of the developed algorithm.porMobilidadeNavigaçãoRedes MetroLocalização no InteriorSensores DigitaisProcessamento SinalAndroidPythonSupervised Machine LearningMobilityNavigationSubway NetworksIndoor LocationDigital SensorsSignal Processingmaster thesis202295478