Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina

Detalhes bibliográficos
Ano de defesa: 2026
Autor(a) principal: Garcia, William Sciacca
Orientador(a): Müller, Ivan
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Robôs móveis
Redes sem fio
Instalações industriais
Aprendizado de máquina
Séries temporais
Palavras-chave em Inglês:
RSSI
Autonomous mobile robot
Industrial wireless networks
Time series
LSTM
GRU
Machine learning
Connectivity prediction
Recurrent neural networks
Link de acesso: http://hdl.handle.net/10183/312952
Resumo: A crescente adoção de robôs móveis autônomos (Autonomous Mobile Robots - AMR) em ambientes industriais intensifica a dependência de comunicação sem fio confiável para tarefas de navegação, coordenação e supervisão. Nesses cenários, a conectividade baseada em Wi-Fi é fortemente afetada por problemas no canal, tais como, multipercurso, obstruções e interferências, resultando em flutuações do Received Signal Strength Indicator (RSSI) que podem degradar o desempenho do sistema. Este trabalho investiga o uso de técnicas de aprendizado de máquina, com foco em redes neurais recorrentes profundas (LSTM e GRU), para predição de RSSI com horizonte de poucos segundos à frente, visando apoiar decisões antecipativas. Foi proposto um pipeline de coleta, pré- processamento e modelagem a partir de dados reais de operação de um AMR em ambiente industrial, onde o RSSI foi reamostrado e estruturado em janelas temporais deslizantes. A avaliação considerou cenários In-Distribution (ID) e Out-of-Distribution (OoD) baseados em planejamento fatorial fracionado e arranjos ortogonais. Os resultados indicam que horizontes curtos, em torno de 3 s, mantêm o erro absoluto médio (MAE) na faixa de 2 a 3 dBm, com viés inter-domínio próximo de zero, enquanto horizontes de 10 s degradam a correlação de ranking para abaixo de 0,5. Estes resultados demonstram a viabilidade da abordagem proposta como componente auxiliar em sistemas de AMR.
id UFRGS-2_4dfe0b0db0c873ea61c86c7cdd7a2b7f
oai_identifier_str oai:www.lume.ufrgs.br:10183/312952
network_acronym_str UFRGS-2
network_name_str Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
repository_id_str
spelling Garcia, William SciaccaMüller, Ivan2026-09-15T08:08:26Z2026http://hdl.handle.net/10183/312952001310052A crescente adoção de robôs móveis autônomos (Autonomous Mobile Robots - AMR) em ambientes industriais intensifica a dependência de comunicação sem fio confiável para tarefas de navegação, coordenação e supervisão. Nesses cenários, a conectividade baseada em Wi-Fi é fortemente afetada por problemas no canal, tais como, multipercurso, obstruções e interferências, resultando em flutuações do Received Signal Strength Indicator (RSSI) que podem degradar o desempenho do sistema. Este trabalho investiga o uso de técnicas de aprendizado de máquina, com foco em redes neurais recorrentes profundas (LSTM e GRU), para predição de RSSI com horizonte de poucos segundos à frente, visando apoiar decisões antecipativas. Foi proposto um pipeline de coleta, pré- processamento e modelagem a partir de dados reais de operação de um AMR em ambiente industrial, onde o RSSI foi reamostrado e estruturado em janelas temporais deslizantes. A avaliação considerou cenários In-Distribution (ID) e Out-of-Distribution (OoD) baseados em planejamento fatorial fracionado e arranjos ortogonais. Os resultados indicam que horizontes curtos, em torno de 3 s, mantêm o erro absoluto médio (MAE) na faixa de 2 a 3 dBm, com viés inter-domínio próximo de zero, enquanto horizontes de 10 s degradam a correlação de ranking para abaixo de 0,5. Estes resultados demonstram a viabilidade da abordagem proposta como componente auxiliar em sistemas de AMR.The growing adoption of Autonomous Mobile Robots (AMR) in industrial environments increases the reliance on reliable wireless communication for navigation, coordination, and supervision tasks. In these settings, Wi-Fi connectivity is strongly affected by channel impairments such as multipath, obstructions, and interference, leading to fluctuations in the Received Signal Strength Indicator (RSSI) that can degrade system performance. This work investigates the use of machine learning techniques, focusing on deep recurrent neural networks (LSTM and GRU), to predict RSSI a few seconds ahead, aiming to support anticipatory decision-making. A data collection, preprocessing, and modeling pipeline is proposed based on real AMR operation in an industrial environment, where RSSI is resampled and organized into sliding temporal windows. The evaluation considered In-Distribution (ID) and Out-of-Distribution (OoD) scenarios derived from fractional factorial designs and orthogonal arrays. Results indicate that short horizons around 3 s keep the mean absolute error (MAE) in the 2-3 dBm range, with near-zero inter-domain bias, whereas 10 s horizons degrade rank correlation to below 0.5. These findings demonstrate the feasibility of the proposed approach as an auxiliary component in AMR systems.application/pdfporRobôs móveisRedes sem fioInstalações industriaisAprendizado de máquinaSéries temporaisRSSIAutonomous mobile robotIndustrial wireless networksTime seriesLSTMGRUMachine learningConnectivity predictionRecurrent neural networksPredição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquinainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia ElétricaPorto Alegre, BR-RS2026mestradoinfo:eu-repo/semantics/openAccessreponame:Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)instname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001310052.pdf.txt001310052.pdf.txtExtracted Texttext/plain186622http://www.lume.ufrgs.br/bitstream/10183/312952/2/001310052.pdf.txt8cde5b9d5f14845dc20b26300cf96147MD52ORIGINAL001310052.pdfTexto completoapplication/pdf17686241http://www.lume.ufrgs.br/bitstream/10183/312952/1/001310052.pdf3ac243ca453a708f61e4285639e0d833MD5110183/3129522026-09-16 08:05:43.358321oai:www.lume.ufrgs.br:10183/312952Repositório InstitucionalPUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.bropendoar:2026-09-16T11:05:43Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS) - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
title Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
spellingShingle Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
Garcia, William Sciacca
Robôs móveis
Redes sem fio
Instalações industriais
Aprendizado de máquina
Séries temporais
RSSI
Autonomous mobile robot
Industrial wireless networks
Time series
LSTM
GRU
Machine learning
Connectivity prediction
Recurrent neural networks
title_short Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
title_full Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
title_fullStr Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
title_full_unstemmed Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
title_sort Predição de intensidade de sinal Wi-Fi em robôs móveis autônomos industriais com técnicas de aprendizado de máquina
author Garcia, William Sciacca
author_facet Garcia, William Sciacca
author_role author
dc.contributor.author.fl_str_mv Garcia, William Sciacca
dc.contributor.advisor1.fl_str_mv Müller, Ivan
contributor_str_mv Müller, Ivan
dc.subject.por.fl_str_mv Robôs móveis
Redes sem fio
Instalações industriais
Aprendizado de máquina
Séries temporais
topic Robôs móveis
Redes sem fio
Instalações industriais
Aprendizado de máquina
Séries temporais
RSSI
Autonomous mobile robot
Industrial wireless networks
Time series
LSTM
GRU
Machine learning
Connectivity prediction
Recurrent neural networks
dc.subject.eng.fl_str_mv RSSI
Autonomous mobile robot
Industrial wireless networks
Time series
LSTM
GRU
Machine learning
Connectivity prediction
Recurrent neural networks
description A crescente adoção de robôs móveis autônomos (Autonomous Mobile Robots - AMR) em ambientes industriais intensifica a dependência de comunicação sem fio confiável para tarefas de navegação, coordenação e supervisão. Nesses cenários, a conectividade baseada em Wi-Fi é fortemente afetada por problemas no canal, tais como, multipercurso, obstruções e interferências, resultando em flutuações do Received Signal Strength Indicator (RSSI) que podem degradar o desempenho do sistema. Este trabalho investiga o uso de técnicas de aprendizado de máquina, com foco em redes neurais recorrentes profundas (LSTM e GRU), para predição de RSSI com horizonte de poucos segundos à frente, visando apoiar decisões antecipativas. Foi proposto um pipeline de coleta, pré- processamento e modelagem a partir de dados reais de operação de um AMR em ambiente industrial, onde o RSSI foi reamostrado e estruturado em janelas temporais deslizantes. A avaliação considerou cenários In-Distribution (ID) e Out-of-Distribution (OoD) baseados em planejamento fatorial fracionado e arranjos ortogonais. Os resultados indicam que horizontes curtos, em torno de 3 s, mantêm o erro absoluto médio (MAE) na faixa de 2 a 3 dBm, com viés inter-domínio próximo de zero, enquanto horizontes de 10 s degradam a correlação de ranking para abaixo de 0,5. Estes resultados demonstram a viabilidade da abordagem proposta como componente auxiliar em sistemas de AMR.
publishDate 2026
dc.date.accessioned.fl_str_mv 2026-09-15T08:08:26Z
dc.date.issued.fl_str_mv 2026
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/312952
dc.identifier.nrb.pt_BR.fl_str_mv 001310052
url http://hdl.handle.net/10183/312952
identifier_str_mv 001310052
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
collection Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS)
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/312952/2/001310052.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/312952/1/001310052.pdf
bitstream.checksum.fl_str_mv 8cde5b9d5f14845dc20b26300cf96147
3ac243ca453a708f61e4285639e0d833
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Lume - Repositório Digital da Universidade Federal do Rio Grande do Sul (UFRGS) - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br
_version_ 1877356716240142336

Registros relacionados