MOTORSPORT PERFORMANCE ANALYSIS en pt

Prévia do material em texto

ABSTRATO
ANÁLISE DE DESEMPENHO DO MOTORSPORT:
UMA ABORDAGEM ESPACIAL-TEMPORAL
De
Stephen Strand
Maio de 2015
À medida que as tecnologias de registro de dados avançavam, chegou-se a um ponto em que amadores
Os entusiastas do automobilismo agora podem registrar os dados de seus veículos enquanto competem no automobilismo
eventos. Muitos motoristas aproveitam essas novas tecnologias de registro de dados, mas não
opções para analisar os dados durante e após eventos de automobilismo além das tabelas padrão
e gráficos bidimensionais. Esta tese investigou o uso do SIG como ferramenta para
analisando dados coletados durante um evento de automobilismo por meio de abordagens de geografia do tempo
e técnicas de geovisualização tridimensional. Os dados foram coletados do veículo
para analisar a velocidade e manuseio do carro enquanto os dados de frequência cardíaca foram coletados do
motorista para ajudar a entender o estado emocional do motorista enquanto navega no curso.
A análise dos dados mostrou que as visualizações da geografia do tempo em um formato tridimensional
ambiente poderia ajudar os motoristas a entender melhor os dados que foram coletados de
seus veículos e a si mesmos e usá-lo para melhorar seus desempenhos futuros quando
condução em eventos de automobilismo.
Traduzido do Inglês para o Português - www.onlinedoctranslator.com
https://www.onlinedoctranslator.com/pt/?utm_source=onlinedoctranslator&utm_medium=pdf&utm_campaign=attribution
ANÁLISE DE DESEMPENHO DO MOTORSPORT:
UMA ABORDAGEM ESPACIAL-TEMPORAL
UMA TESE
Apresentado ao Departamento de Geografia
Universidade Estadual da Califórnia, Long Beach
Em Cumprimento Parcial
dos Requisitos para o Grau
Mestrado em Geografia
Membros do Comitê:
Hyowon Ban, Ph.D. (Presidente) 
Suzanne P. Wechsler, Ph.D.
Deborah Thien, Ph.D.
Designado da faculdade:
Amy Bippus, Ph.D.
Por Stephen Strand
BA, 2007, Universidade Estadual da Califórnia Long Beach, Long Beach, Califórnia
Maio de 2015
Número UMI: 1584460
Todos os direitos reservados
INFORMAÇÕES A TODOS OS USUÁRIOS
A qualidade desta reprodução depende da qualidade da cópia enviada.
No caso improvável de o autor não ter enviado um manuscrito completo e faltarem 
páginas, estas serão anotadas. Além disso, se o material tivesse que ser removido,
uma nota indicará a exclusão.
UMI 1584460
Publicado pela ProQuest LLC (2015). Copyright na Dissertação detida pelo Autor.
Edição Microform © ProQuest LLC. Todos os direitos 
reservados. Esta obra está protegida contra cópia não autorizada 
sob o Título 17, Código dos Estados Unidos
ProQuest LLC.
789 East Eisenhower Parkway
Caixa Postal 1346
Ann Arbor, MI 48106 - 1346
Direitos autorais 2015
Stephen Strand
TODOS OS DIREITOS RESERVADOS
RECONHECIMENTOS
Minha mais sincera gratidão vai para meu orientador de tese, Dr. Hyowon Ban por sua
apoio, orientação e paciência. Gostaria também de estender os meus mais agradecidos sentimentos a
aos membros do meu comitê de tese, Dra. Suzanne P. Wechsler e Dra. Deborah Thien por suas
comentários construtivos e feedback valioso. Meus agradecimentos vão para o Departamento
de Geografia da California State University, Long Beach, por me fornecer um conhecimento altamente
acadêmico e por me permitir concluir o mestrado. Obrigado
aos meus amigos e familiares que me apoiaram durante o processo e estiveram comigo
cada passo do caminho.
iii
ÍNDICE
Página
iii
vi
viii
RECONHECIMENTOS................................................. .......................................
LISTA DE FIGURAS ............................................... .................................................. ....
ACRÔNIMOS ......................................................... .................................................. ...........
CAPÍTULO
1. INTRODUÇÃO ............................................... .................................................. 1
O Objetivo do Estudo .............................................. .............................. 
Esboço da Tese ............... .................................................. ................
3
4
2. REVISÃO DA LITERATURA ............................................. ......................... 6
Aquisição e Análise de Dados ............................................. ......................... Uso de 
Aquisição de Dados em Veículos ........................ ......................... Uso de aquisição de 
dados em esportes motorizados ......... ................................................. Dados Análise 
no automobilismo ......................................... ......................... As Emoções do 
Automobilismo ......................... .............................................. Abordagem da Geografia 
do Tempo.. .................................................. ....................
6
7
7
11
13
16
3. AQUISIÇÃO DE DADOS E METODOLOGIA DE ANÁLISE ..................... 21
Hardware de Aquisição de Dados................................................. ......................... Coleta 
e Processamento de Dados ....................... .................................. Desenvolvimento 
usando o Model Builder e Python Idioma ........................ Coleta de Dados de 
Frequência Cardíaca ...................... .................................................. Análise de dados 
de frequência cardíaca............................................. .................................. O Caminho 
do Espaço-Tempo ............... .................................................. ............... A Superfície de 
Densidade de Atividade do Espaço-Tempo .............................. .................... O Prisma 
do Espaço-Tempo .................................... .................................................. ....
25
28
30
35
35
36
39
40
4
CAPÍTULO Página
4. RESULTADOS DA ANÁLISE DE DADOS ............................................. ....................... 44
Resultados de dados revisados durante o evento................................................. ......
Análise da primeira volta ............................................. .................................. 
Análise da segunda volta .................. .................................................. ................. 
Análise da Terceira Volta .............................. ......................................... Volta 
Quatro Análise................................................. ......................... Resultados de 
dados visualizados após o evento .............. ..........................................
Análise do Caminho do Espaço-Tempo ............................................. ......................... Análise 
de Superfície de Densidade de Atividade de Espaço-Tempo ....................... ............. Prisma 
Espaço-Tempo--Análise de Prisma de Desempenho .............................. ... Emoções da 
Análise Autocross................................................ ...............
47
48
54
59
64
68
68
72
76
82
5. CONCLUSÃO............................................... ..................................................
REFERÊNCIAS ................................................. .................................................. ...
90
95
v
LISTA DE FIGURAS
FIGURA
1. O Aquário Espaço-Tempo e Peças Relacionadas .............................................
2. Círculo de atrito de um carro de corrida de Fórmula 1 ............................................. ....
3. Superfície de densidade de atividade no espaço-tempo de Kwan ........................................
4. Vista Aérea do Evento Autocross……………………………………
5. Mudança na Ferramenta de Velocidade .................................................. ..................................
6. Uma parte do script Python ............................................. ..........................
7. Exemplo de caminho do espaço-tempo mostrando mudança na velocidade .......................
8. Rede Irregular Triangulada ............................................. ..................9. Mapa de Percurso Autocross desenhado à mão ............................................. ...........
10. O Autor Navegando no Slalom Final............................................. ......
11. Dados baixados antes da limpeza do GIS ............................................. ......
12. Volta Uma Curva Três ............................................. ....................................................
13. Volta Um Turno Seis ............................................. .......................................
14. Volta Dois, Curva Três................................................. ....................................
15. Volta Dois, Curva Seis................................................. .......................................
16. Volta Três Volta Três ............................................. ..................................
17. Volta Três, Curva Seis........................................ .......................................
Página
16
18
20
23
31
33
37
42
44
46
48
50
52
55
57
60
62
vi
FIGURA
18. Volta Quatro Volta Três................................................ .................................... 65
19. Volta Quatro, Curva Seis........................................ ....................................... 67
20. Todas as Voltas - Mudança de Velocidade do Caminho do Espaço-Tempo ........................................ .. 68
21. Volta Um e Volta Quatro - Mudança de Velocidade no Caminho do Espaço-Tempo................... 70
22. Volta Três e Volta Quatro – Mudança de Velocidade no Caminho do Espaço-Tempo ............... 71
23. Superfície de Densidade de Atividade no Espaço-Tempo – Velocidade/RPM/Aceleração ................ 72
24. Superfície de Densidade de Atividade no Espaço-Tempo – Velocidade/RPM .............................. 74
25. Superfície de Densidade de Atividade no Espaço-Tempo – Acelerador..................................... 75
26. Nuvem de Pontos de Dados da Força G................................................. .................................. 77
27. G Forçar Arquivo TIN Gerado ............................................. ........................ 78
28. Todas as voltas – Prisma de desempenho ............................................. ....................... 79
29. Volta Um e Volta Quatro – Frente de Prisma de Desempenho................................ 80
30. Volta 1 e Volta 4 – Performance Prism Traseira .............................. 80
31. Volta Um e Volta Quatro Volta Três – Performance Prism ....................... 81
32. Dados de Frequência Cardíaca Sem Corrida ............................................. ............... 83
33. O autor na grade inicial ............................................. ................... 85
34. Todas as voltas – Dados de frequência cardíaca ............................................. .......................... 86
35. Todas as voltas se transformam em três – Dados de frequência cardíaca ........................................ .......... 88
vii
ACRÔNIMOS
BPM Batimentos por minuto
CSV Valor separado por vírgula
g Aceleração
SIG Sistema de Informações Geográficas
GPS Sistema de Posicionamento Global
hp Potência
MPH Milhas por hora
OBD-II Sistema de diagnóstico a bordo II
SO Sistema operacional
RPM Revoluções por minuto
SAE Sociedade de Engenheiros Automotivos
SCCA Sports Car Club of America
LATA Rede irregular triangular
viii
CAPÍTULO 1
INTRODUÇÃO
O automobilismo faz parte da história que remonta ao século XIX e, como
níveis de competição subiram, tecnologias desenvolvidas para permitir melhor desempenho das corridas
veículos. Na década de 1970, os engenheiros das equipes de corrida começaram a equipar os veículos com computadores
componentes que lhes deram a capacidade de fazer ajustes no veículo mais facilmente
e fornecer sistemas de configuração para discar com mais precisão o melhor desempenho para o
veículo (Haney 2001). Esses sistemas permitiram que os pilotos de carros de corrida trabalhassem com sua equipe
engenheiros para encontrar uma configuração que fosse o mais perfeita possível para o veículo através de sua
configuração, que aumentou a confiança do motorista e emoções positivas enquanto
dirigindo. Isto deu-lhes a confiança necessária para aproximar o seu veículo do seu desempenho
capacidade e dirigir mais rápido (Watkins 2006).
Para equipes de corrida, os componentes do veículo precisam de ajustes precisos e sistemas de computador
que proporcionam maior precisão para o ajuste e melhor monitoramento do veículo
componentes (Khan e Sonti 2009). À medida que as equipes de corrida desenvolveram engenharia e
sistemas de software que podem monitorar os componentes de seus veículos e o desempenho relacionado
na pista com a máxima precisão, as tecnologias começaram a ser incorporadas
Veículos rodoviários. O governo federal dos EUA exige que os veículos vendidos desde 1996
exigiria sistemas de diagnóstico a bordo (OBD-II) levou a uma maneira rápida e fácil de
qualquer motorista plug-in e acessar o computador e o sistema de sensores de seu veículo (EPA420-F-
1
02-014). Com essa inclusão de sistemas de computador e unidades de sensores avançados em veículos
que estão disponíveis em uma concessionária, a tecnologia é acessível a um público amplo para
monitorar o desempenho do seu veículo.
Ao mesmo tempo, a recente tecnologia do Sistema de Posicionamento Global (GPS) foi
avançando com a introdução de dispositivos menores que proporcionam altos níveis de precisão.
O GPS foi incorporado em muitos dispositivos, como câmeras e smartphones, por exemplo,
o Apple iPhone ou Android — para permitir que os usuários marquem geograficamente (anexando metadados de GPS) seus
localização ao tirar fotos ou usar outros aplicativos em seus smartphones.
Dispositivos GPS autônomos com tecnologia Bluetooth também estão disponíveis para fornecer uma
opção para uma precisão ainda maior e maiores taxas de coleta de dados, como um décimo
segundo, em comparação com câmeras típicas ou dispositivos de telefone inteligente que coletam cada
segundo ou mais lento.
Com o avanço das tecnologias ODB-II e GPS, chegou-se a um ponto em que
pessoas que correm como hobby agora podem registrar os dados de seus veículos enquanto competem em
eventos de automobilismo. Estatísticas de um 2007 Sports Car Club of America (SCCA)
O estudo de Demografia de Membros descobriu que em outubro de 2006 havia mais de cinquenta
mil membros registrados no clube (SCCA 2007). Isso representa apenas uma pequena
fração de pessoas correndo em seu tempo livre, pois há vários outros grupos de corrida
que têm competições durante todo o ano. Muitos desses pilotos de corrida estão tomando
vantagem dessas novas tecnologias de registro de dados, como pode ser visto pelo número de
dispositivos e aplicativos de telefone agora no mercado. Os motoristas podem registrar seus dados usando um
variedade de unidades de registro de dados de ponta ou leitores OBD-II prontos para uso que
comunicar com muitos aplicativos de telefone inteligente diferentes. A queda para esses
2
amadores é que eles não têm uma maneira útil de visualizar seus dados durante ou após um evento
devido à limitação das tecnologias de registro de dados existentes.
A maioria das pessoas na comunidade de corrida não sabe o que é GIS,
resultando em grandes quantidades de dados inexplorados que poderiam ser mais informativos em um GIS
contexto. Pode haver algumas pessoas que trazem seus dados para serviços de mapeamento online
como o Google Earth para criar seus dados como mapas, mas é difícil para eles
analise espacialmente os dados e visualize-os sem o desenvolvimento avançado do Google Maps
conhecimento. Atualmente, os sistemas GIS são pouco utilizados na comunidade automobilística e
indústria que dependem amplamente de tabelas e ferramentas avançadas de script por meio de linguagens
como Java ou Python.
O Objetivo do Estudo
As ideias de pesquisa, processos e trabalho apresentados nesta tesevêm do
experiências pessoais e insights do autor que indicam que o GIS pode ser usado
com sucesso com dados de automobilismo. Os objetivos desta tese incluem (1) desenvolver um GIS
aplicativo para análise de automobilismo, (2) demonstrar que o aplicativo fornece o
drivers com formas mais avançadas de analisar seus dados do que os aplicativos existentes sem
GIS, e (3) compreender as relações entre as emoções do motorista e seu
performances. O aplicativo GIS desenvolvido nesta tese foi baseado em
conhecimento dos conceitos de geografia do tempo. Os dados para esta pesquisa foram coletados, incluindo
informações espaço-temporais de um veículo e frequência cardíaca e emoções do motorista
usando um sistema que é comum entre os pilotos amadores. Os dados e o SIG
aplicação foram avaliados a partir de uma perspectiva de qualidade de dados, avaliando a adequação de
precisão de dados e visualizações. Especificamente, a pesquisa aborda os seguintes
3
procedimentos: (1) usar GIS para modelar o desempenho de um motorista e veículo com base em
abordagens da geografia do tempo; (2) geovisualizar os aspectos combinados das corridas
desempenho para determinar onde um driver poderia ter melhor desempenho; e (3) avaliar o
capacidades e limitações de dados de automobilismo em um ambiente GIS. Geografia do tempo
tem sido raramente utilizado no automobilismo e existe uma lacuna na pesquisa existente de um
tema. Portanto, um novo estudo que aplica metodologias GIScience ao automobilismo
aplicação é necessária.
Esquema da Tese
Esta tese é composta por seis capítulos. O Capítulo 2 revisa a literatura existente que
estabeleceu as bases para esta pesquisa, mas que também deixa muito a ser pesquisado. No capítulo 2
equipamento de registro de dados, seu uso em aplicações de automobilismo, abordagens de geografia do tempo
e a geografia emocional será revisada através da literatura. O Capítulo 3 discute os dados
coleta no estudo de campo e metodologia de análise utilizada nesta pesquisa. O capítulo
consiste em um dispositivo para aquisição de dados, um veículo utilizado no experimento em campo, e
o local onde os dados do automobilismo foram coletados. O motor do veículo, chassis e
especificações do sensor serão discutidas para justificar por que cada um foi usado. A metodologia
da análise de dados introduz conceitos específicos de geografia do tempo que foram modificados para
uso com dados de automobilismo, especificamente oprisma de desempenho. Esses conceitos são
discutidos desde seu design baseado em conceitos de geografia do tempo até sua aplicação em
dados de automobilismo e outros tópicos possíveis. Além disso, a coleta e análise de dados de
a frequência cardíaca e os dados emocionais do motorista estão incluídos no capítulo 3. Capítulo 4
apresenta os dados empíricos registrados do veículo e os resultados da combinação
4
dados discutidos por meio de cada tipo de análise feita neste estudo. Capítulo 5 resume
os resultados desta tese e destaca as contribuições para o campo da geografia.
5
CAPÍTULO 2
REVISÃO DA LITERATURA
Este capítulo abordará três áreas de interesse para esta tese: Eu reviso
estudos existentes que tratam de (1) equipamentos de aquisição de dados e o uso atual desses
dados no automobilismo, (2) métodos de geografia do tempo e sua aplicação em esportes e
movimento do veículo e (3) comparar a literatura que fornece padrões para dados GIS em
no que diz respeito à precisão, usabilidade e visualização. Vou argumentar que a falta de
localização geográfica em um ambiente de mapa e também a ausência de imagens tridimensionais
a visualização pode deixar muitos dados sem uso. Em segundo lugar, vou me concentrar nos
metodologias de abordagem da geografia do tempo e sua limitao de aplicao tanto em
esportes e movimento de veículos urbanos.
Aquisição e Análise de Dados
A aquisição de dados refere-se a sistemas de computador que são usados para coletar e processar
sinais que medem as condições do mundo real. Esses sinais geralmente vêm de um
algum tipo de sensor. O sensor irá gravar parâmetros físicos e convertê-los em
sinais elétricos que são então enviados para o computador para serem gravados. Aquisição de dados
pode ser usado em praticamente todos os assuntos para gravar algum tipo de sinal, com
usos comuns em áreas como meteorologia, biologia, engenharia e química.
O equipamento de aquisição de dados foi desenvolvido pela IBM em 1963 com o
anúncio do sistema de aquisição de dados IBM 7700. A tecnologia poderia coletar
6
dados de até trinta e duas fontes simultaneamente e, em seguida, processá-los e transmiti-los para
até dezesseis dispositivos remotos de exibição ou impressão. E com informática
avançando em um ritmo muito rápido, os sistemas de aquisição de dados estavam sendo constantemente atualizados para
use menos espaço, colete dados de mais fontes e processe os resultados mais rapidamente.
Uso de aquisição de dados em veículos
A aquisição de dados acabou chegando ao mercado automotivo para coletar
dados de veículos para empresas, pesquisas educacionais e aplicações cívicas. A grande variedade
de usos para dados de veículos levou a uma grande oferta de dispositivos que podem ser usados em
aplicações, como análise de fluxo de tráfego (Hassan e Patterson 2006).
Uso de aquisição de dados no automobilismo
Antes que a aquisição de dados fosse usada pela primeira vez pela Chevrolet na década de 1970 (Haney 2001),
o processo de engenharia de um carro de corrida melhor foi adquirido a partir da entrada direta do
condutor que passava longos períodos de tempo no veículo, conduzindo-o por uma pista de testes.
Isso foi feito para determinar se as mudanças no motor e/ou chassi deram ao carro melhor
manuseio e/ou velocidade (Parker 2010). Com os avanços tecnológicos nos computadores
e sistemas de monitoramento, esses métodos tradicionais de condução por experiências e intuição
ficaram em segundo plano em relação à abordagem mais científica para melhorar o motorista e o veículo
(Purnell 1998). Embora a opinião pessoal de um motorista ainda seja considerada na configuração do veículo,
as ferramentas trazidas pela tecnologia do computador melhoram o desenvolvimento de um
carro de corrida quando comparado ao tempo do assento do motorista sozinho. Essas ferramentas são muito complexas e
pode ser difícil de implementar corretamente. Antes que os engenheiros possam registrar os dados de um veículo, eles
deve primeiro projetar o sistema de monitoramento e coleta de dados. Este desenho leva em
conta a própria unidade de aquisição de dados com seu peso, tamanho e uso de energia, e também o
7
variáveis que a unidade registrará e os sensores que coletarão essas variáveis
(Meyer 2002). Sistemas complexos de aquisição de dados trazem grandes quantidades de dados para
engenheiros e muitas vezes há discussões sobre o problema de como lidar com o
dados que foram coletados. Muitas vezes, a primeira coisa que uma equipe faz é reduzir o
número de variáveis que monitoram (Hemingway 1990).
Para o automobilismo, existem dois tipos distintos de dispositivos de aquisição de dados que geralmente são
usado, no carro e fora do carro (Stanfield e Temple 1987). O hardware do carro foi projetado para
monitorar diferentes atributos do veículo, como temperatura do motor ou pressão do óleo, e
exibir os dados no próprio carro para o motorista ver. O sistema fora do carro registra o
mesmos tipos de dados e os processa fora do veículo para modelagem e análise. Fora-
Os sistemas de carro são mais complexos do que os sistemas de carro porque permitem que mais dados sejam
ser gravado com a opção de armazená-lo no dispositivo ou transmitir os dados para um computador
onde outra pessoa pode processar os dados.
Um carro de corrida é um veículo com um design complexo de componentes que lhe permite viajar
mais rápido e melhor manuseio do que um carro de estrada típico. Muitos dos componentes são ajustáveis
para permitir mudanças precisas que precisam serfeitas dependendo do local de uma corrida, o
clima e o condutor que utiliza o veículo. Os engenheiros da equipe monitoram constantemente esses
componentes e o desempenho geral do veículo usando uma série de sensores dentro do
veículo para determinar se há problemas com o carro, ou se o motorista está aproveitando
o desempenho ideal do veículo (Purnell 1998). Os dados do sensor são usados tanto em
análise de tempo e também depois que um motorista terminou para entender o que ocorreu com o
veículo e motorista durante uma corrida (Purnell 1998; Stoffman et al. 2004; Southward and
Conner 2008).
8
As corridas de sucesso se resumem à ideia fundamental de que o veículo deve
completar uma volta o mais rápido possível. Isso é feito por ter um veículo que pode ter uma maior
velocidade e pode fazer curvas melhor do que outros veículos da competição. Há um
número de sensores que podem registrar tanto a velocidade quanto o manuseio dessa faixa em precisão e
complexidade. Ao determinar a velocidade, as opções possíveis do sensor podem incluir: roda
rotação, pressão de ar diferencial, deslocamento de fase óptico, GPS e Doppler (Ramsay 1996;
Ditchi et ai. 2002; Corrsys-Datron 2009). Destes dispositivos o Doppler e o óptico
os sensores fornecem o mais alto nível de precisão, mas são extremamente caros (Ramsay 1996;
Ditchi et ai. 2002; Corrsys-Datron 2009). A precisão do GPS depende do dispositivo usado
e também a área ao redor do local do veículo, pois pode ocorrer interferência. O
habilidades de manuseio de um veículo são registradas através das curvas longitudinal e lateral do veículo.
aceleração (Miliken e Milliken 1995) e também pode ser registrado por um número de
diferentes opções de sensores de acelerômetro. Todas essas opções de sensor usam um design semelhante de um
massa suspensa por um invólucro protetor. A carcaça é montada no veículo e quando
o veículo se move, a aceleração da massa conectada à carcaça cria a
dados de aceleração. As diferenças entre os sensores são baseadas nos suportes usados e
incluem um material piezoelétrico, um material piezoresistivo ou uma placa capacitiva
(Westbrook e Turner 1994; Segers 2008).
A saúde do veículo também é um aspecto importante a ser monitorado em um carro de corrida, pois
veículo pode eventualmente parar de funcionar se os problemas não forem resolvidos cedo. Dois comuns
problemas que surgem em um veículo estão relacionados à pressão e temperatura de diferentes líquidos
componentes de um veículo. A pressão e a temperatura são frequentemente monitoradas para determinar
saúde do motor. Combustível, óleo e refrigerante são os três principais líquidos que são medidos usando
9
transdutores de pressão (Westbrook e Turner 1994). Temperaturas para óleo, água e ar
são normalmente monitorados usando termopar, termistor, infravermelho ou temperatura resistiva
sensores (Segers 2008). Juntamente com a saúde do veículo, os sistemas de pressão e temperatura são
também sendo usado para monitorar as habilidades do motorista. A pressão é usada especificamente para
O uso e a temperatura do pedal do freio podem ser usados tanto para a temperatura do disco de freio quanto para o pneu
temperatura. Esses sensores ajudam a determinar se um motorista está empurrando o carro com muita força ou não
dirigindo com força suficiente.
Os próximos conjuntos de dados mais importantes estão relacionados ao posicionamento do veículo na pista e
incluem sensores para guinada do veículo e altura de deslocamento do veículo. A guinada do veículo é a taxa de
mudança do ângulo de direção do veículo (Meriam e Kraig 1998) e a altura do percurso é
a distância entre a pista de corrida e o piso do veículo (Miliken, Milliken e
Melhor 1995). Esses dois fatores ajudam a determinar o desempenho de manuseio, pois a guinada pode ajudar
determinar se um carro está experimentando subviragem ou sobreviragem (Pi Research 1997) e andar
mudanças de altura podem afetar a aerodinâmica do veículo, o que pode resultar em perda de manuseio
desempenho (Miliken, Milliken e Best 1995). Existem sensores que monitoram outros
aspectos de um carro de corrida, como aerodinâmica, carga de roda e torque, no entanto, eles são
muito mais especializados e não se aplicam a esta pesquisa e não serão cobertos. Vários
dos sistemas de sensores encontrados em carros de corrida agora também são encontrados em veículos padrão disponíveis
de uma concessionária de carros. Normalmente, eles consistirão nos sensores de integridade do veículo para
monitore se o veículo precisa de manutenção ou está com um grande problema. Mas algum carro
fabricantes vendem carros de alto desempenho que incluem sensores mais exclusivos, como
acelerômetros, sensores de torque e guinada. Os veículos fabricados após 1996 incluem
10
em sistemas que permitem que mecânicos e proprietários acessem os sistemas de sensores com
hardware (Agência de Proteção Ambiental [EPA] 2002).
Análise de dados no automobilismo
A análise de dados no automobilismo pode ser rastreada até uma única pessoa, Chuck Carrig
(Nisley 2007). Em 1963, enquanto trabalhava para a Ford Motor Company, completou um
programa de computador chamado PG 1493. O programa, que foi escrito no computador
linguagem Fortran e executado em um computador IBM 704, foi usado para desenvolver
desenho geométrico para o Ford GT40. Os usuários inseririam um número de veículos desejados
variáveis de suspensão, execute o programa e receba resultados impressos e gráficos de como o
veículo funcionaria com a variável de entrada. O programa de computador levou duas semanas para
executar o processo, mas quando comparado ao design típico de rascunho de vinte e três semanas, isso
foi considerado um salto à frente. O programa levou a projetos de geometria de suspensão que
ajudou a Ford a conquistar vitórias em várias séries de corridas e a vender veículos modelo de produção.
Atualmente, existem vários aplicativos de software disponíveis que podem visualizar
dados coletados de veículos que incluem dois níveis, aplicativos de corrida e público
formulários. Ambos permitem a visualização dos dados coletados de um veículo e simples
visualizações com mapas ou gráficos. Muitos aplicativos de corrida fornecem análises adicionais
habilidades, com cada uma tendo uma análise especializada exclusiva de seu software.
Existem vários recursos que normalmente são encontrados na análise de dados de corrida
suítes de software (Parker 2010). Essas ferramentas incluem:
1. Gráficos de distância--Um gráfico de atributos do veículo no eixo Y em relação a
distância no eixo X.
11
2.
o eixo X.
3.
manuseio do carro, comumente referido como o círculo de tração.
4. Histogramas Gráficos que permitem dividir os dados em faixas que representam
tipos de atributo. As bandas são mostradas em barras com o tamanho da barra representando a quantidade de
época em que a banda foi gravada.
5. Canais matemáticos Cálculos matemáticos que combinam vários
atributos para determinar um atributo abrangente representado que é então mostrado em um
gráfico.
Gráficos de tempo--Um gráfico de atributos do veículo no eixo Y em relação ao tempo em
Gráficos XY--Um gráfico de dispersão típico das taxas de aceleração do veículo para visualizar o
6.
parte do software ou pode ser criado com base nos dados coletados, pois os dados tomarão o
forma da pista. Usar os dados para criar o mapa de trilha normalmente mostra as linhas que
o carro dirigiu na pista, mas não na verdadeira área da pista.
Os aplicativos disponíveis para aqueles que não estão no automobilismo profissional geralmente incluem
as visualizações básicas mencionadas acima, mas não incluem nenhum tipo de visualização avançada
possibilidades de visualização com os dados. Visualização avançada seriam recursos como
como animação do veículo, animação de controle do motorista ou canais matemáticos que exibem
atributos. Os usuários podem importar seus dados para alguns softwares existentes, como o Microsoft
Excel ou outras ferramentasde planilha. Os usuários dessas ferramentas podem criar gráficos, tabelas e mapas
que exibem os dados de um evento em uma visualização muito simples.
Os aplicativos usados em um ambiente profissional de automobilismo permitem que os engenheiros
para exibir dados nos formatos básicos listados acima, juntamente com análises especializadas que
12
Mapas de Pista Um mapa básico da pista de corrida pode ser pré-gerado e
estar disponível dependendo de qual software eles usam. Com as ferramentas avançadas, muitas vezes
equipes de corrida são capazes de analisar e visualizar dados de manuseio de veículos e outros
aspectos do carro de corrida enquanto ele está dirigindo ativamente. Esta é uma característica que um sistema básico
não suporta. No entanto, nem os métodos comuns de visualização de dados para
nem software básico fornecem a capacidade de visualizar os dados em três dimensões em um mapa.
As emoções do automobilismo
Como Saville (2008) afirmou sobre suas experiências de parkour, “Meus compromissos emocionais
com o espaço alterado junto com minha mobilidade nele” (896). O mesmo pode ser dito de
“emoções automotivas” (Sheller 2004) e os sentimentos associados ao uso do carro. Viajando
através de uma paisagem, seja automobilismo, parkour ou qualquer outra coisa, paisagens e sentimentos são
tomadas de diferentes maneiras e pouco tem sido feito para relacionar o lugar com o movimento e
significado (Spinney 2006). “As emoções são sentidas no corpo e através dele, mas são constituídas
por configurações relacionais” (Sheller 2004) e entender a relação entre o
localização na pista e o significado emocional por trás disso para aquele piloto permitirá uma
maior nível de compreensão de seu desempenho. O trabalho nesta tese usa o coração
dados de taxa do motorista para fornecer um instantâneo da relação emocional com a pista
para entender melhor os dados de desempenho geral. Um aumento da frequência cardíaca em um
configuração já intensa provavelmente revelará um local onde o motorista experimentou
medo. Se o motorista sentir medo de que o carro não esteja funcionando de acordo com o padrão em
um local na pista, precisa haver uma razão por trás disso que possa ser analisada (Saville
2008). Isso é especialmente verdadeiro no automobilismo, pois esses medos devido à configuração do carro podem ser
percebido: o veículo pode estar mal equilibrado ou funcionando incorretamente. Um motorista não
apenas sente o próprio veículo, mas também pode sentir as mudanças através do veículo (Sheller
13
2004). Os engenheiros da equipe podem determinar quais ajustes devem ser feitos na configuração de um veículo como
resposta às emoções que foram mostradas (Katsis et al. 2008). Às vezes o
veículo não precisa ser corrigido, mas as emoções ainda são detectadas. Quando um emocional
resposta como esta ocorre, o que possivelmente poderia alterar o comportamento do motorista, o
engenheiros podem fornecer orientação e suporte ao motorista para ajudá-lo a superar isso
resposta (Katsis et al. 2008). Nesta tese, os motoristas podem usar os dados de frequência cardíaca para
determinar onde eles estão tendo respostas emocionais no curso. Sabendo onde
o curso que eles estão tendo uma resposta emocional permitirá que eles se concentrem em suas
desempenho nesses locais.
Junto com a resposta emocional do medo está o risco, que é comum em
automobilismo, pois empurrar um carro com mais força significa um risco maior de perder o controle do veículo.
O risco também é combatido no automobilismo com prática, pois as percepções de risco ficam mais claras,
e, portanto, diminuído, com movimento contínuo (Saville 2008). A emoção negativa
associado ao risco começa a desaparecer à medida que o motorista se torna mais confortável consigo mesmo
e o veículo. A medição da frequência cardíaca do motorista deve ajudar a visualizar isso, pois
deve haver uma relação indireta entre os dois. À medida que o nível de conforto aumenta, o coração
taxa deve cair. Risco e conforto serão fatores para o motorista nesta tese, pois
conduzirão um veículo que nunca conduziram antes. Sem experiência anterior
com o veículo haverá maior risco de dirigir o carro rapidamente, pois o motorista não
conhecer os limites do veículo. Um motorista que é superado por emoções negativas, como medo
(associado ao risco) ou um nível geral de estresse terá percepção, pensamento,
e julgamento que pode levar à má interpretação dos eventos (Katsis et al. 2008).
A má interpretação dos eventos é uma situação que os praticantes do esporte desejam evitar, como piloto
14
pode comprometer não só a si mesmo, mas também a outros motoristas, colocando em risco vidas (Katsis et al.
2008).
Sentimentos e emoções para um determinado tempo e espaço podem ser levados em conta para
ditar a reação de uma pessoa naquele local (Katsis et al. 2008). Da mesma forma, existem
múltiplos sentimentos e emoções que ocorrem quando um piloto está navegando em uma pista de corrida
(Watkins 2006). Esses sentimentos não são criados apenas pelo motorista ou pelo veículo, mas
são resultado da relação afetiva entre os dois (Sheller 2004). Quer seja um
hesitação com a forma como o veículo “sente” ou uma hesitação pessoal por não confiar
próprias habilidades, o tempo de volta de um piloto pode diferir muito por causa dessas emoções
(Katsis et al. 2008). Essas emoções podem desempenhar um fator importante na contribuição para um
aumento da frequência cardíaca durante a competição, entre outras coisas. Por exemplo, uma comparação
de dois pilotos mostra que Villeneuve, um piloto mais emocionalmente composto, mantém sua
frequência cardíaca 25 bpm mais lenta que outro motorista, Pironi, enquanto acelera os veículos para um
centenas de milhas por hora (Watkins 2006). Essas diferenças na frequência cardíaca parcialmente
controlados pelas emoções, levam a diferenças no desempenho de condução. Nesta perspectiva,
“as emoções não são simplesmente sentidas, mas invocadas, reguladas e gerenciadas” (Sheller 2004, 226)
dos movimentos rotineiros pelos quais um motorista se move por uma pista.
Representando emoções espaço-temporais junto com os dados de desempenho do
veículo em mapas pode permitir uma imagem mais completa vinda tanto do cérebro de
o veículo e a mente da pessoa. As emoções nos mapas são frequentemente representadas com
múltiplas cores (Nijdam 2005) e podem ser trazidos para a geografia do tempo com muita facilidade.
A visualização de emoções com cores específicas pode ajudar com uma visão mais ampla de como e por que
motoristas navegaram o curso da maneira que eles fizeram.
15
Abordagem da Geografia do Tempo
A geografia do tempo consiste em uma série de conceitos que estudam os humanos no espaço.
e tempo, usando métodos analíticos espaciais e visualização para construir geograficamente
seus movimentos individuais (Kwan e Lee 2004). Torsten Hagerstrand (1970)
desenvolveu a abordagem como forma de fornecer uma estrutura mais detalhada para
processos sociais espaço-temporais. Espaço e tempo são representados na geografia do tempo
através do uso de cubos tridimensionais, que representam os locais percorridos - ou seja, X
e coordenadas Y - e também o tempo gasto durante a viagem ou estar parado - ou seja, Z
coordenada. Apelidado de “aquário” (Hagerstand 1974; Miller 2005), outra vez
conceitos de geografia como domínios, estações, pacotes, linhas de vida e prismas são encontrados
dentro deste espaço, como pode ser visto na figura 1 abaixo.
Figura 1. O Aquário Espaço-Tempo e Peças Relacionadas (Moore et al. 2003).
16
O aquário espaço-temporal e os conceitos de geografia do tempo podem ser úteis para
analisar e visualizar dados de automobilismo. A dimensão temporal do aquário pode representar uma
volta de uma pista de corrida. A Figura 1 acima mostra como o “domínio” é uma “área de controle”
(Hagerstrand 1970) que limita as viagens e que se assemelha muito a uma pista de corrida
espaço usado em uma corrida de automobilismo. A “linha de vida”é tipicamente um caminho que um indivíduo
viaja no tempo do aquário e que é modificado para se tornar o caminho do
veículo através do ambiente da pista. A “estação” é utilizada como espaço geográfico
onde linhas de vida separadas tendem a se “agrupar”. No caso da pesquisa automobilística,
locais das estações na pista serão usados onde o desempenho individual pode ser mais
alterar os tempos de volta do que uma parte da pista que é simples, como uma reta. Um exemplo
de um local de pista onde as pessoas terão um desempenho diferente seria uma curva à esquerda muito acentuada,
então uma estação seria designada lá para destacar os dados naquele local. O pacote vai
ser usado quando o desempenho de mais de uma volta for quase idêntico em um
estação, ou seja, em duas voltas separadas, uma curva foi conduzida com desempenho semelhante
números. Os pacotes seriam usados para visualizar locais onde o desempenho da volta é
consistente entre as voltas.
Por fim, os dados do automobilismo podem ser analisados e visualizados usando o espaço-tempo
prisma (Miller 2005), outro conceito de geografia do tempo. Normalmente, um prisma de espaço-tempo
existe dentro de um aquário espaço-tempo e representa o espaço total que é alcançável por
um indivíduo em um determinado período de tempo. No automobilismo o prisma espaço-tempo seria
assumir uma nova representação como um círculo de atrito, um diagrama que mostra o manuseio do veículo
assim como a velocidade. Um círculo de atrito é uma visualização bidimensional do manuseio do veículo
em relação à velocidade, como pode ser visto na figura 2 abaixo (Miliken e Milliken 1995).
17
Figura 2. Círculo de atrito de um carro de corrida de Fórmula 1 (Casanova 2001).
A Figura 2 mostra como a velocidade altera o manuseio de um veículo de corrida. Dentro do estojo
de um carro de Fórmula 1, a tração seria maior em velocidades mais rápidas, devido ao downforce
o veículo. Na figura 2 você pode ver à medida que a velocidade do carro aumenta, as forças g em
subida nas curvas também. Como este exemplo é bidimensional, você não pode ver uma imagem completa
relação entre manuseio e velocidade facilmente. Se o exemplo fosse em três dimensões,
velocidade pode ser representada no terceiro eixo para criar uma forma do tipo prisma para distinguir
a relação de desempenho entre manuseio e velocidade do veículo. Como dados de corrida
é coletado o desempenho potencial que o veículo pode alcançar pode ser representado em um
espaço. À medida que o motorista percorre as estações, o manuseio do veículo pode ser
visualizados dentro de um prisma de sua capacidade potencial. O prisma espaço-tempo normalmente mostra
18
o espaço de caminho potencial (Tebmann 2006). Nesta pesquisa o prisma é usado para visualizar
o desempenho potencial do veículo, em vez do caminho potencial. Para o propósito
Neste estudo, essa abordagem será referida usando o termo “prisma de desempenho”.
O prisma espaço-temporal é um conceito útil da geografia do tempo, como pode ser visto com sua
aplicações em outros estudos. Muitas vezes, essas aplicações modificam o prisma espaço-tempo. A
exemplo disso seria o planejamento de viagens dentro das redes de transporte, onde um prisma é
projetado em que a forma se torna um triângulo que visualiza como a velocidade afetaria
a capacidade do indivíduo de chegar a um destino em um determinado momento (Tebmann 2006). O prisma
também tem sido utilizado em transportes com redes distintas, mostrando a possível rede
caminhos dentro do prisma (Downs e Horner, 2012). Da mesma forma, com três dimensões
software de visualização tornando-se mais comumente usado, os prismas espaço-temporais assumiram
novas formas com variáveis expandidas, como obstáculos no espaço que impedem a viagem
(Delafontaine et al. 2011). Em ambientes 3D o prisma espaço-tempo tem sido uma chave
sucesso para expandir a geografia do tempo como forma de modelar conceitos geográficos (Kraak
2003).
A superfície de densidade de atividade espaço-tempo pode ser útil para representar a intensidade de
atividade no espaço (Kwan e Lee 2004).Um conjunto de dados raster 3D pode ser gerado usando
estimativa de kernel em um cubo que consiste em eixos X/Y/Z. No cubo, o tempo pode ser
representada no eixo X e a distância de casa pode ser representada no eixo Y. Dentro
do cubo, a extrusão 3D no eixo Z pode representar a densidade do tipo de atividade
ocorrendo naquele momento específico e distância de casa. Em seu trabalho, três densidades
superfícies foram criadas para visualizar as atividades não relacionadas ao emprego de empregados
mulheres, homens empregados e as diferenças entre os dois.
19
Figura 3. Superfície de densidade de atividade no espaço-tempo de Kwan (Kwan e Lee 2004).
A densidade de atividade das mulheres empregadas é mostrada na figura 3. Esta figura
demonstra uma série de atividades ocorrendo perto de casa por volta das 12:00 e
por volta das 18h00 Como parte de seu estudo, a densidade de homens empregados mostra um
padrão geral, mas nem de longe tão correlacionado espacialmente quanto o das mulheres. Esse tipo de
relação não seria fácil de visualizar se os dados fossem apresentados em um típico
mapa dimensional. A visualização de eventos com base no tempo permite o agrupamento de
dados relacionados por distância, que em um mapa podem não ter sido agrupados por estarem em
direções opostas do local original. A visualização de uma distância confinante é feita
mais eficazmente com o gráfico tempo-distância e pode ser modificado com diferentes
atributos para mostrar outros padrões no tempo.
20
CAPÍTULO 3
METODOLOGIA DE AQUISIÇÃO E ANÁLISE DE DADOS
Neste estudo, os dados foram adquiridos do estudo de campo e analisados e representados
usando metodologias GIScience. Esta pesquisa demonstra como as decisões informadas podem
ser feita com base na aquisição de dados em relação ao desempenho do veículo e de seus
condutor. Um dos objetivos deste estudo é coletar dados durante a condução do veículo que possam
fornecer feedback em tempo real ao motorista. Isso ocorre porque o tempo que leva para completar uma volta
pode mudar com base na configuração do veículo (por exemplo, suspensão, motor, chassi), saúde do veículo (por exemplo,
ar, combustível, peças internas), emoções do motorista (por exemplo, medo, confiança, confusão) e assim por diante.
O software GIS pode fornecer análise de dados de desempenho de condução de forma econômica
maneira, permitindo que os entusiastas de corridas de fim de semana que participam de esportes a motor com orçamento limitado
adquirir conhecimentos que os ajudarão a melhorar o seu desempenho. Além de
inúmeras opções de software GIS de código aberto, a ESRI oferece uma licença de uso único de seus
Pacote de software ArcGIS por cem dólares (ESRI 2014). Este pacote de software, que
será usado para esta pesquisa, é uma das escolhas padrão para software GIS bem conhecido
para as principais indústrias relacionadas com GIS. Fornecer esse tipo de metodologia e modelo para
pilotos de corrida amadores que não têm orçamentos de equipes de corrida profissionais podem ajudá-los a
obter um conhecimento mais detalhado do desempenho em tempo real de seu veículo, o que levaria
para experiências de corrida mais agradáveis. Conforme declarado em uma escola de treinamento da Honda, “Melhor
o desempenho é mensurável, mesmo olhando apenas para um canto” (Mitchell et al. 2000, 16).
21
Este capítulo aborda a metodologia usada para coletar dados para análise em GIS,
incluindo a localização, o veículo e o hardware usado para a coleta de dados. Também irá
cobrem a metodologia usada para analisar e visualizar os dados tanto na pista quanto
mais tarde. Porque o autor tem pilotado carros de várias maneiras por mais de uma década,
havia uma série de opções para locais de coleta de dados para esta pesquisa com base no
tipo de corrida para competir. Depois de analisar as opções possíveis, decidiu-se coletar
dados em um evento Autocrossdescrito abaixo.
Os eventos de autocross são um tipo padrão de evento de contra-relógio onde os pilotos competem
um de cada vez em um curso marcado com cones. Um piloto tenta completar uma volta o mais rápido possível
possível penalizar o tempo quando os cones são atingidos ou navegados incorretamente (SCCA
2009). Os eventos de autocross são únicos, pois não ocorrem em uma pista de corrida, mas sim
são realizadas em grandes áreas de pavimento aberto com cones que marcam o percurso que será percorrido.
Isso permite que os motoristas percam o controle do veículo em um ambiente seguro e
cones, em vez de uma barreira encontrada na borda de uma pista de corrida típica (SCCA 2009).
Os cursos típicos de autocross duram até dois minutos e são cerca de três quartos de milha
longo, mas o foco intenso e os movimentos rápidos do veículo ainda podem levar o motorista
fadiga durante esse tempo. Esses eventos podem ter bem mais de cinquenta participantes, com cada piloto
normalmente recebendo quatro corridas do curso para registrar seu tempo de volta mais rápido. Vencedores do evento
são determinados com base na classe do carro e quem estabeleceu o tempo de volta mais rápido (SCCA 2009). O
diferença no tempo de volta entre os pilotos que ficam em primeiro e segundo normalmente será
décimos de segundo. Monitorar o veículo para ver onde o tempo foi perdido ou ganho
permitir que os pilotos entendam melhor como podem alcançar a volta mais rápida possível.
22
Como os eventos de Autocross são realizados em pavimento aberto, não há muitos locais
que permitem que este tipo de evento ocorra. No sul da Califórnia, EUA, existem
três locais onde os eventos Autocross são normalmente realizados; El Toro Airfield em Irvine, CA,
Qualcomm Stadium em San Diego, CA, e Auto Club Speedway em Fontana, CA. A
O evento de Autocross no Auto Club Speedway foi escolhido como local para coleta de dados para
ser usado neste estudo. Este local foi selecionado porque eles realizam vários eventos a cada
ano, permitindo amplas oportunidades para coletar dados. Auto Club Speedway é um
complexo de automobilismo que inclui uma pista oval de tamanho real da Nascar com arquibancadas, uma estrada
pista dentro do oval, e uma série de pequenas áreas de pista fora da área principal da arquibancada.
O evento de autocross para esta tese ocorreu em uma das áreas de estacionamento da
complexo em 4 de maioº, 2014, mostrado na Figura 4 abaixo. O tempo estava ensolarado com
temperatura atingindo 88 graus Fahrenheit.
Figura 4. Vista Aérea do Evento Autocross.
23
Autocross é uma série de corrida popular porque permite que qualquer veículo, de quatro
sedan de porta a uma caminhonete com motor de corrida, para entrar e competir. O veículo
usado para esta pesquisa para registrar os dados foi um Nissan 370z 2013. O 370z é o mais recente
modelo do carro esportivo Z da Nissan, que remonta às produções originais de 1970
modelo. O carro tem um motor V6 de 3,7 litros que produz cerca de 330 cavalos de potência
(Edmunds 2013). O carro utilizado para a coleta de dados possui câmbio manual de seis marchas
transmissão em vez da transmissão automática de sete velocidades, como transmissão manual
é preferível para corridas, pois você tem controle direto de qual marcha o carro está.
especialmente importante no Autocross, pois um motorista tecnicamente passará todo o tempo em
o curso em segunda marcha e preferem que o carro não mude para a terceira marcha. Mudando para
terceira marcha resultaria em uma breve pausa na aceleração e também reduziria a resposta do motor, pois
a RPM cai. O atual Nissan 370z, juntamente com modelos mais antigos, é comumente visto em
Eventos de Autocross e também é usado por muitas equipes de corrida em séries de corridas profissionais.
O experimento de campo pretendia usar os dados e a análise deste estudo para
mostrar o que pode ser feito com GIS para outros motoristas para aumentar seu interesse em tentar fazer
o tipo semelhante de análise de sua condução. O carro foi escolhido porque é um carro que
o autor nunca dirigiu antes e não tem experiência. O autor queria
coletar dados em um veículo onde ele teria que aprender seu manuseio e desempenho com
cada volta que ele completou. Entre as voltas, o autor examinou brevemente alguns dos dados para
ver se ele estava fazendo certo ou errado no curso.
Antes do evento Autocross, o veículo passou por manutenção para garantir que
estaria funcionando corretamente para a coleta de dados. A manutenção básica do motor foi concluída
instalar novas velas de ignição, filtro de ar e óleo para melhorar a saúde do motor. O sistema de freio
24
fluido foi substituído por fluido de corrida de alta temperatura e novas pastilhas de freio também foram
instalado. No evento, as pressões dos pneus foram definidas em níveis específicos e entre cada corrida o
radiador foi pulverizado com água fria para ajudar a manter a temperatura do motor baixa. Pneu
mudanças de pressão podem alterar o manuseio de um veículo (Kasprzak e Gentz 2006) e
durante um evento de autocross, o manuseio é a chave para um tempo de volta rápido, para que os pilotos estejam constantemente
verificando a pressão dos pneus em um evento. Esta manutenção foi feita para ajudar o carro
melhor desempenho e dar ao autor mais confiança em levar o carro ao seu limite,
sabendo que estava em boa forma para cada corrida ao longo do curso.
Hardware de aquisição de dados
Existem muitas opções para aquisição de dados em veículos, desde o mercado
sistemas pré-construídos para sistemas personalizados com sensores e processadores específicos que permitem
os usuários para coletar dados específicos durante uma corrida. Um sistema avançado de aquisição de dados para
veículos podem permitir que novos sensores sejam facilmente instalados ou removidos da configuração do
veículo. O sistema também deve ser pequeno e leve para evitar alterar a
peso do veículo significativamente (Hemingway 1990). Para esta pesquisa foi importante
ter equipamentos que seriam precisos, mas também acessíveis para motoristas amadores. Para
amadores, sistemas de nível profissional podem ou não ser necessários devido ao seu excesso
especificação necessária, pois alguns drivers podem não precisar ter grandes quantidades de dados. O
capacidade de registrar dados de manuseio básico e velocidade no veículo durante uma corrida e comparar
diferenças entre voltas será a aquisição de dados mais importante para pilotos amadores.
Junto com isso, ter a opção de registrar outros atributos usando a aquisição de dados
sistema seria benéfico, permitindo que um motorista melhore ainda mais seu registro de dados
equipamento e adicionar novas variáveis.
25
Comparando a maneira como um motorista manobra o curso com base no manuseio e velocidade
entre as voltas do percurso permitir-lhes-á visualizar a sua condução. Além disso, se um
motorista pudesse usar dados de outros motoristas, eles poderiam comparar seu desempenho com o
outros motoristas. Considerando a acessibilidade a motoristas amadores, um sistema de registro de dados que
suporta funções básicas integradas e que podem ser atualizadas para melhores desempenhos
ser necessário. Tal sistema incluiria um dispositivo GPS para registrar dados de localização de
o veículo com precisão posicional decente, que seria sub-metro. Como smartphones
tornaram-se mais populares, uma série de aplicativos tornaram-se disponíveis que poderiam
ajude um motorista amador a utilizar os recursos integrados de GPS, acelerômetro e Bluetooth
do telefone para a coleta de dados. A partir de 2013 na Google Application Store
(play.google.com), existem mais de três dúzias de aplicativos de aquisição de dados de veículos sendo
vendido. A maioria dos smartphones tem a opção de configurar uma conexão sem fio com GPS externo
dispositivos, o que permitiria um nível mais alto de precisão do GPS, se desejado. O
variáveis de desempenho de condução coletadas para esta tese foram muito menores do que as usadaspor equipes de corrida profissionais, que monitoram uma série de sistemas que têm poucos efeitos sobre
motoristas com pouca ou nenhuma habilidade. Por causa disso, quantidades relativamente pequenas de dados foram
coletados neste estudo. Este trabalho é, de certa forma, uma continuação de um sistema de formação
discutido em uma pesquisa existente da Society of Automotive Engineers (SAE) usando
dados do veículo e gráficos simples para mostrar aos pilotos de teste como seu desempenho em comparação com
um instrutor (Mitchell et al. 2000). Em seu trabalho, os dados coletados e usados para treinar os
drivers incluíam velocidade, posição do acelerador, força lateral e ângulo de direção. Os atributos
o autor optou por registrar os dados coletados neste estudo incluíram velocidade, posição do acelerador,
força lateral, força de frenagem, RPM do motor e freqüência cardíaca do motorista.
26
Existem várias opções de hardware do sensor para aquisição de dados do veículo,
dependendo de quais atributos um motorista deseja coletar. Ao usar um dado personalizado
dispositivo de aquisição, um driver pode ter muitos tipos de sensores para escolher que podem ser
instalado em um carro para coleta de dados. Os carros recém-construídos que usam sistemas OBDII têm
sensores já embutidos no carro, proporcionando fácil acesso aos dados do veículo através de um
plugue único. Nesta tese, o hardware do sensor foi utilizado devido ao seu baixo custo e aceitável
precisão que era a média do hardware disponível no mercado. O objetivo do campo
experimento nesta tese foi coletar dados de uma forma que um piloto amador pudesse pagar,
portanto, o autor optou por um dispositivo barato que fornece
precisão. Isso foi feito usando um plugue OBDII que poderia transmitir sem fio
dados para um smartphone que coleta dados de localização GPS e acelerômetro.
Para coletar os dados desta pesquisa, um smartphone Samsung Galaxy Note 2, um
Leitor Scantool On-Board Diagnostics (OBDII) e uma frequência cardíaca sem fio Zypher HxM
banda foram usados. No smartphone estavam rodando dois aplicativos para coletar os dados,
Torque e iCardio. Torque é um aplicativo disponível para sistema operacional Android
Smartphones baseados em (SO) que são usados para coletar dados OBDII. Este processo é feito por
primeiro conectando o leitor Scantool OBDII ao plugue OBDII em um carro. Uma vez que é
conectado, o aplicativo Torque e o leitor Scantool OBDII podem se conectar
sem fio, gravando dados dos sensores do veículo em um arquivo no aplicativo Torque.
O torque permite que o motorista selecione entre muitos sensores disponíveis no carro para registrar o
dados selecionados. O Torque usa o GPS do smartphone para registrar dados de localização em tempo real do
veículo e seu acelerômetro interno registra as forças laterais e horizontais do
veículo. O torque combina os dados do sensor do veículo com os dados do sensor do smartphone em
27
intervalos de um segundo que podem ser salvos como um arquivo .kmz ou um valor separado por vírgula
(.CSV) formato de tabela do smartphone. O aplicativo também permite que o driver carregue o
dados em tempo real para a internet para que possam ser baixados instantaneamente para um computador
outro(s) usuário(s). ICardio, outro aplicativo que está disponível no Android O/S
smartphones podem ser conectados via Bluetooth à banda Zypher HxM para coletar
dados de frequência cardíaca em batimentos por minuto (bpm). O aplicativo coleta dados do Zypher
banda HxM em intervalos de três segundos e os dados podem ser carregados para a web onde um usuário
pode baixá-lo para um formato de arquivo .csv. O custo total de hardware para coletar os dados com
a configuração neste estudo, sem incluir o smartphone, chegou a US$ 226, incluindo: Scantool
Leitor OBDII ($ 140), Zypher HxM Bluetooth Heart Rate Sensor ($ 75), Torque ($ 5) e
iCardio (US$ 6). O smartphone como hardware não foi incluído no cálculo do custo, pois
alguém só usaria esses aplicativos e dispositivos se já possuísse um
dispositivo smartphone. No geral, esta é uma configuração relativamente barata quando comparada com
sistemas avançados que normalmente custariam milhares de dólares (Aim Sports 2014).
Coleta e processamento de dados
Porque esta pesquisa é baseada em um conjunto de dados empíricos coletados durante uma
evento individual de automobilismo amador, o primeiro passo foi coletar os dados usando o
hardware mencionado na seção anterior. Durante o evento de automobilismo, os dados foram
sendo constantemente coletados e gravados no dispositivo smartphone instalado no veículo
usado. Esses dados também foram enviados diretamente para a nuvem por meio do serviço de dados do smartphone.
Durante o evento o autor, como motorista, pôde visualizar os dados processados em SIG e
representados em mapas 2D para ter uma ideia de como o veículo estava se comportando a cada volta. este
foi feito baixando os dados brutos da nuvem para um laptop executando o ArcGIS. O
28
laptop não estava disponível no carro, mas foi recuperado após cada volta para download e
processar os dados para visualizar os mapas 2D. Os dados foram coletados do veículo em CSV
formato. Dados no formato CSV podem ser usados em GIS, mas devem primeiro ser pré-processados
antes que possa ser analisado e visualizado corretamente no GIS. Uma vez que o evento de automobilismo foi
concluído, o autor foi capaz de reunir visualizações de análise avançada usando
visualizações GIS de geografia do tempo tridimensional (por exemplo, caminhos do espaço-tempo,
superfície de densidade de atividade e o prisma espaço-tempo) para obter um melhor conhecimento de como o
veículo estava realizando durante o evento.
Para esta tese, os dados foram revisados usando GIS durante o evento de automobilismo
após cada volta. Em um evento de autocross, o tempo é crucial, pois o motorista tem apenas alguns minutos
de tempo livre entre as voltas. Para permitir que um motorista a capacidade de ver os dados rapidamente durante o
pouco tempo livre, uma série de ferramentas ArcGIS foram desenvolvidas neste estudo para processar o
dados por meio de GIS automatizado. O processamento dos dados por meio de automação permite a
análise e visualização dos dados sendo disponibilizados muito mais rapidamente do que o manual
processamento, para que o desempenho possa ser revisto no evento de automobilismo. O SIG
ferramentas desenvolvidas neste estudo processaram nomes de campos de atributos nos dados tabulares CSV,
criou novos atributos com base no cálculo dos dados registrados, e também automatizou
visualização dos dados em mapas bidimensionais. As ferramentas foram desenvolvidas usando
ArcGIS Model Builder, bem como Python, uma linguagem de programação de computador comum.
O autor optou por desenvolver as ferramentas utilizando Python por ser uma linguagem bem
integrado com ArcGIS, Microsoft Excel e muitos outros pacotes de software que permitem
automação perfeita entre vários programas. Python fornece a este estudo a opção
para expandir ainda mais as ferramentas desenvolvidas no futuro.
29
Desenvolvimento usando Model Builder e linguagem Python
Model Builder é uma ferramenta de visualização no ArcGIS que permite ao usuário
criar uma representação visual de processos que automatizam operações em conjuntos de dados GIS
(Pfaff 2004). Um modelo para ArcGIS foi desenvolvido neste estudo usando o Model Builder
para executar um processo nos dados que vêm diretamente do veículo durante o automobilismo
evento. O modelo limpa nomes de campos de atributos nos dados, cria novos campos e
converte as informações de coordenadas X/Y em dados espaciais. Sequenciando essas etapas usando
o Model Builder ajuda a criar uma estrutura automatizada que pode economizar pós-processamento
tempo após a coleta de dados. Ele permite que um driver converta os dados tabulares em dados GIS
e calcular atributos importantes em segundos, em vez de minutos que um manual
processamento pode levar para o mesmoprocedimento.
A ferramenta desenvolvida foi utilizada imediatamente após a coleta de dados de um
volta do piloto ao longo do percurso. Na ferramenta, os campos de atributos genéricos dos dados
arquivo logger foram limpos e renomeados para facilitar a compreensão ao acessá-los
para mapeamento no ArcGIS instalado no laptop. Os campos do registrador de dados incluíam nomes que
devem ser limpos como “g(x)” que foram renomeados para remover os parênteses
porque eles não podem ser usados como nomes de campo de dados GIS. Uma vez que esta etapa foi concluída
o modelo adicionou novos campos de atributo aos dados, incluindo o nome do motorista, alteração no
velocidade, o nome da volta que eles acabaram de completar e a localização da pista.
30
Figura 5. Mudança na Ferramenta de Velocidade.
31
Novos campos foram criados usando os valores de atributo dos dados coletados e
também de um shapefile GIS separado que marcou cada seção do curso por um local
nome. A mudança na velocidade foi calculada subtraindo a velocidade do ponto de dados atual
pela velocidade do ponto de dados anterior. Para automatizar o cálculo da localização em
a pista onde o motorista estava, os dados da pista foram criados antes do início do evento. Geralmente,
os motoristas estão autorizados a andar na pista antes de um autocross começar a examinar o curso
layout em que estarão competindo. Após percorrer o percurso, um polígono
shapefile foi criado para este estudo para marcar as principais partes do curso. Durante o
processando após uma volta, este shapefile foi unido espacialmente com os dados de ponto do veículo
para calcular sua localização na pista. Uma vez que os dados foram calculados, o modelo criou um
conjunto de dados espaciais da tabela usando as informações de Latitude e Longitude para traçar cada
ponto de dados em um mapa. O conjunto de dados espaciais foi então salvo em um geodatabase para uso em
Software ArcGIS. Uma vez que os dados foram finalizados com este processo, um script Python foi usado
para criar rapidamente a geovisualização.
Python é uma linguagem de código aberto que pode ser usada com uma variedade de softwares para
automatizar processos (Wei-Bing Lin 2012). Embora o Python tenha sido usado por muitos anos
por alguns desenvolvedores, só recentemente está se tornando uma linguagem de script comumente usada como
mais desenvolvedores estão adaptando seu uso para aplicativos específicos criando
pacotes de ferramentas para si (Wei-Bing Lin 2012). Python tem sido um integrado
parte do software ArcGIS desde a versão 9.2 do software que foi introduzido pela primeira vez
em 2007 para a comunidade ArcGIS. À medida que o Python crescia na comunidade GIS, mais scripts
foram desenvolvidos para serem usados em processos espaciais como limpeza de dados, georreferenciamento,
e criação de dados (Abdella 2010).
32
Neste estudo, scripts Python foram desenvolvidos como parte do processo de automação para
crie mais rapidamente geovisualizações bidimensionais com base nos dados coletados.
O ArcGIS possui seu próprio conjunto de ferramentas de desenvolvimento específicas para Python através do uso de um
módulo chamado “arcpy”. Para esta pesquisa foi utilizado o módulo arcpy para automatizar o
processo de mapeamento dimensional. Este processo foi desenvolvido para que um motorista pudesse
gere relatórios rápidos dos dados de direção e use-os minutos após completar uma volta.
Dessa forma, o piloto poderia analisar os erros e possivelmente se sair melhor na próxima volta
com o conhecimento adquirido.
Figura 6. Uma parte do script Python.
O processo Python foi desenvolvido para ter um documento de mapa pré-projetado pronto para
ser usado para produzir geovisualização. Para esta tese foi criado um documento de mapa base
que permitia ao piloto escolher um local na pista e um atributo para visualizar, e
o script Python produziria um mapa em pouco tempo. Os passos do script python foram
para adicionar os dados ao mapa, selecione o local que deseja ver no mapa, amplie para o
33
localização e, em seguida, simbolizar os dados pelo atributo solicitado com o predeterminado
configurações de simbologia. O documento do mapa também foi modificado para fornecer os detalhes do que
estava sendo visto no mapa. O nome do piloto, a volta, a localização na pista,
e o atributo visualizado foram todos representados no documento para fornecer
informações completas sobre o desempenho revisado.
Para gerar mapas usando Python, o documento de mapa pré-projetado deve ter
elementos e símbolos configurados para que possam ser referenciados em Python. Python irá substituir
o elemento referenciado com texto de entrada dos dados para modificar o layout do mapa. O
tempo de processamento do modelo desenvolvido leva cerca de um minuto, o que é muito mais rápido do que
criação manual de um mapa, que normalmente leva de 10 a 15 minutos para
geovisualização. Com a capacidade de criar mapas em um curto espaço de tempo, mapas incluindo mapas específicos
os dados foram rapidamente reunidos após cada volta, permitindo que o piloto analisasse seus dados
eficientemente. Ter a geovisualização dos dados disponíveis entre as voltas de forma rápida e
efetivamente forneceu uma melhor compreensão de como o motorista poderia se sair melhor nas próximas
voltas.
Para análise avançada, os dados foram pós-processados após o evento ser
representado em visualização 3D. Para isso, os dados originais coletados no campo foram
usado para criar conjuntos de dados completamente novos que seriam posteriormente analisados e visualizados em
abordagens da geografia do tempo. Primeiro, os dados foram convertidos de dados de recursos de ponto para dados de linha
dados de feição usando o ArcGIS Model Builder. Dados de recurso de uma única linha de cada conjunto de dados
foram criados e então divididos em pedaços com base nas localizações dos dados dos pontos. A linha
dados do recurso receberam atributos da velocidade inicial e final do veículo e o
34
diferenças nos dois tipos de velocidade. Em seguida, os dados tabulares foram trazidos para o SIG e
mapeado não por seus dados de latitude e longitude, mas pelos dados de força lateral e horizontal.
Fazer isso coloca todos os pontos de dados em uma área espacial muito próxima de 0. Todos os dados para
a força lateral e horizontal caiu entre 1,5 negativo e 1,5 positivo, criando um conjunto de dados
que poderia visualizar o círculo de atrito, que será discutido no próximo capítulo.
Coleta de dados de frequência cardíaca
Os dados de frequência cardíaca foram coletados durante o evento e visualizados após a corrida para
ajudar a determinar como as emoções podem ter afetado o desempenho de condução durante o
evento. Os dados de frequência cardíaca foram coletados em um aplicativo separado dos dados do veículo,
por isso teve que ser adicionado aos dados do veículo após o evento de automobilismo. Os dados da frequência cardíaca
foram combinados com o conjunto de dados do veículo juntando os dados tabulares usando os campos de tempo
de ambos os conjuntos de dados juntos. O principal problema entre os conjuntos de dados era que a frequência cardíaca
conjunto de dados foi registrado em intervalos de três segundos, enquanto o conjunto de dados do veículo foi registrado em
intervalos de um segundo. Quando os dois conjuntos de dados foram unidos, houve lacunas na
frequência cardíaca para os segundos que não foram registrados quando o veículo registrou os dados.
Essas lacunas entre os dois conjuntos de dados foram preenchidas manualmente assim que os conjuntos de dados foram
unidos com base nos intervalos registrados da frequência cardíaca entre os valores de tempo vizinhos.
Por exemplo, se a frequência cardíaca foi registrada em 115 bpm e três segundos depois em 118
bpm, as lacunas foram preenchidas a 116 bpm e 117 bpm.
Análise de dados de frequência cardíaca
Uma vez que o conjunto de dados de frequência cardíaca foi unido ao conjunto de dados do veículo, a frequênciacardíaca
conjunto de dados pode ser analisado com o conjunto de dados do veículo com base na comparação de atributos ou
localização geográfica. Análises foram feitas para determinar se determinados locais no
35
O curso de autocross fez com que a frequência cardíaca aumentasse em comparação com outros locais. Para
Por exemplo, se a frequência cardíaca subisse repentinamente em uma curva específica, seria fácil
determinar que esta curva estava afetando a maneira como o motorista se portava enquanto
navegando nesse local. Se a frequência cardíaca acelerou, isso pode significar que o desempenho do
o carro naquele local não estava correto e o motorista poderia ter subitamente focado mais
o que resultou em uma frequência cardíaca mais alta, pois a frequência cardíaca aumentará com o nível de foco na condução
situações (Mullen 2012). Comparar a frequência cardíaca entre as voltas do percurso e também
entre locais na pista ajudaria a determinar os fatores emocionais em jogo durante
o evento.
O Caminho do Espaço-Tempo
A geovisualização tem sido aplicada à análise de dados espaço-temporais no tempo
estudos de geografia especialmente utilizando o caminho do espaço-tempo e o tridimensional
representação de objetos em movimento no espaço e no tempo (Kwan e Lee 2004). Em um passo básico,
este tipo de análise pode analisar e visualizar um único atributo de um objeto em movimento em um
Tempo. Por exemplo, nesta tese, o motorista pode ver a velocidade em um local e também ver
como a velocidade mudou entre os pontos de dados. Geralmente, uma linha de um caminho espaço-tempo não
não representa um atributo e apenas une os pontos de dados. A linha se moverá de um
local para outro ao longo do tempo em uma direção, ou fique parado em um local e mova-se
verticalmente para expressar o tempo gasto no mesmo local. Para esta pesquisa, o caminho da
veículo pode ser representado como uma feição de linha em um local para o tempo correspondente, e
informações mais detalhadas podem ser transmitidas através dos dados, incluindo mais
atributos do movimento do veículo para o recurso de linha. Para a visualização usada em
Nesta pesquisa, a feição de linha é visualizada como uma forma de polígono em um formato tridimensional
36
espaço entre os locais. A forma do polígono é um recurso de linha que é extrudado em um
direção vertical com base em um atributo específico que está sendo representado. No caso da figura 7
abaixo, a mudança de velocidade em mph é o atributo representado.
Figura 7. Exemplo de caminho espaço-tempo mostrando mudança na velocidade.
Com a linha representando uma mudança na velocidade em mph, o caminho do espaço-tempo torna
intuitivo para um motorista entender como a velocidade está mudando à medida que o veículo atravessa o
curso de autocross. O piloto também é capaz de comparar diferentes voltas dos dados facilmente em
este tipo de visualização, uma vez que vários recursos tridimensionais podem ser visualizados para
representam várias voltas de dados. Esta pode ser uma comparação de voltas dos próprios dados do piloto
37
ou voltas entre os dados de vários pilotos. Comparação de dados de volta entre vários pilotos
permitiria que eles vissem rapidamente onde sua velocidade era melhor ou pior em comparação com
outros, como visto na figura 7 acima.
Para gerar a trajetória espaço-temporal do veículo, o primeiro passo é converter o ponto
dados do recurso para dados do recurso de linha. Feito isso, os dados de velocidade dos recursos de ponto
precisam ser transferidos para os dados do recurso de linha. Porque uma linha é definida pela distância
entre dois pontos existem três atributos específicos que devem ser incluídos na linha
dados: velocidade inicial, velocidade final e a diferença de velocidade. A velocidade inicial é a velocidade em
o ponto inicial do recurso de linha e a velocidade final é a velocidade no ponto final de
a linha. A diferença de velocidade entre os pontos é usada para gerar a extrusão que
ocorre às linhas na visualização tridimensional. Ao mesmo tempo, a base
altura da linha é definida na velocidade da velocidade inicial. Fazer isso cria um recurso de linha
shapefile que exibe em três dimensões a diferença de velocidade entre os dois
Os pontos de dados. Este é apenas um exemplo e os dados podem ser geovisualizados em três
dimensão com base em outros atributos, se necessário.
Em um ambiente 3D, a localização da trilha e o atributo podem ser mostrados verticalmente
com valores de altura. A visualização do caminho espaço-temporal em 3D é capaz de fornecer uma
uma visão mais clara do que um motorista está fazendo em comparação com uma simples tabela ou gráfico. Em um
tabela existem apenas números e/ou textos e raramente dá ao motorista
informações sobre o desempenho do veículo. Um gráfico ou um gráfico forneceria
informações do desempenho em tempo real, mas ainda pode não fornecer uma
referência como mapas que mostram onde a performance estava ocorrendo. O espaço 3D-
38
a geovisualização do tempo permite que o motorista veja onde tais performances estavam levando
Lugar, colocar.
A Superfície de Densidade de Atividade do Espaço-Tempo
A próxima visualização desenvolvida para analisar os dados do automobilismo é a
superfície de densidade de atividade espaço-tempo. Esta visualização tridimensional é normalmente usada
para representar atividades geográficas com base no tempo e distância do ponto de origem
(Kwan e Lee 2004). Para esta pesquisa, a visualização foi usada para desenvolver diferentes
superfícies de densidade que podem representar dados do veículo em uma visualização não geoespacial. O
objetivo deste tipo de visualização é fornecer ao motorista uma visualização da informação
em uma terceira dimensão. Essa terceira dimensão é a densidade de um determinado atributo do veículo
desempenho, o que ajudaria o motorista a determinar se o veículo estava dirigindo
consistentemente em relação ao atributo específico. Isso pode ser feito usando quaisquer dois
atributos da tabela de atributos do conjunto de dados GIS do desempenho do veículo para o X
e eixos Y na visualização não geoespacial e tendo a densidade de ocorrências de
o atributo escolhido para o terceiro eixo. Um exemplo seria plotar o atributo time como
o eixo X e o atributo de velocidade como o eixo Y. A visualização ajudaria o motorista
entender a consistência da velocidade do veículo no percurso com base no tempo
atributo nos dados coletados.
Para gerar superfícies de atividade de densidade espaço-tempo, os dados tabulares foram gerados
em um espaço não geoespacial. O espaço consiste no atributo de tempo como o gráfico X e o
atributo de velocidade como o gráfico Y e produz um conjunto de dados de pontos. O conjunto de dados do ponto pode ser
executar através de uma ferramenta de estatística espacial para gerar a terceira dimensão, o atributo de densidade
e cria um conjunto de dados raster como resultado. O conjunto de dados raster pode então ser trazido para um
39
a geovisualização do tempo permite que o motorista veja onde tais performances estavam levando
Lugar, colocar.
A Superfície de Densidade de Atividade do Espaço-Tempo
A próxima visualização desenvolvida para analisar os dados do automobilismo é a
superfície de densidade de atividade espaço-tempo. Esta visualização tridimensional é normalmente usada
para representar atividades geográficas com base no tempo e distância do ponto de origem
(Kwan e Lee 2004). Para esta pesquisa, a visualização foi usada para desenvolver diferentes
superfícies de densidade que podem representar dados do veículo em uma visualização não geoespacial. O
objetivo deste tipo de visualização é fornecer ao motorista uma visualização da informação
em uma terceira dimensão. Essa terceira dimensão é a densidade de um determinado atributo do veículo
desempenho, o que ajudaria o motorista a determinar se o veículo estava dirigindo
consistentemente em relação ao atributo específico. Isso pode ser feito usando quaisquer