| Abstract: | Este trabalho tem como objetivo o desenvolvimento de uma rede neural convolucional baseada no modelo YOLOv8, projetada para auxiliar motociclistas no trânsito ao detectar situações de tráfego cruzado e emitir alertas em tempo real sobre possíveis riscos de colisão. Dados recentes do Portal do Trânsito indicam que o número de mortes de motociclistas no Brasil aumentou de 12.058 em 2022 para 12.870 em 2023, representando 38% do total de fatalidades no trânsito. Em paralelo, tecnologias como o sistema ARAS (Advanced Rider Assistance Systems), desenvolvido pela Ducati em parceria com a Bosch, mostram o potencial de soluções baseadas em inteligência artificial para aumentar a segurança no trânsito, mas são atualmente limitadas a modelos comerciais como a Ducati Multistrada V4, disponíveis apenas para a comunidade europeia. A proposta deste projeto busca preencher essa lacuna, oferecendo uma solução acessível e eficiente que, ao identificar e classificar objetos como veículos, pedestres e outros obstáculos cruzando a via, contribui para a redução de acidentes e o aumento da segurança viária. O sistema foi treinado com um conjunto de dados específico, garantindo alta precisão em diversos cenários urbanos, e apresenta viabilidade prática para implementação em sistemas de assistência ao motociclista.
This work aims to develop a convolutional neural network based on the YOLOv8 model, designed to assist motorcyclists in traffic by detecting cross-traffic situations and issuing realtime alerts about potential collision risks. Recent data from the Portal do Trânsito indicate that the number of motorcyclist fatalities in Brazil increased from 12,058 in 2022 to 12,870 in 2023, representing 38% of total traffic fatalities. In parallel, technologies such as the ARAS (Advanced Rider Assistance Systems), developed by Ducati in partnership with Bosch, demonstrate the potential of AI-based solutionsto enhance traffic safety but are currently limited to commercial models like the Ducati Multistrada V4, available exclusively to the European community. This project aims to bridge this gap by providing an accessible and efficient solution that, by identifying and classifying objects such as vehicles, pedestrians, and other obstacles crossing the road, contributes to reducing accidents and improving road safety. The system was trained on a specific dataset, ensuring high precision in various urban scenarios, and demonstrates practical feasibility for implementation in motorcyclist assistance systems. |
