Arquitetura Embarcada com TinyML e Modelos Linguísticos para Monitoramento Veicular Inteligente

✍🏾Autores: Rejanio Moraes, Morsinaldo Medeiros, Fellipe Milomem, Marianne Diniz, Ivanovitch Silva

1. Resumo

A Internet das Coisas (IoT) no contexto automotivo impulsiona o desenvolvimento de soluções embarcadas que realizam inferência local e comunicação em tempo real. Nesse cenário, técnicas como TinyML, que executa modelos de aprendizado de máquina em dispositivos com recursos limitados, e Small Language Models (SLMs), que geram descrições interpretáveis localmente, ganham destaque. Este trabalho propõe uma abordagem embarcada em Raspberry Pi, integrando dados via protocolo OBD-II, GPS e acelerômetro a um pipeline de inferência contextual. A solução estima estilo de direção, emissão de $CO_2$, tipo de via e anomalias, usando um agente linguístico para relatar eventos detectados com baixa latência.

Este repositório contém o código fonte e materiais experimentais associados com o Agente Small Language Model (SLM) integrado com algoritmos de aprendizado online e embarcado em um Raspberry Pi 5 8 GB. Dentre os algoritmos, destacam-se o TEDA para detecção de outlier; MMCloud para classificar o comportamento do motorista; e dois modelos RandomForest para classificar o tipo de combustível (Gasolina/Etanol) e o tipo da via (Cidade/Rodovia).

Complementar, foi integrado ao algoritmo uma base de dados da Polícia Rodoviária Federal (PRF) com registros de Sinistros e Acidentes entre os anos de 2019 a 2024. Nesse sentido, caso o veículo esteja passando por pontos onda há registros de Sinistros ou Multas num raio de 500 metros, o agente irá informar isso para o condutor. Caso não existam, ele também irá informar.

Estrutura do repositório 📂

• accelerometer.py - Código para processar dados do acelerômetro
• acidentes_processado.csv - Dataset processado de acidentes
• agent_module.py - Módulo principal do agente
• consumption.py - Cálculo de consumo de combustível
• emissions.py - Cálculo de emissões
• figures/ - Pasta para armazenar figuras usadas no repositório
• gps.py - Código para coleta e processamento de GPS
• images/ - Pasta para armazenar imagens geradas nos resultados
• LICENSE - Licença do projeto
• mmcloud_agent.ipynb - Notebook do agente MMCloud
• mmcloud.py - Implementação do algoritmo MMCloud
• models/ - Modelos treinados ou arquivos relacionados
• multas_processado.csv - Dataset processado de multas
• obd_connection.ipynb - Notebook para conexão OBD-II
• obddatapolo.csv - Dados OBD coletados do veículo Polo
• outlier_detection.py - Código para detecção de outliers
• README.md - Arquivo de documentação do projeto
• requirements.txt - Lista de dependências Python
• start_app.sh - Script para iniciar a aplicação
• tests/ - Scripts de teste do projeto
• websocketobdrasp.py - WebSocket para comunicação OBD no Raspberry Pi

Como executar? 🚀

1️⃣ Clone este repositório

bash git clone https://github.com/conect2ai/SBRT2025-MMCloud-Agent.git cd SBRT2025-MMCloud-Agent 2️⃣ Instale as dependências

Recomenda-se utilizar Python 3.11+ com um ambiente virtual (venv ou conda): bash pip install -r requirements.txt 3️⃣ Faça o download do modelo de linguagem

Devido ao tamanho, o modelo Qwen2.5-0.5B.Q4_K_M.gguf não foi incluído no repositório. Faça o download diretamente do Hugging Face: bash https://huggingface.co/Qwen/Qwen2.5-0.5B-Instruct-GGUF Salve o arquivo na pasta models/ do repositório.

⸻

Executando no Raspberry Pi 5

📍 Especificações do hardware

• Dispositivo: Raspberry Pi 5
• Memória RAM: 8 GB
• Cartão SD: mínimo 64 GB (recomenda-se 128 GB)
• Sistema operacional recomendado: Raspberry Pi OS (64-bit)

📦 Complementos utilizados

• Módulo GPS GT-U7
• Acelerômetro MPU6050

---

🔌 Ligações no Raspberry Pi 5

As ligações foram feitas utilizando jumpers fêmea-fêmea de Arduino, conforme descrito abaixo:

MPU6050 → (I2C)

• VCC → 3.3V (pino 1) ou 5V (pino 2 ou 4) → verifique na placa GY-521
• GND → GND (pino 6, 9, 14, 20, 25, 30, 34 ou 39)
• SDA → GPIO 2 (pino 3)
• SCL → GPIO 3 (pino 5)

GPS GT-U7 (usando UART)

• VCC → 3.3V ou 5V (pino 1, 2 ou 4, dependendo do módulo)
• GND → GND (pino 6, 9, 14, 20, 25, 30, 34 ou 39)
• TX (do GPS) → GPIO 15 (RXD, pino 10)
• RX (do GPS) → GPIO 14 (TXD, pino 8)
• Taxa de transmissão → 9600 bps

---

⚙️ Configurações no Raspberry Pi

1️⃣ Habilitar I2C (para o MPU6050) Execute:

bash sudo raspi-config

Navegue para:

3 – Interface Options → I4 I2C → Yes

2️⃣ Habilitar UART (para o GPS GT-U7) Ainda no raspi-config:

3 – Interface Options → I6 Serial Port → Would you like a login shell to be accessible over serial? → No Would you like the serial port hardware to be enabled? → Yes

3️⃣ Instalar pacotes necessários

bash sudo apt update sudo apt upgrade sudo apt install pps-tools gpsd gpsd-clients chrony i2c-tools python3-smbus

4️⃣ Configurar arquivos

• No terminal, execute os seguintes comandos para editar o arquivo /boot/firmware/config.txt:

bash sudo bash -c "echo '# the next 3 lines are for GPS PPS signals' >> /boot/firmware/config.txt" sudo bash -c "echo 'dtoverlay=pps-gpio,gpiopin=18' >> /boot/firmware/config.txt" sudo bash -c "echo 'enable_uart=1' >> /boot/firmware/config.txt" sudo bash -c "echo 'init_uart_baud=9600' >> /boot/firmware/config.txt"

• Depois disso, execute o seguinte comandos para editar o arquivo /etc/modules:

sudo bash -c "echo 'pps-gpio' >> /etc/modules"

5️⃣ Reinicie o Raspberry Pi

bash sudo reboot

🛰️ Testar o GPS manualmente (opcional, mas útil)

Use os comandos abaixo para controlar e testar o GPS no Raspberry Pi. Eles ajudam a verificar se o dispositivo está enviando dados corretamente antes de rodar sua aplicação principal.

bash sudo systemctl stop gpsd `

➡️ Para o serviço gpsd que pode estar rodando automaticamente em segundo plano, liberando a porta serial.

bash sudo systemctl stop gpsd.socket

➡️ Para o socket do gpsd, garantindo que nenhum processo esteja ocupando a comunicação com o GPS.

bash sudo gpsd /dev/ttyAMA0 -F /var/run/gpsd.sock

➡️ Inicia o daemon gpsd manualmente, especificando o dispositivo serial (/dev/ttyAMA0) e criando o socket em /var/run/gpsd.sock para os clientes se conectarem.

bash cgps -s

➡️ Abre uma interface em terminal que mostra as informações brutas do GPS, como latitude, longitude, altitude, número de satélites, velocidade, etc.

bash gpsmon /dev/ttyAMA0

➡️ Abre um monitor detalhado para ver os dados NMEA brutos vindos diretamente do GPS e monitorar pacotes em tempo real.

🔧 Conexão Bluetooth com o OBD-II

Além do GPS e do acelerômetro, o projeto utiliza conexão Bluetooth para coletar dados do veículo via OBD-II. Para isso, siga os passos abaixo:

1️⃣ Pareie o adaptador OBD-II com o Raspberry Pi

No Raspberry Pi, execute:

bash bluetoothctl

Dentro do prompt:

power on agent on scan on

Quando o dispositivo OBD-II aparecer (ex.: OBDII 00:1D:A5:68:98:8B), conecte:

pair 00:1D:A5:68:98:8B connect 00:1D:A5:68:98:8B trust 00:1D:A5:68:98:8B exit

2️⃣ Mapeie a porta serial Bluetooth

Após parear, o dispositivo normalmente aparece como /dev/rfcomm0. Você pode forçar a criação desse link com:

bash sudo rfcomm bind /dev/rfcomm0 00:1D:A5:68:98:8B

3️⃣ Teste a comunicação

Use um programa como minicom ou screen para testar a comunicação:

bash sudo apt install minicom minicom -b 38400 -o -D /dev/rfcomm0

4️⃣ Configure sua aplicação para usar o OBD-II

No código Python, aponte a biblioteca OBD (como python-OBD) para a porta:

python import obd connection = obd.OBD('/dev/rfcomm0')

Você pode executar o notebook obd_connection.ipynb

🚀 Passo final

• Carregue o código no Raspberry Pi, execute:

bash bash start_app.sh

📜 Licença

Este projeto está licenciado sob a Licença MIT. Consulte o arquivo LICENSE para mais detalhes.

---

🌎 Sobre o Grupo Conect2AI

O grupo de pesquisa Conect2AI é composto por estudantes de graduação e pós-graduação da Universidade Federal do Rio Grande do Norte (UFRN). Nossa missão é aplicar Inteligência Artificial (IA) e Aprendizado de Máquina em áreas emergentes.

🎯 Nossas áreas de atuação incluem:

• Inteligência Embarcada e IoT: Otimização da gestão de recursos e eficiência energética para ambientes conectados.
• Transição Energética e Mobilidade: Uso de IA para otimizar o consumo energético de veículos conectados e promover uma mobilidade mais eficiente e sustentável.