Estratégias de localização para sistemas de acesso passivo a veículos utilizando sensores inercias de smartphones

Com os avanços tecnológicos na indústria automotiva os meios de acesso ao veículo foram se modernizando. Inicialmente a forma de se entrar no veículo era através de uma chave mecânica não autenticada, que era possível se fazer ligação direta para ligar o veículo. Com o passar do tempo surgiram os immobilisers que serviam pra autenticar a chave, reduzindo o número de roubos de veículos. Mais a frente surgiram os sistemas Remote Keyless Entry (RKE) e Passive Keyless Entry and Start (PKES), o primeiro permite a abertura do veículo a distância através de ondas de rádio e o segundo a abertura de forma passiva do veículo (sem a necessidade de se apertar nenhum tipo de botão, apenas estar portando a chave) também utilizando ondas de rádio. Essas novas tecnologias além de trazer mais conforto para os usuários também trouxeram mais desafios, dentre eles o ataque de relay, que consiste em um ataque de camada física muito difícil de ser detectado e de se proteger dele. Com o advento dos smartphones, uma nova possibilidade surgiu, utilizar os smartphones como chave passiva de veículos. Este tipo de tecnologia já encontrada em carros de luxo como por exemplo Tesla Model 3, que é possível utilizar apenas o smartphone como chave passiva do carro. E não diferente de sistemas PKES de chaves clássicas de veículos os smartphones são vulneráveis a ataques de relay. Diante desta situação, este trabalho propõe um algoritmo de localização 2D baseado em Pedestrian Dead Reckoning (PDR) que pode ser utilizado em um sistema de chave passiva para smartphones. Com este algoritmo proposto o sistema seria capaz de controlar os momentos em que o rádio da chave estaria ligado impedindo os ataques de relay, uma vez que, apenas quando o usuário estivesse realmente perto do veículo o serviço de abertura do veículo seria habilitado. Neste sistema de PDR são empregadas técnicas de aprendizagem de máquina para fazer reconhecimento de posições e orientações do smartphone, assim como, para fazer estimação de deslocamento em cada passo dado pelo usuário. Foi verificado que técnicas baseadas em árvores possuem uma boa acurácia para fazer estimação dos passos e SVM são boas para definir as posições e orientações do smartphone. O sistema proposto se mostrou eficiente, erros inferiores a 2𝑚, em sua maioria para trajetos curtos. Para trajetos longos o sistema não apresentou um desempenho satisfatório, devido a um erro de drift não considerado pelo algoritmo de direção proposto.

Grantor dc:publisher

Universidade Federal de Pernambuco

Year dc:date.issued

2020

Author dc:creator

• RIOS, Marcus Felipe Raele

Advisor dc:contributor.advisor

• SILVA-FILHO, Abel Guilhermino da

• Inteligência computacional
• Aprendizagem de máquina

Statement dc:rights

• openAccess
• Attribution-NonCommercial-NoDerivs 3.0 Brazil

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc-nd/3.0/br/

Language dc:language.iso

por

Repository record dc:identifier.uri

https://repositorio.ufpe.br/handle/123456789/38385

OAI identifier oai:identifier

oai:repositorio.ufpe.br:123456789/38385