CBCarnot Braun

Carnot Braun

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Carnot Braun has a total of 7 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Agente VAMOS! Planejamento de Rotas Veiculares Cientes de Contexto Semântico com Agentes de LLM

    by Carnot Braun, Daniel L. Guidoni, Eduardo Cerqueira, Joahannes B. D. da Costa, Leandro Villas, Allan M. de Souza

    Sistemas de navegação tradicionais priorizam a eficiência métrica, como tempo ou distância, mas falham frequentemente na interpretação de intenções humanas complexas e dependentes do contexto. Embora os Grandes Modelos de Linguagem (LLMs) demonstrem potencial para preencher essa lacuna semântica, sua integração direta em Sistemas de Transporte Inteligentes (ITS) enfrenta barreiras críticas de escalabilidade, latência e dependência de conectividade. Para superar esses desafios, este trabalho apresenta o VAMOS(Vehicular Agent for Multi-objective Optimization and Semantics), um agente híbrido desenhado para operar eficientemente embarcado. O VAMOS desacopla o raciocínio semântico da otimização espacial, combinando Pequenos Modelos de Linguagem (SLMs) locais para a interpretação de intenções com algoritmos de grafos clássicos para a execução de rotas. A avaliação experimental em três cenários urbanos demonstra que o VAMOS atinge acurácia e completude superiores a 91% utilizando modelos compactos. Além disso, os resultados evidenciam um trade-off favorável: embora modelos massivos apresentem um ganho marginal de qualidade (3%), o VAMOS oferece uma redução significativa no overhead computacional e de comunicação, validando a viabilidade de assistentes de navegação semanticamente conscientes.

  • Open Access

    Using Federated Learning to Develop Congestion Control Solutions for Intelligent Transportation Systems

    by Carnot Braun, Daniel L. Guidoni, Allan M. De Souza

    This article presents a comprehensive analysis of the application of Federated Learning (FL) to create congestion control and management solutions in the context of Intelligent Transportation Systems and Vehicular Networks. Starting from the types of communication in vehicular networks, which can be V2V, V2I, or V2X, the article presents three architectures for implementing federated learning in the context of connected vehicles: centralized, decentralized/hierarchical (using edge servers), and peer-to-peer architectures. Considering the variables available in vehicles that can be used to create congestion control solutions and how this information can be used in machine learning models, the article discusses the advantages and disadvantages of each architecture. Furthermore, the article presents data communication (V2V, V2I, and V2X) as a key element in the coordination of machine learning models and the possibilities for sharing information/models using the communication network. Finally, the article presents a case study illustrating traffic prediction with federated learning with a decentralized architecture composed of vehicles and edge servers in the network.

  • Open Access

    Modelagem Preditiva e Interpretação de Emissões de Dióxido de Carbono em Máquinas Agrícolas com Técnicas de IA

    by Carnot Braun, Rafael O. Jarczewski, Leandro Villas, Pedro Moura, Allan M. de Souza

    Os desastres naturais, como queimadas e eventos climáticos extremos, têm se intensificado nos últimos anos, impulsionados por mudanças climáticas e atividades antrópicas. Nesse cenário, torna-se crucial investir em pesquisas para reduzir gases poluentes, como o Dióxido de Carbono (CO2). Contudo, os estudos atuais focam predominantemente em emissões de países e veículos urbanos. O setor agropecuário, entretanto, contribui significativamente para as emissões de CO2 no Brasil. Este trabalho apresenta um benchmark de modelos de inteligência artificial para prever emissões. Utilizamos dados de dois modelos de tratores, provenientes dos sistemas de combustível, bateria, motor e marcha. Utilizamos métodos de pré-processamento como LIME, e a estimativa de emissão de carbono usando tipo de combustível e intensidade de carbono definida pela Associação Brasileira de Engenharia Automotiva. Dessa forma, avaliamos dezesseis modelos de aprendizado de máquina, destacandose o modelo XGBoost, com o menor RMSE de 0,01, demonstrando desempenho promissor para previsão.


  • Open Access

    NEO: Aprendizado Federado com Meta-Aprendizado Dinâmico para Redes Veiculares

    by Carnot Braun, Rafael O. Jarczewski, Joahannes B. D. Da Costa, Allan M. de Souza

    As Redes Veiculares Ad Hoc (VANETs) permitem a comunicação direta entre veículos e a infraestrutura, contribuindo para a segurança e a eficiência do tráfego. No entanto, desafios como a alta mobilidade e as restrições computacionais dificultam a aplicação de técnicas de Aprendizado de Máquina (ML) nesse contexto. O Aprendizado Federado (FL) possibilita o treinamento distribuído de modelos preservando a privacidade dos dados, mas frequentemente exige um grande número de rodadas de comunicação para atingir uma boa convergência. Nesse sentido, este trabalho propõe uma abordagem adaptativa de Meta-Aprendizado Federado, baseada em Redes Convolucionais de Grafos (GCNs), para a previsão de tendências de velocidade em VANETs. A solução ajusta dinamicamente a intensidade do Meta-Aprendizado, otimizando a eficiência do treinamento e reduzindo a sobrecarga computacional. Resultados experimentais indicam que a abordagem reduz o erro preditivo em 5% e diminui o tempo de treinamento em 8%, quando comparada a outras abordagens do estado da arte, demonstrando-se uma alternativa viável para aplicações em VANETs com restrições de recursos.

  • Open Access

    Which One is Better? Distributed Artificial Intelligence Strategies for Accurate Vehicular Emissions Forecasting

    by Carnot Braun, Rafael O. Jarczewski, Allan M. De Souza

    The rapid expansion of urban vehicular networks has led to increasing carbon emissions, posing significant environmental challenges in densely populated areas. Accurate emission predictions are crucial for sustainable urban planning, but current methods face limitations in handling large-scale dynamic data while balancing latency, privacy, and communication efficiency. This paper proposes a comprehensive framework study that compares centralized, federated, and shared learning approaches for CO2 emissions prediction in vehicular networks, using data from vehicles and roadside units (RSUs) to predict emissions in diverse urban scenarios. By evaluating the performance of each approach on latency, communication overhead, and prediction accuracy, this work provides insights into optimizing learning strategies for real-time, scalable, and privacy-preserving emissions management in intelligent transportation systems. The findings offer valuable guidance to urban planners and policymakers, fostering the development of sustainable urban mobility solutions.