ARTIGOS

Veículos Autônomos: desafios para a massificação e disponibilidade da tecnologia

O recente anúncio da aliança estratégica entre Ford e Volkswagen para o desenvolvimento de carros elétricos e autônomos, com investimento de US$ 2,6 bi da VW na start-up Argo-AI, comprova nossa visão de que o futuro será construído por conglomerados bem diferentes daqueles com os quais convivemos nos últimos 15 anos da indústria automotiva.

A associação demonstra que é muito importante para os profissionais do setor entender a origem do processo por maior autonomia dos veículos e os desafios a serem suplantados para que veículos autônomos possam se tornar uma realidade no futuro.

Extraoficialmente, o URBAN CHALLENGE 2007, da Agência de Defesa Americana de Projetos de Pesquisa Avançada, deu início à corrida para o desenvolvimento de tecnologias de veículos autoconduzidos, desencadeando a busca por veículos autônomos. O projeto teve 11 finalistas que competiram em uma corrida inédita de 60 milhas no deserto da Califórnia. Os carros-robôs precisavam completar a missão com segurança e rapidez, sem qualquer intervenção humana.

Na oportunidade, o DARPA URBAN CHALLENGE 2007 eliminou o tráfego de pedestres e ciclistas do desafio. Apesar dessas simplificações, o que as equipes conseguiram foi impressionante, com a maioria desenvolvendo seus sistemas, em grande parte, a partir do zero, em apenas 18 meses.

À medida que iniciamos esses avanços, sabemos que nenhuma ferramenta técnica ou algoritmo sozinho resolverá categoricamente todos os desafios da direção autônoma. Nos últimos anos, o jogo mudou devido ao poder computacional agora disponível, mas, com isso, veio um novo conjunto de complexidades que ainda estamos aprendendo a gerenciar.

DETECTANDO O MUNDO

Aqui, vamos falar dos sensores, que ainda têm um longo caminho a percorrer. Hoje, usamos os sensores “LiDAR”, que funcionam bem em condições de pouca iluminação, mas não fornecem cor ou textura. Por isso, passamos a usar câmeras as quais são desafiadas com pouca iluminação e tendem a se esforçar para fornecer foco e resolução suficientes em todas as faixas de operação desejadas. O radar, ao contrário, tem resolução relativamente baixa, mas é capaz de detectar diretamente a velocidade dos usuários das vias, mesmo a longas distâncias. Combinar tudo isso em uma imagem abrangente e robusta do mundo para o processamento do computador é incrivelmente difícil e desenvolver um sistema que possa ser fabricado em escala e com bom custo-benefício é ainda mais desafiador.

ENTENDENDO O MUNDO

Uma vez que um veículo autônomo tem as ferramentas para “ver” objetos relevantes ao seu redor, cabe ao próprio carro dar o próximo passo – identificar o tipo de objeto, seja pedestre, ciclista, outro veículo ou detritos na estrada e quão rápido esse objeto está se movendo. O carro, então, deve determinar o comportamento provável desse objeto. Avanços em inteligência artificial e aprendizado de máquina, impulsionados pelas crescentes opções de computação e armazenamento na nuvem, alimentam novos algoritmos, mas uma parte do processo de construção desses algoritmos avançados é coletar milhões de quilômetros de dados reais de nossos sensores. Nossos primeiros resultados são realmente impressionantes, mas sabemos muito bem que o desafio está sempre nos detalhes.

PREVENDO, INTEGRANDO E TESTANDO O MUNDO

Quando dirigimos um carro, estamos subconscientemente estimando os próximos segundos de comportamento de outros usuários da estrada. Essas mesmas ações também são necessárias para que um carro autônomo navegue pelas movimentadas ruas das cidades. Precisamos construir algoritmos que permitam que nossos veículos autônomos respondam a uma compreensão mais profunda do comportamento provável de outros motoristas. Precisamos garantir que o carro possa operar com segurança, confiabilidade e previsibilidade.

Geralmente, o software que impulsiona um carro autônomo é o chamado sistema estocástico, cujos resultados são determinados por meio de uma série de padrões e modelos detectados e aplicados a entradas de sensores inerentemente aleatórios, e não por meio de uma equação matemática. Testar sistemas estocásticos requer um número significativo de repetições geradas por dados do mundo real, o que significa a necessidade de reunirmos dados e experiências de milhões de milhas trafegadas para ensinar o software a dirigir com segurança.

Os níveis e autonomia dos veículos classificados pela SAE vão de 1 a 5, sendo o nível 1 os veículos com aplicação das tecnologias de ADAS (Sistemas avançados de Assistência ao Condutor) e o nível 5 os “BUBLE CARS”, veículos sem volante e pedais e sem a necessidade de atuação do motorista. A nova associação Ford & VW oferece grande quantidade de recurso e conhecimento ao desenvolvimento de AV’s, mas a próxima vez que você ouvir alguém citar níveis 3,4, ou 5 de autonomia dos veículos, pergunte-lhe: a que velocidade, em qual estrada, simples ou de duas pistas, com tráfego em ambos os sentidos, que terreno e em que condição climática.

A verdade é que ainda estamos nos primórdios de tornar os carros autônomos uma realidade em qualquer ambiente. Aqueles que pensam que veículos totalmente autônomos estarão onipresentes nas ruas da cidade em um espaço curto de tempo não estão conectados ao estado da arte ou comprometidos com a implantação segura da tecnologia.

Paulo Cardamone
Bright Consulting

Artigo suportado por entevista de Bryan Salesky, CEO-Argo AI

Office: + 55 19 3397.0175

contato@brightisd.com

Condomínio Centre Ville I
Rua Place Des Vosges, 88, BL. 2,
UN 114, CEP 13105-825
Campinas - SP, Brazil