Autonomous Vehicles

Veículos autônomos (AVs), muitas vezes chamados de veículos autônomos, usam sensores e inteligência artificial (AI) para perceber o ambiente ao redor, prever o que os outros usuários da via farão, planejar um trajeto e dirigir, acelerar e frear sem um motorista humano. O termo abrange vários níveis, desde carros que mantêm a faixa na estrada enquanto uma pessoa supervisiona até robotáxis sem ninguém ao volante. O serviço sem motorista já é comercial: a Waymo, que abriu ao público viagens totalmente sem motorista em Phoenix em 2020, transporta passageiros pagantes em pelo menos dez áreas metropolitanas dos EUA, e o Apollo Go, da Baidu, opera robotáxis sem motorista em cidades chinesas como Wuhan. Os carros de consumo oferecem principalmente assistência ao motorista, que exige supervisão humana constante e ainda é a forma mais comum de IA no setor automotivo.

Como funcionam os veículos autônomos#

Um sistema de direção autônoma repete o mesmo fluxo de processamento muitas vezes por segundo:

• Sensoriamento: As câmeras leem marcações de faixa, placas e semáforos; o lidar mede distâncias 3D precisas com pulsos de laser; o radar mede distância e velocidade e continua funcionando com neblina e chuva; GNSS, sensores inerciais e odometria das rodas acompanham o movimento do próprio veículo.
• Percepção: Redes neurais detetam, classificam e rastreiam todos os carros, ciclistas e pedestres, identificam faixas e áreas transitáveis e estimam distâncias.
• Previsão: O sistema prevê para onde cada usuário da via provavelmente irá nos próximos segundos, muitas vezes considerando várias trajetórias possíveis com suas probabilidades.
• Planejamento: Um planejador escolhe um trajeto e uma velocidade que permitam avançar, respeitem as regras de trânsito e mantenham uma distância segura de cada trajetória prevista.
• Controle: Um controlador de baixo nível transforma o plano em comandos de direção, acelerador e freio.

Nenhum sensor funciona em todas as condições, por isso a fusão de sensores os combina. A percepção depende da deteção de objetos, da segmentação semântica da estrada, da calçada e da vegetação, da deteção de objetos 3D em nuvens de pontos lidar e do rastreamento de vários objetos, enquanto sistemas que usam apenas câmeras estimam distâncias com a estimativa de profundidade e a visão estéreo. Controladores de rastreamento de trajetória costumam usar o controle preditivo baseado em modelo para seguir a trajetória planejada dentro dos limites de direção e aceleração. Conjuntos de dados públicos como KITTI e Argoverse fornecem dados de condução anotados para treinar e avaliar esses modelos.

Rastreamento de usuários da via em código#

A previsão precisa do movimento de cada usuário da via, por isso a percepção precisa acompanhar todos os objetos de um frame para outro com uma identidade estável. O Ultralytics YOLO26 no modo de rastreamento faz isso, adicionando um ID persistente a cada caixa detetada. Este exemplo rastreia pedestres num vídeo de pessoas caminhando:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Track pedestrians (COCO class 0) across video frames, keeping one ID per person
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
results = model.track(source=video, classes=[0], stream=True)

ids_seen = set()
for result in results:
    if result.boxes.is_track:
        ids_seen.update(result.boxes.id.int().tolist())

print(f"Unique pedestrians tracked: {len(ids_seen)}")

O código mostra quantas pessoas distintas receberam IDs durante o clipe. Cada ID associa as caixas de uma pessoa entre os frames, e a mudança na posição de uma caixa de um frame para outro é o histórico de movimento que um módulo de previsão extrapola.

Condução modular e de ponta a ponta#

O software tradicional de AV é modular: componentes separados e testados individualmente para percepção, previsão, planejamento e controle, conectados por interfaces projetadas manualmente, como listas de objetos rastreados. Os sistemas de ponta a ponta substituem a maior parte desse fluxo por uma rede neural que mapeia dados de sensores para uma trajetória, treinada por imitação de comportamento com grandes quantidades de dados de condução humana. Em 2024, a Tesla migrou seu software de assistência ao motorista FSD (Supervised) para uma rede de ponta a ponta na versão 12, e o modelo de pesquisa UniAD, que conecta percepção, previsão e planejamento numa única rede otimizada para planejamento, ganhou o prêmio de melhor artigo da CVPR 2023. Muitos sistemas de produção ficam entre as duas abordagens: os módulos aprendidos são treinados em conjunto, mas ainda expõem resultados interpretáveis que os engenheiros podem testar.

A simulação responde por grande parte da validação, pois não é possível coletar eventos raros sob demanda. Um modelo de mundo treinado com dados de frotas, como o Waymo World Model anunciado em fevereiro de 2026, gera dados realistas de câmeras e lidar para cenários que nunca foram registrados pela frota, e a aprendizagem por reforço em simulação ajuda os planejadores a lidar com situações raramente contempladas pelos dados de condução humana.

Níveis de automação da condução#

A norma SAE J3016, revisada com a ISO em 2021, define seis níveis de automação da condução. Os níveis 0 a 2 são recursos de apoio ao motorista: a pessoa dirige, mesmo quando está com os pés fora dos pedais e as mãos fora do volante, e precisa supervisionar o veículo o tempo todo. Os níveis 3 a 5 são sistemas de condução automatizada que dirigem por conta própria, pelo menos dentro de seu domínio de projeto operacional, ou seja, as estradas, velocidades e condições para as quais foram desenvolvidos:

Sistemas de condução sem as mãos no volante em rodovias, como o Super Cruise da GM, são de nível 2, pois o motorista precisa continuar observando a estrada. O Drive Pilot da Mercedes-Benz é um sistema de nível 3 aprovado em determinadas rodovias da Alemanha, da Califórnia e de Nevada, onde o motorista pode desviar o olhar, mas precisa assumir o controle quando solicitado. Os robotáxis da Waymo são de nível 4, sem motorista dentro de áreas de serviço mapeadas, e hoje não existe nenhum veículo de nível 5, capaz de dirigir em qualquer lugar onde uma pessoa poderia.

Aplicações no mundo real#

• Robotáxis: Waymo, Baidu Apollo Go e outros transportam passageiros sem um motorista de segurança a bordo, dentro de áreas de serviço definidas, com o apoio de funcionários remotos que podem responder às dúvidas do veículo.
• Transporte rodoviário de carga: Em 2025, a Aurora começou a transportar cargas de clientes em caminhões sem motorista entre Dallas e Houston, em rotas rodoviárias nas quais a condução longa e previsível é adequada à automação.
• Assistência ao motorista: O controle de cruzeiro adaptativo, a centralização na faixa e a frenagem automática de emergência usam tipos semelhantes de modelos de percepção em milhões de carros de consumo, muitas vezes junto com câmeras de monitoramento do motorista que verificam sua atenção.
• Veículos industriais: Caminhões autônomos de mineração, tratores de pátio e empilhadeiras de armazém operam em locais privados, onde as rotas e o tráfego são controlados.

Veículos autônomos e termos relacionados#

• Sistemas avançados de assistência ao motorista (ADAS): Recursos dos níveis 0 a 2 que ajudam um motorista humano, que continua responsável pela condução. No sentido estrito, um AV realiza sozinho toda a tarefa de condução.
• Veículos conectados (V2X): Veículos que trocam dados entre si e com a infraestrutura, como os semáforos. Um carro pode ser conectado sem ser automatizado, e a conectividade pode ampliar o campo de visão de um AV para além dos próprios sensores.
• Assistência remota e condução remota: A revisão da SAE de 2021 diferencia os dois conceitos. Um assistente remoto orienta um veículo sem motorista, por exemplo, confirmando que ele pode passar por um caminhão parado, enquanto o veículo continua dirigindo por conta própria; um motorista remoto controla diretamente o veículo à distância.
• IA física e robótica: Um AV é um robô móvel especializado em vias públicas, a maior aplicação comercial de IA física, e seus métodos de percepção e planejamento também são usados em robôs de armazém, drones e humanoides.