Waymo: Veículos autônomos ainda dependem de uma visão nítida do mundo

As melhorias na condução autônoma continuam a surgir de avanços em hardware de sensores, tecnologia de semicondutores e aprendizado de máquina. Mas o que falta?

Ao discutir veículos autônomos, a atenção do público geralmente se concentra na inteligência artificial. No entanto, durante seu discurso de abertura em um evento nos Estados Unidos, Simon Verghese, Diretor de Sensores da Waymo, enfatizou que a direção autônoma continua sendo fundamentalmente dependente da qualidade e da diversidade dos dados coletados do mundo físico.

Ao falar sobre sistemas de sensores e sua utilização em frotas de veículos autônomos, Verghese argumentou que a robustez dos sensores continua sendo fundamental para lidar com os casos extremos que ainda desafiam os sistemas de direção automatizada. Embora os avanços em IA tenham atraído considerável atenção, ele sugeriu que o desempenho de qualquer sistema autônomo depende, em última análise, de sua capacidade de perceber com precisão o ambiente ao seu redor em condições variáveis ​​e imprevisíveis.

A experiência da Waymo

​A experiência da Waymo fornece um conjunto de dados substancial para tirar conclusões. A empresa realiza atualmente cerca de meio milhão de viagens comerciais por semana e acumulou mais de 200 milhões de milhas comerciais autônomas. Essa escala operacional expõe os veículos a uma ampla gama de cenários do mundo real, desde infrações de semáforo e colisões até ciclistas, pedestres, veículos de emergência e obras na via gerenciadas por controladores de tráfego humanos.

Muitas dessas situações fogem às expectativas normais de direção. Verghese ilustrou isso com exemplos, como motociclistas caindo na frente de veículos, pedestres atravessando rodovias à noite, ciclistas trafegando em vias expressas e o tráfego sendo direcionado manualmente quando os semáforos falham. Nessas situações, um sistema autônomo deve detectar objetos, compreender o contexto e prever o comportamento.

Para isso, os veículos autônomos continuam a depender de múltiplas modalidades de sensoriamento, em vez de um único tipo de sensor. Câmeras, lidar, radar e microfones fornecem informações diferentes sobre o ambiente e cada um apresenta limitações distintas.

Por exemplo, condições climáticas adversas afetam as tecnologias de sensoriamento de maneiras diferentes. Tempestades de poeira podem reduzir a eficácia das câmeras devido ao brilho e à perda de contraste, enquanto o lidar ainda pode detectar objetos além da obstrução visual. No entanto, nevoeiros densos podem reduzir significativamente o desempenho do lidar em longas distâncias, enquanto o radar pode continuar rastreando veículos à frente.

Esse comportamento complementar explica por que a fusão de sensores continua sendo um princípio fundamental de design para muitos sistemas de direção autônoma de Nível 4. Em vez de buscar um único sensor perfeito, os desenvolvedores estão cada vez mais combinando tecnologias cujas vantagens e desvantagens são diferentes.

​O lugar dos robotáxis no setor automotivo

​A apresentação de Verghese também ofereceu informações sobre a relação entre o desenvolvimento de veículos autônomos e o setor automotivo em geral. Verghese observou que os avanços originalmente impulsionados pelo mercado de sistemas avançados de assistência ao condutor (ADAS) estão ajudando a reduzir o custo do hardware de sensores para veículos autônomos. Melhorias em tecnologias de semicondutores, sensores de imagem, componentes de radar e detectores lidar estão tornando a detecção de alto desempenho cada vez mais acessível.

Essa tendência pode ter implicações mais amplas além das frotas de robotáxis. À medida que os custos dos componentes diminuem e o desempenho melhora, as tecnologias antes associadas a veículos altamente automatizados podem se tornar mais práticas para uma implementação mais ampla em veículos de passageiros.

Vale destacar que a inteligência artificial também teve um papel de destaque ao longo da apresentação como ferramenta para interpretar dados de sensores. A Waymo está utilizando cada vez mais modelos de aprendizado de máquina para processar cenas complexas, identificar a intenção humana e aprimorar as capacidades de percepção. Os exemplos incluíram o reconhecimento de gestos de controladores de tráfego e a compreensão de situações incomuns que sistemas convencionais baseados em regras teriam dificuldade em interpretar.

No entanto, apesar do entusiasmo em torno da IA ​​generativa, os veículos autônomos ainda enfrentam requisitos rigorosos de latência, confiabilidade e validação de segurança. Os sistemas precisam processar grandes quantidades de dados de sensores e reagir em frações de segundo, deixando pouco espaço para modelos computacionalmente intensivos que não conseguem operar de forma previsível em condições reais.

Mais segurança depende de visão mais clara

​De forma geral, as melhorias na condução autônoma continuam a surgir de avanços em hardware de sensores, tecnologia de semicondutores, aprendizado de máquina, simulação, validação e experiência operacional.

Os veículos autônomos ainda dependem da capacidade fundamental de observar o mundo com precisão, e a apresentação de Verghese enfatizou que a automação segura começa com uma visão clara.

Se você trabalha com IA, um tablet eficiente faz toda a diferença. Caso esteja pensando em trocar o seu, o Tablet Samsung Galaxy TAB A11+ é uma das melhores opções atualmente no mercado. Compre com desconto neste link.

Quando você compra usando nossos links, você apoia o Futuro Guiado e isso não afeta a nossa independência editorial.