Motoristas são excepcionalmente bons em percorrer estradas que nunca dirigiram usando a observação e ferramentas simples de localização, como o GPS. Hoje, as tecnologias voltadas para a construção de carros autodirigíveis disponíveis não conseguem desenvolver um sistema capaz de replicar essa habilidade humana. Esses veículos não podem identificar caminhos com o ;olhar; e, quando trafegam por áreas novas, precisam mapear e analisar a existência de novas estradas ; um processo que pode demandar tempo.
Pesquisadores do Instituto de Tecnologia de Massachusetts (MIT, na sigla em inglês), nos Estados Unidos, desenvolvem uma solução que poderá resolver esse problema: um sistema de controle autônomo que ;aprende; os padrões de direção de motoristas humanos enquanto navega, pela primeira vez, em uma área. ;Nós acreditamos que aprender o controle de carros pelos seres humanos é uma abordagem calculável para resolver o problema dos carros autônomos, uma vez que permite aprender com os conjuntos de dados de condução que estão disponíveis hoje;, afirma Alexander Amini, estudante de pós-graduação do instituto e autor principal do estudo, apresentado na Conferência Internacional sobre Robótica e Automação, no mês passado, em Montreal, no Canadá.
O método de análise é simples e utiliza apenas dados de câmeras de vídeo e mapas semelhantes ao GPS. O raciocínio ágil do novo sistema consegue detectar incompatibilidade entre os mapas e a estrada, o que permite, por exemplo, detectar possíveis fatores incorretos, corrigindo o curso do carro em um caminho desconhecido.
Durante a condução autônoma, o sistema também combina continuamente seus dados visuais com os do mapa e observa qualquer incompatibilidade. Isso o ajuda a determinar onde está localizado e garante a permanência no caminho mais seguro. ;No mundo real, os sensores falham, e queremos ter certeza de que o sistema é robusto para diferentes falhas de diferentes sensores, construindo um sistema que possa aceitar entradas ruidosas e, ainda, navegar e se localizar corretamente na estrada;, frisa Amini.
Nos primeiros testes, os pesquisadores inseriram, em um carro autodirigível, o sistema e um mapa, para que trafegasse em uma rota escolhida aleatoriamente. O veículo também estava equipado com uma câmera e um sistema básico de navegação por GPS. Durante o percurso, a solução tecnológica extraiu recursos visuais da câmera, o que o permitiu prever as estruturas da estrada. Usando a distribuição de probabilidade prevista nos comandos de direção, escolheu a mais provável para seguir sua rota. ;Você pode baixar um novo mapa para o carro e andar por estradas que nunca viu antes;, frisa Amini.
Armazenamento fácil
Outra vantagem do modelo é o uso de mapas fáceis de armazenar e processar. Normalmente, sistemas de controle autônomos têm como bases digitalizações LIDAR para criar mapas complexos e enormes, que precisam de muitos gigabytes para serem armazenados. Além disso, para cada novo destino, o carro deve desenvolver mapas, o que equivale a toneladas de processamento de dados. Os mapas previstos para o sistema criado pela equipe do MIT podem analisar o mundo inteiro usando apenas 40 gigabytes de dados.
A expectativa dos pesquisadores é de que o sistema traga mais funcionalidade aos carros e de que seja útil para todos os tipos de ambientes. ;Se treinarmos um veículo autônomo para dirigir em uma área urbana, como as ruas de Cambridge, o sistema também deve ser capaz de dirigir suavemente na floresta, mesmo que seja um ambiente que nunca tenha visto antes;, afirma Daniela Rus, coautora do estudo e diretora do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL, na sigla em inglês), também do MIT.
Aprendizado de máquina
Os sistemas de navegação tradicionais processam dados por sensores que são divididos em seções personalizadas por tarefas, como localização, mapeamento, detecção de objetos, planejamento de movimento e controle de direção. Em contraponto, o grupo do MIT trabalha em sistemas de navegação chamados end-to-end, capazes de guiar o carro de um ponto a outro, processando dados sensoriais introduzidos e produzindo comandos de direção sem a necessidade de seções especializados.
O sistema utilizado é um modelo de aprendizado de máquina chamado rede neural convolucional (CNN, na sigla em inglês), muito comum para o reconhecimento de imagem. No caso do veículo autodirigível, a CNN correlaciona as rotações do volante às curvaturas da estrada que observa por meio de câmeras e de um mapa inserido. Eventualmente, o sistema aprende o comando de direção mais provável para várias situações de condução, como estradas retas, cruzamentos de quatro vias ou em forma de T, entre outros.
;Inicialmente, em uma interseção em forma de T, há muitas direções diferentes que o carro pode seguir. O modelo começa pensando em todas essas direções, mas, conforme vê mais e mais dados sobre o que as pessoas fazem, vê que algumas pessoas viram para a esquerda e algumas, para a direita, mas ninguém vai direto. A frente é descartada como possível direção, e o modelo aprende que, em cruzamentos em forma de T, só pode se mover para a esquerda ou para a direita;, detalha Daniela Rus.
Limitações
Leonel Morales, professor do curso de engenharia mecânica do Centro Universitário do Distrito Federal (UDF), aponta que existem ressalvas para o uso dessa solução tecnológica. ;Há que se pensar em inúmeros desafios que devem surgir com elas, como questões de legislação, do comportamento ético e moral. Em geral, devem ser realizados estudos em diversas áreas para poder implementar e fazer com que essas tecnologias se tornem reais e tragam conforto e segurança para a sociedade;, defende.
Professor do Departamento de Informática e Estatística na Universidade Federal de Santa Catarina (UFSC), José Eduardo De Lucca lembra que a melhoria dos carros autônomos é um objetivo buscado por profissionais de diferentes perfis. ;Grandes fabricantes de veículos estão bancando pesquisas desse tipo, em conjunto com empresas de tecnologia e universidades de todo o mundo. Acredito que, cada vez mais, as pessoas nas grandes cidades vão passar a ver os veículos como uma utilidade, e não como algo que se tem e se ostenta;, diz.
*Estagiária sob supervisão de Carmen Souza
;Se treinarmos um veículo autônomo para dirigir em uma área urbana, como as ruas de Cambridge, o sistema também deve ser capaz de dirigir suavemente na floresta, mesmo que seja um ambiente que nunca tenha visto antes;
Daniela Rus, coautora do estudo e diretora do Laboratório de Ciência da Computação e Inteligência Artificial do Instituto de Tecnologia de Massachusetts
Palavra de especialista
Paradoxos e resistências
;Eu vejo um paradoxo na implementação desse tipo de carro autônomo. Se não há a necessidade de motorista, para que eu compraria um carro? Simplesmente pego meu celular e chamaria um carro autônomo de uso coletivo para me pegar na porta de casa ou do trabalho. Se todos pensassem assim, a indústria automotiva, como é hoje, não seria mais necessária. O mercado de carros seminovos e as oficinas mecânicas não teriam mais utilidade, e o mesmo aconteceria com os atuais serviços de logística e gestão. Novas indústrias vão aparecer com novas estratégias de mercado, e o volume de vendas dessas indústrias não será definitivamente o volume que hoje vemos, será muito menor. Se falarmos no ;prazer de dirigir;, os carros autônomos não se encaixam nessa ideia, e a nossa geração teria alguma resistência em viajar em carros sem alguém atrás do volante. Vamos esperar até que, realmente, o carro autônomo seja uma realidade social, especialmente no Brasil, onde essas tecnologias somente nos alcançam várias décadas depois. Qualquer nova tecnologia somente terá sucesso se tiver um alcance e benefício social muito grandes.;
Sadek C. Absi Alfaro, professor do Departamento de Engenharia Mecatrônica na Universidade de Brasília (UnB) e pós-doutor em robótica, mecatrônica e automação pela Universidade de Cranfield (Inglaterra)