O “velho e bom Fusquinha” não vai virar um carro autônomo da noite para o dia

As promessas de um veículo sem motorista foram exageradas. Mas, aos poucos, elas vão se tornar realidade. O primeiro passo é termos visões mais realistas das oportunidades

0
365
Leia em 9 min

Recentemente a revista Scientific American publicou um artigo muito instigante,  “Self-Driving’ Cars Begin to Emerge from a Cloud of Hype”, que mostra claramente que a tecnologia de veículos autônomos está saindo do hype para a realidade.

Na verdade, um passo importante e fundamental na evolução de uma tecnologia é quando ela sai do hype (exagero) e cai no mundo real. Quando se descobre que as coisas são muito mais difíceis de se fazer do que se imaginava no início e que os desafios são imensamente maiores.

Cinco anos atrás, praticamente todos os principais fabricantes de veículos motorizados e empresas de tecnologia previram a implantação generalizada dos “automated driving systems” (ADS) até 2020/2021, o que supostamente acabaria com necessidade de motoristas humanos.

Mas, como acontece com quase toda nova e revolucionária tecnologia, um otimismo desenfreado minimizou suas dificuldades. Seria apenas uma questão de treinar sofisticados algoritmos de IA embutidos nos veículos e, para isso, seria necessário apenas rodar milhões de quilômetros em estradas.

Na prática, viu-se que o problema é muito mais complexo. Dirigir um veículo é uma tarefa complexa, mesmo para um ser humano, pois envolve muitas subtarefas e inputs simultâneos além de constantemente estarmos diante de eventos inesperados, como um cachorro atravessando inesperadamente uma rua.

O trânsito é um cenário em que as situações insólitas e inesperadas acontecem com frequência, mas que são difíceis de serem replicados em dados de treinamento. Por isso, ocorrem acidentes, como os que ocorreram com os veículos da Tesla e que agora estão sendo investigados, como vemos no artigo “U.S. Will Investigate Tesla’s Autopilot System Over Crashes With Emergency Vehicles”.

Os veículos não reconheceram como obstáculos caminhões de bombeiros ou ambulâncias, parados nas estradas, com suas luzes estroboscópicas piscando. O princípio básico de funcionamento dessas luzes é o acende e apaga e isso confundiu os algoritmos dos veículos.

Dirigir um veículo é uma tarefa complexa, mesmo para um ser humano

Essa complexidade faz com que o hype otimista tenha que cair na real e agora espera-se que precisemos de pelo menos mais uns 20 anos para que a tecnologia de veículos completamente autônomos se torne realidade e seja usada comumente. O desafio é imenso, pois os veículos autônomos não podem existir sem uma integração com outros veículos e com a infraestrutura das cidades.

Demanda mudanças nas legislações e afeta diversos setores da economia, em alguns casos acelerando e em outros, desestimulando sua adoção. O artigo “33 Industries Other Than Auto That Driverless Cars Could Turn Upside Down” mostra quais setores poderiam potencialmente serem afetados pelos veículos autônomos.

E, claro, nenhum setor ficaria passivo diante de ameaças de disrupção. Reagiria de diversas formas, desde o uso da regulação a seu favor, até com inovações que poderiam afetar o ritmo de adoção dos próprios veículos. Um ser humano demanda pelo menos de 40 horas a 50 horas para aprender a dirigir um veículo adequadamente. Isso, por si, demonstra que não é uma coisa fácil.

E, nós humanos, dirigimos usando nossas características humanas, como:

– percepção (observando o cenário em volta e ouvindo sons, dos motores e buzinas de outros carros e das mudanças do próprio ambiente, se adaptando a condições diferentes, como chuva forte, neve e neblina),

– navegação e planejamento (onde queremos ir ou tomando caminhos diferentes diante de um engarrafamento),

– inferência (prevendo intenções de pedestres e outros motoristas),

– tomada de decisão em situações insólitas (quando vemos um automóvel desgovernado à nossa frente, batendo em um poste)

– e, claro, controlando o veículo, na sua direção, velocidade, freando ou acelerando.

Um veículo controlado por IA usa redes neurais em vez de nosso cérebro e sensores e atuadores em vez de nossos membros. O veículo usa tecnologias como LiDAR e câmeras para simular nosso percepção. Usa mapas tridimensionais e GPS para navegação e algoritmos preditivos para simular inferências. As tomadas de decisão são baseadas em regras e cálculos estatísticos, como o que fazer quando um obstáculo é detectado à sua frente.

A evolução do veículo autônomo não é repentina. Esse imenso conjunto de tecnologias, necessárias para essa autonomia existir, evolui em ritmos diferentes. Por isso, não se sai de um veículo 100% analógico, como o velho e bom Fusquinha, e entra-se em um veículo 100% autônomo. Isso é uma quimera!

A “Society of Automotive Engineers” classifica o grau de autonomia em seis níveis:

– L0 (nível zero) em que não existe nenhuma autonomia. O humano faz tudo. É o fusquinha.

– L1 (“hands on”). A IA pode fazer uma única tarefa, quando o motorista o ativar, como manter a velocidade de cruzeiro na estrada.

– L2 (”hands off”). A IA realiza múltiplas tarefas, como frenagem e aceleração, mas espera que o humano supervisione e assuma o controle quando necessário. Chegar a esse ponto já é difícil. Por exemplo, apesar do hype, a Tesla ainda está aprovada apenas para operar nesse nível. Vejam “Why Is Tesla’s Full Self-Driving Only Level 2 Autonomous?”

– L3 (“eyes off”). IA pode assumir o controle, mas o humano deverá estar pronto para intervir em situações críticas, não manuseadas pela IA.

– L4 (“mind off”). IA poderá operar uma viagem por completo, mas apenas em estradas e ambientes no qual ele reconhece pelo seu treinamento. Isso significa que um veículo treinado para rodar nas estradas e ruas bem sinalizadas da Europa terá dificuldades para rodar em estradas esburacadas e mal sinalizadas, ou em ruas de trânsito caótico e desordenado.

– L5 (“steering wheel optinal”). O veículo não precisa de intervenção humana e dispensa até o volante.

Até o nível L3 podemos considerar upgrades do veículo e com impacto limitado na indústria e outros setores da economia. Já L4 e L5 causam impactos como as potenciais disrupções que vimos acima. O L4 poderia ser exemplificado como um caminhão ou ônibus rodando de forma autônoma em rodovias, com o motorista assumindo apenas nas cidades, e o L5 poderia ser um Uber sem motorista.

Aliás, de forma muito otimista, o Uber havia projetado que teria 13 mil veículos autônomos operando até 2019 e expandiria para 75 mil em 13 cidades até 2022. Em dezembro do ano passado, vendeu sua operação de carros sem motorista, reconhecendo que ainda existe uma longa e tortuosa jornada para que isso se torne realidade. Vejam o artigo “Uber sells off its self-driving division to autonomous car startup Aurora”.

O Uber havia projetado que teria 13 mil veículos autônomos operando até 2019. Em dezembro do ano passado, vendeu sua operação de carros sem motorista

Para os níveis L4 e L5, o esforço é potencializado. Os algoritmos de IA teriam que ser treinados em cenários muto diversos. Não é fácil. Um estudo bem instigante, “Why deep-learning AIs are so easy to fool”, mostra o efeito do fato dos algoritmos de rede neural não entenderem realmente o mundo, pois são estruturas de software compostas por fórmulas matemáticas interconectadas.

Assim, por não disporem de bom senso e nem aprenderem com a experiência de viver no mundo real, como nós humanos, erram de forma grosseira em situações que nós facilmente reconhecemos e nos saímos bem. Esses cenários numerosos e com alto grau de variabilidade são difíceis de serem criados.

É o fenômeno da “cauda longa”, em que isoladamente são raros, mas em seu total são numerosos. Como é praticamente impossível registrar um volume adequado desses cenários via câmeras do mundo real, são necessárias técnicas de geração de situações sintéticas, que simulem o máximo de potenciais ocorrências possíveis.

Os veículos autônomos também terão que ultrapassar a barreira das regulações e questões éticas e legais, que são diferentes em cada país. Com isso, a necessidade de customizar os algoritmos para cada situação pode inviabilizar economicamente o projeto.

Uma recomendação errada de um vídeo pela Netflix não causa nenhum efeito, apenas um resmungo do usuário. Já um algoritmo com resultados errados pode matar pessoas e isso gera implicações legais e regulatórias bastante sérias.

Essa questão abre espaço para a necessidade de evoluirmos de forma mais acelerada as técnicas de “Explainable AI”, pois em questões legais será absolutamente necessário que consigamos obter da IA o porquê da sua decisão. O atual modelo de “black boxes” dos algoritmos de ML não é adequado para veículos L5.

Para esse nível de automação, a infraestrutura das cidades também deverá estar preparada. Sensores deverão estar alertando os algoritmos do veículo de situações inesperadas de trânsito à frente, para que ele tome decisões antecipadamente. Observamos aqui que é necessária a convergência tecnológica.

Além de algoritmos de IA embutidos nos próprios veículos (conceito de edge computing) são necessárias redes de comunicação de alta velocidade entre os veículos e com a infraestrutura da cidade, baseadas na tecnologia 5G e quem sabe daqui a 20 anos na 6G.

Mas todo esse esforço valerá a pena? Na minha opinião sim, pois veículos autônomos, no longo prazo, serão mais seguros. Hoje, temos cerca de 1,4 milhão de mortes anualmente em acidentes de trânsito ao redor do mundo. Um motorista humano bem habilitado consegue de oito a dez mil horas de prática em sua vida, mas os algoritmos de IA, integrados, e aprendendo com a direção de cada veículo, podem chegar a trilhões de horas de experiência, compartilhadas uns com os outros.

Todo esse esforço valerá a pena? Na minha opinião sim, pois veículos autônomos, no longo prazo, serão mais seguros

O modelo de negócio da indústria vai mudar da posse para uso (compartilhar veículo provavelmente poderá ser o modelo padrão do que chamaremos de indústria automotiva daqui a 20 anos) e teremos redução na demanda por profissionais de direção, uma vez que no L5 esses não serão necessários. É um tempo adequado para reposicionamento profissional.

O primeiro passo é termos visões mais realistas das oportunidades e desafios da direção automatizada. Com isso, os investimentos serão mais focados e teremos um maior  alinhamento das percepções da sociedade com a realidade.

Devemos ver evoluções graduais, como implementações limitadas de caminhões autônomos em rodovias e pequenos veículos de entrega em ambientes urbanos. Ônibus e táxis em circuitos bem delimitados. Mas a plena automação ainda está distante. É uma longa e cara jornada, mas, no seu fim será recompensadora.

Cezar Taurion é VP de Inovação da CiaTécnica Consulting, e Partner/Head de Digital Transformation da Kick Corporate Ventures. Membro do conselho de inovação de diversas empresas e mentor e investidor em startups de IA. É autor de nove livros que abordam assuntos como Transformação Digital, Inovação, Big Data e Tecnologias Emergentes. Professor convidado da Fundação Dom Cabral, PUC-RJ e PUC-RS

Leia também

Brand Stories