Startup demonstra inteligência artificial de direção autônoma em tráfego intenso

A startup britânica Wayve apresentou nesta semana uma demonstração de sua inteligência artificial conduzindo, com direção autônoma, um veículo convencional em meio ao tráfego intenso das ruas do centro de Londres. O teste, ao contrário de outros carros autônomos, utiliza câmeras frontais, machine learning e orientação via satélite para analisar o trânsito.

No vídeo, o carro pilotado por IA consegue parar em cruzamentos livres e atualizar os comandos em tempo real, recalculando os trajetos mesmo quando o caminho é obstruído por uma moto. O sistema detecta faixas de pedestre, ciclovias, momentos de ultrapassagem, trocas de faixa, e até consegue posicionar o automóvel em ultrapassagens estreitas com precisão — algo difícil de realizar no trânsito londrino.

Ao contrário de outras propostas de carros completamente autônomos, o sistema da Wayve utiliza apenas navegação por GPS e câmeras frontais para a navegação. O produto eventualmente irá se tornar um aparelho com sistema escalável, que poderá ser fornecido para outros veículos como módulo de direção automática.

Startup quer que algoritmo aprenda a dirigir com humanos

Parte da razão dos testes de direção autônoma via inteligência artificial da Wayve se darem em pleno trânsito conturbado vem de sua própria proposta: a startup quer que o algoritmo aprenda a dirigir como um humano. Longe de significar briga no trânsito ou conversões sem sinal, a ideia é que os robôs decidam como pilotos de carne e osso — que, por sua vez, cometem menos erros.

Portanto, a Wayve efetua o teste com o algoritmo operando nas ruas, junto a um piloto de verdade que faz ajustes finos conforme o trânsito. Segundo o chefe de tecnologia da startup, Alex Kendall, esse método “já reduz em até 98,3 os erros de trânsito convencionais, que original da desatenção ou direção ineficiente.”

O próprio uso de machine learning e visão computadorizada permite que o sistema da Wayve opere de outra forma, já que veículos autônomos tendem a contar com sensores LiDAR — e ecossistemas que dependem desses dados. Já este algoritmo aprende com o exemplo na vida real, soma os resultados e se reajusta.