Escolhendo os Olhos do Veículo Autônomo: Uma Batalha de Sensores, Estratégias e Compromissos

Até 2030, o mercado de veículos autônomos deve ultrapassar US$ 2,2 trilhões, com milhões de carros navegando pelas estradas usando IA e sistemas de sensores avançados. No entanto, diante desse crescimento rápido, um debate fundamental permanece sem solução: quais sensores são mais adequados para a condução autônoma — lidars, câmeras, radars ou algo completamente novo?

Essa pergunta está longe de ser acadêmica. A escolha dos sensores afeta tudo, desde a segurança e o desempenho até o custo e a eficiência energética. Algumas empresas, como a Waymo, apostam na redundância e variedade, equipando seus veículos com uma ampla gama de lidars, câmeras e radars. Outras, como a Tesla (TSLA ), perseguem uma abordagem mais minimalista e econômica, confiando fortemente em câmeras e inovação de software.

Vamos explorar essas estratégias divergentes, os paradoxos técnicos que elas enfrentam e a lógica de negócios que impulsiona suas decisões.

Por Que Máquinas Mais Inteligentes Exigem Soluções de Energia Mais Inteligentes

Essa é, de fato, uma questão importante. Eu enfrentei um dilema semelhante quando lancei uma startup relacionada a drones em 2013. Estávamos tentando criar drones capazes de rastrear o movimento humano. Na época, a ideia estava à frente, mas logo ficou claro que havia um paradoxo técnico.

Para que um drone possa rastrear um objeto, ele deve analisar os dados dos sensores, o que exige poder computacional — um computador a bordo. No entanto, quanto mais poderoso o computador precisa ser, maior o consumo de energia. Consequentemente, uma bateria com maior capacidade é necessária. No entanto, uma bateria maior aumenta o peso do drone, e mais peso requer ainda mais energia. Um ciclo vicioso se estabelece: o aumento da demanda por energia leva a um maior consumo de energia, peso e, em última análise, custo.

O mesmo problema se aplica aos veículos autônomos. Por um lado, você deseja equipar o veículo com todos os sensores possíveis para coletar o máximo de dados possível, sincronizá-los e tomar as decisões mais precisas. Por outro lado, isso aumenta significativamente o custo e o consumo de energia do sistema. É importante considerar não apenas o custo dos próprios sensores, mas também a energia necessária para processar seus dados.

A quantidade de dados está aumentando, e a carga computacional está crescendo. É claro que, com o tempo, os sistemas computacionais se tornaram mais compactos e eficientes em termos de energia, e o software se tornou mais otimizado. Na década de 1980, processar uma imagem de 10×10 pixels podia levar horas; hoje, os sistemas analisam vídeo em 4K em tempo real e realizam cálculos adicionais no dispositivo sem consumir energia excessiva. No entanto, o dilema de desempenho ainda permanece, e as empresas de veículos autônomos estão melhorando não apenas os sensores, mas também o hardware computacional e os algoritmos de otimização.

Processamento ou Percepção?

Os problemas de desempenho, onde o sistema deve decidir quais dados descartar, são principalmente devidos a limitações computacionais, e não a problemas com sensores lidar, câmera ou radar. Esses sensores funcionam como os olhos e ouvidos do veículo, capturando continuamente vastas quantidades de dados ambientais. No entanto, se o “cérebro” computacional a bordo não tiver o poder de processamento para lidar com toda essa informação em tempo real, isso se torna esmagador. Como resultado, o sistema deve priorizar certos fluxos de dados sobre outros, potencialmente ignorando alguns objetos ou cenas em situações específicas para se concentrar em tarefas de maior prioridade.

Essa limitação computacional significa que, mesmo que os sensores estejam funcionando perfeitamente — e frequentemente têm redundâncias para garantir confiabilidade —, o veículo ainda pode ter dificuldade em processar todos os dados de forma eficaz. Culpar os sensores não é apropriado nesse contexto, pois o problema reside na capacidade de processamento de dados. Melhorar o hardware computacional e otimizar os algoritmos são etapas essenciais para mitigar esses desafios. Ao melhorar a capacidade do sistema de lidar com grandes volumes de dados, os veículos autônomos podem reduzir a probabilidade de perder informações críticas, levando a operações mais seguras e confiáveis.

Lidar, Câmera e Radar: Prós e Contras

É impossível dizer que um tipo de sensor é melhor do que outro — cada um serve a seu próprio propósito. Os problemas são resolvidos selecionando o sensor apropriado para uma tarefa específica.

O lidar, embora ofereça mapeamento 3D preciso, é caro e tem dificuldade em condições climáticas adversas, como chuva e nevoeiro, que podem dispersar seus sinais laser. Além disso, requer recursos computacionais significativos para processar seus dados densos.

As câmeras, embora sejam econômicas, dependem fortemente das condições de iluminação, apresentando um desempenho ruim em baixa luz, clarão ou mudanças rápidas de iluminação. Elas também carecem de percepção de profundidade inerente e têm dificuldade com obstáculos como sujeira, chuva ou neve na lente.

O radar é confiável na detecção de objetos em várias condições climáticas, mas sua baixa resolução torna difícil distinguir entre objetos pequenos ou próximos. Ele frequentemente gera falsos positivos, detectando itens irrelevantes que podem acionar respostas desnecessárias. Além disso, o radar não pode decifrar o contexto ou ajudar a identificar objetos visualmente, ao contrário das câmeras.

Ao aproveitar a fusão de sensores — combinando dados de lidar, radar e câmeras — esses sistemas ganham uma compreensão mais holística e precisa do ambiente, o que, por sua vez, melhora a segurança e a tomada de decisões em tempo real. A colaboração da Keymakr com principais desenvolvedores de ADAS demonstrou quão crítica é essa abordagem para a confiabilidade do sistema. Trabalhamos consistentemente em conjuntos de dados diversificados e de alta qualidade para apoiar o treinamento e o aprimoramento de modelos.

Waymo VS Tesla: Um Conto de Dois Visões Autônomas

No setor de veículos autônomos, poucas comparações geram tanto debate quanto a Tesla e a Waymo. Ambas estão pioneiramente moldando o futuro da mobilidade — mas com filosofias radicalmente diferentes. Então, por que um carro Waymo parece um “nave espacial” repleto de sensores, enquanto a Tesla parece quase livre de sensores externos?

Vamos dar uma olhada no veículo Waymo. É um Jaguar modificado para condução autônoma. Em seu teto, há dezenas de sensores: lidars, câmeras, sistemas de laser giratórios (chamados “giradores”) e radars. Há realmente muitos deles: câmeras nos espelhos, sensores na parte frontal e traseira dos para-choques, sistemas de visão de longo alcance — tudo isso é sincronizado.

Se um veículo desses sofrer um acidente, a equipe de engenharia adiciona novos sensores para coletar as informações em falta. A abordagem deles é usar o máximo de tecnologias disponíveis.

Então, por que a Tesla não segue o mesmo caminho? Uma das principais razões é que a Tesla ainda não lançou seu Robotaxi no mercado. Além disso, a abordagem deles se concentra na minimização de custos e inovação. A Tesla acredita que usar lidars é impraticável devido ao seu alto custo: o custo de fabricação de uma câmera RGB é de cerca de US$ 3, enquanto um lidar pode custar US$ 400 ou mais. Além disso, os lidars contêm partes mecânicas — espelhos giratórios e motores —, o que os torna mais propensos a falhas e substituições.

As câmeras, por outro lado, são estáticas. Elas não têm partes móveis, são muito mais confiáveis e podem funcionar por décadas até que o invólucro se degrade ou a lente escureça. Além disso, as câmeras são mais fáceis de integrar ao design de um carro: elas podem ser escondidas dentro do corpo, tornando-se quase invisíveis.

As abordagens de produção também diferem significativamente. A Waymo usa uma plataforma existente — um Jaguar de produção — sobre a qual os sensores são montados. Eles não têm escolha. A Tesla, por outro lado, fabrica veículos do zero e pode planejar a integração de sensores ao corpo desde o início, escondendo-os à vista. Formalmente, eles serão listados nas especificações, mas visualmente, serão quase imperceptíveis.

Atualmente, a Tesla usa oito câmeras ao redor do carro — na frente, traseira, espelhos laterais e portas. Eles usarão sensores adicionais? Acredito que sim.

Com base na minha experiência como motorista da Tesla, que também já viajou em veículos Waymo, acredito que a incorporação de lidar melhoraria o sistema de Condução Autônoma Total da Tesla. Sinto que o FSD da Tesla atualmente carece de precisão ao dirigir. Adicionar tecnologia lidar poderia aprimorar sua capacidade de navegar em condições desafiadoras, como clarão solar significativo, poeira no ar ou nevoeiro. Essa melhoria potencialmente tornaria o sistema mais seguro e confiável em comparação com a dependência exclusiva de câmeras.

Mas do ponto de vista empresarial, quando uma empresa desenvolve sua própria tecnologia, ela visa uma vantagem competitiva — uma vantagem tecnológica. Se ela pode criar uma solução que seja dramaticamente mais eficiente e barata, abre-se a porta para a dominância do mercado.

A Tesla segue essa lógica. Musk não quer seguir o caminho de outras empresas, como a Volkswagen ou a Baidu, que também fizeram progressos consideráveis. Mesmo sistemas como o Mobileye e o iSight, instalados em carros mais antigos, já demonstram uma autonomia decente.

Mas a Tesla visa ser única — e essa é a lógica dos negócios. Se você não oferece algo radicalmente melhor, o mercado não o escolherá.