Carros Mais Inteligentes Ainda Não Estão Salvando Pedestres

Em 2024, 7.080 pedestres foram mortos e mais de 71.000 feridos nas estradas americanas. As mortes de ciclistas atingiram seu nível mais alto desde pelo menos 1980. As mortes totais de trânsito caíram abaixo de 40.000 pela primeira vez desde 2020. Mas quase todo esse progresso beneficiou os ocupantes dos veículos. Pedestres e ciclistas ainda estão morrendo em taxas próximas dos níveis históricos.

Essa lacuna é a história. Recursos de assistência ao motorista reduziram significativamente as mortes de ocupantes nos últimos dez anos. Eles não fizeram o mesmo para os usuários vulneráveis da estrada, e o motivo vem do limite da linha de visão, não do comportamento do motorista. Uma pilha de sensores montada no veículo é limitada pela geometria do chassis. Os lugares onde pedestres e ciclistas estão mais em risco são exatamente os lugares onde os sensores a bordo são estruturalmente mais fracos. Interseções ocultas. Cruzamentos no meio do quarteirão. Cantos cegos. Zonas escolares onde uma criança se coloca entre carros estacionados. Esse limite se aplica igualmente a um motorista humano olhando através do para-brisa, um sistema de freios automáticos lendo um radar frontal e qualquer pilha autônoma que colocamos em um veículo.

Por grande parte da última década, toda a conversa sobre veículos conectados, mobilidade autônoma e robótica urbana foi uma conversa Veículo-para-Tudo (V2X). A ideia é que o veículo fala com outros veículos, equipamentos ao lado da estrada, telefones de pedestres e a rede. Conjuntos de sensores maiores, modelos melhores, mais computação a bordo, mais redundância — tudo centrado no veículo em si. Essa estrutura produziu progresso real. Também impôs um teto no que a percepção centrada no veículo pode fazer por pedestres e ciclistas.

A próxima fase desse trabalho tem uma forma diferente. Chamamos de Infraestrutura-para-Tudo, ou I2X. A interseção, o corredor e a infraestrutura circundante percebem e preveem em nome de qualquer coisa que se move por elas. I2X é a metade mais difícil do problema. É também onde o caso de segurança finalmente se fecha.

V2X tem um teto de segurança, e agora estamos atingindo

A abordagem centrada no veículo foi legível para investidores, fabricantes de automóveis e reguladores de uma maneira que a infraestrutura não foi. O progresso pode ser medido em contagens de sensores, parâmetros de modelo e taxas de desengajamento. Se encaixa perfeitamente em uma apresentação. A pilha V2X amadureceu de acordo. Padrões de V2X celulares são reais, unidades ao lado da estrada são implantadas em dezenas de corredores e principais jogadores automotivos e de tecnologia estão investindo seriamente em plataformas de percepção cooperativa.

Esse capital produziu ganhos genuínos, novamente principalmente para os ocupantes dos veículos. Não fechou a lacuna para os usuários vulneráveis da estrada, e a comunidade de pesquisa está cada vez mais clara sobre o porquê. Um estudo empírico recente sobre sistemas de percepção cooperativa V2X identifica seis padrões de erro recorrentes em sistemas autônomos de agente único, a maioria enraizada no mesmo limite: um veículo não pode perceber além da sua linha de visão. Oclusões, interseções sem linha de visão, degradação do tempo, casos de bordo que não apareceram nos dados de treinamento. Pesquisa separada focada na segurança de pedestres e ciclistas alcança a mesma conclusão de um ângulo diferente: a localização de pedestres e ciclistas é o modo de falha que os sensores montados no veículo são estruturalmente ruins em resolver.

Mais LiDAR ajuda. Mais radar ajuda. Melhores modelos ajudam. Nenhum deles muda a geometria subjacente. Um sensor montado no veículo sempre terá limitações de linha de visão, e a linha de visão piora à medida que a densidade urbana aumenta. Os lugares onde precisamos que a autonomia seja mais segura são exatamente os lugares onde a percepção centrada no veículo é estruturalmente mais fraca.

I2X inverte a polaridade

Infraestrutura-para-Tudo começa com uma premissa diferente. A estrada, a interseção, o corredor e a doca não são superfícies passivas esperando para serem percebidas. Eles se tornam camadas de inteligência ativas que percebem, interpretam e transmitem condições para fora. Um veículo que se aproxima de uma interseção oculta não precisa ver ao redor da esquina com seus próprios sensores. A esquina vê por ele. Um robô de entrega que trabalha em uma calçada não precisa antecipar o pedestre atrás de um caminhão estacionado. O poste de luz já sabe que o pedestre está lá.

É esse o lado do problema que estamos construindo na Surge. Nossas implantações são nós de percepção de borda LiDAR montados em infraestrutura urbana existente: postes de luz, cabeçotes de sinal e telhados. Sem câmeras, sem imagens e sem dados de identificação pessoal capturados no momento do sensoriamento. Chamamos a posição de “Anônimo por Física”, porque o LiDAR captura movimento e geometria, não rostos, placas de licença ou identidade. A saída é um fluxo de dados em tempo real de localização, velocidade e trajetória. Esse mesmo fluxo é útil para um engenheiro de tráfego da cidade, uma pilha autônoma de veículos, um roteador de logística e um pesquisador de segurança, todos a partir de uma única pegada de sensor.

Duas escolhas de design importam para o caso de segurança. A primeira é que a percepção da infraestrutura é multi-locatário por padrão. Uma pilha de sensores montada no veículo é ponto-a-ponto e serve um cliente de cada vez. Um nó LiDAR em um poste de luz serve todos os veículos, todos os drones e todas as aplicações de segurança de pedestres que precisam dos dados, simultaneamente. A economia se parece mais com uma torre de células do que com um poço de petróleo. A segunda é que a cobertura do corredor importa mais do que a cobertura da interseção. Nós isolados são úteis. Corredores em rede são defensáveis, porque a segurança de pedestres, o treinamento de veículos autônomos e a resposta a emergências dependem da continuidade, não de instantâneos.

Percepção em tempo real é o piso. Previsão é o teto.

A oportunidade mais profunda não é a camada em tempo real. A percepção em tempo real resolve os casos de segurança óbvios, e isso sozinho é valioso. A desbloqueio mais profundo vem quando os modelos de IA são treinados em dados de infraestrutura contínuos ao longo de meses e anos, em vez de instantâneos episódicos capturados por veículos.

Os dados do veículo são, por sua natureza, esparsos e descontínuos. Um carro passa por uma interseção algumas vezes ao dia, no máximo. Ele vê uma fatia. Um nó de infraestrutura observa a mesma interseção 24 horas por dia, todos os dias, durante anos. Ele vê a distribuição completa. O mesmo lugar durante o pico, tempestades, construção, falhas, eventos e mudanças sazonais. Isso é um tipo fundamentalmente diferente de dados de treinamento, e produz um tipo fundamentalmente diferente de modelo.

À medida que esses dados se acumulam, o sistema para de ser reativo e se torna previsível. O padrão de passo de alguém prestes a sair da calçada sem olhar. O perfil de desaceleração de um veículo que está prestes a passar um sinal vermelho. A geometria de convergência que precede um quase-acidente entre um ônibus que vira e uma bicicleta na faixa de bicicleta. Esses são sinais precursoras. Eles são observáveis estatisticamente. Eles não existem em relatórios de acidentes porque não são acidentes. Eles são eventos precursoras e ocorrem ordens de magnitude mais frequentemente do que os acidentes em si. Acidentes são esparsos estatisticamente. Quase-acidentes são abundantes. Sistemas de infraestrutura observam os comportamentos precursoras que os bancos de dados de acidentes nunca capturam. Um veículo que passa por uma interseção nunca vê isso em escala. Infraestrutura que vive na interseção vê constantemente.

Essa é a verdadeira desbloqueio de segurança. A promessa de mobilidade conectada sempre foi que poderíamos intervir antes de um acidente, não documentá-lo depois. Sensores a bordo mais comunicação reativa veículo-para-tudo nos levam parte do caminho. Uma camada previsível treinada em dados de infraestrutura contínuos, multi-modais e residentes é o que nos leva o resto do caminho. A mesma lógica, incidentalmente, se aplica ao lado da energia, onde empresas como a HEVO estão mostrando que frotas totalmente autônomas precisam de infraestrutura para fornecer energia, bem como percepção. Domínio diferente, mesma conclusão: o mundo precisa fazer o trabalho que o veículo não pode fazer sozinho.

Um sistema nervoso para o ambiente urbano

Quando você se afasta de qualquer implantação única, o que esse trabalho está realmente construindo é algo que as cidades nunca realmente tiveram: um sistema nervoso. Cidades já têm concreto, aço, redes de energia e fibra. O que elas falta é uma camada que sente, lembra e prevê em tempo real em todo o ambiente físico.

I2X é essa camada. Um nó LiDAR em um poste de luz funciona como um neurônio sensorial. Computação de borda se comporta como um reflexo local, rápido o suficiente para agir sem esperar por sistemas centralizados. Com o tempo, uma rede de nós constrói memória institucional em escala urbana: como as interseções se comportam, onde os quase-acidentes ocorrem, como os fluxos mudam durante tempestades, falhas, construção ou emergências.

As aplicações seguem naturalmente. Um alerta de segurança de pedestre em uma zona escolar é um reflexo. Um ajuste de sinal de trânsito com base em fluxo observado é uma resposta aprendida. Uma recomendação de roteamento previsível para um veículo de emergência depende tanto da percepção quanto da memória. Logística, gerenciamento de emergências, resiliência climática e treinamento de veículos autônomos se tornam mais fáceis quando o ambiente urbano pode observar e aprender continuamente de suas próprias operações. O ponto não é adicionar mais câmeras ou painéis. O ponto é dar ao ambiente urbano a capacidade que ele sempre falta: a capacidade de perceber, lembrar e responder em tempo real.

A infraestrutura muda a economia da autonomia

Quando a camada de inteligência migra do veículo para a infraestrutura, a economia da autonomia e das operações urbanas muda de três maneiras importantes.

Primeiro, a curva de custo do hardware a bordo do veículo finalmente tem um lugar para ir. Hoje, cada veículo autônomo é solicitado a carregar todo o problema de percepção e a maior parte do problema de segurança em seu chassis. É por isso que a lista de materiais de um veículo autônomo parece como é. Quando a infraestrutura entrega percepção nos últimos cem metros e previsão em cima disso, o veículo fica mais leve, mais barato e mais fácil de certificar. A mesma lógica se aplica a drones, robôs de calçada e qualquer outra forma autônoma que aguarda que sua economia unitária se feche.

Em segundo lugar, o mercado endereçável para qualquer implantação de infraestrutura individual expande dramaticamente. Um nó LiDAR em um poste de luz que serve à equipe de engenharia de tráfego da cidade, um transportador logístico nacional, um operador de ônibus autônomo, um pesquisador de segurança e um subscritor de seguros é um ativo fundamentalmente diferente de um sensor que serve um único locatário. Infraestrutura compartilhada compõe de uma maneira que as soluções pontuais não compõem.

Terceiro, a história de financiamento se torna legível ao capital institucional que historicamente financiou portos, torres, fibras e utilitários. Entre nós, trazemos liderança operacional em implantação de infraestrutura conectada e mais de duas décadas de experiência em financiamento de projetos de infraestrutura em empresas como Integrated Roadways, Black & Veatch e Diode Ventures. O padrão é familiar. Uma vez que uma classe de ativos produz múltiplos fluxos de receita contratados, de longo prazo, de uma única pegada física, o custo do capital cai, a duração se estende e a construção acelera. É o momento que estamos nos aproximando com infraestrutura inteligente. O capital estava esperando legibilidade, não tecnologia.

A estrada aprende a pensar de volta

Os números de mortes difíceis não vão se mover materialmente até pararmos de pedir que o veículo faça todo o trabalho. A década de investimento centrado no veículo produziu padrões, implantações e ganhos significativos para os ocupantes dos veículos. Não moveu a agulha para as pessoas mais expostas às consequências dos veículos errarem, e o motivo estrutural está construído na geometria do problema.

O próximo capítulo é infraestrutura-saída. Estradas que percebem. Interseções que preveem. Corredores que aprendem e intervêm antes que os acidentes ocorram. Adicione o lado da energia mais tarde, na mesma pegada física, e você tem a base para a autonomia como um sistema, não como um produto. Mais importante, você tem infraestrutura que as cidades podem usar para tudo mais que elas estiveram tentando resolver nos últimos vinte anos.

V2X ensinou os veículos a falar. I2X é a cidade aprendendo a sentir, a pensar de volta e, em seguida, a pensar à frente.