IA em carros autónomos: como funcionam os veículos autónomos em 2026

Os carros autónomos estão «quase a chegar» há mais de uma década. Em 2015, várias empresas prometeram veículos totalmente autónomos nas vias públicas até 2020. Estamos em 2026 e a realidade revelou-se mais complexa do que otimistas ou céticos previam. A Waymo opera robotáxis verdadeiramente sem condutor em várias cidades dos EUA, realizando milhões de viagens pagas sem ninguém ao volante. A Cruise, outrora a sua maior rival, encerrou as operações de robotáxis após um incidente grave e a perda de confiança regulamentar. O Full Self-Driving da Tesla, apesar do nome, continua a ser um sistema que exige legalmente um condutor atento ao volante. E o automóvel novo médio vendido este ano já inclui mais IA de assistência à condução do que um veículo de investigação transportava há dez anos.

Portanto, a tecnologia é real, muitas vezes verdadeiramente impressionante e já a funcionar em produção. Mas a «condução autónoma» abrange um espectro que vai desde a manutenção básica na faixa de rodagem até à operação totalmente autónoma sem condutor, e a distância entre esses dois extremos é enorme. Compreender a IA nos veículos autónomos significa, no fundo, compreender esse espectro — os sistemas de IA por trás de cada nível e os problemas específicos que tornam a verdadeira autonomia muito mais difícil do que parece do exterior.

Eis como funciona na prática.

Breve história dos carros autónomos

Pensa que os carros autónomos são fruto do recente boom da IA? A ambição é muito mais antiga. Já na década de 1920 os engenheiros faziam experiências com carros telecomandados, e os recursos de assistência ao condutor começaram a ganhar fôlego após a Segunda Guerra Mundial. O primeiro automóvel capaz de se conduzir a si próprio de forma autónoma, ainda que limitada, surgiu em 1977 pelas mãos do Tsukuba Mechanical Engineering Laboratory, no Japão. Por isso, perseguimos este objetivo há quase um século — tenha isto em mente sempre que alguém lhe vender esta ideia como uma novidade.

Onde começa, afinal, a história da investigação moderna? Na década de 1980. O Navlab da Carnegie Mellon iniciou os seus projetos de veículos semiautónomos em 1984, financiados pela DARPA. Na Europa, a Mercedes-Benz e a Universidade das Forças Armadas de Munique desenvolveram o EUREKA Prometheus Project a partir de 1987. Os EUA investiram 650 M$ num National Automated Highway System em 1991. Durante a maior parte desse período, o financiamento veio sobretudo da DARPA e do setor militar — e o trabalho progrediu como habitualmente acontece nesse tipo de investigação: de forma contínua, em pequenos incrementos, melhorando a deteção sensorial, o controlo e a capacidade básica de condução, em vez de dar saltos gigantescos.

Quando ocorreu o verdadeiro ponto de viragem? A maioria dos investigadores apontará o DARPA Grand Challenge, em especial a edição de 2005, que deu um impulso decisivo à área e formou grande parte dos talentos que viriam a construir o setor comercial. A partir daí, as empresas privadas assumiram a liderança. A Cruise, subsidiária da GM, começou os testes na estrada na Califórnia em 2015. Dois anos depois, a Waymo lançou o primeiro serviço comercial de robotáxis em Phoenix, com a China logo atrás. E depois? Veio o choque de realidade. A Cruise encerrou operações em 2024 e, por volta de 2022, vários grandes fabricantes — incluindo a Ford e a Volkswagen — reduziram os seus planos de condução autónoma perante dúvidas reais sobre a viabilidade económica.

Repare no padrão que atravessa toda esta evolução. Em quase todas as fases, o progresso técnico genuíno fez-se acompanhar de previsões confiantes de autonomia total que acabaram por não se concretizar no prazo anunciado. Essa distância — entre o que é prometido e o que realmente chega ao mercado — é o fio condutor de toda a indústria. E é, francamente, o aspeto mais útil a ter em conta sempre que ler a próxima grande promessa sobre veículos autónomos.

O que significa realmente «condução autónoma» — os níveis SAE

A maior parte da cobertura generalista sobre carros autónomos erra logo à partida num ponto: trata a «condução autónoma» como uma capacidade única que o veículo tem ou não tem. Na realidade, a indústria utiliza uma classificação de seis níveis definida pela SAE International, e estes níveis são cruciais porque marcam a diferença entre um carro que o ajuda a conduzir e um carro que se conduz sozinho.

1. Nível 0 — sem automação. O carro não faz nada sozinho. Tudo depende do ser humano. A maioria dos carros em circulação ao longo da maior parte da história automóvel.
2. Nível 1 — assistência ao condutor. O carro ajuda numa única função de cada vez: controlo da velocidade de cruzeiro adaptativo para gerir a velocidade ou centragem na faixa para controlar a direção, mas nunca os dois em simultâneo. O ser humano continua a conduzir na totalidade.
3. Nível 2 — automação parcial. O carro gere a velocidade e a direção em simultâneo sob supervisão. O Tesla Autopilot, o GM Super Cruise e o Ford BlueCruise enquadram-se aqui. Este é o nível ao qual a maioria das pessoas se refere quando fala de «condução autónoma» e é o que gera mais confusão, visto que o ser humano continua a ser legalmente responsável pela condução a cada instante. O veículo está a assistir, não a conduzir.
4. Nível 3 — automação condicional. O carro conduz-se efetivamente sozinho em condições específicas e limitadas, e o condutor pode desviar a atenção até que o sistema solicite a retoma do controlo. O Mercedes Drive Pilot foi o primeiro sistema certificado a este nível para o consumidor. A transição de controlo — o veículo pedir a um condutor distraído que assuma repentinamente a direção — é a parte complexa e controversa.
5. Nível 4 — elevada automação. O carro conduz-se de forma totalmente autónoma, sem necessidade de intervenção humana, mas apenas dentro de uma área operacional definida (por exemplo, uma zona urbana delimitada por cerca geográfica ou geofencing). A Waymo atua neste nível. Dentro da sua área de serviço, não está verdadeiramente ninguém ao volante. Fora dessa área, o veículo simplesmente não opera.
6. Nível 5 — automação total. O carro conduz-se sozinho em qualquer lugar onde um ser humano o faria, sob quaisquer condições, sem limites e sem necessitar de volante. Isto ainda não existe. Apesar de uma década de promessas, ninguém está perto de o lançar no mercado.

Eis o ponto crucial a fixar antes de ler qualquer outra coisa sobre esta tecnologia: quase tudo o que é vendido aos consumidores como «condução autónoma» pertence ao Nível 2, onde o utilizador continua a ser o condutor. A operação verdadeiramente sem condutor, Nível 4, só existe dentro de áreas cuidadosamente mapeadas e delimitadas por geofencing. O Nível 5, a versão de ficção científica em que o carro anda em qualquer lugar sem que ninguém precise de prestar atenção, não está para breve. Com esta distinção clara, a maioria dos títulos confusos sobre carros autónomos passa a fazer muito mais sentido.

Qual é o papel da IA nos veículos autónomos?

Para compreender por que razão a IA é tão determinante aqui, convém olhar para o que existia antes. Durante muito tempo, a automação automóvel dependeu de sistemas baseados em regras — lógica explícita programada manualmente sob a forma «se isto acontecer, faz aquilo». Os sistemas baseados em regras têm virtudes reais: são previsíveis e é fácil compreender exatamente por que tomaram determinada decisão, algo fundamental para a segurança e para a depuração de erros.

No entanto, os sistemas baseados em regras têm uma limitação fatal para a condução: não conseguem lidar com situações que os seus autores não anteciparam. E a condução está repleta de imprevistos. O mundo real apresenta uma variedade infinita, e um sistema limitado a regras pré-estabelecidas falha assim que a realidade foge a essas regras. Esta é a pior característica possível para algo tão dinâmico e imprevisível como o tráfego rodoviário.

É aqui que a IA muda de figura. Os algoritmos de machine learning, a visão computacional e a análise preditiva permitem aos modelos aprender com os dados em vez de dependerem apenas de regras codificadas manualmente, adaptando-se a cenários que os programadores nunca definiram de forma explícita. Em vez de tentarem criar uma regra para cada situação possível, os engenheiros treinam modelos com volumes massivos de dados de condução para que aprendam a generalizar perante novas circunstâncias. O resultado é um sistema capaz de responder a uma diversidade muito maior de cenários reais do que qualquer abordagem baseada em regras.

Há, contudo, um senão, e é o mesmo senão que atravessa todo este domínio. Como as situações verdadeiramente difíceis — os edge cases ou casos limite — são individualmente raras, os modelos precisam de quantidades astronómicas de dados para aprenderem a reagir a elas. A indústria fala em milhares de milhões de quilómetros de condução real, razão pela qual os dados sintéticos e a simulação se tornaram tão centrais. Não é viável esperar encontrar todos os eventos raros na estrada real, pelo que estes são gerados artificialmente. Nos veículos modernos, a IA desempenha essencialmente três tarefas: permite ao automóvel perceber o que o rodeia, toma decisões de condução com capacidade de antecipação e comanda os sistemas físicos do veículo. Tudo o resto são pormenores assentes nestas três funções.

Como a IA conduz efetivamente um carro — o pipeline principal

Sob qualquer sistema autónomo, desde a assistência de Nível 2 aos robotáxis de Nível 4, corre o mesmo ciclo básico repetido dezenas de vezes por segundo: percecionar o ambiente, prever o que vai acontecer a seguir, planear uma resposta e executá-la. Cada fase apoia-se em diferentes técnicas de IA e cada uma enfrenta os seus próprios desafios complexos.

Perceção — como o carro vê

A perceção é a fase em que o veículo constrói uma representação do mundo à sua volta, sendo a etapa mais dependente da visão computacional e do deep learning. O automóvel recolhe dados brutos de um conjunto de sensores — câmaras para detalhes visuais ricos, radar para velocidade e distância em qualquer condição meteorológica, lidar para a volumetria 3D precisa e ultrassons para deteção a curta distância — fundindo-os num modelo único e coerente da envolvente. As redes neuronais profundas assumem o trabalho mais pesado: identificar que este conjunto de píxeis é um peão, aquele é um ciclista, aquela forma é um camião parado e aquelas marcações delimitam a faixa de rodagem. É a mesma categoria de visão computacional e desenvolvimento de IA que alimenta o reconhecimento visual muito para além do setor automóvel.

A grande divisão filosófica da indústria reside precisamente aqui, na perceção. A Tesla apostou numa abordagem focada exclusivamente na visão, argumentando que, se os humanos conduzem com dois olhos, câmaras aliadas a inteligência suficiente em redes neuronais devem bastar, e que o lidar é apenas um suporte dispendioso. A Waymo e a maior parte do setor de robotáxis apostaram no sentido oposto, considerando a deteção 3D de precisão do lidar indispensável para garantir a segurança, pelo menos até que os sistemas baseados apenas em visão provem a sua fiabilidade. Ambas as abordagens colocaram veículos reais em circulação. Qual delas está «certa» é algo que ainda se está a decidir nas estradas públicas.

Localização e mapeamento — como o carro sabe onde está

Saber o que rodeia o carro é apenas metade do desafio; o veículo tem também de saber com precisão onde se encontra, frequentemente com margem de escassos centímetros. O GPS por si só não tem, nem de perto, a precisão necessária. Os sistemas autónomos combinam o GPS com mapas de alta definição criados previamente e com uma técnica chamada SLAM (localização e mapeamento simultâneos), que permite ao veículo cruzar o que os seus sensores veem no momento com um mapa conhecido para determinar a sua posição exata. É em parte por isso que os robotáxis de Nível 4 recorrem a geofencing: dependem de mapas HD detalhados da sua área de serviço, cuja criação e manutenção exigem um esforço substancial.

Previsão — como o carro antecipa o comportamento dos outros

Esta é, provavelmente, a parte mais difícil da condução, tanto para máquinas como para humanos. Não basta saber onde está o peão; o carro tem de prever se ele está prestes a descer do passeio. Tem de antecipar se o carro na faixa ao lado está apenas a desviar-se ou a mudar de faixa, se o ciclista vai manter a trajetória e se o condutor num cruzamento vai ceder a passagem ou avançar subitamente. Prever a intenção de cada interveniente independente no cenário, cada um com os seus objetivos e a sua imprevisibilidade, é um problema genuinamente complexo, onde se concentra grande parte do esforço de engenharia em condução autónoma.

Planeamento — como o carro decide o que fazer

Assim que o carro compreende a situação e prevê a sua evolução provável, tem de decidir o que fazer na prática — que trajetória seguir, quando acelerar, quando ceder prioridade, como gerir uma viragem à esquerda sem prioridade ou a inserção no trânsito compacto. Esta camada de planeamento combina o planeamento de trajetórias com a tomada de decisões comportamentais e recorre, cada vez mais, a aprendizagem por reforço e aprendizagem por imitação, em que a política de condução é moldada por tentativa e erro em simulação ou pela aprendizagem a partir de vastos registos de condução humana. Os casos limite — as negociações de passagem e as situações ambíguas que nenhum código da estrada abrange por completo — são o que torna o planeamento tão complexo.

Controlo — como o carro executa

A última etapa é a mais madura e, em termos relativos, a mais simples: traduzir o plano em comandos físicos para a direção, o acelerador e os travões. Converter uma decisão («mudar de faixa suavemente para a esquerda») em sinais precisos para os atuadores é um domínio perfeitamente dominado pela engenharia de controlo. Desde que o carro consiga percecionar, prever e planear com fiabilidade, o controlo raramente é o ponto de estrangulamento.

A tecnologia por trás dos carros autónomos

Para além do ciclo que vai da perceção ao controlo, um veículo autónomo funcional depende de vários sistemas tecnológicos distintos, cada um com o seu próprio ecossistema de engenharia. Compreendê-los ajuda a compor o quadro completo do que estes veículos realmente integram.

Navegação e mapeamento

A navegação resume-se, no essencial, a utilizar mapas para traçar uma rota do ponto de partida até ao destino — mas o aspeto interessante reside no facto de diferentes sistemas a abordarem de formas quase opostas. Alguns funcionam com mapas muito simples — quais as estradas que se cruzam, sentidos únicos, autoestradas — e confiam na perceção em tempo real para tudo o resto. Outros exigem mapas incrivelmente pormenorizados, ao nível de faixas individuais, sinalização luminosa e obras, com precisão centimétrica. Consegue ver o trade-off? Os mapas detalhados oferecem uma autonomia superior, mas são caros de criar e — a parte frequentemente ignorada — dispendiosos de manter atualizados à medida que o mundo muda. Optar por mapas mais simples exige menos atualizações e menor dependência de geofencing. Foi precisamente isso que o CSAIL do MIT procurou demonstrar com o sistema MapLite, capaz de percorrer estradas rurais apenas com GPS e mapas básicos — exatamente para contornar o fardo de manter mapas 3D etiquetados manualmente.

Sensores e fusão sensorial

O conjunto de sensores é a janela do veículo para o mundo exterior e integra habitualmente câmaras, LiDAR, radar e ultrassons, apoiados por GPS e medição inercial. Porquê utilizar tantos em simultâneo? Porque cada um é excelente naquilo em que os outros falham. O radar consegue «ver» através de um nevão noturno que cegaria por completo uma câmara ou o LiDAR — apenas com menor resolução. As câmaras captam cores ricas e texturas, mas perdem eficácia com pouca luminosidade. O LiDAR constrói uma geometria 3D rigorosa, mas historicamente sempre teve custos elevados. Como reconcilia o automóvel todos estes dados? Através da fusão sensorial — combinando os sinais, cruzando as informações e cobrindo os pontos cegos de qualquer sensor individual. É aqui que se trava o maior debate técnico do setor: a Tesla optou exclusivamente pela visão, com oito câmaras e nenhum LiDAR, enquanto a Waymo e a maioria dos concorrentes mantêm o LiDAR como elemento central, destacando a descida progressiva do seu custo.

Planeamento de trajetórias

O planeamento de trajetórias determina a sequência específica de manobras que um veículo executa para se deslocar de onde está até ao seu destino. As técnicas variam entre a pesquisa baseada em grafos, adequada a decisões mais complexas como ultrapassar outro veículo, e métodos de otimização que impõem restrições rigorosas para evitar colisões. Na prática, abordagens como mapas de grelha de ocupação e algoritmos de corredores de condução permitem ao veículo identificar e manter-se dentro do espaço livre e circulável delimitado por faixas ou rails de proteção. É esta camada que transforma uma intenção genérica numa trajetória concreta e livre de colisões.

Monitorização do condutor

Para qualquer sistema abaixo da autonomia total, monitorizar o condutor é tão importante como monitorizar a estrada. Os sistemas de monitorização do condutor avaliam a atenção e o estado de alerta, recorrendo a técnicas como o rastreio ocular e exigindo que o condutor aplique torque no volante para comprovar que mantém as mãos colocadas no mesmo. O objetivo é colmatar a perigosa discrepância entre um condutor que está nominalmente a supervisionar e outro que se desligou mentalmente da condução — uma lacuna que se torna especialmente crítica no Nível 3, onde o ser humano pode ser chamado a retomar o controlo com pouco pré-aviso.

Conetividade e atualizações over-the-air

Cada vez mais, estes veículos comunicam entre si, com as infraestruturas ao longo da estrada e com o próprio fabricante. Esta ligação traz vantagens concretas. Os automóveis conseguem partilhar o que detetam sobre o trânsito e obstáculos. Além disso, o software pode ser atualizado remotamente (over-the-air), o que significa que a correção de erros e novas funcionalidades chegam sem ser necessário deslocar-se a uma oficina. Os fabricantes podem inclusivamente gerir recolhas de veículos (recalls) desta forma, um processo que antes exigia uma visita ao concessionário. O reverso da medalha é que toda esta conetividade introduz uma exposição real em termos de segurança, e é precisamente por isso que organizações como a UNECE criaram normas específicas sobre como gerir atualizações de software. De forma simples: a conetividade é um verdadeiro multiplicador do potencial destes automóveis, sendo também a principal razão pela qual a cibersegurança deixou de ser um detalhe secundário para passar a ser um requisito integrado desde a conceção.

As tecnologias de IA que o tornam possível

Diversos métodos de IA combinam-se para viabilizar a condução autónoma, e este ecossistema tem evoluído de forma surpreendente.

Redes neuronais profundas e visão computacional constituem a base da perceção. A capacidade de identificar com precisão objetos, vias de trânsito, sinalização e perigos a partir dos dados dos sensores foi o que tornou viável a autonomia moderna, assentando nos mesmos avanços de deep learning que transformaram o machine learning em todos os setores na última década.

Algoritmos de fusão de sensores combinam as vantagens de câmaras, radares, lidar e ultrassons num modelo de dados fiável do meio envolvente. Cada tipo de sensor tem limitações — as câmaras têm dificuldades com pouca luz, o radar tem menor resolução, o lidar é dispendioso e perde eficácia com o mau tempo — e a fusão sensorial é a forma pela qual o sistema compensa as falhas de cada sensor individual.

Aprendizagem por reforço e aprendizagem por imitação moldam cada vez mais a política de condução — a tomada de decisão prática sobre como reagir. Em vez de programarem manualmente regras para todas as situações, os engenheiros treinam os sistemas para aprenderem comportamentos de condução eficazes com base na experiência, quer provenha de simulações, quer de trajetos humanos registados.

A transição para redes neuronais end-to-end é a mudança arquitetural recente mais significativa. A abordagem tradicional encadeava módulos separados para perceção, previsão e planeamento. Os sistemas mais recentes, incluindo a reestruturação da versão FSD v12 da Tesla e a abordagem de empresas como a Wayve, integram grande parte do fluxo de trabalho numa única rede neuronal abrangente, que aprende a mapear os dados dos sensores diretamente em manobras de condução. Trata-se de uma aposta decisiva no comportamento aprendido em detrimento de regras programadas manualmente.

Simulação e dados sintéticos são a via pela qual estes sistemas são treinados em segurança. Seria impossível — e perigoso — vivenciar todas as situações raras nas estradas reais, pelo que as empresas percorrem milhares de milhões de quilómetros virtuais em simulação, gerando deliberadamente edge cases invulgares (um sofá no meio da autoestrada, um peão mascarado) que um veículo poderia encontrar apenas uma vez numa década de condução real, mas aos quais tem de conseguir reagir corretamente.

Edge AI e capacidade de computação a bordo constituem a base operacional indispensável de todo este processo. Todo o processamento tem de ocorrer em tempo real, no próprio veículo, sem margem para aguardar pela resposta de um servidor remoto. É por isso que os veículos autónomos transportam o equivalente a um pequeno supercomputador, e que uma IA eficiente no próprio dispositivo é tão determinante para a autonomia como os próprios algoritmos.

O que está verdadeiramente implementado em 2026

Deixando de lado o discurso de marketing: eis o panorama real e quem está de facto a liderar o setor.

Comecemos pela Waymo, a líder incontestável no Nível 4. Robotaxis 100% autónomos, várias cidades dos EUA, milhões de passageiros pagantes, ninguém ao volante — e a empresa já publicou dados de segurança que indicam que os seus veículos causam substancialmente menos acidentes com feridos do que os condutores humanos para a mesma distância percorrida. Prova de que a condução sem condutor funciona numa zona mapeada? É exatamente isto.

Olhemos agora para a China. O Apollo Go da Baidu opera uma das maiores frotas de robotaxis a nível mundial, presente em várias cidades, a uma escala que iguala ou supera as operações nos EUA. As entidades reguladoras demonstraram abertura para testes em larga escala, e os resultados estão à vista.

E a Tesla? O FSD é, sem dúvida, o sistema de assistência à condução com maior implementação, presente em milhões de veículos de passageiros. Contudo, importa sublinhar um detalhe fundamental: continua a ser Nível 2 e exige atenção permanente. Toda esta frota proporciona à Tesla uma vantagem incomparável em termos de dados, permitindo-lhe avançar em direção a níveis de autonomia superiores. A que distância está realmente desse objetivo? Essa é uma das questões mais debatidas em todo o setor.

Já ouviu falar de um automóvel que lhe permite tirar legalmente os olhos da estrada? Trata-se do Mercedes Drive Pilot — um dos primeiros sistemas de Nível 3 homologados para clientes particulares, permitindo conduzir sem mãos no volante e sem olhar para a estrada, ainda que num contexto estrito (determinadas autoestradas e abaixo de uma velocidade predefinida). Um âmbito limitado, sem dúvida. Mas o marco é histórico: é o momento a partir do qual o fabricante, e não o condutor, assume a responsabilidade enquanto o sistema está ativo.

A Zoox, detida pela Amazon, seguiu um caminho próprio. Em vez de adaptar um veículo convencional, construiu de raiz um robotaxi sem qualquer volante, concebido exclusivamente para a condução autónoma, avançando progressivamente para viagens comerciais abertas ao público. A aposta? Um veículo desenvolvido para a autonomia desde o primeiro dia supera qualquer automóvel adaptado pensado para um ser humano.

E temos ainda o caso da Cruise — o exemplo que todos neste setor apontam agora como alerta. Já esteve na linha da frente, com o apoio da GM. O que correu mal? Um atropelamento grave de um peão, seguido de uma gestão desastrosa junto dos reguladores que destruiu em definitivo a sua credibilidade. A lição não reside apenas na tecnologia. Demonstra que a confiança — tanto pública como regulatória — é frágil e que, uma vez perdida, qualquer projeto pode sucumbir, independentemente da excelência da sua engenharia.

Há um segmento que muitas vezes passa despercebido: o transporte de mercadorias autónomo pode ser a oportunidade mais promissora a curto prazo. Empresas como a Aurora e a Kodiak focaram-se no transporte rodoviário em autoestrada, existindo fortes indícios de que o transporte de longo curso atinja viabilidade comercial em grande escala antes dos robotaxis urbanos — trata-se de um cenário mais previsível do que o tráfego nos centros das cidades e o retorno económico potencial é gigantesco.

E por trás de todo o entusiasmo com os robotaxis? A assistência de Nível 2 já está presente em praticamente todo o lado. Cruise control adaptativo, travagem autónoma de emergência, manutenção na faixa de rodagem, monitorização do ângulo morto — recursos presentes em veículos de qualquer gama. É bastante provável que já conduza com o apoio concreto da IA no seu dia a dia, mesmo que não pense nisso nesses termos.

A IA nos robotaxis

Os robotaxis representam a vertente mais visível da condução autónoma, e andar num deles passou de curiosidade a rotina em cidades como São Francisco, Phoenix e Pequim. Embora vários programas de robotaxis continuem em fase experimental, alguns já se converteram em serviços públicos reais — os habitantes de Wuhan e Pequim já utilizam o Apollo Go da Baidu nas suas deslocações diárias após autorização das autoridades, com a empresa a expandir ativamente a sua frota.

Do ponto de vista técnico, um robotaxi é a demonstração prática de tudo o que foi analisado, integrado num serviço comercial. Câmaras e sensores permitem que a IA a bordo recrie uma vista panorâmica a 360 graus de tudo o que rodeia o veículo. O processador a bordo planeia a rota, evita colisões, prevê o comportamento dos outros utentes da via e conduz o veículo pelo meio do tráfego urbano — sem condutor. A diferença entre um robotaxi e um sistema comercial de apoio à condução não se resume à capacidade técnica; reside no facto de o robotaxi não ter qualquer intervenção humana de recurso no veículo, o que eleva exponencialmente o patamar de fiabilidade exigido.

As abordagens de computação variam. Algumas empresas desenvolveram os seus próprios motores de redes neuronais para sustentar a inteligência dos seus robotaxis; outras recorrem a plataformas de IA de terceiros, sendo a NVIDIA um fornecedor habitual de capacidade de processamento end-to-end para converter dados de sensores e câmaras em decisões de condução. Uma novidade interessante é a integração da IA generativa na experiência do passageiro: plataformas de computação centralizadas com suporte para modelos generativos, aliadas ao processamento de linguagem natural, começam a dotar os robotaxis de perfis conversacionais capazes de interagir com os passageiros, facultar recomendações em tempo real e prestar apoio ao longo do trajeto. O veículo não se limita a conduzir; consegue agora conversar consigo sobre a viagem.

A IA nos transportes públicos coletivos autónomos

Os táxis atraem as atenções dos meios de comunicação, mas o trabalho mais prático está a desenrolar-se nos transportes públicos. A IA já dá provas neste domínio há anos, muito antes de qualquer veículo circular sozinho — otimizando a gestão do tráfego, definindo trajetos mais eficientes e ajustando horários. A novidade é que os próprios veículos começam a assumir a condução. A tecnologia ainda está a amadurecer, mas os transportes coletivos são onde terá maior probabilidade de adoção em escala: um circuito num campus universitário, um shuttle de aeroporto ou uma linha fixa no centro da cidade são desafios consideravelmente mais simples de gerir do que lançar um veículo de forma livre em estradas abertas.

O robobus é o exemplo mais flagrante. Estes veículos incorporam conjuntos próprios de sensores e câmaras, com uma IA de bordo a gerir todas as operações — navegação do trajeto, paragem perfeita junto às plataformas, gestão do consumo de energia e reação ao ambiente circundante. Com a integração de comunicações veículo-com-tudo (V2X), uma frota coordenada consegue analisar o meio com muito maior precisão. Este é o ponto ideal para a autonomia atualmente: um ambiente controlado, rigorosamente mapeado e instrumentado. Automatizar uma linha de autocarro que percorre ciclicamente o mesmo trajeto é um desafio incomparavelmente mais simples do que o caos imprevisível de um automóvel a navegar numa cidade desconhecida.

A WeRide e a Pix Moving são duas das marcas que já estão em operação prática no terreno, e não apenas em testes. Para além dos testes em vias públicas nas zonas autorizadas de Pequim, a WeRide operou um robobus no Resorts World Sentosa, em Singapura — numa rota fixa real, com passageiros reais a entrar e a sair ao longo do percurso. Trata-se de implementações pontuais, sem dúvida. Contudo, delineiam um futuro bastante credível: vaivéns (shuttles) autónomos a operar discretamente em trajetos públicos definidos, anos antes de um automóvel privado com capacidade para circular em qualquer lugar estar estacionado à sua porta.

Vantagens da IA nos veículos autónomos

Mesmo perante desafios complexos, o potencial dos veículos autónomos traz vantagens substanciais, o que justifica o contínuo investimento de capital e talento no setor, apesar dos contratempos.

Maior segurança rodoviária

O principal argumento a favor dos veículos autónomos é a segurança. O erro humano — fadiga, distração, consumo de álcool, mera desatenção — está na origem da esmagadora maioria dos acidentes rodoviários. Um sistema de IA não se cansa, não olha para o telemóvel nem conduz sob o efeito do álcool. Graças a capacidades adaptativas, vigilância visual contínua e sensores de proximidade, os sistemas autónomos conseguem evitar muitas das situações de perigo causadas por falhas humanas. Se for plenamente concretizada, esta será a vantagem de maior impacto.

Maior mobilidade e acessibilidade

Os veículos autónomos têm o potencial de transformar a mobilidade de quem não pode conduzir — idosos, pessoas com deficiência ou com condições médicas incapacitantes. Recorrendo ao reconhecimento de voz ou a uma aplicação simples, um veículo autónomo pode transportar estes passageiros em segurança até ao seu destino, devolvendo-lhes a independência que o atual sistema de transportes tantas vezes lhes nega. Os robotaxis partilhados podem também tornar a mobilidade a pedido muito mais acessível do que é atualmente.

Redução do tráfego e das emissões

A IA pode definir dinamicamente o itinerário dos veículos para evitar o trânsito, gerindo as acelerações e travagens de forma muito mais suave e eficiente do que a maioria dos condutores humanos, o que reduz o consumo de combustível e as emissões. Em larga escala, frotas de veículos autónomos articuladas entre si podem diminuir o tráfego do tipo «pára-arranca» que desperdiça imenso tempo e energia, gerando benefícios ambientais diretos decorrentes desses ganhos de eficiência.

Gestão de tráfego mais inteligente

Os veículos que utilizam sistemas V2X conseguem comunicar entre si e com a infraestrutura rodoviária para criar uma visão partilhada das condições do trânsito. Essa informação é canalizada para o planeamento de trajetos e prevenção de congestionamentos, viabilizando redes de tráfego que se autorregulam com muito maior fluidez do que a atual sinalização fixa e as previsões manuais permitem. O benefício multiplica-se à medida que aumenta o número de veículos conectados.

Os desafios complexos que travam a plena autonomia

Se o Nível 4 já funciona hoje, porque não está disseminado por todo o lado? Porque o fosso entre «funciona numa cidade mapeada e delimitada (geofenced) sob supervisão» e «funciona em qualquer lugar onde um ser humano possa conduzir» está repleto de problemas altamente complexos e ainda por resolver.

A imensidão de casos limite (edge cases). Um veículo consegue lidar com relativa facilidade com os habituais 99% das situações de trânsito. É o 1% raro — a infinita diversidade de situações insólitas e excecionais — que se revela crítico. Um veado que surge de repente, um agente da autoridade a fazer sinais manuais contraditórios, um colchão a cair de uma carrinha, uma passagem inferior inundada. Existe uma multiplicidade quase infinita de cenários raros e um automóvel verdadeiramente autónomo tem de conseguir resolver praticamente todos com total segurança. Cobrir essa vasta margem de imprevistos é o principal desafio de todo este setor.

Condições meteorológicas adversas. Chuva intensa, neve, nevoeiro e encadeamento afetam negativamente os sensores em que os sistemas autónomos se apoiam. O lidar perde eficácia sob precipitação forte; as câmaras têm dificuldades com fraca luminosidade e reflexos solares; a neve pode ocultar as marcações na faixa de rodagem e os pontos de referência indispensáveis à navegação. Garantir autonomia fiável sob quaisquer condições atmosféricas é significativamente mais complexo do que em tempo favorável, motivo pelo qual muitos lançamentos ocorreram em cidades secas e soalheiras.

Comportamento humano imprevisível. O fator mais complexo na estrada são os outros utilizadores — peões a atravessar fora das passadeiras, condutores agressivos, ciclistas a ignorar sinais de paragem obrigatória, o contacto visual subtil e os gestos que os humanos utilizam para decidir quem avança primeiro. As máquinas continuam a aprender a descodificar a dinâmica social improvisada do trânsito humano, e os seres humanos continuam a ser extraordinariamente imprevisíveis.

O problema da transição de controlo (handoff). O patamar intermédio do Nível 3 é perigoso precisamente por exigir que uma pessoa desatenta retome subitamente o controlo, por vezes com apenas alguns segundos de aviso. Um condutor que tenha estado a ver um filme durante uma hora não está em condições de responder a uma emergência numa fração de segundo. Conceber essa transição de forma verdadeiramente segura constitui um desafio complexo de fatores humanos, e não meramente técnico.

Verificação e validação. Como comprovar com rigor que um sistema autónomo é suficientemente seguro para ser comercializado? É impossível testar todas as situações imagináveis. Demonstrar estatisticamente que um sistema é mais seguro do que um ser humano perante o vasto conjunto de cenários possíveis na estrada é um desafio metodológico em aberto, estando reguladores e empresas ainda a definir o que significa «suficientemente seguro» em parâmetros quantificáveis.

Ética e responsabilidade jurídica. Quando um automóvel autónomo sofre um acidente, quem responde pelo sucedido — o fabricante, a empresa de software ou o proprietário? O enquadramento legal ainda está em fase de adaptação. E os dilemas éticos verdadeiramente complexos, por mais raros que sejam, levantam questões para as quais não existem respostas simples do ponto de vista da engenharia.

Custo em grande escala. Os sensores e a capacidade computacional que viabilizam um robotáxi têm sido dispendiosos. Reduzir o custo do lidar, das câmaras e dos supercomputadores de bordo o suficiente para integrar a capacidade de Nível 4 num automóvel de passageiros acessível, em grande escala, é um desafio substancial por si só, mesmo com a descida de preços de ano para ano.

Nenhum destes problemas é necessariamente insolúvel. Mas, em conjunto, explicam por que razão a resposta honesta à pergunta «quando é que os carros se conduzirão sozinhos em qualquer lugar?» é «mais tarde do que os otimistas continuam a prometer».

Segurança: o registo de incidentes no mundo real

Uma análise sincera sobre a segurança da condução autónoma tem de abranger os incidentes a par das estatísticas favoráveis, pois a história dos veículos autónomos inclui colisões reais e vítimas mortais reais que moldaram profundamente tanto a tecnologia como o seu enquadramento regulamentar.

Alguns marcos são difíceis de ler. A primeira morte conhecida num automóvel a conduzir sozinho ocorreu no início de 2016, quando um Tesla em modo Autopilot não travou perante um veículo pesado com reboque que atravessava uma autoestrada bem iluminada. A Tesla salientou que esta foi a sua primeira vítima mortal conhecida com o Autopilot em mais de 130 milhões de milhas de condução, e uma análise posterior do National Transportation Safety Board (NTSB) concluiu que a taxa de acidentes dos veículos Tesla diminuiu após a introdução do Autopilot. Nada disto altera o facto de que alguém morreu e de que essa morte tornou impossível ignorar os limites da tecnologia. Dois anos depois, em março de 2018, ocorreu a primeira vítima mortal pedonal provocada por um veículo autónomo — uma mulher que atravessava uma estrada no Arizona foi atropelada por um veículo em testes do Advanced Technologies Group da Uber. Havia um condutor de segurança ao volante, mas o relatório final do NTSB concluiu que estava distraída. Além disso, o organismo criticou a «cultura de segurança inadequada» da Uber e solicitou a intervenção dos reguladores antes de os veículos de teste automatizados voltarem às vias públicas.

O padrão nos dados de incidentes é elucidativo. A National Highway Traffic Safety Administration dos EUA começou a exigir relatórios de incidentes às empresas de veículos autónomos em 2021, e os números reportados ascendem a milhares de ocorrências, tanto em sistemas totalmente automatizados como em sistemas de assistência à condução — com os veículos Tesla, implementados a uma escala largamente superior, a representar a maioria. Vários dos casos mais graves, incluindo acidentes mortais com o sistema mãos-livres BlueCruise da Ford, partilham um padrão comum e revelador: um sistema parcialmente automatizado combinado com um ser humano que confiou excessivamente e deixou de prestar atenção. Essa combinação — automação capaz mas limitada associada a um humano desatento — é um dos modos de falha mais perigosos em todo o setor e a razão principal pela qual o problema da transição de controlo no Nível 3 é levado tão a sério.

Importa esclarecer o que isto significa e o que não significa. Não significa que a tecnologia seja genericamente insegura. Mostra que o panorama da segurança é genuinamente misto e ainda está a ser construído — e que quem afirme que os carros autónomos já são perfeitos, ou que são excecionalmente mortíferos, está a simplificar uma realidade muito mais complexa para defender um ponto de vista.

A IA é realmente um condutor mais seguro do que um humano?

Esta é provavelmente a pergunta a que mais deseja ver respondida — por isso, aqui tem uma resposta direta em vez de um discurso comercial. Onde existem dados, estes são prudentemente animadores, com ênfase no prudentemente. A Waymo publicou números que mostram que os seus veículos sofrem substancialmente menos acidentes com feridos do que condutores humanos em distâncias comparáveis, e analistas independentes que verificaram essas afirmações confirmaram, de modo geral, essa tendência. E não se trata apenas de a Waymo avaliar o seu próprio trabalho — reguladores como a NHTSA acompanham estes incidentes de perto e divulgam as suas conclusões.

Mas o que significa realmente «mais seguro» neste contexto? É aí que surgem as ressalvas. Até agora, significa mais seguro dentro de um domínio operacional específico — as áreas mapeadas, delimitadas geograficamente e maioritariamente com bom tempo onde estes carros circulam — e não mais seguro em qualquer lugar e condição. Uma ampla meta-análise na Nature Communications de 2024 examinou milhares de registos de acidentes de ambos os lados e concluiu que os veículos autónomos são mais seguros na maioria das situações, sendo claramente mais seguros para peões. Então, são simplesmente melhores? Não exatamente — o mesmo estudo identificou pontos fracos reais, nomeadamente que os carros autónomos colidiram com maior frequência ao amanhecer e ao anoitecer, gerindo algumas transições de pouca luminosidade pior do que os humanos. Comparar os dois com rigor é também muito difícil, pois as condições dos quilómetros percorridos diferem e cada entidade contabiliza os incidentes de forma distinta. Sem esquecer o lado humano: exigimos muito mais às máquinas do que às pessoas, e com razão — um acidente de um veículo autónomo atrai muito mais escrutínio do que os milhares de acidentes humanos que ocorrem diariamente. Entidades como o Stanford’s Institute for Human-Centered AI já detalharam tanto os ganhos reais como as lacunas que persistem.

Em que ponto ficamos, então? Com uma fasquia justa para avaliar estes sistemas. Nunca foi a perfeição — nenhum condutor, humano ou máquina, alguma vez a atinge. O critério consiste em ser comprovadamente mais seguro do que uma pessoa e, dentro das respetivas zonas de operação, os melhores sistemas parecem estar a conseguir. O que continua por alcançar é alargar esse desempenho a todas as condições e a qualquer lugar — e isso é um desafio muito superior. Porque, apesar de todos os erros que cometemos ao volante, o condutor humano continua a ser uma referência surpreendentemente difícil de superar quando se considera toda a complexidade da condução no mundo real.

Regulamentação de carros autónomos

A legislação tem tentado acompanhar os veículos autónomos desde que surgiram nas vias públicas, resultando num mosaico regulamentar que varia substancialmente consoante a jurisdição. Compreendê-lo é fundamental, já que a regulamentação molda onde e com que rapidez a tecnologia pode ser efetivamente implementada.

Os Estados Unidos começaram cedo ao nível estadual. O Nevada tornou-se a primeira jurisdição mundial a aprovar legislação sobre condução autónoma em 2011 e, desde então, muitos estados norte-americanos adotaram regras próprias, originando um panorama verdadeiramente fragmentado, onde o que é permitido num estado pode ser restrito no estado vizinho. O Reino Unido introduziu normas de teste em 2013 e a França em 2015. Até acordos internacionais históricos tiveram de ser revistos: a Convenção de Genebra sobre Trânsito Rodoviário, que pressupunha que um humano estava sempre em controlo total do veículo, foi alterada em 2016 para acolher funcionalidades automatizadas.

No plano internacional, um organismo da ONU denominado WP.29, através do seu grupo sobre veículos automatizados e conectados, começou a formular regulamentos específicos em 2018, cobrindo a dinâmica do veículo, sistemas de assistência à condução, sistemas de condução automatizada e cibersegurança. Os níveis da SAE tornaram-se o vocabulário de referência para estas normas na maioria das jurisdições, o que explica por que a distinção correta dos níveis vai além do mero rigor técnico — constam da própria lei. O Regulamento Geral de Segurança da União Europeia entrou em vigor para novos automóveis em 2022, com o Japão a seguir o mesmo enquadramento da UNECE, enquanto a China desenvolveu o seu próprio regime regulamentar e de segurança de dados para veículos inteligentes.

Dois temas transversais marcam toda esta regulamentação. O primeiro é a responsabilidade civil: a legislação em vigor ainda está a definir quem responde quando um veículo autónomo causa danos — o ocupante, o proprietário, o fabricante ou a empresa que desenvolveu o sistema de condução —, sendo que a natureza de autoaprendizagem da IA torna esta questão substancialmente mais complexa do que em produtos convencionais. O segundo é a transparência comercial. Reguladores de vários países têm contestado firmemente designações que exageram as capacidades dos sistemas, com autoridades a questionar nomes que insinuam autonomia total onde existe apenas assistência à condução, e algumas jurisdições a classificar a publicidade enganosa sobre condução autónoma como infração grave. O problema de nomenclatura abordado no início deste artigo não é, portanto, apenas fonte de confusão para os consumidores — é um campo de batalha regulamentar ativo.

Como a IA nos automóveis se articula com o ecossistema tecnológico

Eis uma observação prática para as empresas que acompanham este setor. Criar uma infraestrutura completa de condução autónoma é tarefa de um número reduzido de organizações extraordinariamente capitalizadas, não sendo um projeto realista para a generalidade das empresas. No entanto, a expansão dos veículos autónomos impulsiona a procura por um conjunto de competências adjacentes de IA que muito mais empresas podem construir, utilizar e rentabilizar com sucesso.

Sistemas de visão computacional para deteção de objetos, controlo de qualidade e monitorização visual aplicam-se à indústria transformadora, logística, segurança, retalho e dezenas de outros setores, recorrendo às mesmas técnicas nucleares que permitem aos carros ver. Edge AI e integração de sensores IoT — executar IA com eficiência no próprio dispositivo, combinando dados de múltiplos sensores em tempo real — é precisamente a capacidade de que os produtos conectados e as infraestruturas inteligentes cada vez mais necessitam. Plataformas de simulação e dados sintéticos, o mesmo princípio utilizado no treino de modelos de condução, são valiosas em qualquer contexto onde os dados reais de treino sejam escassos ou dispendiosos de obter.

Gestão de frotas, telemática, manutenção preditiva e a infraestrutura de dados da qual dependem as empresas de mobilidade são desafios de software que a era dos veículos autónomos torna ainda mais valiosos, estando todos perfeitamente ao alcance de um parceiro experiente em desenvolvimento de IA. Os veículos em si captam as atenções mediáticas, mas o ecossistema circundante de perceção, sensores e software de dados é o espaço onde uma gama muito mais alargada de empresas pode efetivamente participar.

O próprio trabalho em IA para o setor automóvel da 22 Software insere-se exatamente neste espaço adjacente — visão computacional, machine learning, dados de sensores e IoT, bem como sistemas de IA de suporte a veículos conectados e crescentemente automatizados, em vez do stack integral de condução autónoma.

Para onde caminha a IA nos veículos autónomos

Diversas tendências estão a moldar os próximos anos da condução autónoma.

As redes neuronais end-to-end estão a tornar-se a arquitetura predominante. A transição de pipelines modulares manuais para grandes redes neuronais que aprendem diretamente grande parte da tarefa de condução deverá continuar, seguindo a mesma trajetória que transformou outras áreas da IA.

Modelos de visão-linguagem-ação estão a introduzir o raciocínio típico dos LLM na condução. Uma linha emergente de investigação aplica as capacidades de raciocínio de grandes modelos de linguagem à condução autónoma, visando criar sistemas mais aptos a lidar com situações inéditas através de raciocínio flexível, em vez de dependerem unicamente de padrões identificados no treino.

Os serviços de robotáxis estão a expandir-se cidade a cidade. O caminho realista a curto prazo não é um salto repentino para uma autonomia universal, mas sim o alargamento gradual e seguro das áreas delimitadas onde circulam veículos de Nível 4, uma cidade cuidadosamente validada de cada vez.

O transporte rodoviário autónomo de mercadorias deverá atingir escala comercial em autoestrada antes dos robotáxis urbanos generalizados, impulsionado pela previsibilidade da condução em vias rápidas e pelo forte incentivo económico associado ao transporte de longo curso.

A tecnologia de perceção e sensores desenvolvida para automóveis está a convergir com a robótica em geral. Os mesmos avanços em perceção, fusão sensorial e tomada de decisão em tempo real que equipam os veículos autónomos alimentam diretamente robôs de armazém, robôs de entregas, drones e robótica humanóide, tornando a investigação sobre autonomia valiosa muito para além do setor automóvel.

Os quadros regulamentares estão a amadurecer de forma assimétrica. Diferentes países e até diferentes estados norte-americanos estão a adotar abordagens distintas quanto à autorização de veículos autónomos, e esta dispersão regulatória continuará a determinar onde a tecnologia evolui com maior rapidez nos próximos anos.

E o caminho até ao Nível 5 permanece longo. O veículo totalmente autónomo, capaz de circular em qualquer lugar e sem volante, que captou o imaginário público, poderá ainda estar a uma década ou mais de distância, caso venha a surgir nesse formato. O futuro mais provável a curto prazo é um arquipélago crescente de zonas de Nível 4 e sistemas de assistência de Nível 2 e Nível 3 cada vez mais refinados, e não a chegada repentina e espetacular de uma autonomia plena a toda a parte.

Em resumo

A IA em veículos autónomos é real, impressionante e opera em produção hoje — mas apenas dentro dos limites daquilo que consegue gerir. Os robotáxis sem condutor da Waymo provam que a autonomia de Nível 4 funciona dentro de uma área mapeada e delimitada geograficamente. Milhões de sistemas de Nível 2 comprovam que a assistência por IA torna a condução quotidiana mais segura e fácil. O enorme desfasamento entre estas duas realidades, aliado à complexidade persistente de casos raros, condições meteorológicas adversas, comportamentos humanos imprevisíveis e validação de segurança, explica por que a autonomia total em qualquer lugar permanece mais distante do que sugerem os títulos das notícias.

A tecnologia transitou da ficção científica para a realidade em circulação, o que constitui uma conquista notável. Contudo, «condução autónoma» é um espectro e não um interruptor; compreender a posição real de qualquer sistema nesse espectro distingue uma perspetiva informada de mera especulação. A avaliação honesta em 2026 é que a condução autónoma é, em simultâneo, mais real do que os céticos admitem e menos acabada do que os entusiastas proclamam.

Para as empresas, a oportunidade prática reside menos na criação do stack de condução e mais nas capacidades de IA que a era autónoma exige — visão computacional, edge AI, sistemas IoT e de dados de sensores, além da infraestrutura de software para veículos conectados e autónomos. Se está a desenvolver um projeto nesta área complementar, fale com a nossa equipa. Desenvolvemos sistemas de IA em produção, machine learning e visão computacional, e podemos ajudá-lo a definir o que é realmente exequível para o seu caso de utilização.