Software para veículos que enxergam a estrada.

Em 1931, uma revista de divulgação científica publicou o corte de um carro aerodinâmico com motor traseiro: cada mola, cada eixo e cada engrenagem aparecia identificado no desenho [4]. Era assim que se explicava um automóvel — pela sua mecânica. Quase cem anos depois, o mesmo exercício exigiria desenhar outra camada: câmeras, radares, unidades de processamento e o software que liga tudo isso.

Essa camada tem nome: Sistemas Avançados de Assistência ao Condutor (Advanced Driver Assistance Systems — ADAS). São tecnologias embarcadas que ajudam o motorista a perceber o ambiente e a tomar decisões e que, em determinadas funções, intervêm diretamente no veículo. Segundo Yurtsever et al. [1], esses sistemas representam uma etapa importante na evolução da automação veicular, pois combinam sensores, processamento computacional e algoritmos para interpretar o ambiente de condução.

Imagine uma rodovia à noite, sob chuva. O controle adaptativo de velocidade (ACC) mantém a distância para o veículo à frente; se ele freia de repente, a frenagem automática de emergência (AEB) reage antes que o motorista perceba o risco; quando o carro começa a sair da faixa sem a seta acionada, o alerta de saída de faixa (LDWS) avisa, e o assistente de permanência em faixa (LKAS) corrige suavemente a direção. Na taxonomia SAE J3016, recursos como esses são classificados como de suporte ao condutor (níveis 0 a 2): o sistema auxilia, mas quem conduz continua sendo a pessoa ao volante [3]. Estudos de revisão também investigam essas tecnologias como ferramentas para aumentar a segurança e reduzir situações de risco no trânsito [2].

Esses recursos deixaram de ser exclusividade de modelos de luxo e já aparecem em veículos vendidos no Brasil — tanto que, como mostra o próximo capítulo, passaram a integrar a política industrial do setor. O ponto central, porém, é outro: ADAS não é uma tecnologia única, mas um conjunto de funções que atuam de forma integrada, com diferentes sensores e níveis de automação.

Por isso, um sistema ADAS deve ser entendido como uma arquitetura de assistência ao condutor, e não como um recurso isolado. Câmera, radar, processamento e algoritmos de percepção formam uma cadeia que transforma informações do ambiente em alertas ou ações. No LKAS, por exemplo, tudo começa com uma pergunta simples — onde estão as faixas? —, cuja resposta permite estimar a posição do veículo na pista e assistir a direção. É nessa pergunta que a visão computacional e a inteligência artificial entram na história.

Todo sistema que interfere na condução precisa responder a uma pergunta antes de chegar às ruas: como provar que ele é seguro? No Brasil, parte dessa resposta veio da política industrial. A Lei nº 14.902/2024, que instituiu o Programa Mobilidade Verde e Inovação (MOVER), incluiu entre suas diretrizes o aumento da disponibilidade de tecnologias assistivas à direção nos veículos comercializados no país [1].

O Decreto nº 12.435/2025, que regulamenta o programa, definiu o índice de desempenho estrutural e tecnologias assistivas à direção (InTec) e incluiu entre seus requisitos a frenagem automática de emergência (AEB), o alerta de afastamento de faixa (LDWS) e, no grupo de tecnologias inovadoras, o assistente de permanência em faixa (LKAS) [2]. Desde 1º de junho de 2025, a comercialização e a importação de determinados veículos novos estão condicionadas ao atendimento desses requisitos [3]. Para comprovar o desempenho, o decreto recorre às regulamentações do CONTRAN e, quando não há regra nacional específica, a referências internacionais, como os regulamentos da UNECE e as normas ISO [2].

A homologação, porém, é apenas o fim de um caminho mais longo. Durante o desenvolvimento, a ISO 26262 estabelece a estrutura de segurança funcional para sistemas elétricos e eletrônicos automotivos [4] — ou seja, trata do que acontece quando algo falha. A ISO 21448 (SOTIF) vai além e trata dos riscos que existem mesmo quando nada falha: um sistema de percepção que funciona como projetado, mas interpreta mal uma faixa desgastada, por exemplo [5]. Para funções ligadas à manutenção da trajetória, o Regulamento ONU nº 79 é a referência internacional para sistemas de direção e funções de assistência [6].

Resta medir o quanto uma tecnologia está pronta. Para isso existe o Technology Readiness Level (TRL). Na metodologia adotada pela Finep no MOVER, a escala vai do TRL 1, a observação dos princípios básicos, ao TRL 9, quando o sistema está em operação e comprovado em sua missão [7]. Na detecção de faixas, validar um modelo em datasets é uma etapa experimental; integrá-lo a hardware embarcado, testá-lo em ambiente relevante, demonstrá-lo em um veículo e qualificar o sistema são degraus progressivamente mais altos.

O TRL não é uma certificação obrigatória para ADAS; é uma forma de descrever a maturidade de uma tecnologia específica. No contexto brasileiro, essa perspectiva aproxima a pesquisa acadêmica das etapas de desenvolvimento, validação e eventual industrialização. E revela o desafio do próximo capítulo: um modelo pode ser excelente no papel e, ainda assim, não caber no carro.

Voltemos à pergunta do primeiro capítulo: onde estão as faixas? A detecção de faixas (Lane Detection) é a etapa que estima a posição e a geometria das marcações da pista, e dela dependem funções como LDWS e LKAS. Revisões da área mostram uma transição de métodos tradicionais de processamento de imagens para arquiteturas de aprendizado profundo, capazes de aprender representações diretamente dos dados [1], [2].

Essa evolução trouxe um novo dilema. Modelos maiores enxergam melhor, mas um carro não espera: a percepção precisa acontecer em tempo real, com robustez e eficiência computacional. Qin, Wang e Li responderam a esse dilema com o Ultra Fast Structure-aware Deep Lane Detection (UFLD), que trata a detecção de faixas como seleção por linhas (row-based selection) em vez de depender exclusivamente de segmentação pixel a pixel [3]. Em vez de classificar cada pixel da imagem, o modelo escolhe, em cada linha predefinida, a posição mais provável da faixa — o que reduz significativamente o custo computacional e eleva a velocidade de inferência.

Outras abordagens seguiram caminhos diferentes. O LaneATT, de Tabelini et al., usa mecanismos de atenção para aproveitar informações globais da imagem e lidar com oclusões e marcações incompletas, sem abrir mão da eficiência em tempo real [4]. Pesquisas mais recentes exploram modelos temporais, que usam quadros consecutivos para melhorar a detecção quando uma única imagem não traz informação suficiente [5].

A escolha de um algoritmo para ADAS, portanto, não depende só da precisão. Latência, quadros por segundo (FPS), memória, consumo computacional e estabilidade das previsões pesam tanto quanto o resultado em um benchmark. Um modelo pode liderar um ranking e, ainda assim, exigir recursos incompatíveis com a plataforma embarcada disponível. Trabalhos recentes sobre detecção de faixas em sistemas de baixo consumo reforçam a importância de arquiteturas capazes de operar em hardware limitado, inclusive em plataformas baseadas apenas em CPU [6].

É nesse ponto que se concentra a minha pesquisa. No AI Residency Program, participo de um grupo de estudos que investiga algoritmos de detecção de faixas para sistemas embarcados — arquiteturas leves como UFLD e LaneATT, estratégias temporais, otimização de modelos e avaliação em hardware real. A pergunta deixa de ser apenas “a faixa pode ser detectada?” e passa a ser “ela pode ser detectada com precisão, estabilidade e velocidade suficientes para um carro?”.

Uma patente é um acordo: o inventor descreve publicamente a solução e, em troca, recebe o direito de impedir que outros a explorem por até 20 anos contados do depósito — no Brasil, pela Lei nº 9.279/1996 [1]; na Europa, pela Convenção sobre a Patente Europeia (EPC) [2]. Para quem trabalha com ADAS há um detalhe importante: nas duas legislações, o programa de computador “em si” não é invenção [1], [2]. O que se protege é a solução técnica — um método de percepção que reduz a latência em um processador embarcado, por exemplo —, e não o código.

O caminho é parecido nos dois lados do Atlântico. No INPI, o pedido fica em sigilo por 18 meses, é publicado e precisa ter o exame requerido em até 36 meses do depósito; segue-se o exame técnico, com exigências e respostas, até a decisão [1]. No Escritório Europeu de Patentes (EPO), o pedido recebe um relatório de busca com parecer, é publicado aos 18 meses e o exame deve ser requerido em até seis meses após a publicação desse relatório; concedida a patente, terceiros têm nove meses para apresentar oposição [2]. Desde 1º de junho de 2023, a patente europeia pode ainda ganhar efeito unitário em boa parte dos países da União Europeia [5].

A diferença está no relógio. Segundo a Organização Mundial da Propriedade Intelectual (OMPI), um pedido levava em média 95,4 meses até a decisão final no Brasil em 2016 — quase oito anos —, contra 23,3 meses no EPO [4]. Em 2024, o tempo brasileiro caiu para 38,4 meses, ainda acima dos 24,9 meses do EPO, dos 29,5 do escritório dos Estados Unidos, dos 15,5 da China e dos 12,9 do Japão [3]. Parte da explicação está na escala: em 2024, o INPI tinha 300 examinadores de patentes; o EPO, 4.005 [3]. A própria OMPI adverte que os procedimentos não são totalmente harmonizados e que a comparação entre escritórios exige cautela [3].

Enquanto isso, o setor acelerou. Os pedidos de patente publicados no mundo na área de transporte passaram de 90.961 em 2013 para 140.730 em 2023, crescimento médio de 4,5% ao ano [3]. Alemanha, França, Suécia e Itália são as origens mais especializadas no tema entre as 15 maiores do período 2021–2023; o Brasil não aparece nesse grupo [3]. Para quem desenvolve tecnologia automotiva aqui, a lição é dupla: depositar cedo no Brasil garante a prioridade, mas proteger os mercados onde o carro será fabricado e vendido costuma passar também pelo EPO e por outros escritórios.

É também por isso que a pesquisa precisa pensar em propriedade intelectual desde o início. Um algoritmo de detecção de faixas que roda em tempo real em hardware embarcado pode ser publicado, patenteado ou ambos — mas a ordem importa, porque a divulgação antes do depósito pode comprometer a novidade. No meu caso, essa é uma das etapas previstas: transformar resultados de pesquisa em um protótipo e, quando houver uma solução técnica nova, em um pedido de patente.