Pesquisa bibliográfica sobre aprendizado de máquina aplicado à condução veicular autônoma: Uma revisão
Palavras-chave:
Aprendizado de máquina, Aprendizado por reforço, Aprendizado profundo, Inteligência Artificial, Machine learning, Veículos autônomos, Veículos inteligentes.Resumo
Este trabalho tem o objetivo de explorar as diversas iniciativas industriais e de pesquisa acerca da aplicação de técnicas de Inteligência Artificial (IA) à condução veicular autônoma. Particularmente, destaca-se no estudo acerta de veículos autônomos (VA) que a transição para uma era de abundância de dados demanda uma mudança de paradigma dos modelos baseados em física para métodos guiados por IA, capazes de prever dinâmicas de tráfego futuras e auxiliar na formulação de políticas de trânsito otimizadas, cujo potencial reside em fatores como a redução de erros de natureza humana e na resposta rápida a acidentes em tempo real, fatores estes que justificam o estudo apresentado. A condução autônoma transcende os padrões de tráfego tradicionais ao realizar tarefas como o reconhecimento proativo de eventos críticos, planejamento dos movimentos seguintes, tomada de decisões e realização de tarefas de controle visando garantir a segurança e o conforto dos passageiros em ambientes de tráfego dinâmicos. São apresentados os níveis de automação veicular e concentra-se nos métodos guiados por IA focados em estruturas Ponta a Ponta em detrimento de estruturas pipeline, explorando detalhes acerca das arquiteturas de Redes Neurais MLP (Multi-Layer Perceptron) e KAN (Kolmogorov–Arnold Networks), os principais conceitos e estratégias que guiam essas técnicas, bem como desafios futuros relacionados a VAs. Conclui-se, portanto, que tecnologias como aprendizado de máquina, aprendizado profundo, aprendizado por reforço, bem como o uso conjunto destas, são essenciais para a implementação de sistemas de controle de VAs que promovam a evolução do sistema de transporte.
