Um carro autônomo, também chamado de veículo autônomo, é um veículo rodoviário equipado com sensores, computação e software que lhe permitem perceber o ambiente ao redor e controlar a direção, a aceleração e a frenagem com intervenção humana reduzida ou eliminada. A Sociedade de Engenheiros Automotivos define seis níveis de automação de direção, do Nível 0, sem automação, passando pelo Nível 2, automação parcial que exige supervisão constante do motorista, até o Nível 5, automação total em todas as condições sem um motorista humano; em meados da década de 2020, nenhum sistema implantado comercialmente havia atingido de forma confiável o Nível 5, e a maioria dos sistemas disponíveis ao público operava no Nível 2 ou, em áreas geograficamente delimitadas, no Nível 4.
Do DARPA à implantação comercial
A pesquisa moderna sobre direção autônoma remonta ao DARPA Grand Challenge, uma série de corridas para veículos autônomos em terrenos desérticos que a DARPA organizou em 2004 e 2005, depois que nenhuma equipe completou o primeiro percurso; o vencedor de 2005, o Stanley, de Stanford, liderado por Sebastian Thrun, e o subsequente Urban Challenge de 2007 ajudaram a semear a base de talentos e tecnologia para a indústria moderna. O Google iniciou seu projeto de carro autônomo em 2009 sob a liderança de Thrun, que foi desmembrado como empresa irmã da Google DeepMind, a Waymo, em 2016. A Waymo tornou-se a primeira empresa a operar um serviço comercial de robotáxi sem motorista, sem um motorista de segurança humano, lançado em Phoenix, Arizona, em 2020 e posteriormente expandido para São Francisco, Los Angeles e outras cidades dos EUA. A Cruise, apoiada pela General Motors, operou um serviço de robotáxi concorrente até um incidente em 2023 em São Francisco, no qual um pedestre foi arrastado, o que levou à suspensão nacional de sua frota e a grandes mudanças de liderança e estratégia.
A abordagem da Tesla
A Tesla, sob Elon Musk, seguiu um caminho técnico diferente, contando com Computer vision baseada em câmeras em vez dos sensores de lidar usados pela Waymo e pela maioria dos outros desenvolvedores, e distribuindo seus recursos de assistência ao motorista, comercializados como Autopilot e Full Self-Driving, de forma incremental para veículos de consumo, em vez de restringir a tecnologia a uma pequena frota de robotáxis geograficamente delimitada. Apesar da marca "Full Self-Driving", o sistema exigiu supervisão ativa do motorista durante todo o seu lançamento público e permanece classificado como automação de Nível 2; a abordagem e seu marketing atraíram escrutínio regulatório, incluindo investigações da Administração Nacional de Segurança do Tráfego Rodoviário dos EUA sobre acidentes envolvendo o recurso.
Abordagem técnica
Os sistemas de direção autônoma geralmente combinam vários tipos de sensores, câmeras, radar e, na maioria das abordagens, exceto a da Tesla, lidar, fundidos por meio de software de percepção construído sobre visão computacional e, cada vez mais, modelos aprendidos de Neural network em vez de regras puramente codificadas à mão. As camadas de planejamento de trajetória e controle traduzem então o ambiente percebido em decisões de direção, com sistemas recentes usando cada vez mais modelos aprendidos de ponta a ponta que mapeiam a entrada do sensor mais diretamente para ações de direção, uma abordagem conceitualmente relacionada ao impulso mais amplo em direção ao controle aprendido, em vez de projetado manualmente, em toda a Robotics.
O problema da cauda longa
O principal obstáculo técnico para a autonomia total é frequentemente descrito como a cauda longa: a grande maioria das situações de direção é rotineira e já tratada de forma confiável, mas um conjunto pequeno, efetivamente ilimitado, de casos extremos raros - marcações rodoviárias incomuns, outros motoristas erráticos, comportamento imprevisível de pedestres ou clima desconhecido - continua a causar falhas, e cobrir o suficiente dessa cauda para igualar ou superar a segurança humana em todas as condições provou ser muito mais difícil do que as previsões iniciais da indústria na década de 2010 antecipavam. Essa lacuna entre a capacidade demonstrada em condições comuns e a robustez em casos raros ecoa desafios de confiabilidade semelhantes observados em outros domínios de IA, incluindo Hallucination (AI) em sistemas de Large language model, e repetidamente adiou os cronogramas para a implantação completa do Nível 5 em toda a indústria.