{"id":624,"date":"2023-05-25T09:00:00","date_gmt":"2023-05-25T09:00:00","guid":{"rendered":"https:\/\/makewise.pt\/pt\/?p=624"},"modified":"2024-02-28T09:00:32","modified_gmt":"2024-02-28T09:00:32","slug":"o-papel-da-visao-por-computador-nos-veiculos-autonomos","status":"publish","type":"post","link":"https:\/\/makewise.pt\/pt\/o-papel-da-visao-por-computador-nos-veiculos-autonomos\/","title":{"rendered":"O papel da vis\u00e3o por computador nos ve\u00edculos aut\u00f3nomos: Como a vis\u00e3o por computador \u00e9 utilizada para detetar obst\u00e1culos, pe\u00f5es e outros ve\u00edculos"},"content":{"rendered":"\n

A vis\u00e3o por computador<\/a> \u00e9 a base de muitas tecnologias novas e emergentes, que muito provavelmente se tornar\u00e3o a norma num futuro n\u00e3o muito distante. Uma grande conquista tornada poss\u00edvel gra\u00e7as \u00e0 vis\u00e3o por computador e \u00e0 intelig\u00eancia artificial \u00e9 o sistema de condu\u00e7\u00e3o aut\u00f3noma j\u00e1 presente em alguns autom\u00f3veis. N\u00e3o h\u00e1 d\u00favida de que os carros aut\u00f3nomos ser\u00e3o uma vis\u00e3o comum no futuro. Mas sabe como estes funcionam?<\/p>\n\n\n\n\n\n\n\n

<\/div>\n\n\n\n

Como a vis\u00e3o por computador \u00e9 utilizada nos ve\u00edculos aut\u00f3nomos?<\/strong><\/h2>\n\n\n\n

Quando conduzimos, usamos os nossos olhos para ver a estrada e tudo o que est\u00e1 \u00e0 nossa volta e, com essa informa\u00e7\u00e3o visual, tomamos decis\u00f5es (virar, acelerar, abrandar, etc.). Os ve\u00edculos aut\u00f3nomos fazem o mesmo, mas o computador “v\u00ea” por si. Para o fazer, \u00e9 utilizada uma combina\u00e7\u00e3o de v\u00e1rias tecnologias.<\/p>\n\n\n\n

Uma dessas tecnologias \u00e9 a dete\u00e7\u00e3o de objetos, que \u00e9 poss\u00edvel atrav\u00e9s da vis\u00e3o por computador. Treinando CNNs (Convolutional Neural Networks)<\/a>, um tipo de algoritmo de deep learning, fazendo-o analisar v\u00e1rios tipos de imagens e ensinando-o a classificar corretamente essas imagens.<\/p>\n\n\n\n

Os ve\u00edculos cruzam a informa\u00e7\u00e3o previamente aprendida, com c\u00e2maras e sensores avan\u00e7ados, analisando o ambiente que os rodeia e reconhecendo pe\u00f5es, obst\u00e1culos, sinais de tr\u00e2nsito, outros ve\u00edculos, etc… Tudo isto em tempo real. No entanto, h\u00e1 algum trabalho a fazer na cria\u00e7\u00e3o de um carro aut\u00f3nomo… vejamos!<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n

1) Recolha de dados de treino<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

A aquisi\u00e7\u00e3o de conjuntos de dados de treino de alta qualidade \u00e9 crucial para o sucesso dos autom\u00f3veis aut\u00f3nomos alimentados por IA. Os dados podem ser recolhidos atrav\u00e9s de m\u00e9todos como: 1) captura de imagens durante a condu\u00e7\u00e3o semi-aut\u00f3noma; ou 2) utiliza\u00e7\u00e3o de motores de jogos de computador (que \u00e9 uma op\u00e7\u00e3o promissora para o treino de vis\u00e3o computacional). S\u00e3o necess\u00e1rias v\u00e1rias itera\u00e7\u00f5es de imagens geradas pela c\u00e2mara para garantir uma dete\u00e7\u00e3o eficaz de objetos. Al\u00e9m disso, engloba v\u00e1rios elementos, como objetos rodovi\u00e1rios, sinais, faixas de rodagem, pessoas, edif\u00edcios e outros ve\u00edculos. Cada elemento requer tipos de anota\u00e7\u00e3o espec\u00edficos, como polilinhas ou anota\u00e7\u00f5es de pontos 3D, o que real\u00e7a a complexidade e a grande quantidade de dados necess\u00e1rios para treinar esses modelos.<\/p>\n<\/div>\n\n\n\n

\n

2) Etiquetagem de dados<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

A etiquetagem de dados para ve\u00edculos aut\u00f3nomos \u00e9 tamb\u00e9m um processo de trabalho intensivo que depende do esfor\u00e7o humano para identificar e classificar com precis\u00e3o elementos em imagens em bruto. Manter a precis\u00e3o em projetos de grande escala \u00e9 um desafio, exigindo uma comunica\u00e7\u00e3o eficaz, sistemas de feedback e diretrizes de anota\u00e7\u00e3o claras. A diversidade de dados introduzidos \u00e9 crucial para que os modelos de treino fa\u00e7am previs\u00f5es exatas em v\u00e1rias condi\u00e7\u00f5es de estrada. Quer seja atrav\u00e9s de rotulagem interna, subcontratada ou de crowdsourcing, \u00e9 vital um processo de gest\u00e3o robusto para desenvolver um pipeline de anota\u00e7\u00e3o escal\u00e1vel.<\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n
\n
\n

3) Condi\u00e7\u00f5es da estrada e pe\u00f5es<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Os modelos de condu\u00e7\u00e3o aut\u00f3noma enfrentam varia\u00e7\u00f5es de desempenho devido \u00e0s condi\u00e7\u00f5es meteorol\u00f3gicas, \u00e0 ilumina\u00e7\u00e3o e a fatores ambientais, o que exige diversos conjuntos de dados. Naturalmente, a tecnologia de vis\u00e3o por computador permite a dete\u00e7\u00e3o de objetos, mas podem surgir desafios, por exemplo, quando os objetos est\u00e3o ocultos ou em movimento. Assim, os ve\u00edculos aut\u00f3nomos t\u00eam de detetar eficazmente os pe\u00f5es, estimar as suas poses e prever movimentos, tendo em conta fatores como sinais de tr\u00e2nsito sujos ou na sombra. Assim, para ultrapassar estes desafios e garantir a seguran\u00e7a de todos, \u00e9 crucial incorporar a dete\u00e7\u00e3o de objetos em tempo real, a identifica\u00e7\u00e3o precisa de pe\u00f5es e o tratamento eficiente de objetos em movimento.<\/p>\n<\/div>\n\n\n\n

\n

4) Vis\u00e3o est\u00e9reo<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

A seguran\u00e7a nos ve\u00edculos aut\u00f3nomos exige uma estimativa precisa da profundidade, apoiada por ferramentas como o LIDAR, o radar da c\u00e2mara e a vis\u00e3o est\u00e9reo. No entanto, surgem desafios devido \u00e0s diferentes disposi\u00e7\u00f5es das c\u00e2maras, o que leva a problemas como a distor\u00e7\u00e3o da perspetiva e representa\u00e7\u00f5es n\u00e3o correspondentes, dificultando o c\u00e1lculo da dist\u00e2ncia. Ultrapassar estes desafios \u00e9 vital para uma estimativa fi\u00e1vel da profundidade nos autom\u00f3veis aut\u00f3nomos.<\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n
\n
\n

5) Segmenta\u00e7\u00e3o sem\u00e2ntica e segmenta\u00e7\u00e3o sem\u00e2ntica de inst\u00e2ncias<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

A segmenta\u00e7\u00e3o sem\u00e2ntica e a segmenta\u00e7\u00e3o de inst\u00e2ncias representam desafios para os autom\u00f3veis aut\u00f3nomos! Porqu\u00ea? Bem, por exemplo, devido a limita\u00e7\u00f5es de desempenho e \u00e0 confus\u00e3o causada por fatores como a ilumina\u00e7\u00e3o e as condi\u00e7\u00f5es meteorol\u00f3gicas. A variedade do conjunto de dados e a contagem de itera\u00e7\u00f5es s\u00e3o cruciais para obter resultados precisos em projetos de vis\u00e3o computacional para ve\u00edculos aut\u00f3nomos.<\/p>\n<\/div>\n\n\n\n

\n

6) Vis\u00e3o multic\u00e2mara e estimativa de profundidade<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

A estimativa adequada da profundidade \u00e9 crucial para a seguran\u00e7a dos ve\u00edculos aut\u00f3nomos. A dist\u00e2ncia entre as lentes da c\u00e2mara e os objetos \u00e9 essencial para construir um sistema de vis\u00e3o est\u00e9reo fi\u00e1vel. No entanto, uma boa dist\u00e2ncia entre as lentes tamb\u00e9m pode levar \u00e0 distor\u00e7\u00e3o da perspetiva, o que dificulta c\u00e1lculos precisos. Al\u00e9m disso, as varia\u00e7\u00f5es na precis\u00e3o dos pix\u00e9is entre c\u00e2maras podem afetar os c\u00e1lculos de dist\u00e2ncia, o que torna importante a resolu\u00e7\u00e3o de problemas de representa\u00e7\u00e3o n\u00e3o paralela em autom\u00f3veis aut\u00f3nomos.<\/p>\n<\/div>\n<\/div>\n\n\n\n

<\/div>\n\n\n\n

Como \u00e9 que a vis\u00e3o computacional fez avan\u00e7ar os ve\u00edculos aut\u00f3nomos?<\/strong><\/h2>\n\n\n\n
\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n\n\n\n
\"\"<\/a><\/figure>\n<\/figure>\n\n\n\n

Apesar dos desafios, n\u00e3o \u00e9 preciso dizer como os ve\u00edculos aut\u00f3nomos avan\u00e7aram atrav\u00e9s da tecnologia de vis\u00e3o computacional. Estas s\u00e3o algumas das raz\u00f5es:<\/p>\n\n\n\n