Antes que os carros possam andar sem um ser humano, alguém deve primeiramente estar ao volante. Quando o motorista acelera, para e faz curvas pelas ruas, os sensores do carro gravam o que ele vê e registram suas reações; daí, uma equipe de engenheiros cria um software que consegue aprender a agir através desses dados. Ele é então instalado no carro, que vai se dirigir sozinho. No final, o automóvel imita as escolhas feitas pelo motorista humano.
É assim que as coisas funcionam na Aurora Innovation, uma startup fundada por três veteranos da pesquisa de veículos autônomos, incluindo Chris Urmson, que anteriormente liderou o projeto desses carros no Google.
Tecnologia de aprendizagem de máquina coloca startups na corrida pelo carro autônomo
Os métodos da empresa são parte de uma mudança que tomou conta do mundo do setor: a chamada tecnologia de aprendizagem de máquina(machine learning, em inglês), que oferece uma oportunidade a pequenas empresas como a Aurora de competir com os gigantes das indústrias tecnológica e automotiva. Com isso, os pesquisadores podem construir e melhorar veículos autônomos em um ritmo muito mais rápido – uma das razões pelas quais a Aurora acredita que poderá contribuir com empresas que trabalham com essa tecnologia há anos.
A startup de um ano de existência recentemente disse ter concordado em fornecer tecnologia de autocondução para a Volkswagen e a Hyundai, duas das maiores empresas automobilísticas do mundo. Johann Jungwirth, o diretor digital do grupo Volkswagen, que também controla Audi, Porsche e seis outras grandes marcas automotivas incluindo a Volkswagen, sua marca principal, disse que a empresa está trabalhando com a Aurora no desenvolvimento de carros e serviços de táxi autônomos.
Em 2010, quando Urmson e seus colegas do Google lançaram o movimento de veículos autônomos, escrever o código para orientar seus veículos era extremamente penoso, pois tinha que ser feito linha por linha; mas, há alguns anos, um tipo de algoritmo chamado “rede neural profunda” veio do mundo acadêmico para reinventar a maneira na qual muitas tecnologias são construídas, incluindo os veículos autônomos.
Esses algoritmos podem aprender as tarefas sozinhos ao analisar grandes quantidades de dados. Antes, um especialista com Ph.D. se sentava em um cubículo, durante seis meses, e fazia à mão o código do detector, que percebia objetos na estrada, como explicou Urmson durante uma entrevista recente nos escritórios da Aurora. “Agora, você coleta o tipo certo de dados, fornece-os a um algoritmo e, um dia mais tarde, tem algo que funciona tão bem quanto o que era produzido em seis meses de trabalho.”
O projeto do carro autônomo do Google usou a técnica pela primeira vez para detectar pedestres. Desde então, aplicou o mesmo método para muitas outras peças do carro, incluindo sistemas que preveem o que vai acontecer na estrada e que planejam uma rota. Agora, a indústria como um todo está se movendo na mesma direção.
O dilema das redes neurais
Mas essa mudança gera dúvidas. Ainda não se sabe como reguladores e advogados – para não mencionar o público em geral – vão assimilar esses métodos. As redes neurais aprendem com essas grandes quantidades de dados baseando-se em horas ou mesmo dias de cálculos, por isso operam de uma forma que seus criadores humanos não necessariamente conseguem antecipar ou compreender. Não há meios de determinar exatamente por que uma máquina toma uma decisão em particular.
“É uma grande transição. Se você começar a usar redes neurais para controlar como um carro se move, e de repente ele bate, como conseguir explicar a razão da batida e como evitar que não volte a acontecer?”, disse Noah Goodhall, que explora questões regulamentares e legais envolvendo carros autônomos no Conselho de Pesquisa de Transporte da Virginia, um braço do Departamento de Transportes do estado.
Os primórdios desse processo datam de 2012. Trabalhando com dois outros pesquisadores da Universidade de Toronto, um aluno chamado Alex Krizhevsky construiu uma rede neural que poderia reconhecer fotos de objetos do dia a dia, como flores, cães e carros. Através da análise de milhares delas, a rede aprendeu a reconhecer uma flor em questão de dias, funcionando melhor que qualquer sistema manualmente codificado.
LEIA TAMBÉM: O carro do futuro da Nissan vai ler os pensamentos do motorista
Logo, Krizhevsky e seus colaboradores se mudaram para o Google, que, nos anos seguintes, junto de seus rivais da internet, inovaram na área da inteligência artificial usando esses conceitos para identificar objetos em fotos e reconhecer comandos de voz em smartphones, traduzir línguas e responder a buscas pela web.
No final de 2013, outra pesquisadora do Google, Anelia Angelova, pediu a ajuda de Krizhevsky no projeto do carro autônomo do Google. Oficialmente, nenhum deles trabalhava no programa; faziam parte de um laboratório de IA separado, chamado Google Brain, mas ambos perceberam ali uma oportunidade.
Em vez de tentar definir para um computador qual a aparência de um pedestre, eles criaram um algoritmo que faria a máquina aprender o que é um pedestre. Através da análise de milhares de fotos de ruas, seu sistema poderia começar a identificar os padrões visuais que definem o formato de uma cabeça ou de uma perna dobrada. O método foi tão eficiente que o Google começou a usar a técnica em outras partes do projeto, incluindo previsão e planejamento.
“Foi um momento de transição importante. O ano de 2013 foi mágico”, disse Dmitri Dolgov, que fazia parte da equipe original do carro autônomo do Google e que agora é chefe de tecnologia da Waymo, a nova empresa que supervisiona o projeto.
Urmson descreveu essa mudança da mesma maneira. Ele acredita que o progresso continuado desses e de outros métodos de aprendizagem de máquina será essencial para a construção de carros que possam reproduzir e até mesmo melhorar o comportamento dos motoristas humanos.
Espelhando o trabalho da Waymo, a Aurora está construindo algoritmos que podem reconhecer objetos na rua e antecipar e reagir aos acontecimentos envolvendo outros veículos e pedestres. Como explicou Urmson, o software pode aprender o que acontece quando um motorista vira o veículo em uma determinada direção em uma velocidade específica em um determinado tipo de rua.
Comportamento inesperado de redes neurais é risco
Aprender com motoristas humanos desta forma é a evolução de uma ideia antiga. No início de 1990, pesquisadores da Universidade Carnegie Mellon construíram um carro que assimilou comportamentos relativamente simples. No ano passado, uma equipe de pesquisadores da Nvidia, a fabricante de chips de computador, publicou um artigo mostrando como o hardware moderno consegue estender a ideia de um comportamento mais complexo. Muitos pesquisadores, porém, questionam se os fabricantes desses automóveis conseguem entender completamente por que as redes neurais tomam decisões particulares e descartam um comportamento inesperado.
“No caso de carros ou aviões, há muita preocupação sobre redes neurais fazendo loucuras”, disse Mykel Kochenderfer, professor de Robótica que supervisiona o Laboratório de Sistemas Inteligentes da Universidade de Stanford.
LEIA TAMBÉM: Veículos autônomos precisam superar a ansiedade dos motoristas humanos
Alguns pesquisadores, por exemplo, mostraram que redes neurais treinadas para identificar objetos podem ser enganadas, vendo coisas que não estão de fato lá – embora muitos, incluindo Kochenderfer, estejam trabalhando para desenvolver maneiras de identificar e evitar um comportamento inesperado.
Como a Waymo, a Toyota e outros, a Aurora diz que sua abordagem é mais controlada do que pode parecer. A empresa equipa os carros com várias camadas de sistemas de backup, para que, se um deles falhar, outro possa oferecer uma rede de segurança. E em vez de dirigir o carro usando uma única rede neural que aprende todo o comportamento de um vasto conjunto de dados – o método demonstrado pela Nvidia –, eles dividem a tarefa em partes menores.
Um sistema detecta sinais de trânsito, por exemplo; outro prevê o que vai acontecer a seguir em um determinado tipo de situação; um terceiro escolhe uma resposta, e assim por diante. A empresa pode treinar e testar e retreinar cada parte.
“Como podemos ter certeza de que algo funciona? Testando”, afirmou Drew Bagnell, especialista em aprendizado de máquina que ajudou a fundar a Aurora depois de deixar o programa do carro autônomo do Uber.