Planejamento de Movimento em Tempo Real para Veículos Autônomos em Ambientes Urbanos: Estudo de Protótipo em Escala Reduzida

Veículos autônomos avançados prometem futuro mais seguro e eficiente para mobilidade urbana. Ainda, apesar de investimento significativo da indústria, nenhum sistema totalmente autônomo entrou no mercado consumidor. Gargalo chave é falta de engine robusto de planejamento de movimento em tempo real que navegue ruas complexas de cidade com segurança.

Objetivo do Projeto

Objetivo desta pesquisa é projetar e implementar sistema confiável de planejamento de movimento em tempo real que reduza taxas de acidente para carros autônomos. Sistema incorpora manutenção de faixa, evasão de obstáculos, evasão de carros em movimento, controle de cruzeiro adaptativo e evasão básica de acidentes.

Arquitetura de Hardware

Construímos veículo "ego" (EGO) em escala reduzida usando kit chassi robô redondo 3-camadas Adafruit com motores DC duplos, Raspberry Pi 3 B+, scanner laser RPLIDAR-A1, dois sensores ultrassônicos HC-SR04 e battery pack Anker PowerCore 13000.

Raspberry Pi serve como hub de processamento, recebendo dados brutos do LIDAR e sensores ultrassônicos via pinos GPIO e entregando comandos de motor a board driver DRV8833.

Pilha de Software

Todo software roda no Raspbian. Python 3 é linguagem primária, aproveitando SDK oficial LIDAR e VNC Viewer para monitoramento remoto. SSH habilita acesso command-line sem fio.

Metodologia

1. Fase 1 – Build Hardware: Monte veículo EGO e instale OS, drivers e ferramentas de conectividade.
2. Fase 2 – Desenvolvimento de Controle: Implemente módulos de manutenção de faixa, evasão de obstáculos, evasão de carros em movimento e controle de cruzeiro adaptativo usando fusão de sensores.
3. Fase 3 – Validação: Conduza bateria de testes de confiabilidade em mock-up urbano em escala reduzida, refine algoritmos iterativamente e integre todos módulos numa única stack de planejamento de movimento.

Algoritmos Principais

Evasão de obstáculos baseia-se em dados LIDAR segmentados em setores frontal e traseiro; se obstáculo aparece no setor frontal, sistema verifica faixa oposta via sensores ultrassônicos antes de decidir parar ou mudar faixa. Controle de cruzeiro adaptativo ajusta velocidade em ±5% ou ±1% da velocidade atual para manter distância segura de seguimento.

Resultados e Melhorias

Testes iniciais demonstraram:

• Manutenção de faixa mantém veículo centralizado com sucesso.
• Evasão de obstáculos para veículo confiavelmente à frente de obstáculos estáticos.
• Evasão de carros em movimento pode mudar faixa quando faixa oposta está livre.
• Controle de cruzeiro adaptativo mantém distância mas exibe jitter de velocidade.

Mitigamos design top-heavy do veículo removendo Raspberry Pi secundário e baixando chassi, reduzindo risco de capotamento. Adicionar sensores ultrassônicos melhorou detecção de faixa lateral, e rotina de ajuste de velocidade mais suave melhorou estabilidade do cruise control.

Trabalho Futuro

Futuras iterações explorarão path planning baseado em machine learning, integração real-time de sinais de trânsito e coordenação multi-veículo via comunicação V2X. Aprimorar algoritmo de cruise adaptativo com modelos preditivos baseados em cálculos distância-tempo também planejado.

Conclusão

Combinando fusão de sensores, lógica de controle modular e testes iterativos, produzimos protótipo de sistema de planejamento de movimento em tempo real que opera com segurança em ambiente urbano controlado. Embora não production-ready, arquitetura estabelece base sólida para direção autônoma Nível 4.

Agradecimentos

Agradecimentos especiais à Dra. Lisa Fiorentini por mentoria, à minha família por apoio inabalável e aos pares por feedback construtivo.

Referências

1. Aqib, "What is Raspberry pi? Getting Started with Raspberry Pi 3," Electronics Hobbyists, 18-Jan-2019. https://electronicshobbyists.com/tutorial-1-what-is-raspberry-pi-getting-started-with-raspberry-pi-3/.
2. Adafruit Industries, "Mini 3‑Layer Round Robot Chassis Kit – 2WD with DC Motors," 2020. https://www.adafruit.com/product/3244.
3. Adafruit Industries, "Adafruit DRV8833 DC/Stepper Motor Driver Breakout Board," 2020. https://www.adafruit.com/product/3297.
4. T. Huang, "RPLIDAR‑A1 360° Laser Range Scanner," SLAMTEC, 2020. https://www.slamtec.com/en/Lidar/A1.
5. "PowerCore 13000," Anker, 2020. https://www.anker.com/store/powercore-13000/A1215011.
6. "Welcome to lidar's documentation! ¶," LIDAR documentation, 2020. https://lidar.readthedocs.io/en/latest/.
7. "RealVNC," VNC® Connect, 2020. https://www.realvnc.com/en/connect/download/viewer/macos/.
8. Adafruit Industries, "HC‑SR04 Ultrasonic Sonar Distance Sensor 2 × 10 kΩ resistors," 2020. https://www.adafruit.com/product/3942.