Pesquisadores da Coppe desenvolvem softwares para conectividade segura de automóveis

A privacidade passou a ser um ponto crítico para o desenvolvimento de tecnologias voltadas para a conectividade veicular, em função da enorme coleta de dados em diversas e variadas plataformas e dispositivos.

Os veículos elétricos modernos possuem sensores que geram um grande volume de informações, que envolvem o funcionamento e estado dos componentes automotivos, a sua localização, as rotas que percorreu com mais frequência, e a forma como foi conduzido pelo motorista, dentre outras. Por outro lado, a partir desses dados coletados, a indústria automotiva pode desenvolver diversificadas aplicações, como forma competitiva, para ter um produto bem mais próximo ao estilo do motorista.

Essa equação vem sendo estudada a fundo pelos pesquisadores do Grupo de Teleinformática e Automação (GTA) da Coppe/UFRJ que estão desenvolvendo uma inovadora arquitetura de softwares. O projeto conta também com a participação de pesquisadores do Laboratório de Fontes Alternativas de Energia (Lafae).

Como parte do projeto “Aplicações veiculares com aprendizado distribuído e manutenção de privacidade (AVADiP), a arquitetura está sendo estruturada para ser utilizada em qualquer aplicação de coleta de dados, com garantia de privacidade.

Coordenado pelo professor Miguel Elias Mitre Campista, do GTA/Coppe, o projeto foi aprovado, em 2023, no Programa Prioritário Conectividade Veicular, liderado pela Fundação de Apoio da UFMG (Fundep), e que integra o Programa Nacional de Mobilidade Verde e Inovação (Mover), uma expansão do antigo Rota 2023. A meta é estimular o investimento e o fortalecimento das empresas brasileiras do setor automotivo, por meio do desenvolvimento e da aplicação de novas tecnologias, e com maior sustentabilidade. O projeto da Coppe conta com a participação do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP, da Stellantis e da Startup Mobway.

Com previsão de três anos de execução, o projeto tem como objetivo fornecer ferramentas computacionais à indústria automotiva que permita a esta dar continuidade na produção de novos modelos de aprendizado de máquina, como parte do uso da Inteligência Artificial (IA). Isso, sem que os usuários precisem ceder informações pessoais, como explica Miguel Campista. O professor, que é do Programa de Engenharia Elétrica da Coppe, diz que a proposta é estudar o uso de duas aplicações de IA, mas a arquitetura que está sendo construída poderá viabilizar várias outras aplicações, com a finalidade de potencializar o uso de dados gerados pelos veículos conectados no ecossistema de serviços com interfaces públicas.

De acordo com o professor da Coppe, o insumo de qualquer sistema de aprendizado de máquina são estes dados gerados a partir do comportamento dos usuários, que são coletados e armazenados em nuvem para serem utilizados pela indústria automotiva no desenvolvimento de diversificadas aplicações, como forma competitiva, para ter um produto bem mais próximo ao estilo do motorista.

O professor da Coppe diz que o projeto está sendo executado com três eixos de trabalho, começando pela coleta e gerenciamento dos dados, que estão sendo realizadas com apoio técnico da Stellantis, com uso de dois veículos da marca, dos quais um totalmente elétrico já foi disponibilizado recentemente, no final de janeiro, e encontra-se na Coppe. “O primeiro desafio é produzir e armazenar os dados para que possamos treinar os modelos das aplicações. Nesta parte inicial, a coleta está sendo feita em bancada, de forma off-line. Em paralelo, estamos construindo os modelos de aprendizagem de máquina, mantendo a privacidade e a arquitetura de softwares. Mais adiante, quando houver um volume suficiente de dados armazenados, aí faremos a integração de todas as etapas do trabalho, reunindo-as em um único sistema”, explica Miguel Campista. 

O professor da Coppe diz que, a partir da arquitetura de softwares, serão desenvolvidas duas novas aplicações. A primeira é voltada para identificar os usuários vulneráveis ao redor dos veículos. A segunda é para a predição da saúde da bateria e do alcance do veículo eletrificado. Ambas aplicações são afetadas por padrões de condução e utilizam modelos gerados por algoritmos de aprendizado de máquina (Machine Learning) com aquisição distribuída de dados.