⚡ electrical engineering

Highway Readiness Assessment for SAE Levels of Automation and V2X Notification

Este artigo propõe um Índice de Preparação Rodoviária (HRI) quantitativo para avaliar o suporte da infraestrutura aos níveis de automação SAE por meio de atributos estáticos do ODD ponderados por especialistas, demonstra sua aplicação em um estudo de caso para identificar lacunas na infraestrutura e descreve sua integração em mensagens IVIM para comunicar orientações de automação em nível de segmento a veículos conectados.

Autores originais: Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Publicado 2026-05-26

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Lorenzo Italiano, Federico Marino, Mattia Brambilla, Giovanni Megna, Benedetto Carambia, Monica Nicoli

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando dirigir um carro autônomo. Você pode pensar que o carro é a única coisa que importa, mas este artigo argumenta que a própria estrada é tão importante quanto. Os autores, uma equipe de uma universidade e de uma empresa de gestão de rodovias na Itália, perceberam que, embora estejamos construindo carros melhores, não temos uma boa maneira de medir se nossas estradas estão realmente "prontas" para eles.

Aqui está a explicação da solução deles, apresentada de forma simples:

1. O Problema: A Lacuna da "Carteira de Habilitação"

Pense nos carros autônomos como alunos aprendendo a dirigir.

Níveis SAE 1–2 são como um aluno com permissão para aprender: Eles podem virar o volante ou frear automaticamente, mas um humano deve sempre vigiar a estrada.
Níveis SAE 3–4 são como um aluno com carteira completa: O carro dirige sozinho, e o humano assume apenas se algo der errado.

O problema é que as estradas são como salas de aula. Algumas salas têm quadros brancos, boa iluminação e mesas silenciosas (ótimas para aprender). Outras têm tinta descascando, luzes quebradas e obras barulhentas ao lado (terríveis para aprender). Atualmente, os gestores de estradas não têm um teste para ver se sua "sala de aula" é boa o suficiente para um "aluno" se formar em um nível de direção mais alto.

2. A Solução: O "Índice de Prontidão de Rodovias" (HRI)

Os autores criaram um boletim chamado Índice de Prontidão de Rodovias (HRI). Pense nisso como um boletim escolar para a estrada.

Em vez de apenas olhar para a estrada e chutar, eles dividiram a estrada em partes específicas e mensuráveis, como:

A Pintura: As faixas são brilhantes, largas e consistentes? (Se a pintura estiver desbotada, o carro fica confuso).
As Placas: O carro consegue ler as placas claramente?
O Pavimento: O asfalto é liso, ou é irregular e rachado?
O Mapa Digital: O carro possui um "mapa GPS" superdetalhado (Mapa HD) carregado antes mesmo de começar a dirigir?

3. Como Eles Criaram o Boletim

Para garantir que o boletim fosse justo, eles pediram que 17 especialistas (como professores, engenheiros e diretores de tecnologia) votassem no que era mais importante.

Para o "Aluno" (SAE 1–2): Os especialistas disseram que pintura clara e placas visíveis são o mais importante. Se as faixas estiverem confusas, o motorista humano precisa assumir o controle.
Para o "Formado" (SAE 3–4): Os especialistas disseram que tudo importa mais, mas Mapas HD e faixas de emergência tornaram-se críticos. Um carro autônomo precisa de um mapa digital perfeito para saber exatamente onde está, e precisa de um local seguro para parar se ficar preso.

Eles transformaram essas opiniões em pesos matemáticos. Se uma estrada tem ótima pintura, mas não tem Mapa HD, a pontuação para o nível "Formado" cai significativamente.

4. A Mensagem "Semáforo" (IVIM)

Depois de calcular a pontuação, eles a transformam em uma mensagem digital enviada da estrada para o carro. Imagine um semáforo, mas em vez de Vermelho/Amarelo/Verde, ele diz ao carro:

Verde (Pontuação Alta): "Você está seguro para dirigir sozinho no Nível 4."
Amarelo (Pontuação Média): "Você pode tentar o Nível 2, mas tenha cuidado."
Vermelho (Pontuação Baixa): "Não confie na automação; o humano deve dirigir."

Essa mensagem é enviada através de um sistema padrão chamado IVIM. É como a estrada sussurrando para o carro: "Ei, a tinta está descascando à frente, não tente dirigir sozinho aqui."

5. Testando em uma Rodovia Real

Eles testaram isso em um trecho de 24 quilômetros de rodovia na Itália.

Cenário A (Dia Normal): A estrada estava bem mantida. A pontuação foi alta e o sistema disse: "Sim, os carros podem dirigir sozinhos aqui."
Cenário B (Obras na Estrada): Eles simularam uma construção com pintura temporária desorganizada. A pontuação caiu drasticamente. O sistema disse imediatamente ao carro: "Não, assuma o volante", porque as condições eram arriscadas demais para um carro autônomo.
Cenário C (Manutenção Ruim): Eles simularam uma estrada com pavimento rachado e placas faltando. A pontuação despencou. O sistema disse: "Nenhuma automação permitida."

A Grande Conclusão:
O artigo mostra que você não pode apenas construir um carro inteligente e esperar que ele funcione em todos os lugares. Você precisa de uma estrada inteligente para acompanhá-lo. Ao usar este "Boletim" (HRI), os gestores de estradas podem ver exatamente onde precisam consertar a pintura ou adicionar mapas digitais para tornar a rodovia segura para carros autônomos. Isso transforma a ideia vaga de "esta estrada está pronta?" em uma resposta numérica e clara.

Resumo Técnico: Avaliação de Preparação de Rodovias para Níveis de Automação SAE e Notificação V2X

Declaração do Problema

Apesar dos avanços rápidos nas tecnologias de Condução Automatizada (AuD), os operadores de vias carecem atualmente de métodos práticos e quantitativos para avaliar se sua infraestrutura existente pode suportar Níveis Específicos de Automação (LOA). Embora os padrões definam Domínios de Projeto Operacional (ODDs) e níveis de automação, eles não fornecem um quadro reproduzível para mapear características estáticas da via rodoviária aos requisitos operacionais dos Sistemas de Condução Automatizada (ADSs). Consequentemente, as autoridades não podem identificar sistematicamente fatores físicos ou relacionados à manutenção que impedem níveis de automação mais elevados, nem podem comunicar as capacidades da infraestrutura aos Veículos Conectados e Automatizados (CAVs) de maneira padronizada. Quadros existentes frequentemente focam na conectividade digital ou dependem de testes extensivos de frota, falhando em oferecer uma métrica escalável e centrada na infraestrutura para avaliação em toda a rede.

Metodologia

O artigo propõe um Índice de Preparação de Rodovias (HRI) quantitativo, projetado para traduzir condições de infraestrutura estáticas e semi-estáticas em atributos mensuráveis ponderados por seu impacto no desempenho dos ADSs. A metodologia está estruturada em três etapas:

Operacionalização e Ponderação de Atributos:
- Taxonomia: Os autores definem um conjunto de atributos ODD estáticos agrupados em quatro macrocategorias: Marcações e Sinalização Rodoviária, Manutenção e Gestão Rodoviária, Projeto da Via e Recursos de Segurança, e Mapas de Alta Definição (HD) Pré-carregados.
- Pesquisa com Especialistas: Para derivar pesos, foi realizada uma pesquisa com 17 profissionais das áreas acadêmica, industrial e de gestão de infraestrutura. Os respondentes avaliaram o impacto da ausência ou degradação de atributos em dois grupos de LOA: SAE 1–2 (Condução Assistida) e SAE 3–4 (AuD).
- Diferenciação: A pesquisa revelou que, embora a visibilidade das faixas e a manutenção sejam críticas para SAE 1–2, atributos como mapas HD, faixas de emergência e faixas dedicadas a veículos autônomos tornam-se significativamente mais importantes para SAE 3–4.
Modelo de Preparação ao Nível de Segmento:
- Segmentos de via (por exemplo, 100 m) são avaliados contra critérios mensuráveis derivados de normas nacionais de projeto.
- Um valor observado $v_i \in \{0, 1, 2\}$ é atribuído a cada atributo com base na adequação.
- Uma pontuação de preparação $S^{(\ell)}$ é calculada para um nível específico de automação $\ell$ usando uma soma ponderada normalizada pela pontuação máxima possível:
  $S^{(\ell)} = \frac{\sum w_i^{(\ell)} \cdot v_i}{\sum w_i^{(\ell)} \cdot v_{max}} \times 100$
- Pesos distintos ( $w_i^{(\ell)}$ ) são aplicados para SAE 1–2 e SAE 3–4 para refletir suas sensibilidades diferenciadas à qualidade da infraestrutura.
Orientação de Infraestrutura e Integração IVIM:
- As pontuações são classificadas em três categorias: Pouco provável de ser adequada (0–33%), Pode ser adequada (33–66%) e Altamente provável de ser adequada (66–100%).
- Um limiar conservador de 66% é estabelecido. Apenas os níveis SAE com pontuações acima desse limiar são comunicados aos veículos.
- Essas recomendações são incorporadas à padronizada Mensagem de Informação de Infraestrutura para Veículo (IVIM) dentro do quadro do Sistema Inteligente de Transportes Cooperativo (C-ITS), permitindo que Unidades de Lado da Estrada (RSUs) transmitam orientações de automação ao nível do segmento.

Resultados Principais

A metodologia foi validada por meio de um estudo de caso no corredor Gallarate–Gattico (24 km) no norte da Itália, gerido pela Autostrade Per l'Italia (ASPI).

Condições de Base: Sob as atuais condições bem mantidas, o corredor suporta consistentemente SAE 1–2 e SAE 3–4 (pontuações >66%), indicando que as rodovias existentes de alta qualidade podem suportar automação avançada em configurações estáveis.
Cenário de Obras Rodoviárias: A simulação de obras temporárias (km 11–17) com marcações degradadas e transições geométricas causou uma queda acentuada na preparação, particularmente para SAE 3–4. Vários segmentos caíram abaixo do limiar de 66%, acionando corretamente uma mensagem IVIM conservadora que retinha recomendações de automação para essas seções.
Cenário de Manutenção: A simulação de má manutenção de longo prazo (marcações degradadas, deterioração do pavimento, dispositivos de segurança ausentes) resultou em quedas significativas de preparação em todo o corredor, com muitos segmentos caindo na faixa de "Pouco provável de ser adequada" para ambos os grupos de automação.
Análise de Sensibilidade: Uma análise teórica demonstrou que Mapas HD Pré-carregados têm o maior peso para SAE 3–4. A inclusão de mapas HD em cenários de infraestrutura degradada compensou parcialmente deficiências físicas, deslocando as pontuações de preparação de "Pouco provável" para "Pode ser adequada", destacando o papel crítico das camadas digitais ao lado da infraestrutura física.

Significado e Alegações

O artigo alega fornecer a primeira metodologia quantitativa, centrada na infraestrutura e escalável para mapear características estáticas da via rodoviária aos requisitos operacionais dos ADSs. Suas principais contribuições incluem:

Uma Métrica Reproduzível: O HRI oferece aos operadores de vias uma abordagem estruturada para avaliar a preparação da infraestrutura e identificar lacunas específicas (por exemplo, consistência de marcações, controle de vegetação) que limitam níveis de automação mais elevados.
Avaliação Diferenciada: Ao distinguir entre SAE 1–2 e SAE 3–4, o quadro reconhece que níveis de automação mais elevados dependem mais fortemente de geometria estável, áreas de fallback e redundância digital (mapas HD) em vez de apenas sinais visuais.
Integração Operacional: O trabalho preenche a lacuna entre a avaliação da infraestrutura e a operação do veículo, definindo como as pontuações de preparação podem ser traduzidas diretamente em mensagens V2X padronizadas (IVIM). Isso permite que a infraestrutura guie proativamente os veículos, potencialmente prevenindo desengajamentos ao alertar motoristas ou sistemas sobre segmentos inadequados antes que sejam encontrados.
Planejamento Estratégico: O quadro serve não apenas como uma ferramenta de diagnóstico para corredores específicos, mas também como um instrumento estratégico para o planejamento em toda a rede, permitindo que as autoridades priorizem investimentos em manutenção e digitalização com base em seu impacto na preparação para automação.

Os autores concluem que, embora o quadro atual se concentre em condições estáticas e semi-estáticas, ele estabelece as bases para a futura integração com fatores dinâmicos (tráfego, clima) e validação internacional expandida.