⚡ electrical engineering

From Operational Design Domain to Action: A Systematic Behavioral Taxonomy for Autonomous Driving

Este artigo aborda a lacuna entre as especificações do domínio de projeto operacional e a validação comportamental na condução autónoma ao introduzir uma taxonomia sistemática, fundamentada em normas, de 21 competências comportamentais através dos domínios de Autoestrada, Urbano e Hub, que decompõe as ações de condução em controlos longitudinais e laterais caracterizados por segurança, conformidade, conforto e eficiência para permitir a geração concreta de cenários para a garantia de segurança.

Autores originais: Chaitanya Shinde, Hadi Hajieghrary, Miguel Hurtado

Publicado 2026-08-11

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Chaitanya Shinde, Hadi Hajieghrary, Miguel Hurtado

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 ensinando um robô a dirigir um carro. Você pode dizer facilmente ao robô onde ele tem permissão para dirigir — talvez seja permitido apenas em rodovias ensolaradas, ou talvez apenas em um estacionamento tranquilo e cercado. Esse "domínio permitido" é chamado de Domínio de Operação de Design (ODD). Pense no ODD como as regras de um jogo de tabuleiro que diz em quais casas você pode cair. Mas aqui está a parte complicada: saber onde você pode jogar não diz como jogar o jogo. Só porque um robô tem permissão para estar em uma rodovia, não significa que ele saiba como fazer uma mudança de faixa com segurança, como ser educado com um motorista humano ou como parar sem que os passageiros derrubem seu café.

Essa lacuna entre "onde temos permissão para ir" e "o que realmente precisamos fazer para chegar lá com segurança" é uma dor de cabeça enorme para os engenheiros. Se não conseguirmos listar claramente cada coisa que um carro autônomo deve ser capaz de fazer, como poderemos provar que ele é seguro? Como testamos isso? Este artigo aborda exatamente esse problema. Ele tenta construir um grande checklist organizado de cada habilidade específica de direção que um robô precisa, classificada pelo local onde está dirigindo, para que possamos finalmente parar de adivinhar e começar a testar adequadamente.

O Grande Checklist de Direção

Os autores deste artigo, trabalhando na Torc Robotics, perceberam que, embora tenhamos ótimos mapas de onde os carros autônomos podem ir, nos falta um mapa claro do que eles precisam fazer lá. Para corrigir isso, eles criaram uma "Taxonomia Comportamental". Em termos simples, isso é apenas uma palavra sofisticada para uma lista estruturada de habilidades. Eles não fizeram apenas uma lista aleatória; construíram como um livro de receitas, organizado pelo tipo de estrada em que o carro se encontra.

Eles dividiram o mundo da direção em três bairros distintos:

A Rodovia (HWY): Estradas rápidas com faixas claras e majoritariamente outros carros.
A Cidade (URB): Ruas movimentadas com cruzamentos, pedestres, semáforos e muitas pessoas imprevisíveis.
O Hub (HUB): Uma área especial, cercada, como um armazém ou um depósito de entregas, onde o carro se move lentamente e segue regras privadas muito específicas.

Através desses três bairros, a equipe identificou 21 competências comportamentais específicas. Pense nelas como os "movimentos" que um motorista deve dominar. Alguns movimentos são simples, como "manter-se na sua faixa" ou "parar no sinal vermelho". Outros são danças complexas, como "mudar de faixa enquanto chove" ou "virar à esquerda quando não há uma seta verde".

A Receita de Quatro Ingredientes para Cada Movimento

Aqui está a parte inteligente do sistema deles. Os autores afirmam que cada um desses 21 movimentos de direção tem que satisfazer quatro objetivos diferentes ao mesmo tempo. Imagine que você está assando um bolo, mas tem que garantir que ele tenha um bom sabor, seja bonito, seja saudável e seja barato de fazer — tudo ao mesmo tempo. Se você focar demais em um, os outros podem sofrer.

Para um carro autônomo, esses quatro "ingredientes" são:

Segurança: O carro não deve bater. Ele precisa manter uma distância segura, evitar atingir pessoas e não sacudir tanto a ponto de se despedaçar.
Conformidade: O carro deve seguir a lei (como limites de velocidade) e as regras não escritas da estrada (como ser educado e previsível para os outros motoristas).
Conforto: A viagem não deve parecer uma montanha-russa. Se o carro der solavancos ou frear bruscamente, os passageiros podem passar mal ou ficar assustados, mesmo que tecnicamente estejam seguros.
Eficiência: O carro precisa realizar o trabalho. Ele não deve demorar uma eternidade para estacionar, desperdiçar combustível ou ficar preso em uma fila quando poderia estar se movendo.

O artigo argumenta que os movimentos de direção mais difíceis são aqueles em que esses quatro objetivos lutam entre si. Por exemplo, parar demais com segurança pode tornar a viagem desconfortável ou desperdiçar tempo. O objetivo é encontrar o equilíbrio perfeito.

Decompondo os Movimentos

Para tornar esta lista útil para os engenheiros, os autores decomporam cada movimento em duas direções:

Longitudinal: Mover-se para frente e para trás (acelerar, desacelerar).
Lateral: Mover-se de um lado para o outro (esterçar, mudar de faixa).

Alguns movimentos só precisam de uma direção, como "seguir o carro à frente" (apenas velocidade). Outros são "Ambos", o que significa que o carro tem que esterçar e acelerar/desacelerar ao mesmo tempo, como "mudar de faixa" ou "fazer uma conversão à esquerda". O artigo observa que os movimentos "Ambos" são os mais complicados e perigosos, exigindo testes mais cuidadosos.

A Fórmula Mágica: Transformando Regras em Testes

A parte mais emocionante do artigo é como eles usam esta lista para criar testes. Eles perceberam que, se pegarem um desses 21 movimentos de direção e o misturarem com as condições específicas da estrada (como "está chovendo", "é noite" ou "há muitos pedestres"), você obtém uma Família de Cenários específica.

Imagine que você tem uma carta que diz "Mudança de Faixa". Então você tem um baralho de cartas que diz "Chuva", "Noite" e "Tráfego Pesado". Se você embaralhá-las, você obtém um teste específico: "O carro consegue mudar de faixa à noite, sob chuva e com tráfego pesado?". O artigo fornece uma forma matemática de misturar essas cartas para gerar milhares de casos de teste específicos. Isso ajuda os engenheiros a saber exatamente o que testar para provar que o carro é seguro, em vez de apenas esperar que funcione.

A Peça Faltante: O "Hub"

Embora os bairros de Rodovia e Cidade sejam bem estudados, o artigo aponta um grande ponto cego: O Hub. Este é o mundo dos caminhões de entrega e armazéns automatizados. Os autores descobriram que essas áreas são muito diferentes. As regras não são apenas leis de trânsito; são regras específicas estabelecidas pelo proprietário do armazém. Além disso, os carros aqui frequentemente precisam entregar o controle para um humano ou alternar modos com muita frequência.

O artigo sugere que, enquanto temos muitos testes para rodovias e cidades, estamos quase completamente sem testes para esses cenários de "Hub". Isso é um grande problema porque muitas empresas estão tentando usar caminhões autônomos nesses exatos ambientes agora mesmo. Os autores argumentam que precisamos prestar muito mais atenção a essa área para garantir que esses robôs possam realmente realizar seus trabalhos com segurança.

O Que Isso Significa para o Futuro

Este artigo não afirma ter resolvido a segurança dos carros autônomos para sempre. Em vez disso, oferece uma nova ferramenta: uma maneira estruturada e organizada de falar sobre o que um carro robô precisa fazer. Sugere que, ao usar este checklist de 21 movimentos e misturá-lo com condições do mundo real, podemos finalmente construir melhores testes e provar que esses carros estão prontos para a estrada.

Os autores são cuidadosos ao dizer que isto é um ponto de partida para discussão e engenharia, não uma lei final. Eles admitem que a área do "Hub" precisa de mais pesquisa e que ainda precisamos descobrir como medir se testamos o suficiente. Mas, ao dar a todos uma linguagem comum e uma lista clara de habilidades, este artigo espera transformar o quebra-cabeça caótico da segurança dos carros autônomos em algo que possamos realmente resolver, um movimento de cada vez.

Resumo Técnico: Do Domínio de Operação de Design à Ação

Declaração do Problema

A implantação de Sistemas de Condução Automatizada (ADS) em escala comercial enfrenta uma lacuna crítica entre as especificações do Domínio de Operação de Design (ODD) e a validação comportamental. Embora frameworks como o modelo de seis camadas do PEGASUS definam efetivamente onde um ADS é permitido operar (condições ambientais, geometria da via, regras de trânsito), eles não prescrevem o que o ADS deve demonstrar fazer uma vez implantado dentro desse domínio.

Essa ausência de uma enumeração sistemática de competências comportamentais leva a três desafios específicos:

Validação de Segurança Incompleta: Os esforços de segurança carecem de um alvo de cobertura completo.
Conformidade Ambígua: A conformidade comportamental torna-se um conceito vagamente definido que varia entre equipes e jurisdições.
Testes Não Estruturados: O teste baseado em cenários carece de um mecanismo principista para gerar casos de teste.

O artigo argumenta que, sem uma camada estruturada que faça a ponte entre as especificações de ODD e os comportamentos concretos, a certificação do ADS e a confiança pública são prejudicadas.

Metodologia

Os autores propõem uma taxonomia estruturada, fundamentada em padrões, derivada sistematicamente do modelo ODD do PEGASUS e alinhada com principais padrões da indústria (AVSC00008202111, SAE J3237, SAE J3016, ISO/PAS 21448).

1. Derivação de Domínios Operacionais

A taxonomia organiza os comportamentos através de três domínios operacionais distintos, derivados da composição característica das camadas de ODD do PEGASUS:

Rodovia (HWY): Caracterizada por geometria de faixa estruturada, altas velocidades e agentes compostos apenas por veículos.
Urbano (URB): Caracterizado por agentes mistos (incluindo Usuários Vulneráveis da Via), interseções complexas e altas demandas de normas comportamentais.
Hub (HUB): Um domínio estruturalmente distinto caracterizado por operação geofenceada, baixa velocidade de precisão, regras específicas da instalação (em vez de apenas leis de trânsito) e uma alta concentração de comportamentos de Fallback da Tarefa de Condução Dinâmica (DDT-F).

2. O Framework de Competência Comportamental

O artigo define uma Competência Comportamental como uma capacidade demonstrada de um ADS em executar uma ação orientada a objetivos dentro de um contexto de ODD especificado, medida contra critérios de aceitação definidos. Isso distingue "Competência" (Comportamento + Contexto de ODD + Critérios de Avaliação) de meros "Manobras" (ações de controle atômicas) ou "Comportamentos" (ações orientadas a objetivos sem contexto).

Cada competência é decomposta e caracterizada usando:

Eixos de Controle: Longitudinal (Lon), Lateral (Lat) ou Ambos.
Framework de Quatro Propriedades: Um conjunto concorrente de restrições aplicadas a cada comportamento:
- Segurança: Manutenção de distância (gap), prevenção de conflitos/colisões e estabilidade cinemática.
- Conformidade: Adesão às regras legais e normas comportamentais (cortesia/previsibilidade).
- Conforto: Experiência do passageiro em relação à dinâmica (suavidade, jerk) e confiança.
- Eficiência: Conclusão da missão, tempo de viagem, uso de energia e métricas de nível de produto (ex: vazão de baias/throughput).

3. Mecanismo de Geração de Cenários

O artigo formaliza um mapeamento onde a interseção das parametrizações da camada ODD ( $\omega$ ) e das especificações de competência comportamental ( $b_i$ ) resulta em Famílias de Cenários ( $S$ ) concretas.
$S(b_i, \omega) = b_i \otimes \omega$
Este mecanismo permite a geração de cenários testáveis com critérios de aprovação/reprovação rastreáveis às métricas SAE J3237, especificamente projetados para apoiar a geração de evidências para ISO/PAS 21448 (SOTIF).

Principais Contribuições

O artigo apresenta uma taxonomia de 21 comportamentos organizada através dos três domínios (8 comportamentos de Rodovia, 9 Urbanos e 5 de Hub). As principais contribuições estruturais incluem:

Template de Anatomia Uniforme: Cada um dos 21 comportamentos é especificado usando um template de cinco campos: Condição de Gatilho, Critérios de Entrada/Saída, Requisitos de OEDR, Métricas Aplicáveis (SAE J3237) e Sensibilidade ao ODD.
Especificações Detalhadas: O artigo fornece especificações completas de competência para três comportamentos representativos de "ambos os eixos":
- Mudança de Faixa (HWY): Foca na aceitação de gap e perfis de aceleração lateral.
- Conversão à Esquerda sem Proteção (URB): Identificada como possuidora da maior carga agregada de Segurança, engajando todos os subcomponentes de segurança e camadas de conformidade.
- Entrada e Atracação em Área de Estacionamento (HUB): Identificada como o comportamento operacionalmente mais distinto, onde a carga de Eficiência rivaliza com a de Segurança, e que envolve transições de alto risco de DDT para DDT-F.
Identificação da Lacuna do Hub: A taxonomia destaca o domínio Hub como estruturalmente distinto (regras da instalação vs. lei de trânsito) e significativamente subespecificado na literatura atual, particularmente em relação às transições DDT-F.

Resultados e Descobertas

Características do Domínio: O domínio de Rodovia é predominantemente longitudinal; o domínio Urbano é predominantamente regulatório, mas contém os comportamentos de múltiplos eixos mais complexos; o domínio Hub possui a maior concentração de comportamentos DDT-F e requisitos de conformidade específicos da instalação.
Correlação de Segurança: Comportamentos classificados como "Ambos" (que exigem controle simultâneo longitudinal e lateral) consistentemente carregam a maior carga de propriedade de Segurança em todos os domínios.
Geração de Cenários: O artigo demonstra que cruzar parâmetros de ODD (ex: chuva, agentes noturnos, corte de trajetória) com especificações de comportamento gera cenários concretos com limiares modulados (ex: aumento dos limiares mínimos de Tempo-até-Colisão sob baixa visibilidade).
Validação: A taxonomia foi implantada como a camada de especificação para um sistema de otimização de trajetória com regras aplicadas, validando sua utilidade como um artefato de engenharia operacional.

Significância e Alegações

O artigo posiciona-se como uma taxonomia comportamental ilustrativa destinada à discussão de pesquisa e engenharia, fundamentada na metodologia de ponta no momento da escrita. Ele afirma explicitamente que não é uma especificação completa, um padrão mínimo/máximo de cuidado ou um benchmark para qualquer produto específico.

Sua principal significância reside em:

Preencher a Lacuna: Fornecer uma ponte principista entre as especificações de condições de operação (ODD) e a enumeração comportamental.
Padronização: Oferecer uma anatomia uniforme para comportamentos que podem servir como nós de evidência em casos de segurança (ex: usando Notação de Estruturação de Objetivos - GSN) e apoiar argumentos de cobertura SOTIF.
Destacar Lacunas de Pesquisa: Identificar áreas específicas onde a literatura publicada é escassa, incluindo:
- Especificações formais para transições entre comportamentos.
- Métricas quantitativas para cobertura de competência comportamental (propondo um "Score de Cobertura de Competência Comportamental").
- Benchmarks públicos para operações no domínio Hub.
- Frameworks para ponderação dependente de contexto das quatro propriedades (Segurança, Conformidade, Conforto, Eficiência).

Os autores enfatizam que, embora a taxonomia forneça uma camada estruturada para casos de segurança, ela pretende situar-se ao lado, e não substituir, os padrões existentes como ISO 26262 e UL 4600.