Foundation Models and Agentic AI for Autonomous Driving: A Systematic Review
Esta revisão sistemática sintetiza mais de 100 trabalhos para apresentar uma taxonomia unificada de nove temas que integra modelos fundacionais, IA agêntica e sistemas V2X cooperativos, distinguindo-se de levantamentos anteriores ao abordar conjuntamente o compromisso entre raciocínio e eficiência, as lacunas de simulação para a realidade e a governança de segurança dentro de uma perspectiva abrangente de arquitetura cognitiva para a condução autónoma.
Artigo original sob licença CC BY 4.0 (https://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
O caminho para um carro verdadeiramente autônomo tem sido pavimentado há muito tempo por um tipo específico de engenharia: uma linha de montagem rígida onde uma peça de computador vê o mundo, outra parte decide o que fazer e uma terceira parte gira o volante. Por anos, essa abordagem modular funcionou bem o suficiente para manter os carros em movimento, mas teve dificuldades ao enfrentar a natureza caótica e imprevisível da vida real. Um motorista humano não apenas vê um sinal vermelho; ele entende o contexto de uma zona de construção, a intenção de um pedestre atravessando a rua e a urgência de uma ambulância se aproximando, tudo isso enquanto explica suas ações a um passageiro. Para preencher a lacuna entre o código rígido e a intuição humana, pesquisadores começaram a recorrer a uma nova classe de inteligência artificial conhecida como modelos de fundação. Estes são sistemas massivos treinados em vastas quantidades de texto e imagens, capazes de compreender linguagem e visão simultaneamente. Quando aplicados à condução, eles prometem transformar veículos de simples máquinas automatizadas em parceiros cognitivos que podem raciocinar sobre situações de tráfego complexas, explicar suas escolhas em inglês claro e adaptar-se a cenários que nunca viram antes.
Uma revisão abrangente publicada em setembro de 2026 por uma equipe de pesquisadores de instituições de toda a Índia, Malásia, Emirados Árabes Unidos e Arábia Saudita mapeia este cenário em rápida mudança. Os autores, liderados por A. Srinivaas e Jeswin K F, não apenas listaram novos dispositivos; eles conduziram uma análise sistemática de mais de cem estudos recentes para entender como esses poderosos modelos de linguagem e visão estão sendo tecidos na estrutura da condução autônoma. O trabalho deles revela que o campo está se afastando de sistemas de percepção isolados em direção a uma "arquitetura cognitiva" unificada. Nesta nova visão, o carro não está apenas reagindo a sensores, mas está ativamente raciocinando sobre o mundo, usando ferramentas para coletar informações e colaborando com outros veículos e infraestrutura urbana para navegar com segurança.
A revisão destaca uma evolução significativa em como esses sistemas são construídos. As tentativas iniciais dependiam de módulos separados para ver e pensar, mas a pesquisa mais recente foca em modelos de Visão-Linguagem-Ação. Esses sistemas combinam a capacidade de ver uma cena, entender a linguagem que a descreve e controlar diretamente os movimentos do veículo em um processo único e coeso. Por exemplo, em vez de apenas detectar um pedestre, um sistema que utiliza esses modelos pode entender uma placa que diz "Zona Escolar" e raciocinar que deve diminuir a velocidade, mesmo que o pedestre ainda não esteja visível. Os pesquisadores descobriram que frameworks como DriveMLM e TeLL-Drive já estão demonstrando a capacidade de melhorar a tomada de decisão e reduzir o tempo que o carro leva para pensar. Em um teste específico usando um ambiente de simulação chamado CARLA, um modelo chamado DriveMLM melhorou as pontuações de condução em 4,7 pontos especificamente na pontuação de condução CARLA Town05 Long, ao alinhar melhor sua compreensão visual com suas decisões de planejamento.
No entanto, o caminho para um futuro totalmente autônomo não é isento de obstáculos significativos, e a revisão é cuidadosa ao distinguir o que funciona em uma simulação de computador do que funciona em uma rua real. Os autores apontam para um persistente "gap de simulação-para-realidade". Embora muitos desses modelos avançados tenham um desempenho impressionante em mundos virtuais como CARLA ou nuScenes, eles frequentemente enfrentam dificuldades ao serem transferidos para condições do mundo real. A lacuna é substancial; em alguns casos, o desempenho dos sistemas de percepção cooperativa cai tanto quanto 40 por cento ao passar de um ambiente simulado para o mundo real. Isso ocorre porque os dados perfeitos e previsíveis de uma simulação não conseguem capturar totalmente a imprevisibilidade caótica do tráfego, do clima e do comportamento humano reais. Além disso, as próprias características que tornam esses modelos inteligentes — sua capacidade de raciocinar através de cadeias complexas de pensamento — também os tornam lentos. O tempo que um grande modelo de linguagem leva para "pensar" pode ser longo demais para as decisões de fração de segundo exigidas em uma emergência, criando um difícil equilíbrio entre inteligência e velocidade.
Outra descoberta crítica da revisão é a falta de uma estrutura de segurança unificada. Atualmente, verificações de segurança, comunicação entre veículos e a própria inteligência artificial são frequentemente tratadas como problemas separados. Os pesquisadores argumentam que, para que esses sistemas sejam confiáveis, eles precisam de uma abordagem holística que integre a verificação de segurança diretamente no processo de raciocínio. Eles observam que, embora algum progresso tenha sido feito no uso de gêmeos digitais — réplicas virtuais altamente detalhadas de cidades — para testar esses sistemas, não há uma forma padronizada de medir o quão próximo esses mundos digitais correspondem à realidade. Sem esse padrão, é difícil certificar se um carro é verdadeiramente seguro para vias públicas. A revisão também aborda o conceito emergente de "IA agente", onde o carro atua como um agente independente com memória e a capacidade de usar ferramentas. Embora isso ofereça a promessa de veículos que podem aprender com a experiência e colaborar uns com os outros, os autores alertam que esses sistemas ainda estão em sua infância e enfrentam desafios em interoperabilidade e confiabilidade.
O artigo conclui delineando um roteiro claro para o futuro, enfatizando que a próxima geração de condução autônoma não será definida por um único avanço, mas pela integração de várias tecnologias complexas. Os pesquisadores sugerem que o futuro reside em sistemas híbridos que combinam a velocidade dos sistemas de controle tradicionais com o poder de raciocínio dos grandes modelos de linguagem, todos apoiados por redes de comunicação robustas que permitem que os carros conversem entre si e com a infraestrutura da cidade. Eles enfatizam que, para que esses sistemas se tornem uma realidade, a indústria deve resolver o problema de tornar esses modelos poderosos rápidos o suficiente para uso em tempo real, seguros o suficiente para serem certificados e transparentes o suficiente para que os humanos confiem neles. A jornada de um carro que simplesmente segue uma faixa para um que compreende o mundo e raciocina sobre ele está bem encaminhada, mas a última milha exige a resolução de alguns dos desafios mais difíceis da inteligência artificial e da engenharia.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.