A condução autônoma poderá ganhar um novo caminho de desenvolvimento com a parceria anunciada entre a Valeo e o laboratório de inteligência artificial KE. As organizações pretendem criar um sistema de IA capaz de controlar diferentes veículos, utilizar configurações variadas de sensores e aprender a reagir a situações complexas do trânsito. O diferencial está na decisão de disponibilizar publicamente códigos, modelos treinados e bases de dados, permitindo que montadoras, fornecedores e universidades desenvolvam suas próprias soluções. A iniciativa franco-alemã busca reduzir a dependência de tecnologias proprietárias e acelerar a evolução da direção autônoma, embora ainda esteja em fase de pesquisa, sem previsão de aplicação comercial.
A corrida pela direção autônoma está entrando em uma fase na qual software, inteligência artificial e capacidade de processamento assumem uma importância cada vez maior no desenvolvimento dos automóveis.
Atualmente, boa parte dos sistemas mais avançados utiliza tecnologias proprietárias, desenvolvidas por fabricantes e empresas especializadas.
Esse modelo dificulta a reprodução independente dos resultados e pode aumentar os custos de desenvolvimento para outras empresas.
A colaboração entre a Valeo e o KE (Kyutai ELLIS Scalable Autonomous Intelligence) pretende oferecer uma alternativa: criar uma plataforma tecnológica aberta que possa ser estudada, modificada e aprimorada por pesquisadores de diferentes instituições.
Uma inteligência artificial para diferentes automóveis
O principal objetivo da parceria é desenvolver um modelo compacto e generalista de inteligência artificial para condução autônoma.
Em vez de criar um sistema completamente diferente para cada automóvel, a proposta é desenvolver uma arquitetura capaz de trabalhar com veículos e configurações de sensores variadas.
Isso significa que a tecnologia deverá aprender a interpretar informações provenientes de diferentes conjuntos de câmeras e equipamentos de percepção.
Um sistema de condução autônoma precisa identificar continuamente veículos, pedestres, ciclistas, sinalização, obstáculos e condições da via.
Com essas informações, o computador deve determinar a trajetória, calcular velocidades adequadas e controlar os sistemas do automóvel.
A proposta da Valeo é investigar como um mesmo modelo de IA pode realizar essas atividades em diferentes ambientes, reduzindo a necessidade de desenvolver soluções inteiramente novas para cada aplicação.
Entretanto, essa capacidade ainda é uma meta de pesquisa e não um resultado comercial já demonstrado.
Código aberto pode reduzir a dependência tecnológica
Um dos aspectos mais importantes da iniciativa está na utilização do conceito open source, ou código aberto.
A Valeo e o KE pretendem publicar integralmente os componentes desenvolvidos, incluindo:
- Código-fonte: instruções utilizadas no funcionamento dos sistemas.
- Modelos treinados: redes de inteligência artificial e seus parâmetros de funcionamento.
- Bases de dados: conjuntos de informações utilizados nas etapas de treinamento e avaliação.
- Resultados científicos: publicações que permitirão reproduzir os experimentos.
A proposta é permitir que outras organizações estudem a arquitetura, identifiquem limitações e desenvolvam melhorias.
Esse processo também poderá facilitar comparações entre diferentes sistemas de condução autônoma, utilizando referências comuns.
O compartilhamento dos resultados não significa que qualquer veículo poderá se tornar autônomo apenas com a instalação do software.
A aplicação prática continuará dependendo de sensores, computadores, sistemas de controle, validações de segurança e requisitos legais específicos.
Como a IA aprenderá a dirigir?
O desenvolvimento começará com o treinamento em grandes volumes de dados coletados durante situações reais de condução.
Esses registros poderão incluir imagens e informações utilizadas para reconhecer o ambiente e compreender o comportamento de outros usuários das vias.
A partir dessa etapa, os pesquisadores pretendem utilizar duas tecnologias importantes: aprendizado por reforço e modelos de mundo.
No aprendizado por reforço, o sistema é treinado a partir da avaliação das consequências de suas decisões em ambientes simulados.
Já os modelos de mundo buscam representar como determinado ambiente evolui ao longo do tempo.
Na prática, a inteligência artificial poderá ser submetida a situações virtuais nas quais precisa identificar riscos e escolher ações adequadas.
Isso inclui cenários difíceis de encontrar com frequência no trânsito real, como mudanças inesperadas de trajetória, obstáculos repentinos e situações críticas de segurança.
O objetivo é ampliar a capacidade de resposta da IA sem depender exclusivamente da coleta de quilômetros percorridos por veículos de teste.
Simulações permitirão estudar situações perigosas
Um dos maiores desafios da direção autônoma está na preparação para acontecimentos raros.
Um automóvel pode percorrer milhares de quilômetros em condições normais sem enfrentar situações realmente críticas.
Entretanto, um sistema de segurança precisa estar preparado para eventos que exigem decisões em frações de segundo.
Entre os exemplos estão a entrada repentina de um pedestre na via, um veículo que perde o controle ou um obstáculo surgindo após uma curva.
Utilizar simulações computacionais permite reproduzir diferentes combinações desses acontecimentos sem expor pessoas aos riscos de testes físicos.
A inteligência artificial poderá experimentar ações, receber avaliações sobre seus resultados e ajustar seu comportamento durante o treinamento.
Contudo, a qualidade dessa aprendizagem depende da fidelidade da simulação.
Um sistema eficiente no ambiente virtual não estará automaticamente preparado para todas as condições do trânsito real.
A validação deverá considerar diferenças entre o comportamento simulado e o funcionamento efetivo de sensores, veículos e usuários das vias públicas.
França e Alemanha unem centros de pesquisa
A iniciativa reúne duas equipes europeias especializadas no desenvolvimento de sistemas inteligentes.
De um lado está o valeo.ai, centro de pesquisa em inteligência artificial da Valeo, com atividades em Paris.
O laboratório participa do desenvolvimento de modelos e publicações relacionados à condução automatizada, incluindo projetos como DrivoR e VaVAM.
Do outro está o KE, organização sem fins lucrativos fundada em maio de 2026 pelo Kyutai e pelo Instituto ELLIS Tübingen, na Alemanha.
Os pesquisadores envolvidos possuem experiência em ferramentas e projetos como KITTI, NAVSIM e TransFuser, utilizados em estudos de visão computacional e condução autônoma.
A parceria pretende reunir conhecimentos de engenharia automotiva e pesquisa avançada em inteligência artificial.
Segundo Marc Vrecko, CEO da divisão Valeo Brain, a colaboração busca estabelecer uma base tecnológica compartilhada para acelerar o desenvolvimento da inteligência artificial aplicada ao mundo físico.
Europa busca fortalecer sua própria tecnologia autônoma
A parceria também possui importância estratégica para a indústria automotiva europeia.
Atualmente, grandes fabricantes e empresas de tecnologia disputam o desenvolvimento de sistemas capazes de assumir progressivamente mais funções de condução.
A criação de uma arquitetura aberta desenvolvida na Europa poderá ampliar o acesso de montadoras e fornecedores a ferramentas avançadas de pesquisa.
O benefício potencial não está apenas na redução de custos.
Uma referência compartilhada também pode facilitar a auditoria de resultados, a comparação entre abordagens e a identificação de limitações técnicas.
Ainda assim, o uso de tecnologia aberta não elimina a necessidade de proteger os sistemas contra falhas, acessos indevidos e modificações inseguras.
A segurança de um veículo autônomo depende da integração entre software, hardware e procedimentos de validação, independentemente do modelo de licenciamento utilizado.
Quando a tecnologia chegará aos veículos?
A Valeo e o KE não divulgaram um calendário para o lançamento comercial do sistema.
Também não foram anunciadas montadoras que utilizarão a futura arquitetura em veículos de produção.
O compromisso inicial é desenvolver uma plataforma de pesquisa capaz de alcançar e posteriormente superar os resultados dos principais benchmarks públicos de direção autônoma.
Esses benchmarks funcionam como conjuntos padronizados de avaliações utilizados para comparar diferentes tecnologias.
Obter bons resultados nessas ferramentas representa um avanço científico, mas não equivale à homologação de um sistema para circulação sem motorista.
A parceria também não informou qual nível de automação poderá ser alcançado em aplicações comerciais futuras.
Mecânica Online® com Tarcisio Dias – A iniciativa da Valeo representa uma mudança interessante na maneira como a indústria poderá desenvolver sistemas de direção autônoma.
Durante décadas, a evolução dos automóveis foi determinada principalmente por avanços em motores, transmissões, suspensões, sistemas de frenagem e estruturas de segurança.
Esses elementos continuam fundamentais, mas agora precisam trabalhar em conjunto com computadores capazes de interpretar o ambiente e tomar decisões.
Um sistema de condução autônoma deve compreender o que acontece ao redor do veículo e transformar essas informações em comandos para direção, aceleração e frenagem.
O desafio não está apenas em identificar objetos. É necessário prever comportamentos, avaliar riscos e decidir como agir diante de situações imprevistas.
A proposta de utilizar um modelo generalista pode reduzir parte da fragmentação tecnológica existente entre fabricantes. Entretanto, um software capaz de funcionar com diferentes sensores precisará compensar variações de qualidade, posicionamento, resolução e alcance dos equipamentos.
Outro ponto relevante é a utilização dos chamados modelos de mundo. Essas ferramentas podem ajudar a inteligência artificial a estudar situações raras e avaliar consequências antes de tomar decisões no trânsito.
Mas existe um limite fundamental: a capacidade de aprender em simulação não substitui a validação física, os testes de segurança e a comprovação de funcionamento confiável em condições reais.
Para o consumidor brasileiro, os possíveis benefícios ainda são de longo prazo. A chegada de tecnologias mais abertas poderá favorecer a concorrência e reduzir determinadas barreiras de desenvolvimento, mas sua utilização dependerá de regulamentação, infraestrutura e aplicação industrial.
O maior avanço da parceria entre Valeo e KE poderá ser a criação de uma base compartilhada de conhecimento, permitindo que diferentes empresas contribuam para tornar a direção autônoma mais segura, acessível e tecnicamente verificável.
Para acompanhar inteligência artificial, direção autônoma, engenharia eletrônica e novas tecnologias automotivas, siga @tarcisiomecanicaonline.
Retrovisor Mecânica Online® – Entenda o que está por trás da notícia
- Valeo e KE – Organizações responsáveis pelo desenvolvimento da plataforma de pesquisa.
- Código aberto – Proposta de disponibilizar software, modelos treinados e bases de dados.
- IA generalista – Sistema projetado para funcionar com diferentes veículos e sensores.
- Paris e Tübingen – Cidades que concentram as equipes de pesquisa.
- Aprendizado por reforço – Tecnologia prevista para treinamento em simulações.
- Modelos de mundo – Ferramentas para representar e prever situações do ambiente.
- KITTI e NAVSIM – Referências utilizadas na avaliação de sistemas autônomos.
- Sem data comercial – A parceria ainda não anunciou aplicação em veículos de produção.
Mecânica Online® – Mecânica do jeito que você entende
- Physical AI – Inteligência artificial desenvolvida para perceber, compreender e interagir com o ambiente físico por meio de equipamentos e sistemas.
- Open source – Modelo de desenvolvimento que permite acesso, estudo, modificação e redistribuição de componentes conforme os termos da licença.
- Modelo de mundo – Representação computacional utilizada para compreender e prever mudanças em determinado ambiente.
- Aprendizado por reforço – Técnica de treinamento na qual um sistema melhora suas decisões a partir de resultados e avaliações obtidos durante interações.
- Benchmark – Conjunto padronizado de testes utilizado para comparar o desempenho de diferentes tecnologias.
