Avaliando o impacto das condições climáticas adversas na segurança da visão computacional de veículos autônomos

• Ano de defesa: 2026
• Autor(a) principal: Silva, Alexandre Ray da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Autonomous vehicles; Fog; Neblina; Object recognition, Generative Adversarial Networks (GAN); Perception system; Reconhecimento de objetos; Redes Adversárias Generativas (GAN); Sistemas de percepção; Veículos autônomos
• Link de acesso: https://teses.usp.br/teses/disponiveis/3/3141/tde-08042026-091542/

O avanço dos veículos autônomos tem sido impulsionado por sistemas de percepção baseados em visão computacional, responsáveis por interpretar o ambiente e garantir a segurança da condução. No entanto, esses sistemas ainda apresentam limitações significativas quando operam em condições climáticas adversas, como a neblina, que reduz a visibilidade e compromete a detecção de objetos críticos para a tomada de decisão. Nesse contexto, compreender o impacto dessas condições sobre o desempenho dos modelos de percepção torna-se fundamental para a evolução segura dessa tecnologia. Esta dissertação investiga a hipótese de que perturbações visuais causadas por neblina impactam significativamente o desempenho de sistemas de detecção de objetos em veículos autônomos. A pesquisa analisa como essas condições afetam a capacidade do sistema de identificar e reagir corretamente a situações de trânsito, como pedestres atravessando a via, curvas e cruzamentos. Para isso, foi desenvolvido um modelo de detecção de objetos utilizando aproximadamente 10 mil imagens, com base no algoritmo YOLOv8 e na plataforma Roboflow. As condições adversas foram simuladas por meio de Redes Adversárias Generativas (GAN), especificamente para a geração de neblina sintética. O estudo consistiu na comparação do desempenho do modelo em cenários normais e perturbados, permitindo avaliar quantitativamente a degradação da performance. Os resultados indicam que modelos treinados com maior diversidade de condições ambientais apresentam melhor desempenho e maior capacidade de generalização, tornando-se mais robustos para aplicação em ambientes reais. Além disso, observa-se que a ausência de variabilidade nos dados de treinamento pode comprometer significativamente a segurança dos sistemas de percepção. Esta pesquisa contribui para o avanço da área ao quantificar o impacto de condições climáticas adversas na percepção de veículos autônomos e ao propor um pipeline experimental baseado em dados sintéticos para aumentar a robustez dos modelos, fornecendo subsídios para o desenvolvimento de sistemas mais seguros e confiáveis.