Assistente Veicular Cognitivo para Direção Sustentável e Experiência 360°

Descrição

O setor automotivo enfrenta pressões regulatórias e competitivas para reduzir emissões e acelerar a descarbonização, enquanto a conectividade veicular amplia a disponibilidade de dados de condução e de uso. No âmbito do Programa Mover – Linha VI, esta proposta endereça o Eixo Prioritário: Área 1 (Conectividade: meio ambiente e descarbonização) por meio do desenvolvimento e da validação de um Assistente Veicular Cognitivo baseado em agentes de IA e modelos de linguagem natural, com metas objetivas de: (i) redução de emissões estimadas por quilômetro, em análises antes e depois; e (ii) melhoria mensurável de indicadores de eco-driving e de qualidade e aderência às recomendações. O consórcio UFRN–Embeddo–Renault parte do ativo tecnológico já validado no projeto Fundep 29271.01.01/2023.03-00 Descarbonize.ai, que implementou a cadeia de coleta de dados veiculares (OBD-II), a modelagem por aprendizado de máquina (soft-sensors) e a disponibilização de resultados por viagem, veículo e usuário para estimar a pegada de carbono em deslocamentos. A proposta evolui esse legado para um Assistente Veicular Cognitivo, incorporando: (i) soft-sensors comportamentais de eco-driving a partir de PIDs OBD-II e eventos de condução (p.ex., aceleração/frenagem brusca, variações de velocidade, etc.), com opção de sinais do smartphone (GPS/IMU); e (ii) arquitetura offline-first (edge + nuvem) com agentes autônomos que interpretam a telemetria e geram recomendações conversacionais de direção sustentável. Em TRL 5, será demonstrado um ciclo fechado de melhoria contínua com agentes de monitoramento (score/soft-sensors), decisão (janelas de oportunidade e priorização), conversação (feedback curto em tempo real e pós-viagem) e verificação (consistência e não-distratividade). O sistema registra a adesão e a resposta do motorista para ajustar incrementalmente a frequência, o tom e o repertório das recomendações ao perfil de condução, caracterizando autonomia e aprendizado contínuo, sem atuar no controle do veículo nem configurar diagnóstico técnico. A solução operará em dois formatos equivalentes: (a) aplicativo móvel (Android/iOS), com interação por texto/voz e execução local dos agentes (com sincronização posterior), e (b) dispositivo embarcado dedicado (p.ex., Raspberry Pi), com operação contínua independente do celular. Em ambos, preservam-se a mesma experiência conversacional e os mesmos módulos de análise de direção sustentável, mantendo a coleta compatível com a arquitetura do Descarbonize.ai e reduzindo o risco de implementação. Para apoiar a estimativa de impacto em escala, a proposta adota uma referência conservadora da literatura, indicando que o feedback ao motorista pode reduzir o consumo de combustível; por exemplo, há estudos que relatam uma redução de ~6,8% com indicadores e feedback em tempo real e pós-viagem. Assim, além de indicadores-chave de desempenho (KPIs) por quilômetro e por viagem, serão apresentados cenários de benefícios agregados (economia de combustível e CO₂ estimado) por níveis de adoção, conectando ganho ambiental, economia ao usuário e metas Ambiental, Social e Governança (ESG) corporativas. Como transbordamento controlado do mesmo canal conversacional e da mesma arquitetura de dados do assistente de descarbonização, será incluído um módulo de observabilidade de produto (Área 4 - Serviços, Diagnóstico e Manutenção Preditiva de Veículos) com: (i) consulta guiada a manual/FAQ e (ii) coleta estruturada de relatos (texto/voz e, quando aplicável, imagem) sobre sintomas e situações de uso. Esses relatos serão correlacionados à telemetria e a padrões de condução para aumentar o engajamento e a recorrência (e, com isso, a efetividade do eco-driving) e para estruturar um grafo de conhecimento de escopo contido (relações Sintoma–Situação de uso–Sistema/Componente), identificando padrões recorrentes e gerando insights agregados para engenharia, qualidade e manufatura. O módulo não substitui o diagnóstico técnico e, em TRL 5, sua validação se limita à viabilidade de estruturação e a consultas básicas em base controlada, sem escopo de diagnóstico autônomo. A UFRN aporta competência científico-tecnológica em IA embarcada, Processamento de Linguagem Natural (PLN) e grafos de conhecimento, arquitetura de agentes, soft-sensors e aprendizado incremental; a Embeddo aporta engenharia de software embarcado/móvel e integração; e a Renault aporta domínio de aplicação, requisitos, cenários reais e validação em contexto representativo. Como resultado, será entregue um protótipo funcional online/offline (TRL 5) do assistente de direção sustentável, integrado ao legado do Descarbonize.ai e apto a operar em aplicativo móvel e/ou em dispositivo embarcado, com métricas objetivas de redução de emissões por quilômetro, de melhoria do eco-driving e da qualidade das recomendações. Como transbordamento controlado, serão entregues funcionalidades de consulta guiada (manual/FAQ) e de estruturação de relatos para a geração de insights agregados de produto, mantendo o foco e os KPIs primários na Área 1.