A estratégia Go-To-Market para veículos autônomos: “Lançar em algum lugar”

A autonomia é complexa. Muito mais complicado do que se pensava inicialmente. Vários fabricantes esperavam que os primeiros carros autônomos chegassem ao mercado há 3-4 anos. De fato, Johann Jungwirth da Volkswagen se reuniu com a Focus Magazine em abril de 2016 entre pufes, sapatos de camurça azul e skates para relatar que os primeiros veículos autônomos (AVs) serão no mercado em 2019. “Eu poderia ter um carro desses me levando de férias. O carro anda, eu durmo – e de manhã vou para as pistas de esqui bem descansado.” Nos meses em torno dessa entrevista, Toyota, GM, BMW e Ford também anunciaram implantações previstas em 2020 e 2021.

E então a realidade pisou no freio. Os CEOs passaram a ou redefinir as expectativas dos veículos autônomos, adiar os lançamentos esperados ou, no caso de Mark Fields, da Ford, admitir que suas estimativas sofriam do mesmo Viés de Otimismo que aflige 97% de todos os projetos. “Superestimamos a chegada de veículos autônomos”, disse famoso declarado em 2019 ao Clube Econômico de Detroit. Tais dificuldades com a natureza imprevisível da vida real foram previstas um ano antes por Chris Urmson, do GoogleGOOG
em uma palestra do TED em 2015. “Agora, [extrapolar lógica e algoritmos] é muito bom para coisas que vimos, mas, é claro, você encontra muitas coisas que não viu no mundo antes. E então, apenas alguns meses atrás, nossos veículos estavam passando por Mountain View e foi isso que encontramos: … uma mulher em uma cadeira de rodas elétrica perseguindo um pato em círculos na estrada.”

E assim chegar ao mercado com qualquer coisa autônoma se torna um pesadelo executivo: ou voe para a lua e possivelmente vá à falência como Starsky Robotics fez em 2019, ou selecione um alvo muito mais estreito.

O conceito de “algum lugar”

A jogabilidade tem, há décadas, criado áreas onde os jogadores podem dirigir ou navegar com túneis virtuais e regras definidas, permitindo assim que os designers entendam os limites e esculpam a lógica. Multiplayer Online Battle Arenas (MOBAs) como League of Legions (2009, 2013) ou Fortnite (2017) tornaram-se absolutamente mais complexos desde os dias da Pole Position (1982), em parte por causa dos aprendizados reaplicados ao próximo jogo.

Os projetos autônomos estão evoluindo de maneira semelhante. Rotas de ônibus pré-programadas. Campus universitários. Rotas de mercearia de bairro. Todos são exemplos de autonomia sendo lançada em uma quase-arena. “Estamos pegando o problema de garantir a segurança o tempo todo em qualquer lugar do mundo – que é um conjunto infinito de problemas para resolver e sintetizar como o problema do táxi ou do carro de passeio – e estamos reduzindo isso ao problema de 'algum lugar'”, afirma Gavin Jackson, CEO da Oxbotica, fornecedora internacional de software autônomo.

E eles não estão sozinhos. Sete fabricantes diferentes (por exemplo, Starship Technologies, FedExFDX
) criaram veículos autônomos ou semi-autônomos de última milha para resolver o problema de entrega de última milha, mas aprendem a velocidades abaixo de 4 mph. Mais de 25 fabricantes estão criando robo-shuttles para campus universitários, médicos, etc. seguirem um caminho roteirizado com poucas incógnitas. Mesmo aquelas poucas empresas que anunciaram serviços de robotaxi (por exemplo, Waymo, Pony.ai, BaiduBIDU
) limitaram suas ofertas a áreas específicas, por exemplo, São Francisco, Pequim, Wuhan. Por exemplo, o mais recente anúncio de robotaxi da GM Cruise é limitado a 1/3^rd de São Francisco, fica abaixo de 30 mph, evita rodovias, evita climas extremos e opera apenas durante certas horas do dia.

O motivo: implantar, aprender, repetir.

“Na Oxbotica, vamos ao mercado de forma muito intencional”, afirma Jackson. “Ordenamos nossos pontos de entrada no mercado de acordo com o setor que atendemos. A BP é talvez o nosso cliente mais diversificado com …muitos veículos diferentes nas suas várias centrais energéticas, desde refinarias a parques eólicos. Mas eles também fazem transporte de hub a hub, aeroportos para agregar logística e entrega de última milha. Estes têm um conjunto muito diversificado de requisitos on-road e off-road.”

E assim, em vez de tentar ferver todo o oceano de uma só vez, os provedores tendem a criar uma solução e depois construir a partir dela. “Em cada um desses cenários, usamos o metaverso para sintetizar possibilidades conhecidas e desconhecidas para fornecer maiores graus de segurança antes de dirigirmos de forma autônoma em um local, seja uma cidade, mina, fazenda ou refinaria”, diz Jackson.

Combinando The Somewhere's

Depois de aprender no ambiente limitado, o sistema deve ser capaz de incorporar esses algoritmos em novos cenários. “Em um conjunto finito de problemas, o sistema AV carrega toda a sua experiência em cada jornada”, diz Jackson, “mas e os cenários em que o sistema AV tem menos experiência? É aí que as possibilidades desconhecidas precisam ser encontradas.”

Portanto, parte da estratégia maior é aprender esses casos de borda desconhecidos para o ambiente relevante. Alguns fabricantes viajaram em missões maciças e conquistaram milhões de quilômetros de testes na estrada e coleta de dados. O CEO da Ford twittou um golpe não tão sutil em TeslaTSLA
ano passado afirmando: “BlueCruise! Nós o testamos no mundo real, para que os clientes não precisem fazê-lo”, que simultaneamente se gabava dos esforços hercúleos da Ford e lançava dispersões em testes beta de sistemas relacionados à segurança com os clientes. Considerando que outros fornecedores, encontraram soluções alternativas. “O metaverso é uma maneira mais segura de orientar o sistema AV e descobrir esses casos extremos”, sugere Jackson. “Esse é um ciclo dramaticamente mais curto ao dirigir 'algum lugar' em uma rota fixa versus 'qualquer lugar' em uma rota aleatória, o que acelera o tempo de comercialização.”

Depois de coletar esses petabytes de dados, a etapa final, não tão pequena, é usar esses dados para aprimorar o design de forma incremental. Na palestra perspicaz de Urmson, ele falou de encontrar não apenas senhoras perseguidoras de patos, mas guardas de trânsito gesticulando, equipes de construção móveis e veículos de primeiros socorros. Todas essas entradas podem variar significativamente de país para país ou de geografia para geografia, o que requer o redesenho e o reteste dos algoritmos. Às vezes, isso é meticuloso, a criação de algoritmos para o novo impedimento seguido por calibrações aprendidas por máquina de longo prazo e novos testes em campo. Curiosamente, o Oxbotica usa dados de desempenho de sistemas AV em funcionamento em conjunto com um mecanismo de Inteligência Artificial como um oponente virtual dentro do Oxbotica MetaDriver, seu próprio “metaverso”, para testar a IA do sistema e tentar fazer furos em seu próprio design. “Nós o medimos como 35,000 vezes mais rápido do que a verificação e validação tradicionais”, afirma Jackson.

E, no final das contas, é assim que essas empresas evitam uma perseguição (ou pato) selvagem e lançam um produto em algum lugar.