Os sistemas de monitoramento do motorista (DMS) que avaliam o estado de alerta ao volante estão rapidamente se tornando o principal recurso de segurança automotiva em todo o mundo. Na UE, por exemplo, o regulador de segurança automóvel EuroNCAP exige que todos os automóveis novos incorporem um DMS para cumprir a sua classificação de segurança.
Em meio a esse impulso, as startups estão se beneficiando de oportunidades de negócios no espaço DMS, oferecendo soluções que vão desde a medição cardíaca até a detecção do início do sono. Entre eles, o sueco Devant está a explorar o potencial dos dados sintéticos.
Lançada em 2021, a startup gera dados sintéticos de humanos digitais realistas para apoiar o treinamento, validação e teste de redes de aprendizado de máquina – como as que estão por trás dos sistemas de monitoramento de motoristas. Especificamente, desenvolve seres humanos simulados em 3D que são diversos tanto na aparência quanto no comportamento em diferentes situações.
Mas como exatamente os dados sintéticos podem melhorar o DMS? A TNW conversou com Richard Bremer, cofundador e CEO da Devant, para saber mais.
A lacuna que os dados sintéticos podem preencher
O interesse em dados sintéticos começou no início da década de 1990 e não demorou muito para que a indústria tecnológica percebesse o valor da tecnologia na aceleração da aprendizagem automática.
O setor automóvel foi um dos primeiros proponentes de dados sintéticos, adotando-os em meados da década de 2010 para o desenvolvimento de veículos autónomos, sistemas avançados de assistência ao condutor (ADAS) e, mais recentemente, DMS.

Os sistemas de monitoramento de motoristas e ocupantes (DMS e OMS) normalmente usam câmeras infravermelhas e sensores para coletar informações em tempo real sobre o motorista e os passageiros. Graças à visão computacional e à aprendizagem automática, esta informação é então analisada, rastreando, por exemplo, o olhar ou as expressões faciais do condutor, para determinar o seu estado de alerta e atenção à estrada.
Isto significa que, para terem o melhor desempenho, tanto o DMS como o OMS precisam de ser treinados em grandes quantidades de dados de alta qualidade, incluindo imagens e gravações que capturem o maior número possível de situações diversas. Pense nos motoristas enviando mensagens de texto ao telefone, bebendo ao volante ou até mesmo se inclinando nos bancos traseiros para impedir que os filhos briguem.
“Para qualquer rede de IA, quantidade e qualidade de dados suficientes são essenciais.
Embora os dados das câmeras e até mesmo a representação dos atores tenham alimentado o desenvolvimento do DMS até agora, usar apenas essas fontes para capturar todas as situações imagináveis traz vários desafios. É caro, demorado, tem variabilidade limitada e está associado a questões de privacidade.
É aí que entra o valor dos dados sintéticos, segundo Bremer. “O potencial e a parte interessante dos dados sintéticos é que você pode reduzir o tempo e o custo e também aumentar o desempenho da rede.”
Como funciona a tecnologia da Devant
A startup sediada em Norrköping utiliza um processo passo a passo em sua plataforma, combinando diferentes tipos de ativos 3D para criar imagens e animações. No caso automotivo, esse conteúdo pode ser cabines e pessoas em 3D — complementado com detalhes como acessórios, roupas ou óculos.

Para garantir um resultado de alta qualidade que não interfira no desempenho de uma rede de aprendizado de máquina, a confiabilidade e a precisão dos dados são validadas por meio de uma série de sistemas de avaliação de qualidade ao longo de todo o processo.
“Quando se trata do que construímos, trata-se principalmente de garantir que os dados foram testados e validados”, diz Bremer.
O objetivo da Devant para seus modelos humanos 3D é triplo: alinhar-se com a aparência das coisas no mundo real, expandir sua diversidade e oferecer a maior variedade possível de cenários diferentes e atender às necessidades do cliente.
Por isso, a startup sueca oferece uma ferramenta de configuração para que o usuário selecione os parâmetros que correspondem às suas necessidades. Os ajustes podem variar desde variáveis mais genéricas (como idade, etnia e sexo) até detalhes mais específicos, incluindo roupas, frequência de movimento das pálpebras ou condições de iluminação dentro de um veículo.

Em junho, a empresa uniu forças com a Seeing Machines, com sede na Austrália, desenvolvedora de (DMS e OMS) usado pelos principais fabricantes de automóveis.
Através da parceria, a Seeing Machines utilizará simulações 3D da Devant para treinar e validar as suas redes de aprendizagem automática, com o objetivo de avançar ainda mais os seus sistemas de monitorização na cabine e criar um conjunto de dados em grande escala de comportamentos distraídos dos condutores que se alinham com os requisitos do EuroNCAP.
Qualidade tão essencial quanto quantidade
Para explorar verdadeiramente o potencial dos dados sintéticos, não se trata apenas de apertar um botão e gerar milhões de imagens em poucos dias, explica Bremer. É também uma questão de qualidade e precisão dos dados.
A premissa é simples. “Para que qualquer rede de IA tenha o melhor desempenho possível, é necessária quantidade suficiente e qualidade suficiente são essenciais.”
O aspecto promissor dos dados gerados por computador é que “sabemos exatamente, até o nível do pixel, o que cada imagem contém, graças aos metadados que a acompanham”, diz Bremer. Por outro lado, quando se trata de dados do mundo real, “você não tem aquele nível de controle granular e precisão como tem com dados sintéticos”.

Mas há um problema. Quanto mais você aumenta a qualidade dos dados adicionando mais parâmetros e realismo para cobrir a vasta quantidade de cenários e comportamentos humanos possíveis, mais complexo ele se torna. Isso, por sua vez, aumenta o tempo de renderização.
“É por isso que ninguém antes de nós adotou essa abordagem de qualidade para dados sintéticos, porque é muito caro em termos de tempo de renderização”, afirma Bremer. Na verdade, Devant lutou bastante para resolver o quebra-cabeça de manter a qualidade e ao mesmo tempo otimizar a velocidade.
Limitações atuais
Apesar da vantagem óbvia dos dados sintéticos em quantidade e da sua capacidade de fornecer simulações precisas e de alta qualidade, Bremer enfatiza que a tecnologia não deve ser vista como “uma solução mágica”. Pelo menos, ainda não.
Em vez disso, diz ele, a substituição dos dados do mundo real pelos seus equivalentes gerados por computador deve ser feita com uma abordagem cautelosa e passo a passo.
“Acho que a coisa mais importante a lembrar aqui é que os DMS são sistemas críticos para a vida”, observa ele. E ainda há uma série de desafios a superar — que vão além da necessidade de ter milhares de modelos 3D para garantir uma cobertura suficiente.

O primeiro desafio é estabelecer um limite para o que constituem dados bons e ruins, que Devant explorará em colaboração com Seeing Machines. A segunda é identificar exatamente quais dados a rede de aprendizado de máquina reconhecerá como importantes o suficiente para serem usados.
A startup também está fazendo esforços adicionais para cobrir mais aspectos da óptica da câmera. “Simular diferentes parâmetros de câmera é muito complexo, especialmente quando é necessário fazê-lo dentro de um tempo de renderização limitado por imagem”, explica Bremer.
O caminho a seguir
Até agora, Devant tem trabalhado nos vários níveis de distração do condutor, concentrando-se especialmente na simulação realista do olho, com os seus diferentes movimentos, comportamentos das pálpebras e tamanhos variados de pupilas.
Através da parceria com a Seeing Machines, a startup pretende subir a escada da complexidade e continuar acrescentando funcionalidades que abrangerão todo o protocolo EuroNCAP. A partir daí, Bremer vê a sonolência como a “próxima coisa natural”, sendo a intoxicação outra possibilidade interessante na lista da empresa.
A decisão da Devant de desenvolver dados sintéticos centrados no ser humano para a indústria automóvel foi direcionada desde o início, impulsionada pela oportunidade de negócio apresentada pela crescente atenção ao DMS e às iminentes regulamentações da UE. Segundo Bremer, tratava-se também de gerar valor real e usar a tecnologia de uma forma que beneficiasse as pessoas.
Além do espaço automóvel, a startup prevê outras indústrias potenciais onde a sua tecnologia poderia ter um impacto positivo, como a formação de sistemas de IA para detectar sinais de doenças numa fase inicial.




