nExt Sense

O projeto SP1.P01 concentra-se na investigação e desenvolvimento de novas arquiteturas de acelerómetros MEMS para sistemas de sensores automóveis. O projeto investiga vários modos de funcionamento e mecanismos de acoplamento mecânico para criar uma nova geração de sensores inerciais. Estes sensores operarão sobre um intervalo de frequências alargado, mantendo uma elevada sensibilidade em toda a gama. Esta abordagem visa habilitar a substituição de múltiplos sensores especializados por um único sensor "multiusos" versátil, adequado para diversas aplicações automóveis. Estas aplicações variam desde a deteção de vibração e diagnóstico estrutural até à captação de sinais acústicos dentro do habitáculo e no ambiente exterior.

O projeto estrutura-se em torno de quatro objetivos principais: 1. Demonstrar a viabilidade de acelerómetros MEMS com elevada frequência de ressonância, capazes de captar sinais na região do audível. Isto inclui uma largura de banda mínima de 8 kHz e sensibilidade a níveis acústicos reduzidos. 2 Validar a arquitetura de sensores multiestrutura. Estes sensores apresentarão diferentes massas móveis, integradas num único dispositivo. 3. Demonstrar processos de microfabricação. Estes processos permitirão a integração das múltiplas massas inerciais, mantendo isolamento elétrico. 4. Garantir a integração do dispositivo MEMS com eletrónica de instrumentação de baixo ruído e baixo consumo. Isto garantirá a operacionalidade e diferentes aplicabilidades.

A inovação do P01 reside na sua capacidade de consolidar funcionalidades atualmente distribuídas por múltiplos sensores independentes. Ao criar um sensor único, escalável e multifuncional, o projeto visa reduzir a complexidade, os custos e o volume total do sistema. Isto posiciona o acelerómetro MEMS como um componente crítico nas plataformas de deteção inteligente de próxima geração. O seu papel expande-se para além da deteção de movimento, permitindo a perceção ambiental, funcionalidades de segurança, monitorização da saúde estrutural e melhor interação veículo-condutor.

O resultado do projeto demonstra um protótipo compacto que integrará o sensor inercial MEMS de banda larga e a sua eletrónica associada, demonstrando o seu potencial como sensor "universal" no contexto automóvel.

A linha P02 tem como foco o desenvolvimento de arquiteturas de hardware reconfiguráveis e especializadas para suportar sensores automóveis avançados. O projeto centra-se na criação, em FPGA, de microcontroladores customizáveis baseados em arquiteturas abertas (como RISC-V ou ARM Cortex-M0), acompanhados de um conjunto modular de periféricos e aceleradores de hardware adaptados às necessidades de cada caso de uso. O objetivo consiste em elevar o sensor automóvel de um elemento passivo para um sistema autónomo, energeticamente eficiente e com capacidade de processamento local (incluindo execução de modelos tinyML), reduzindo latências e dependências da ECU central do veículo.

A evolução natural deste desenvolvimento passa pela migração das soluções em FPGA para tecnologia ASIC, de forma a viabilizar integrações mais compactas, robustas e energeticamente eficientes entre o sensor MEMS e a respetiva eletrónica de controlo.

Neste projeto foram explorados diversos casos de uso: classificação do tipo de pavimento, deteção de buracos e lombas, deteção de sirenes de emergência e uso indevido do veículo (vandalismo). Para este desenvolvimento foram instalados no veículo de testes acelerómetros/IMUs e microfones nas quatro suspensões e no centro do veículo e foi utilizado um sistema de aquisição que permitia adquirir todos os sinais sincronamente, permitindo criar datasets de treino, teste e de validação.

No caso da classificação do tipo de pavimento, foi apenas utilizado um acelerómetro no centro do veículo, e foram desenvolvidos aceleradores de hardware para o cálculo das features (Minirocket) e para a Regressão logística, integrada com os diversos aceleradores de hardware desenvolvidos para aquisição e controlo do sistema. Este sistema permitiu obter, em FPGA, uma accuracy de 96.96% e um consumo de potência estimado de 380mW, utilizando uma FPGA com uma tecnologia de fabrico de 28nm. Isto permitiu também diminuir em cerca de 70x a latência (1.2ms) do sistema comparando com um microcontrolador típico.

Para a deteção de lombas e buracos foram realizadas duas implementações, utilizando ferramentas open-source e através do uso de modelos mais genéricos. Para este use-case foram utilizados os quatro sensores colocados junto às suspensões. Utilizando a ferramenta conifer para obter o acelerador de hardware foi possível manter a performance do modelo original, tendo 88,36% de accuracy. Isto permitiu obter um sistema com um consumo de potência de 1,087W numa FPGA com uma tecnologia de fabrico de 65nm.

Utilizando a SVM, foram concebidos e implementados aceleradores em hardware que integram blocos de pré‑processamento dos sinais de aceleração (filtros digitais, wavelets e correlação) e classificadores compactos (SVM), sendo a SVM programável, permitindo ajustar a diferentes veículos e localizações dos sensores. Para funções de configuração, controlo e comunicação, o protótipo integra um core RISC‑V (Ibex). Os coeficientes dos filtros podem ser reajustados via RISC-V, facilitando a acomodação do desgaste dos componentes do veículo ao longo do tempo ou a aplicação noutros casos de uso baseados em acelerómetros. Este sistema permitiu obter uma accuracy de 86,91%.

A deteção de sirenes de emergência foi implementada apenas com recurso a processamento de sinal, onde os sinais são comparados com as métricas retiradas dos datasets e através da correlação entre os sinais é gerado o output do sistema.

Com recurso à mesma descrição de hardware digital baseada em RTL (Register Transfer Level) utilizada para FPGA, foi desenvolvido um ASIC para os casos de uso de deteção de buracos e lombas (SVM) e a deteção de sirenes de emergência.

A migração para ASIC seguiu um fluxo estruturado, começando pela filtragem das primitivas específicas de FPGA (DSPs e BRAMs) e IPs proprietários através da sua substituição por módulos RTL implementados internamente.

Após otimização, seguiu‑se o fluxo ASIC adotado: Síntese, floorplanning, definição do power‑ring e power‑straps, placement, clock‑tree synthesis, routing e signoff. Utilizando para isso ferramentas da Synopsys como o SpyGlass, Fusion Compiler, VCS e Formality.

A área de die utilizada foi de 4,093 mm² e a potência estimada é de 86,7 mW para o sistema de deteção de buracos e lombas e de 92,8 mW para a deteção de sirenes de emergência, utilizando uma tecnologia de fabrico de 14nm.

A linha SP1.P03 concentra-se no desenvolvimento de inteligência embebida diretamente ao nível do sensor, através da criação de classificadores tinyML otimizados para execução em microcontroladores de baixos recursos. O foco é capacitar os sensores MEMS desenvolvidos no âmbito do SP1 para não apenas medir sinais, mas interpretá-los localmente, permitindo que o sensor identifique eventos, diagnostique condições e envie para o veículo informação de mais alto nível, facilitando a tomada de decisão.

O objetivo principal passa por investigar, adaptar e desenvolver modelos de machine learning ultraleves capazes de operar com consumo energético reduzido e footprint computacional mínimo, mantendo precisão adequada aos casos de uso automóveis. Estes modelos serão integrados nas plataformas FPGA e microcontroladores customizáveis desenvolvidos no âmbito da SP1, criando sensores “inteligentes na origem”, que libertam carga de processamento da ECU e reduzem a latência de perceção.

Como resultado do projeto, pretende-se demonstrar protótipos funcionais em FPGA que integrem classificadores tinyML validados em ambiente laboratorial com sensores MEMS reais, demonstrando a capacidade de detetar padrões, reconhecer eventos e expandir o leque de funcionalidades disponíveis num único sensor. A característica inovadora central reside na introdução de Embedded Intelligence ao nível do sensor, algo ainda raro no setor automóvel, onde a maioria das unidades de sensing permanece passiva e dependente de processamento central. Esta abordagem permite reutilizar um único sensor para múltiplos casos de uso, nomeadamente para road surface classification, pothole and speedbump detection, Handling e Misuse, entre outras.

A figura ilustra todos os procedimentos necessários para a correta classificação de casos de Handling e Misuse: na etapa de Labelling, os dados são capturados pelo carro de testes e anotados após um processamento da Sampling Rate e da aplicação de janelamento após filtragem adaptativa dos sinais; na etapa de Model Building, é feito um estudo detalhado dos features mais importantes para classificação, que constituem o input de um modelo XGBoost cuja generalização é avaliada num hold-out test set a partir de diversas métricas de performance.

O projeto SP2.P04 foca-se na vertente de Security (cibersegurança), visando proteger os sensores automóveis contra ameaças externas e ataques maliciosos, em alinhamento com a norma ISO/SAE 21434. A investigação recai sobre a exploração de mecanismos de hardware orientados à proteção, como Unidades de Proteção de Memória (MPU) e tecnologias de Ambientes de Execução Confiáveis (TEE) – nomeadamente TrustZone-M – para reforçar a confidencialidade, integridade e disponibilidade (CIA) dos dados e do firmware do sensor. Módulos criptográficos dedicados são também explorados para acelerar operações de segurança de forma energeticamente eficiente. Paralelamente, o projeto aprofunda a compreensão das vulnerabilidades dos sensores através do estudo de ataques de canal lateral (side-channel attacks). São investigados canais baseados na variação temporal resultante da partilha de recursos microarquiteturais, com validação e replicação em laboratório de ataques de ponta do estado da arte. Este processo permite não só avaliar a robustez das soluções, mas também identificar novas variantes de ataques, contribuindo para uma compreensão mais profunda do panorama de ameaças. Avalia-se ainda como primitivas de segurança existentes em microcontroladores comerciais (COTS) podem ser utilizadas para fortalecer a Security, através do desenvolvimento de componentes de software que abstraem estas mesmas.

Como resultado, demonstra-se a arquitetura do protótipo avançado de segurança para os sensores de suporte à condução autónoma de próxima geração, baseado num sistema Steer-by-Wire (SbW). A solução COTS implementada inclui dois sensores de ângulo de direção para uma melhor precisão e tolerância a falhas, bem como a implementação de um barramento de comunicação redundante e contramedidas de segurança que mitigam potenciais falhas de comunicação e ataques físicos. A solução de tecnologia disruptiva implementa uma arquitetura de compartimentalização baseada na TrustZone-M para criar um Ambiente de Execução Confiável (TEE), no qual os serviços estão mutuamente isolados, impedindo ataques a aplicações críticas de segurança. Esta arquitetura oferece, entre outros, serviços de atualização de firmware, suporte a aceleradores criptográficos e tolerância a falhas, além de permitir ao utilizador integrar e proteger, com total flexibilidade, serviços adicionais adaptados às suas necessidades.

Assim, este projeto apresenta como característica inovadora a aplicação dos diferentes mecanismos acima mencionados no contexto dos sensores automóveis, mantendo a integridade operacional do protótipo avançado de segurança mesmo em caso de falhas de componentes ou ataques externos.

O projeto SP2.P05 dedica-se à investigação de arquiteturas e tecnologias que garantam a Safety (segurança funcional) e a tolerância a falhas nos sistemas de sensores automóveis, um pilar essencial para a condução autónoma e em conformidade com a norma ISO 26262. A investigação centra-se em arquiteturas de software disruptivas, como lightweight hypervisors e separation kernels, que permitem implementar redundância e isolamento de falhas ao nível do software, aumentando a fiabilidade geral do sistema mesmo em microcontroladores com recursos limitados. São também exploradas soluções de sensorização heterogénea, que combinam diferentes princípios de transdução para mitigar falhas de modo comum (common-mode failures), e arquiteturas de hardware redundantes inspiradas nos setores da aviação e militar.

Para validar estas arquiteturas de forma eficiente e precoce, o projeto investiga métodos avançados de simulação, como Processor-in-the-Loop e Hardware-in-the-Loop, que permitem testar software e arquiteturas de forma desacoplada do hardware físico. Adicionalmente, são utilizados mecanismos de injeção de falhas em conformidade com a norma ISO 26262, para avaliar a resiliência dos sistemas de forma sistemática e controlada.

Os protótipos avançados propostos implementam redundância homogénea e heterogénea por hardware, tanto ao nível dos sensores automóveis como a nível de sistema. Para demonstração dos diferentes sensores automóveis, foi desenvolvido um sistema Steer-by-Wire (SbW), que demonstra a funcionalidade das soluções de sensorização de ângulo de direção através de redundância heterogénea. Por outro lado, o protótipo avançado do Brake-by-Wire (BbW) demonstra a funcionalidade do BCP, que se destaca pelo seu conceito baseado no comportamento de deslocamento linear das molas de compressão, mas também pela inovação do pedal. Este último elimina a necessidade da ligação mecânica do pedal no sistema de travagem ao integrar dois sensores redundantes que traduzem a intenção de travagem do utilizador num sinal elétrico.

Os mecanismos de redundância por software também foram explorados, nomeadamente um mecanismo totalmente funcional, adaptado para a arquitetura ARmv8-R, baseado num static partitioning hypervisor (SPH) para hospedar os guests replicados, retirando partido das características de arquitetura do hypervisor utilizado para assegurar o isolamento espacial e temporal entre os componentes de software redundantes.

A linha SP3.P07 tem como objetivo investigar e desenvolver um algoritmo de seleção de satélites otimizado para sistemas GNSS multi-constelação utilizados em aplicações automóveis avançadas. Pretende-se assim, substituir abordagens convencionais baseadas exclusivamente em métricas geométricas, por um método holístico que considere, de forma integrada, não só a geometria da constelação, mas também informação sobre o estado dos sinais recebidos, os serviços de correção disponíveis e o impacto de cada combinação na precisão e robustez do posicionamento final. O foco está em garantir um posicionamento mais estável, consistente e de elevada exatidão, particularmente em cenários complexos e dinâmicos, como ambientes urbanos densos ou condições de receção degradada.

O projeto contempla o estudo e implementação de um algoritmo eficiente de seleção de subconjuntos de satélites, capaz de adaptar a seleção ao contexto operacional e às limitações reais do recetor. Inclui ainda a análise comparativa entre diferentes serviços de correção, estudando-se formatos, cadências de transmissão e o seu impacto na exatidão e precisão alcançada. Este trabalho inclui ainda uma análise às combinações ótimas de sinais GNSS multi-frequência e multi-constelação, identificando quais configurações oferecem o melhor compromisso entre precisão, robustez e disponibilidade, de acordo com os serviços de correção analisados.

Como resultado, demonstra-se um algoritmo global de seleção de satélites, capaz de operar de modo eficiente e adaptativo em cenários reais, bem como a identificação das combinações de sinais e serviços de correção que maximizam a qualidade de posicionamento. A característica inovadora deste projeto reside precisamente na evolução de um processo tradicionalmente estático e baseado em heurísticas simples, para uma abordagem inteligente, otimizada e orientada ao contexto, estabelecendo um novo padrão de seleção de satélites para aplicações automóveis que exigem alta confiabilidade e precisão contínua.

A linha SP3.P08 tem como objetivo desenvolver um método avançado de monitorização de integridade para sistemas de posicionamento GNSS/INS aplicados à condução de veículos em estrada, recorrendo a abordagens baseadas em inteligência artificial. Os sinais GNSS utilizados em veículos terrestres estão expostos a cenários operacionais altamente variáveis, caracterizados por obstruções urbanas, reflexões multipath, interferências intencionais e não intencionais, e degradações ambientais significativas. Estes fatores provocam alterações bruscas na qualidade do posicionamento e tornam insuficientes os métodos tradicionais de integridade desenvolvidos originalmente para a aviação, onde o ambiente é substancialmente mais previsível e controlado. Assim, torna-se necessário implementar novos modelos que consigam detetar, antecipar e caracterizar degradações na confiabilidade da solução de navegação, assegurando níveis de fiabilidade e robustez adequados às exigências da condução autónoma e assistida.

Assim, o projeto incidiu no estudo e definição das características relevantes dos sinais GNSS e inerciais para identificar erros, anomalias e inconsistências, assim como na construção de bases de dados representativas, destinadas ao treino e validação de modelos de IA. Foram avaliadas diferentes abordagens de aprendizagem automática, desde modelos clássicos até arquiteturas de deep learning, incluindo redes convolucionais, comparando desempenho, custo computacional e requisitos de dados. Estes modelos foram integrados em pipelines de monitorização e testados em cenários reais e datasets extensivos, avaliando a sua capacidade de detetar falhas e estimar corretamente a integridade da solução de posicionamento.

Como resultado, demonstrou-se um algoritmo de integridade baseado em IA com desempenho superior às abordagens atuais, acompanhado de uma base de dados etiquetada que suporta desenvolvimento contínuo, validação e reprodutibilidade experimental. A característica inovadora fundamental do SP3.P08 reside na transição da integridade como processo puramente matemático e estático, para um sistema adaptativo, orientado por dados, contextual e evolutivo, adequado ao ambiente dinâmico e imprevisível da circulação automóvel. Esta abordagem representa um passo crucial para a operacionalização segura e robusta de sistemas de navegação para veículos autónomos e assistidos.

A linha SP3.P09 tem como objetivo investigar e desenvolver uma antena GNSS definida por software, capaz de se adaptar dinamicamente ao meio envolvente e à variação constante da geometria satélite-veículo. As antenas GNSS utilizadas atualmente em veículos apresentam características essencialmente estáticas, embora o cenário operacional seja altamente dinâmico: os satélites encontram-se em movimento contínuo, os veículos deslocam-se em ambientes complexos e a propagação do sinal sofre alterações devido a obstruções, reflexões e atenuações, chegando ao recetor com níveis de potência muito reduzidos. Esta falta de adaptabilidade limita a qualidade da receção e, consequentemente, a precisão da solução de posicionamento.

O SP3.P09 propõe a conceção de uma antena reconfigurável composta por elementos controláveis individualmente ou em grupos, permitindo alterar dinamicamente o diagrama de radiação de forma a otimizar a receção conforme o contexto. A investigação abrange o desenvolvimento do hardware de controlo, bem como do software responsável pela reconfiguração dinâmica da antena. Esta abordagem permitirá ajustar a antena ao cenário em tempo-real, adaptando-se ao movimento do veículo, à posição relativa dos satélites e às condições de propagação locais, garantindo uma ligação mais estável e robusta.

Como resultado, pretende-se demonstrar uma antena definida por software totalmente operacional, acompanhada de um sistema de controlo completo e de uma metodologia de reconfiguração que maximize a conectividade GNSS, especialmente em cenários desafiantes. A inovação reside não apenas na capacidade da antena se adaptar de forma autónoma às condições externas, elevando a precisão ao incorporar informação contextual intrínseca ao processo de aquisição do sinal. Assim, esta linha introduz uma evolução significativa no papel da antena no sistema de navegação: de elemento estático para componente dinâmico e funcionalmente integrado no processo de posicionamento de alta precisão, contribuindo diretamente para a robustez e fiabilidade dos sistemas GNSS em veículos inteligentes.

A linha SP3.P10 tem como objetivo investigar e desenvolver uma arquitetura de recetor GNSS baseada em hardware programável (FPGA), concebida para ser flexível, configurável e escalável, permitindo a sua adaptação a diferentes segmentos e requisitos do mercado automóvel. No contexto da modernização GNSS, com a introdução de novos sinais, serviços e constelações, verifica-se uma oportunidade para reinventar o recetor GNSS não como um componente estático, mas como uma plataforma evolutiva capaz de acompanhar a rápida transformação tecnológica dos sistemas de navegação no setor automóvel.

A abordagem proposta centra-se na construção de uma cadeia de receção GNSS modular, em que cada camada funcional, desde a aquisição e rastreio de sinais até à estimativa de posição e navegação, pode ser configurada ou substituída de forma independente, permitindo otimizar o desempenho em função das características do veículo, do mercado-alvo e do nível de assistência ou autonomia pretendido. Este nível de flexibilidade não só facilita a adaptação a diferentes geografias e requisitos regulatórios, como permite introduzir melhorias incrementais sem necessidade de reformulação completa da plataforma. A utilização de FPGA como base tecnológica garante reconfigurabilidade, atualização contínua e integração simplificada com algoritmos avançados de navegação, incluindo técnicas híbridas de fusão sensorial GNSS/INS.

O trabalho desenvolvido inclui a análise comparativa de arquiteturas e algoritmos de recetores GNSS existentes, a definição de uma nova abordagem para localização e navegação mais robusta com uma arquitetura vetorial com auxílio INS (ultra-tight), a exploração de algoritmos de estimação do canal pela filtragem adaptativa e a implementação de protótipos laboratoriais de módulos DSP e firmware associados. Como resultado apresenta-se um demonstrador capaz de servir múltiplos níveis de produto, desde sistemas de posicionamento de custo otimizado até soluções com foco em precisão e disponibilidade elevadas. A característica inovadora reside na capacidade de converter o recetor GNSS num sistema verdadeiramente adaptável ao ciclo de evolução dos veículos autónomos, incorporando upgrades de software e hardware ao longo do tempo, reduzindo custos de desenvolvimento e aumentando o tempo de vida tecnológica da solução.

A linha SP3.P11 tem como objetivo investigar e desenvolver um sistema integrado de deteção e classificação das condições de piso em tempo real, recorrendo à fusão de múltiplos sensores e à construção de mapas dinâmicos partilháveis entre veículos. A relevância deste tema é crescente, uma vez que a condição do pavimento tem impacto direto na segurança, na eficiência dos sistemas de assistência à condução e no desempenho de veículos autónomos. A Bosch já disponibiliza serviços e sensores relevantes, como o Predictive Road Condition (PRC), que combina dados dos veículos com informação meteorológica, o Road Condition Sensor (RCS) para detetar água, gelo e neve, e o Road Noise Sensor (RNS), que extrai características do pavimento a partir da vibração das rodas e suspensão. No entanto, estas soluções ainda não integram plenamente outras condições críticas, como rugosidade, buracos, fricção variável ou degradações progressivas do piso.

O SP3.P11 propõe assim o desenvolvimento de um algoritmo de classificação baseado em aprendizagem automática, capaz de integrar a informação proveniente dos sensores RCS e RNS com dados de posicionamento de alta precisão (VMPS), permitindo caracterizar as condições da estrada de forma abrangente e contextual. A metodologia de processamento incluirá a extração de características em múltiplos domínios: tempo, frequência e wavelet, alimentando um conjunto de classificadores (como ensembles de SVM) capazes de distinguir diferentes tipos de pavimento e condições superficiais. O sistema será complementado com um veículo demonstrador, equipado para aquisição, processamento e transmissão de dados em tempo real, permitindo validar o modelo em ambiente controlado e operacional.

Os resultados incluem um sistema robusto de aprendizagem automática para classificação de pavimentos e um método de gestão e padronização de dados que permita construir mapas de condições de estrada atualizados continuamente, possibilitando a difusão desta informação entre veículos e infraestruturas. A inovação reside na fusão integrada entre deteção local (sensores no veículo), posicionamento preciso e conectividade, permitindo que cada veículo contribua para um modelo coletivo e evolutivo do estado da via. Esta abordagem fortalece as bases para um ecossistema cooperativo de circulação segura, essencial para a progressão das funcionalidades de condução assistida e autónoma.

O SP3.P12 propõe o desenvolvimento de uma solução capaz de tirar partido da presença de múltiplos veículos próximos, equipados com sistemas de posicionamento e conectividade, para melhorar o desempenho individual através da sua cooperação.

Em contextos de condução autónoma, a precisão do posicionamento torna-se crítica, especialmente em ambientes complexos e altamente dinâmicos, como áreas urbanas densas, túneis, vias arborizadas ou outros cenários com obstruções parciais de visibilidade dos satélites de GNSS.

A abordagem cooperativa visa mitigar perturbações, reduzir incertezas e aumentar a performance do posicionamento individual. A cooperação entre veículos contribui para um desempenho mais robusto assegurando maior disponibilidade e performance de posicionamento em cenários onde um veículo individualmente pode ser severamente afetado por condições adversas.

Dada a complexidade dos cenários de aplicação e teste, que envolvem cenários urbanos densos e múltiplos veículos equipados com diferentes sensores, o projeto prevê também o desenvolvimento de um ambiente de simulação avançado, essencial para avaliar, validar e otimizar as estratégias desenvolvidas.

Esta ferramenta permite gerar dados sintéticos para vários veículos em cenários e condições realistas, incluindo a propagação de sinais GNSS em ambientes urbanos 3D, bem como diferentes densidades de veículos cooperantes.

Como resultado do SP3.P12, é apresentada uma solução de posicionamento cooperativo que melhora o desempenho individual dos veículos por meio da sua cooperação, acompanhada pelo desenvolvimento de uma plataforma de simulação dedicada ao estudo e avaliação de estratégias de posicionamento veicular.

Assim, a principal inovação reside na transição do paradigma de posicionamento individual para um ecossistema cooperativo, no qual cada veículo contribui para um sistema coletivo e dele beneficia, constituindo mais um passo rumo à concretização de funcionalidades avançadas de condução autónoma em larga escala.

A linha SP3.P13 tem como objetivo investigar e desenvolver uma nova arquitetura de software para redes V2X que articule de forma integrada os módulos embarcados nos veículos (OBUs), as unidades rodoviárias de apoio (RSUs) e servidores de computação distribuída em nevoeiro (Fog Computing). Esta arquitetura pretende responder às necessidades emergentes da mobilidade autónoma, onde a perceção do ambiente e o posicionamento preciso deixam de depender exclusivamente dos sensores do veículo, passando a ser complementados pela colaboração e troca de informação entre veículos, infraestrutura e utilizadores vulneráveis da via.

Com o aumento progressivo do nível de autonomia, as comunicações V2X tornam-se um elemento crítico para reforçar a segurança e a confiança dos sistemas automóveis. Contudo, enquanto os veículos se encontram num processo acelerado de integração de sistemas de posicionamento e comunicação de última geração, peões, ciclistas e outros utilizadores vulneráveis não dispõem ainda de sensores, baterias, comunicações ou precisão de localização comparável. A solução proposta procura colmatar esta assimetria, criando um ecossistema cooperativo onde a perceção rodoviária é partilhada, enriquecida e distribuída em tempo real, permitindo ao veículo antecipar situações de risco e adaptar o seu comportamento de forma mais segura.

O projeto incidiu na conceção de algoritmos avançados para deteção e previsão de movimento de utilizadores vulneráveis, incluindo a estimação em tempo real de situações de perigo, explorando capacidades de computação Fog distribuída na infraestrutura. Paralelamente, foram definidos novos serviços cooperativos, como mapas locais partilhados, mecanismos de alerta distribuído e sistemas de semáforos virtuais. Foi ainda proposta uma arquitetura de software modular para OBUs e RSUs, incorporando mecanismos de segurança aplicacional e modelos de autenticação e validação de informação. Finalmente, foi desenvolvido um protótipo funcional, validado em ambiente laboratorial e em ambiente relevante, que demonstra casos de uso de segurança rodoviária envolvendo veículos e utilizadores vulneráveis.

A inovação do SP3.P13 reside na convergência entre perceção cooperativa, posicionamento distribuído e computação em nevoeiro aplicada a cenários reais, criando um modelo replicável para futuras aplicações V2X. Ao substituir o paradigma de perceção isolada por uma perceção partilhada e contextual, o projeto estabelece um passo crítico na evolução para um sistema de mobilidade onde todos os intervenientes, os veículos, ciclistas e peões, podem ser detetados, localizados e protegidos de forma coordenada e em tempo útil.