Investigadores afiliados à University of Texas apresentam o UNCAP, um quadro de cooperação para veículos autónomos no qual os carros se descrevem mutuamente o que observam, em linguagem natural. Segundo eles, este sistema ensina os veículos a escolher os vizinhos que devem ouvir e a atribuir aos seus mensagens um grau de confiança adequado.
- O UNCAP permite aos veículos autónomos trocar observações em linguagem natural, sem partilhar dados brutos.
- O sistema escolhe os vizinhos relevantes e atribui a cada mensagem um grau de confiança calibrado.
- Em simulação, reduz a largura de banda em 63% e aumenta a pontuação de condução em 31%.
- Os testes limitam-se à simulação, faltando ensaios com ruídos de sensores e falhas de rede.
O princípio baseia-se numa situação simples. Um camião estacionado num cruzamento oculta um carro que se aproxima pela direita. O veículo vizinho, por sua vez, vê-o e poderia transmitir uma mensagem deste tipo: « Veículo a entrar pela direita, a cerca de 15 metros, a circular depressa. » O carro recebe assim uma informação que os seus próprios sensores não conseguiam observar.
Falar em vez de partilhar os dados brutos
A partilha de dados brutos, como as imagens das câmaras, as nuvens de pontos LiDAR ou as medições de radar, é a abordagem clássica. Os investigadores notam que esta se torna difícil de implementar em larga escala: estes fluxos consomem uma largura de banda significativa, exigem muito cálculo e pressupõem que todos os veículos dispõem de hardware comparável. Ora, o tráfego reúne construtores, configurações de sensores e software muito diferentes.
A linguagem natural constitui uma alternativa. Uma mensagem como « peão a atravessar atrás do autocarro » ou « motocicleta a aproximar-se pela esquerda, a alta velocidade » é muito curta, independente do hardware e compreensível pelos modelos visão-linguagem, ou seja, modelos capazes de processar simultaneamente imagens e texto. Resta, contudo, decidir quais as mensagens a ouvir, e o que fazer quando dois veículos se contradizem.
Quatro etapas
O UNCAP funciona sem treino específico, dito « zero-shot », e apoia-se em modelos existentes aos quais acrescenta uma estratégia de comunicação. A primeira etapa consiste em identificar os vizinhos: cada veículo difunde periodicamente um sinal de alguns bytes contendo a sua posição e direção. A segunda etapa filtra os veículos relevantes, aqueles que estão suficientemente próximos e suscetíveis de influenciar a sua trajetória. Segundo os investigadores, esta seleção reduz fortemente as trocas inúteis e permite ao sistema passar a larga escala.
Os veículos selecionados descrevem depois as suas observações, acompanhadas de estimativas de confiança « calibradas » graças à previsão conforme, um método leve que faz corresponder os níveis de confiança à fiabilidade real das informações. Cada veículo mede então, graças à informação mútua, em que medida cada mensagem reduz a sua incerteza sobre a cena. Por fim, a descrição assim construída é transmitida a um modelo visão-linguagem, que propõe uma decisão, por exemplo fundir-se, esperar ou ceder a passagem, com uma pontuação de confiança associada.
Resultados em simulação
Os testes foram realizados no simulador de condução CARLA, com o benchmark OPV2V, que inclui nomeadamente fusões em autoestrada e cruzamentos urbanos. Em comparação com veículos sem comunicação, e em comparação com abordagens anteriores que difundem cada observação a todos os veículos, os investigadores relatam uma melhoria constante. Citam uma redução de 63% na largura de banda de comunicação, um aumento de 31% na pontuação de condução, uma descida de 61% na incerteza das decisões e margens de segurança quatro vezes maiores durante as quase colisões.
O resultado mais inesperado diz respeito às imagens brutas, que deram piores resultados do que a linguagem. Os investigadores avançam que os modelos visão-linguagem têm dificuldade em raciocinar sobre vários fluxos de câmaras captados sob ângulos diferentes, e que a tradução em descrições concisas atua como uma etapa de triagem da informação. Os ganhos verificam-se com vários modelos, GPT-4o, GPT-4.1, GPT-4o-mini e GPT-5, o que, segundo eles, se deve à estratégia de comunicação e não a um modelo particular.
Limitações
As experiências mantêm-se limitadas à simulação. Os ruídos dos sensores, as comunicações sem fios pouco fiáveis, os atrasos na rede e as perdas de pacotes estão por estudar. Por outro lado, um pedido a um modelo visão-linguagem demora cerca de um segundo, de modo que as decisões são tomadas em momentos-chave e não continuamente. Os autores estimam que a sua abordagem ultrapassa a condução autónoma, para equipas de robôs, drones ou agentes de software. O seu artigo, publicado no arXiv, foi selecionado para o prémio de melhor artigo da conferência AAMAS 2026.
