Projeto desenvolvido por Amanda Lopes (UFPA), John Sousa (UFPA), Lucas de Lima Bastos (UNIFESSPA), Lucas de Sousa Pacheco (UFPA), Iago Medeiros (UFPA), Denis Rosário (UFPA) e Eduardo Coelho Cerqueira (UFPA) foi apresentado no SBRC 2026.
Cada vez mais, os veículos são capazes de coletar grandes quantidades de dados por meio de sensores e dispositivos de IoT. No contexto da autonomia veicular, uma das propostas é equipar os carros com múltiplos sensores e capacidade computacional suficiente para processar essas informações e estimar, em tempo real, a melhor maneira de se deslocar.
Com esse processamento, o próprio veículo pode tomar decisões, como frear, acelerar ou alterar sua trajetória. No entanto, o potencial é ainda maior quando diferentes veículos podem participar de uma mesma rede e compartilhar informações. A partir dos dados e das previsões produzidas por esses veículos é possível, por exemplo, identificar as melhores rotas e antecipar situações no trânsito.
É nesse contexto que surgem os veículos autônomos conectados: uma tentativa de ampliar as capacidades dos sistemas veiculares para resolver problemas que o hardware disponível em um único veículo não consegue solucionar sozinho. A ideia é aproveitar o conhecimento produzido pela academia e criar soluções que possam, futuramente, ser implementadas pela indústria.
Um dos desafios é fazer com que o veículo consiga “ler” o contexto ao seu redor e utilizar essas informações para tomar decisões mais adequadas. É nesse cenário que se insere a PRINCE, uma arquitetura de aprendizado federado (AF) voltada para redes veiculares autônomas.
A proposta busca selecionar, entre os veículos disponíveis, aqueles mais adequados para participar de um processo de aprendizado federado. Em vez de considerar todos os veículos da rede indistintamente, o sistema avalia diferentes características para determinar quais deles podem contribuir de maneira mais relevante para o aprendizado.
A seleção proativa de clientes, exemplificada pela PRINCE, apresenta vantagens significativas em relação aos métodos reativos tradicionais em ambientes de Veículos Conectados e Autônomos (CAVs), especialmente em termos de eficiência de recursos, velocidade de convergência e estabilidade do modelo. Enquanto as abordagens reativas selecionam os veículos e lidam com eventuais falhas somente depois que elas ocorrem, a estratégia proativa busca antecipar possíveis problemas e selecionar, desde o início, os clientes com maior probabilidade de concluir o treinamento.
Um dos principais benefícios está na eficiência no uso dos recursos. Nos métodos reativos, largura de banda e capacidade de processamento podem ser desperdiçadas quando veículos selecionados abandonam ou falham durante uma rodada de treinamento. A abordagem proativa procura filtrar previamente os nós instáveis, alcançando, segundo os resultados apresentados, uma melhoria de até 3,5 vezes na eficiência dos recursos. Essa antecipação também contribui para uma redução significativa das falhas de conexão, que pode chegar a 2,2 a 2,5 vezes em comparação com abordagens reativas, graças ao uso de modelos estocásticos para prever instabilidades e à pré-filtragem baseada em sinais como o RSSI.
Os ganhos também aparecem no desempenho do modelo. O PRINCE alcançou 83,90% de acurácia final, superando modelos reativos de estado da arte em até 9,22%. Além disso, a seleção proativa acelera a convergência: em um dos cenários avaliados, o sistema atingiu 60% de acurácia três vezes mais rápido do que métodos de seleção aleatória, apresentando também desempenho superior a abordagens reativas como ACSP-FL e ECS-HDSR.
Outro diferencial está na redução da latência e dos custos computacionais. Em estratégias reativas, como o ECS-HDSR, quando um cliente falha, o sistema precisa procurar um substituto e reiniciar ou reorganizar parte do processo, o que acrescenta etapas, tempo e processamento. A abordagem proativa procura evitar essa situação ao formar antecipadamente um conjunto de clientes com alta probabilidade de permanecer conectado e concluir o treinamento.
Essa antecipação também favorece a estabilidade do treinamento. Enquanto métodos reativos podem apresentar oscilações na acurácia e picos na função de perda (loss) em razão da agregação de modelos provenientes de clientes que falharam, a seleção proativa tende a produzir uma trajetória de aprendizado mais estável e consistente.
Em síntese, a diferença fundamental está na forma como cada estratégia lida com a incerteza. A seleção reativa espera o problema acontecer para então tentar corrigi-lo; a seleção proativa utiliza o histórico de comportamento dos veículos, as condições da rede e as previsões de mobilidade para antecipar possíveis falhas e evitá-las. Em um ambiente dinâmico como o dos veículos conectados e autônomos, essa capacidade de previsão pode tornar cada rodada de comunicação mais eficiente, reduzir desperdícios e contribuir para modelos globais que convergem mais rapidamente e de maneira mais estável.
Aspectos considerados na seleção ativa de veículos
O primeiro aspecto considerado é a localização e a conectividade dos veículos, que são definidos pelo Indicador de Força do Sinal Recebido (RSSI). São avaliados carros que estejam mais próximos ou mais distantes e que tenham, ou não, cobertura de internet. Aqueles veículos que possuírem valores fracos de RSSI (i.e., valores abaixo de -85 dbM) são excluídos da futura seleção, pois eles não apresentam uma conectividade boa naquela área para participarem ativamente da seleção de clientes do aprendizado federado. Os veículos com bons valores de RSSI (i.e., valores acima de -85 dbM) são selecionados para a próxima etapa.
Para estimar a possibilidade de um veículo permanecer conectado durante o processo, na segunda etapa a arquitetura utiliza o conceito de Cadeia de Markov, um processo estocástico no qual o sistema pode se encontrar em determinado estado e permanecer nele ou mudar para outro. A partir desse modelo, é calculada a probabilidade de um determinado veículo continuar conectado à rede.
Essa informação é importante porque, em um processo de aprendizado federado, não basta que um veículo tenha dados relevantes: é necessário que ele consiga permanecer conectado pelo tempo necessário para participar do treinamento.
A importância da heterogeneidade dos dados
O terceiro e último critério utilizado pelo PRINCE é a diversidade dos dados disponíveis em cada veículo. Para isso, a arquitetura considera a Entropia de Shannon, uma medida relacionada à variabilidade e à diversidade das informações.
A lógica é que veículos com dados mais heterogêneos podem oferecer uma contribuição mais relevante ao processo de aprendizado, já que permitem ao modelo entrar em contato com diferentes situações e padrões.
Assim, o sistema procura priorizar veículos que apresentem maior índice de entropia, ou seja, maior diversidade em seus dados. A arquitetura combina, portanto, diferentes critérios para selecionar os veículos mais adequados para participar do aprendizado federado. De forma geral, são consideradas três dimensões: proximidade: priorizar veículos que estejam próximos da região ou situação de interesse; conectividade: selecionar veículos com maior probabilidade de permanecer conectados durante o processo; heterogeneidade dos dados: priorizar veículos cujos dados apresentem maior diversidade.
O objetivo é encontrar um conjunto de veículos que não apenas esteja relacionado ao problema que se deseja analisar, mas que também tenha condições de contribuir efetivamente para o treinamento do modelo.
Possíveis aplicações
Uma aplicação possível seria o uso do PRINCE por uma empresa que precise transmitir informações específicas para determinados veículos em uma determinada região.
Imagine, por exemplo, que esteja ocorrendo um problema em uma determinada rota. A empresa poderia utilizar a arquitetura para identificar os veículos que estão naquela área ou que estão se dirigindo para ela e compartilhar informações relevantes com esses usuários.
Da mesma forma, um motorista que estivesse se deslocando para determinada cidade poderia receber informações específicas relacionadas às condições daquela região, permitindo que o sistema utilizasse o conhecimento produzido pelos veículos conectados para apoiar decisões mais adequadas.
Leia o artigo completo nos anais do SBRC 2026 https://sol.sbc.org.br/index.php/sbrc/article/view/42357/42124