Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
DETALHAMENTO DO PROJETO
Consórcio Mobilidade Automotiva Inteligente:
Avaliação e Desenvolvimento de Tecnologias de
Assistência à Direção e Segurança Veicular
Coordenador do projeto: Dr. Fernando Augusto Silva Marins
São Paulo - SP, Abril de 2019
INSTITUIÇÃO PROPONENTE
Nome: Universidade Estadual Paulista CNPJ:
48.031.918/0001-24
Nome Empresarial: Universidade Estadual Paulista Júlio de
Mesquita Filho
Natureza Jurídica (nos termos do art.7º, III): Autarquia Estadual ou do
Distrito Federal.
Endereço: Rua Quirino de Andrade, 215, Centro. Cidade: São Paulo Estado: São Paulo CEP: 01049-010
Pessoa de contato: Fernando Augusto Silva Marins Telefone: 12 99785
7957
E-mail: [email protected]
PROGRAMA PRIORITÁRIO
Nome do Projeto/Programa: Captação Pretendida:R$195.276.000,00
Programa Mobilidade Automotiva Inteligente: Avaliação e
Desenvolvimento de Tecnologias de Assistência à Direção e
Segurança Veicular
Público Alvo: Montadoras e Cadeia de Fornecedores do Setor
Automotivo (Autopeças, Sistemistas e Serviços de Engenharia)
Dados Bancários para
depósito:
Nome do Banco:
Banco do Brasil
Código do Banco: 001
Prazo de Vigência: 05 anos (60 meses) Agência: 1897x
Conta Corrente Específica: aberta conforme
aprovação do Projeto
Objetivo Geral:
Avaliação e desenvolvimento em regime de ciclo real (Living Lab) de tecnologias e componentes de sistemas avançados de assistência à direção
e à segurança (veicular e de pedestres).
Objetivos Específicos:
Desenvolvimento de softwares e sistemas para identificação de obstáculos fixos e móveis;
Desenvolvimento de softwares de contramedidas e prevenção de acidentes (freio de emergência, sistema de detecção de faixas e
prevenção de impacto frontal, lateral e traseiro)
Avaliação (testes) em ambientes controlados e não controlados de sistemas avançados de assistência à direção (Advanced Driver
Assistance Systems - ADAS);
Desenvolvimento de ferramentas preditivas baseadas em Inteligência Artificial (IA) e Aprendizado de Máquina (Machine Learning);
Desenvolvimento e avaliação de componentes e soluções integradas locais.
Desenvolvimento de algoritmos para tratamento de grandes volumes de dados de diferentes sensores (radar, sistemas lidar, ultra-
sônico, laser e vídeo), fusão de dados de sensor, validação de objetos e integração com processamento de imagens.
Desenvolvimento de ferramentas para acesso rápido aos dados internos da Electronic Control Unit (ECU) e integração em rede.
Linhas de Atuação:
Desenvolvimento de softwares;
Big Data e Data Analytics;
Sistemas avançados de assistência à direção;
Conectividade, inteligência artificial e aprendizado de máquina aplicados à cadeia de fornecedores automotivos;
Data Analytics aplicada à predição de desgaste de componentes;
Instrumentos de aquisição de dados (sensoriamento);
Otimização de funções da Electronic Control Unit (ECU) e componentes de software;
Desenvolvimento de algoritmos probabilísticos
Resultados Esperados:
Avaliação da efetividade de diferentes sistemas de assistência à direção e suas ferramentas de contramedidas à colisões/segurança
veicular (impacto lateral, traseiro e frontal; aviso de afastamento de faixa de rolagem, funções de piloto automático, detecção de obstáculos,
correção de rota e desvio de obstáculos estáticos ou em movimento – veículos, pedestres, ciclistas e animais, frenagem automática entre
outros aspectos), sistemas de detecção de aproximação traseira, frontal e lateral, além das capacidades de conectividade e interação M2M e
B2M, conforme as Normas Norte-Americanas da Federal Motor Vehicle Safety Standards (FMVSS).
Aquisição de dados fundamentais para a criação de modelos computacionais, softwares e sistemas/componentes locais, criando-se
assim massa crítica para a implementação e regulação destes sistemas nas vias públicas brasileiras, proporcionando material essencial para
novas aplicações e interface dos sistemas de ADAS conectados às cidades e vias inteligentes.
Criar ferramentas de suporte baseadas em aprendizado de máquina e inteligência artificial, hardware e softwares, que auxiliem na
predição de desgaste de componentes e veículos tornando os ciclos de desenvolvimento de novas tecnologias automotivas mais curtos e
racionalizados.
Tornar a cadeia de suprimentos mais competitiva e com maior valor agregado por serviços disponibilizados em plataformas e serviços
digitais.
Desenvolvimento de novas tecnologias de simulação computacional baseada em aprendizado de máquinas que tornem o processo de
desenvolvimento mais rápido, seguro, confiável e barato, como consequência, mais competitivo.
Metas e Indicadores de Acompanhamento:
Os indicadores de desempenho deste projeto se baseiam na sexta edição do Project Management Body of Knowledge (PMBOK). Assim, serão
aplicados os indicadores apresentados na seção 4 em todas as fases do projeto: iniciação, planejamento, execução, monitoramento e controle;
e encerramento.
Durante o encerramento de cada fase do projeto será feita uma avaliação dos indicadores de desempenho, focando a respectiva fase, e seus
resultados serão documentados no livro de registro do projeto. Além disso, semanalmente os indicadores serão atualizados, visando identificar
eventuais desvios do projeto e nortear as ações corretivas.
Contrapartidas da Coordenadora:
Oferta de Cursos de Pós-Graduação lato sensu e stricto sensu
Capacitação de mão-de-obra da indústria
Capacitação da comunidade acadêmica e científica
Contrapartida de Parceiros - Centros de Pesquisa e Institutos de Ciência e Tecnologia (ICTs):
Oferta de Cursos de Pós-Graduação lato sensu e stricto sensu
Capacitação de mão-de-obra da indústria
Capacitação da comunidade acadêmica e científica
Contrapartida de Parceiros (estimativa ao longo de 5 anos):
Provedores de serviços de engenharia, fornecedores de soluções de software e automação, fornecedores de componentes e sistemas
automotivos, além de parceiros unidades EMBRAPII: R$250.000.000,00 em cooperação para o desenvolvimento de novas tecnologias,
transferência de conhecimento e tecnologias;
Outros Centros de Pesquisa e Institutos de Ciência e Tecnologia (ICT): R$50.000.000,00 em projetos cooperativos e co-financiamento;
Outros: R$50.000.000,00 em outros projetos
Instituição Proponente: Universidade Estadual Paulista (UNESP)
Instituições Parceiras (ICTs): Universidade de São Paulo, SP São Carlos (LRM
– ICMC); Instituto Carmen Aurora (ICA); Universidade de Campinas,
UNICAMP (IG - DPCT); Universidade Federal do Espírito Santo, UFES (LCAD
– DI).
Instituições Parceiras (EMBRAPII): Instituto de Tecnologia para o
Desenvolvimento - LACTEC, Instituto SENAI – Sistemas Embarcados,
Instituto Eldorado, Centro de Estudos e Sistemas Avançados do Recife -
CESAR
Síntese técnica da proposta:
A proposta visa a avaliação de sistemas avançados de assistência à direção
(ADAS), veículos conectados, aplicação de Inteligência Artificial (IA) e Aprendizado de
Máquina (Machine Learning) para predição de acidentes e aumento da segurança nas
vias, além da criação de massa crítica para desenvolvimento local de soluções para a
cadeia automotiva (montadoras, sistemistas, fornecedores de autopeças e fornecedores
de serviços especializados).
1. OBJETIVOS DO PROJETO
O aumento da segurança no trânsito, seja para condutores seja para pedestres, é um dos
principais direcionadores (drives) para o desenvolvimento tecnológico com vistas à redução de
acidentes, para tanto, o presente projeto aponta o desenvolvimento de sistemas avançados de
assistência ao motorista (ADAS) como chave para reduzi-los.
A introdução da tecnologia assistiva ADAS é um passo importante para o aumento da
segurança nas vias, monitorando a estrada em torno do veículo, o que é essencial para reação
em eventos externos inesperados. No entanto, a tecnologia ainda é muito dispendiosa. Assim,
o presente projeto tem como objetivo geral avaliar tecnologias existentes e propor novos
desenvolvimentos, baseados em novos sistemas de integração de sensores e racionalização de
custos, criando uma base tecnológica nacional competitiva.
O projeto tem como objetivos específicos:
Avaliação em ambiente de living lab dos principais sistemas avançados de
assistência à direção oferecidos pelas montadoras (originais de fábrica) e pelos
fornecedores de autopeças /sistemistas (after market);
Desenvolvimento de softwares e sistemas para identificação de obstáculos fixos
e móveis;
Desenvolvimento de softwares de contramedidas e prevenção de acidentes
(freio de emergência, sistema de detecção de faixas e prevenção de impacto frontal,
detecção de fadiga do motorista, impacto lateral e traseiro)
Desenvolvimento de ferramentas preditivas baseadas em Inteligência Artificial
(IA) e Aprendizado de Máquina (Machine Learning);
Desenvolvimento e avaliação de componentes e soluções integradas locais.
Desenvolvimento de algorítimos para tratamento de grandes volumes de dados
de diferentes sensores (radar, sistemas lidar, ultra-sônico, laser e vídeo), fusão de dados
de sensor, validação de objetos e integração com processamento de imagens;
Desenvolvimento de ferramentas para acesso rápido aos dados internos da ECU
e integração em rede.
Com vista ao atingimento dos objetivos, o projeto será dividido em 4 fases:
Fase 1 → implementação de um living lab para experimentação e avaliação em
ambiente real, de novas tecnologias, compatível com protocolos internacionais de
segurança e aderente às necessidades da cadeia de fornecedores automotivos.
Fase 2 → Teste em ambiente de living lab, de veículos equipados com soluções ADAS
disponíveis para produção em escala, com vistas a mensurar seu desempenho, avaliação
de conceito, precisão dos sensores e efetividade de contramedidas - tais como correção
de rota, detecção de faixa de rodagem, integração de sistemas, detecção de obstáculos
fixos e móveis, frenagem automática entre outras funcionalidades, além da
conectividade dos veículos;
Fase 3 → A partir dos dados coletados durante a execução das Fases 1 e 2 e do know-
how adquirido durante a execução dos projetos “Quadro de Simulação para Veículos e
Direção Assistiva”, “Detecção de Obstáculos e Vias”, “Detecção de estradas usando
Deep Learning (tipo de machine learning que treina computadores para realizar tarefas
como seres humanos, o que inclui reconhecimento de fala, identificação de imagem e
previsões)”, “Detecção de Obstáculos e Segmentação” e “Detecção de meio-fio e
marcação rodoviária para localização de veículos” desenvolver e aplicar ferramentas e
soluções locais de Big Data, Data Analytics, IA e Machine Learning para o
desenvolvimento de peças, sistemas e componentes locais para ADAS, criação de
modelos de predição, sensoriamento e aperfeiçoamento dos sistemas avançados de
assistência à direção.
Fase 4 → Testes e validação de componentes locais.
Por intermédio deste projeto, pretende-se disponibilizar à cadeia de
fornecedores locais, por meio de cessão não onerosa de patentes ou valores simbólicos,
todas as tecnologias desenvolvidas e assim proporcionar maior competitividade.
Além disso, pretende-se criar meios que atendam à formação de recursos
humanos com maior qualificação, vinculando a sua especificidade ao perfil da indústria
automobilística, sobretudo à capacitação da cadeia de fornecedores. Para tanto, as
IES/ICT propõem:
- A criação de um programa de pós-graduação stricto sensu voltado ao desenvolvimento
de novas tecnologias aplicadas à indústria automobilística, visando ao atendimento das
demandas dos segmentos industriais envolvidos no projeto;
- A criação de programas de pós-graduação lato sensu interinstitucionais voltados ao
desenvolvimento de novas tecnologias aplicadas à indústria automobilística, visando ao
atendimento das demandas dos segmentos industriais e serviços envolvidos no projeto.
Finalmente, no sentido de atender prioritariamente às Pessoas Jurídicas, o
desenvolvimento do projeto colaborará na estruturação de uma rede de novas
tecnologias para indústria automotiva. Esta rede será capaz de suprir uma parcela
estratégica de suas demandas por tecnologia, visando ao adensamento tecnológico
nacional no provimento de suporte aos fornecedores de componentes, a partir do
aporte tecnológico advindo do projeto ora apresentado.
2. JUSTIFICATIVAS DO PROJETO
A indústria automotiva mundial vive uma nova revolução tecnológica com a
introdução de sistemas de propulsão alternativa (veículos híbridos e elétricos),
expansão de tecnologias conectadas e sistemas auxiliares de direção, inteligência
artificial, machine learning (aprendizado de máquina), uso massivo de análise de dados
e experimentação de novos modelos de negócio em mobilidade.
Neste cenário hiperdinâmico, o surgimento de iniciativas que criem ambientes
altamente tecnológicos e alinhados às novas demandas do mercado e da indústria
automotiva, surgem como plataformas adaptativas de competitividade, elevando o
nível técnico, seja por meio do intercâmbio de conhecimento, seja por meio do
compartilhamento de facilities.
Desta forma, a sedimentação da base tecnológica nacional irá propiciar incremento
da capacidade competitiva, criando capacidades internas que alcem o padrão
tecnológico brasileiro ao patamar internacional.
A contrapartida que se estrutura do ponto de vista social, aponta para a
possibilidade da implementação dos laboratórios computacionais e físicos que
permitam a criação de cursos livres, cursos de pós-graduação lato e stricto sensu,
atendendo à formação de recursos humanos adequados à sustentação das atividades
desenvolvidas nas indústrias e nas áreas conexas de pesquisa, além de criar um
ecossistema propício ao surgimento de novos empreendimentos tradicionais e
tecnológicos (startups e afins), novos produtos e serviços.
A proposta conta com uma rede de colaboração baseada em ICTs, como UNESP,
UNICAMP, USP, ICA e UFES, também conta com provedores de serviços tecnológicos
especializados, como a Applus IDIADA (Espanha) e a SEMCON (Suécia), além das
unidades EMBRAPII: Instituto de Tecnologia para o Desenvolvimento - LACTEC, Instituto
SENAI – Sistemas Embarcados, Instituto Eldorado e Centro de Estudos e Sistemas
Avançados do Recife – CESAR.
A partir desta rede de colaboração, sobretudo das unidades EMBRAPII, espera-
se ampliar a capacidade de multiplicar recursos para além daqueles oriundos do
programa. Amplia-se também, com esta rede, a capacidade de entregar e de prover
soluções alinhadas às demandas da cadeia de fornecedores, que são altamente
tecnológicas e competitivas.
Cria-se ainda, um ambiente colaborativo entre academia e provedores de
soluções tecnológicas de atuação internacional, propiciando intercâmbio de capacidade
e transferência de know-how, além da possibilidade de criação de start-ups, como
desdobramentos do projeto.
3. PLANO DE EXECUÇÃO
3.1. FASE 1: CRIAÇÃO DE LIVING LAB
3.1.1. DESCRIÇÕES E CONCEITUAÇÃO
Living Lab designa uma abordagem ou ambiente, onde o usuário é envolvido como
co-criador em nível de igualdade com outros stakeholders, ao longo do processo de
desenvolvimento da inovação, com experimentações em contexto de vida real
(ALMIRALL et al, 2012).
Assim, o Living Lab preenche o gap de inovação entre o desenvolvimento da
tecnologia pelas empresas ou universidades e a adoção dos produtos e serviços pela
comunidade de utilizadores. Følstad (2008) define Living Labs como ambientes ou redes
estruturadas com foco em inovações em determinado tema, ou em diversos temas, em
uma região geográfica delimitada ou ambos.
A Figura 1 ilustra a aplicação do conceito de Living Lab aplicado à conectividade e
sensoriamento.
Figura 1. Conectividade e sensoriamento em vias urbanas (living lab).
A European Network of Living Labs em seu Handbook (STÅHLBRÖST e HOLST, 2012)
afirma que podem existir:
- Living Labs de Pesquisa, sendo que o foco está na realização de pesquisas sobre os
diferentes aspectos do processo de inovação;
- Living Labs Intermediários, em que diferentes parceiros são convidados a inovar de
forma colaborativa em uma arena neutra.
A despeito da diversidade na configuração, os componentes-chave que caracterizam
os Living Labs, e são encontrados em grande parte deles, são:
- Desenvolvimento de inovações ou validação de produtos/serviços com envolvimento
dos stakeholders (Usuário-final, pequenas, médias ou grandes Empresas, Universidade
e Setor Público);
- Governança e Métodos de trabalho estruturados: os provedores de serviço do Living
Labs devem possibilitar a cooperação entre as diferentes partes em uma coexistência
saudável e apoiar a aplicação da metodologia;
- Plataformas técnicas/Estrutura de alta tecnologia, que facilitem a conectividade com
os usuários, além de permitir testes e simulações captando o ponto de vista do usuário;
- Ambiente de vida real ou semi-realista, que represente adequadamente as dimensões
do mundo real.
Estas características são especialmente válidas no desenvolvimento ou validação de
inovações que necessitem de ajustes a um contexto preciso, ou determinado grupo de
usuários e situações, que envolvam múltiplos atores, interesses conflitantes e
problemas complexos, com grande gama de possíveis soluções (ALMIRALL et al, 2012),
como é o caso dos problemas típicos da indústria automotiva.
A Figura 2 ilustra a integração conceitual de um Living Lab e suas interfaces com
indústria, provedores de serviços e comunidade.
Figura 2. Conceito de Living Lab.
O Living Lab será utilizado para avaliação das tecnologias de ADAS existentes, bem
como daquelas desenvolvidas neste projeto.
Como forma de mitigar uma eventual subutilização do Living Lab, o mesmo será
utilizado pelas ICTs e Parceiros EMBRAPII para outros projetos, que prevêem a
participação de empresas como Semcon e IDIADA, além de ficar disponível para que seja
utilizado pelo setor industrial brasileiro.
3.1.2. IMPORTÂNCIA DO LIVING LAB
O Living Bab visa suportar a execução das Fases 2, 3 e 4, que compreendem
testes em ambiente semi-controlado de sistemas avançados de assistência à direção
(ADAS), para avaliação de conceito e efetividade de contramedidas, tais como, correção
de rota, detecção de obstáculos, frenagem automática, entre outras, além da
conectividade dos veículos, assim como suportar o desenvolvimento e avaliação de
componentes/soluções integradas locais.
3.1.3. METODOLOGIA DE TRABALHO NA FASE 2
A Fase 2 envolve a realização de teste em ambiente real e semi-real, semi-
controlado e controlado ao ar livre (Living Lab), de sistemas avançados de assistência à
direção (ADAS) para avaliação de conceito e efetividade de contramedidas (correção de
rota, detecção de obstáculos, frenagem automática etc.), além da conectividade dos
veículos.
A Figura 3 ilustra o funcionamento de sensoriamento, identificação e
comunicação que compõe as tecnologias de sistemas avançados de assistência à direção
e sua conectividade com o ambiente de teste (Living Lab).
Figura 3. Tecnologias de sistemas avançados de assistência à direção e sua
conectividade com o ambiente de teste (Living Lab).
Os testes envolvidos na Fase 2 seguirão protocolos de segurança internacionais
e serão executados na infraestrutura de testes criada na Fase 1, seja ela controlada
(pistas de testes) seja ela semi-controlada (vias públicas especialmente preparadas com
tecnologias e instrumentação – Living Lab).
3.1.3.1. RESULTADOS ESPERADOS DA FASE 2
Nesta fase serão avaliadas a efetividade de diferentes sistemas de assistência à
direção e suas ferramentas de contramedidas à colisões/segurança veicular (impacto
lateral, traseiro e frontal; aviso de afastamento de faixa de rolagem, funções de piloto
automático, detecção de obstáculos, correção de rota e desvio de obstáculos estáticos
ou em movimento – veículos, pedestres, ciclistas e animais e frenagem automática entre
outras), sistemas de detecção de aproximação traseira, frontal e lateral, além das
capacidades de conectividade e interação M2M e B2M, conforme as normas Norte-
Americanas da Federal Motor Vehicle Safety Standards (FMVSS).
A Figura 4 ilustra a identificação de pedestres, que compõe o sistema de
detecção de obstáculos do sistema de assistência à direção, segurança veicular e
prevenção de acidentes.
Figura 4. identificação de pedestres pelo ADAS.
Espera-se como resultado da avaliação das tecnologias de ADAS a aquisição de
dados fundamentais para a criação de modelos computacionais e sistemas locais,
criando-se assim massa crítica para a implementação e regulação destes sistemas nas
vias públicas brasileiras, e proporcionando material essencial para novas aplicações e
interface dos sistemas de ADAS conectados às cidades e vias inteligentes.
3.1.4. FASE 3: DESENVOLVIMENTO DE FERRAMENTAS E NOVAS TECNOLOGIAS
3.1.4.1. METODOLOGIA DE TRABALHO NA FASE 3
A partir das Fases 1 e 2, que envolvem aquisição de dados veiculares, além de
avaliações e simulações de sistemas de ADAS, esta Fase 3 prevê a utilização destas bases
de dados para o desenvolvimento de ferramentas de Machine Learning e IA, visando ao
desenvolvimento local de tecnologias para veículos autônomos, conectados e
ferramentas preditivas que auxiliem no desenvolvimento de componentes e serviços ao
longo da cadeia de suprimento automotiva.
A Figura 5 ilustra um sistema de reconhecimento de faixa de rolagem e permite
que seja emitido um sinal sonoro quando o motorista cruza a faixa, sobretudo de forma
não intencional.
Figura 5. Sistema de reconhecimento de faixa de rolagem, com sinal sonoro.
Assim, será possível construir modelos que simulem diversas condições de
terreno, comportamento ao volante, microclimas entre outras variáveis, por meio de
algoritmos de predição de desgaste de componentes e problemas operacionais
recorrentes e ligados às combinações específicas de fatores.
O uso dessas ferramentas pode tornar desenvolvimento de novas plataformas e
componentes mais rápido e barato, por meio de simulações avançadas, criação de
campos de provas virtuais e sistemas de durabilidade acelerada.
3.1.4.2. RESULTADOS ESPERADOS DA FASE 3
- Criar ferramentas de suporte baseadas em aprendizado de máquinas e inteligência
artificial, hardware e softwares, que auxiliem na predição de desgaste de componentes
e veículos tornando os ciclos de desenvolvimento de novas tecnologias automotivas
mais curtos e racionalizados.
- Tornar a cadeia de suprimentos mais competitiva e com maior valor agregado por
serviços disponibilizados em plataformas e serviços digitais.
- Desenvolvimento de novas tecnologias de simulação computacional baseada em
aprendizado de máquinas que tornem o processo de desenvolvimento mais rápido,
seguro, confiável e barato, como consequência, mais competitivo.
- Criar ferramentas de suporte baseadas em aprendizado de máquinas e inteligência
artificial, hardware e softwares, que auxiliem na predição de desgaste de componentes
e veículos.
- Tornar a cadeia de suprimentos mais competitiva e com maior valor agregado por
serviços disponibilizados em plataformas e serviços digitais.
3.2. FASE 4: DESENVOLVIMENTO DE SOLUÇÕES LOCAIS
3.2.1. METODOLOGIA DE TRABALHO NA FASE 4
Nesta fase haverá o desenvolvimento de componentes e sistemas locais para
veículos elétricos, equipamentos e sistemas locais para veículos assistidos por ADAS e
veículos autônomos.
A partir da desmontagem de veículos e análise dos componentes da Fase 2,
desenvolvimento da Fase 3, em parcerias com fornecedores locais de tecnologia
automotiva e as unidades EMBRAPII, serão criadas alternativas de mobilidade
genuinamente brasileiras, como componentes e serviços.
3.2.2. RESULTADOS ESPERADOS DA FASE 4
- Promover o desenvolvimento local de soluções em componentes para mobilidade
em substituição a componentes importados.
- Desenvolvimento de novas tecnologias de simulação computacional baseada em
aprendizado de máquinas que tornem o processo de desenvolvimento mais rápido,
seguro, confiável e barato, como consequência, mais competitivo.
- Tornar a cadeia de suprimentos mais competitiva e com maior valor agregado por
serviços disponibilizados em plataformas e serviços digitais.
4. METAS E INDICADORES DE DESEMPENHO
Os indicadores de desempenho deste projeto se baseiam na sexta edição do
PMBOK. Assim, serão aplicados os indicadores apresentados nesta seção em todas as
fases do projeto: iniciação, planejamento, execução, monitoramento e controle; e
encerramento.
Durante o encerramento de cada fase do projeto será feita uma avaliação dos
indicadores de desempenho, focando a respectiva fase, e seus resultados serão
documentados no livro de registro do projeto. Além disto, semanalmente os indicadores
serão atualizados, visando identificar eventuais desvios do projeto e nortear as ações
corretivas.
4.1 INDICADORES DE DESEMPENHO
A aderência ao escopo do projeto será verificada por meio da comparação das
entregas realizadas com o conteúdo da estrutura analítica do projeto (EAP), seu
respectivo dicionário EAP e o registro do escopo.
Já para verificar o desempenho dos custos e do cronograma do projeto serão
utilizadas as ferramentas de gestão do valor agregado (GVA). As principais variáveis
utilizadas nos indicadores do GVA são: o valor planejado (VP), o valor agregado (VA), o
custo real (CR) e o orçamento no término (ONT).
O VP representa o montante que deveria ser gasto considerando a linha de base
do projeto, já o VA representa os gastos teóricos compatíveis com a produção do
trabalho já realizado. Por sua vez o CR representa o valor realmente gasto para a
produção de determinada entrega ou atividade. O ONT representa o total do orçamento
previsto para o termino de um projeto fase ou atividade. A Figura 8 ilustra como calcular
estas variáveis.
Figura 8 – Variáveis do GVA.
4.1.1 ÍNDICE DE DESEMPENHO DE CUSTO
O Índice de desempenho de custo (IDC) indica se o projeto está gastando mais
que o planejado, menos que o planejado ou se os gastos estão de acordo com as linhas
de base do projeto. O IDC estabelece uma relação entre o VA e o CR, comparando o valor
que foi agregado ao projeto com os recursos que já foram utilizados no projeto, fase ou
atividade:
IDC= VA/CR (1)
Ao se calcular o IDC tem-se os seguintes possíveis resultados:
1) IDC = 1 – o projeto está seguindo a linha de base dos custos do projeto.
2) IDC > 0 – o projeto está gastando menos que o esperado para produzir uma
determinada entrega.
3) IDC < 0 – o projeto está gastando mais que o esperado em uma entrega ou fase.
4.1.2 ÍNDICE DE DESEMPENHO DE PRAZO
O índice de desempenho de prazo (IDP) é uma medida que fornece a eficiência
do cronograma do projeto. Assim por meio deste indicador é possível determinar se as
entregas do projeto têm aderência com o seu cronograma, ou se estão atrasadas ou
adiantadas. O IDP é calculado pela relação entre o VA e o VP, deste modo o IDP compara
o valor agregado ao projeto com os gastos planejados:
IDP= VA/VP (2)
Ao se calcular o IDP tem-se os seguintes possíveis resultados:
1) IDP = 1 – o projeto está de acordo com o seu cronograma.
2) IDP > 0 – o projeto está adiantado em relação ao seu cronograma.
3) IDP < 0 – o projeto está atrasado em relação ao seu cronograma.
4.2 MILESTONES DO PROJETO
Os indicadores de desempenho abordados nesta seção serão calculados ao longo
de cada fase do projeto, sendo seu fechamento e apresentação aos stakeholders
realizados nos milestones descritos na Tabela 1.
Fase Atividade Duração Início Fim
1
- Fechamento dos Indicadores e Avaliação de
Desempenho da Fase 1.
- Apresentação do Desempenho da Fase 1 para os
Stakeholders.
1 semana Mês 23 Mês 23
2
- Fechamento dos Indicadores e Avaliação de
Desempenho da Fase 2.
- Apresentação do Desempenho da Fase 2B aos
Stakeholders.
1 semana Mês 30 Mês 30
3
- Fechamento dos Indicadores e Avaliação de
Desempenho da Fase 3.
- Apresentação do Desempenho da Fase 3 para os
Stakeholders
1 semana Mês 52 Mês 52
4
- Fechamento dos Indicadores e Avaliação de
Desempenho da Fase 4.
- Apresentação do Desempenho da Fase 4 para os
Stakeholders
6 Meses Mês 60 Mês 60
5
- Fechamento dos Indicadores e Avaliação de
desempenho global do projeto.
- Apresentação dos indicadores finais aos
Stakeholders.
4 meses Mês 56 Mês 60
Tabela 1 – Milestones do Projeto
ANEXO I - CRONOGRAMA DE EXECUÇÃO DE ATIVIDADES
A seguir são apresentadas as atividades de cada fase, com as respectivas datas de início e fim, bem como a duração.
Fase Atividade Duração Início Fim
1
Conceituação do Living Lab 4 meses Mês 1 Mês 4
Implementação do Living Lab Até 18 meses Mês 5 Mês 22
Fechamento dos Indicadores e Avaliação de Desempenho da Fase 1
Apresentação do Desempenho da Fase 1 para os Stakeholders 1 semana Mês 23 Mês 23
2
Avaliação dos sistemas de assistência à direção e suas ferramentas de contramedidas à
colisões/segurança veicular (impacto lateral, traseiro e frontal; aviso de afastamento
de faixa de rolagem, funções de piloto automático, detecção de obstáculos, correção
de rota e desvio de obstáculos estáticos ou em movimento – veículos, pedestres,
ciclistas e animais, frenagem automática etc), sistemas de detecção de aproximação
traseira, frontal e lateral, além das capacidades de conectividade e interação M2M e
6 meses Mês 24 Mês 29
B2M, conforme as normas Norte-Americanas da Federal Motor Vehicle Safety
Standards.
Fechamento dos Indicadores e Avaliação de Desempenho da Fase 2 e apresentação do
Desempenho aos Stakeholders 1 semana Mês 30 Mês 30
3
Desenvolvimento de novas tecnologias de simulação computacional baseada em
aprendizado de máquinas que tornem o processo de desenvolvimento mais rápido,
seguro, confiável e barato, como consequência, mais competitivo.
10 meses Mês 31 Mês 39
Criação ferramentas de suporte baseadas em aprendizado de máquinas e inteligência
artificial, hardware e softwares, que auxiliem na predição de desgaste de componentes
e veículos.
10 meses Mês 31 Mês 39
Teste e validação das novas tecnologias, componentes e sistemas. 12 meses Mês 40 Mês 51
Fechamento dos Indicadores e Avaliação de Desempenho da Fase 3 e apresentação do
Desempenho aos Stakeholders. 1 semana Mês 52 Mês 52
4 Desenvolvimento de soluções locais com fornecedores locais em parceria com as
unidades EMBRAPII visando à inserção comercial da tecnologia. 6 meses Mês 53 Mês 60
Fechamento dos Indicadores e Avaliação de Desempenho da Fase 3 e apresentação do
Desempenho aos Stakeholders 1 semana Mês 60 Mês 60
5
FECHAMENTO DO PROJETO 4 meses Mês 56 Mês 60
Atividades Adicionais Periodicidade
Relatórios Operacionais Mensal
Relatório de Desempenho Global Trimestral
Relatório de Testes Semestral
Oferta de Intercâmbio Técnico (Workshops Internacionais) Trimestral
Oferta de Capacitação Online Aberto
Oferta de Capacitação Técnica (curta duração) Bimestral
Oferta de Especialização Semestral
Oferta de Mestrado Profissional Anual
Oferta de Doutorado Profissional Anual
ANEXO II - DEMONSTRATIVO DOS CUSTOS DO PROJETO
Item de Custo Descrição Valor [R$] Justificativa
Conceituação Living Lab R$ 4.000.000 Etapa de pré análise e seleção da melhor configuração de ecossistemas.
Criação do Living Lab R$ 90.000.000
A criação de um ambiente do Living Lab é fundamental para executar os procedimentos avaliação de tecnologias, bem como o teste e a validação dos novos desenvolvimentos.
Pequenas obras civis R$ 5.000.000 Obras para adequações civis no Campus da USP São Carlos e da UFES
Material Experimental
Veículos de passeio R$ 4.800.000 Veículos com sistemas embarcados de fábrica e veículos que sofrerão modificações. Fundamentais para a avaliação de soluções existentes e suporte a novos desenvolvimentos.
Caminhões+implemento R$ 7.000.000
Ônibus+carroceria R$ 8.000.000
Outros Materiais R$ 15.000.000
Desenvolvimento de Fornecedores
R$ 15.000.000 Desenvolvimento de componentes e soluções conjuntas com fornecedores locais e com as EMBRAPII.
UNICAMP - 05 bolsas DCT-A: R$ 6.200/bolsa R$ 1.860.000 Desenvolvimento de capital intelectual que norteará os
desenvolvimentos de componentes e sistemas, bem como - 05 bolsas PDI-Sênior: R$ 4.100/bolsa R$ 1.230.000
- 10 bolsa de Doutorado: R$ 2.200/bolsa R$ 1.320.000 avaliará os impactos socioeconômicos da criação de um
ecossistema local de desenvolvimento e fornecimento de tecnologias avançadas, e também avaliará o processo de transferência de tecnologias críticas.
- 10 bolsas de Mestrado: R$ 1.500/bolsa R$ 900.000
- 30 bolsa Iniciação Tecnológica: R$ 400/bolsa R$ 720.000
USP SÃO CARLOS
- 07 bolsas DCT-A: R$ 6.200/bolsa R$ 2.604.000
- 06 bolsas PDI-Sênior: R$ 4.100/bolsa R$ 1.476.000
- 12 bolsa de Doutorado: R$ 2.200/bolsa R$ 1.584.000
- 10 bolsas de Mestrado: R$ 1.500/bolsa R$ 900.000
- 24 bolsa Iniciação Tecnológica: R$ 400/bolsa R$ 576.000
UFES
- 08 bolsas DCT-A: R$ 6.200/bolsa R$ 2.976.000
- 05 bolsas PDI-Sênior: R$ 4.100/bolsa R$ 1.230.000
- 10 bolsa de Doutorado: R$ 2.200/bolsa R$ 1.320.000
- 10 bolsas de Mestrado: R$ 1.500/bolsa R$ 900.000
- 30 bolsa Iniciação Tecnológica: R$ 400/bolsa R$ 720.000
UNESP
- 10 bolsas DCT-A: R$ 6.200/bolsa R$ 3.720.000
- 10 bolsas PDI-Sênior: R$ 4.100/bolsa R$ 2.460.000
- 15 bolsa de Doutorado: R$ 2.200/bolsa R$ 1.980.000
- 20 bolsas de Mestrado: R$ 1.500/bolsa R$ 1.800.000
- 50 bolsa Iniciação Tecnológica: R$ 400/bolsa R$ 1.200.000
Apoio às Startups R$ 5.000.000
Assessoria Jurídica, Contábil, apoio e gestão da integração
do Projeto
Contratação de empresa especializada na Gestão de Projetos
R$ 10.000.000
Embora todas as instituições envolvidas tenham grande porte e estejam habituadas a grandes projetos, é importante a criação de uma "Project House" que faça a integração das diversas entregas.
VALOR TOTAL R$ 195.276.000
ANEXO III – CRONOGRAMA DE DESEMBOLSO DO PROJETO
Ano 1 Ano2 Ano 3 Ano 4 Ano 5
Implementação Living Lab R$ 30.704.800,00 R$ 29.204.800,00 R$ 21.974.800,00 R$ 12.115.600,00 R$ -
Adequações Civis R$ 1.500.000,00 R$ 3.500.000,00 R$ -
Aquisição de Veículos R$ 1.980.000,00 R$ 4.589.200,00 R$ 13.230.800,00
Material Experimental R$ 1.500.000,00 R$ 5.250.000,00 R$ 6.000.000,00 R$ 2.250.000,00
Desenvolvimento Conjunto EMBRAPII e Autopeças R$ 4.500.000,00 R$ 10.500.000,00
Bolsas R$ 6.295.200,00 R$ 6.295.200,00 R$ 6.295.200,00 R$ 6.295.200,00 R$ 6.295.200,00
Apoio às Startups R$ 1.000.000,00 R$ 1.000.000,00 R$ 1.000.000,00 R$ 1.000.000,00 R$ 1.000.000,00
Project House R$ 2.000.000,00 R$ 2.000.000,00 R$ 2.000.000,00 R$ 2.000.000,00 R$ 2.000.000,00
Total Ano R$ 40.000.000,00 R$ 40.000.000,00 R$ 40.000.000,00 R$ 40.000.000,00 R$ 35.276.000,00
5. Referências bibliográficas
ALMIRALL, E.; LEE, M.; WAREHAN, J. Mapping Living Labs in the Landscape of Innovation
Methodologies. Technology Innovation Management Review. September 2012.
AMARAL, P. O ADMIRÁVEL MUNDO NOVO DO BIG DATA. Gazeta da Matemática,
Universidade Nova de Lisboa, 2019.
FMVSS, Federal Motor Vehicle Safety Standards. Disponível em:
https://www.nhtsa.gov/laws-regulations/fmvss. Acesso em: 25/02/2019.
FØLSTAD, A. Living Labs for innovation and development of Information and
Communication Technology: A literature review. eJOV: The Electronic Journal for Virtual
Organization & Networks, Vol.10. “Special Issue on Living Labs”, Ago. 2008.
HURWITZ, J.; KIRSCH, D. Machine Learning for Dummies. IBM, 2018. Disponível em:
https://mscdss.ds.unipi.gr/wp-content/uploads/2018/02/Untitled-attachment-00056-
2-1.pdf. Acesso em: 10/02/2019.
GÓMEZ, A. E.; DOS SANTOS, T. C.; FILHO, C. M.; GOMES, D.; PERAFAN, J. C.; WOLF, D.
F."Simulation platform for cooperative vehicle systems," 17th International IEEE
Conference on Intelligent Transportation Systems (ITSC), Qingdao, 2014, pp. 1347-1352.
IACUS, S.M. Big data or big fail? the good, the bad and the ugly and the missing role of
statistics", Electronic Journal Applied Statistical Analysis. Vol. 5(11), December 2014.
JONES, M. T. Um guia para iniciantes sobre inteligência artificial, aprendizado de
máquina e computação cognitiva. Junho 2017. Disponível em:
https://www.ibm.com/developerworks/br/library/guia-iniciantes-ia-maquina-
computacao-cognitiva/index.html. Acesso em 01/02/2019.
MENDES, C. C. T.; OSÓRIO, F. S.; WOLF, D. F. "An efficient obstacle detection approach
for organized point clouds,"2013 IEEE Intelligent Vehicles Symposium (IV), Gold Coast,
QLD, 2013, pp. 1203-1208.
_____ Real-time obstacle detection using range images: processing dynamically-sized
sliding windows on a GPU. Robotica, Vol. 35(1), 85-100, 2017.
SHINZATO, P. Y.; GOMES, D.; WOLF, D. F. "Road estimation with sparse 3D points from
stereo data,"17th International IEEE Conference on Intelligent Transportation Systems
(ITSC), Qingdao, 2014, pp. 1688-1693.
PATZER, A. Data Recording for ADAS Development. VECTOR, 2017.
PMBOK, Project Management Body of Knowledge. Disponível em:
https://www.pmi.org/. Acesso em 20/02/2019.
SKANDA, D.; GONZÁLEZ, F.; NEUFFER, J.; PHILIPP, O. Combining Forces for ADAS Testing.
VECTOR, 2018.
STÅHLBRÖST, A.; HOLST, M. Reflecting on Actions in Living Lab Research. In: Technology
Innovation Management Review, Vol. 7, no 2, 2017.
_____ Living Lab: an open and citizen-centric approach for innovation. t. J. Innovation
and Regional Development, Vol. 1(4), 2009.
ULMER, B. Advanced Drive System in Europe. ADASE, 2004.