Consórcio Mobilidade Automotiva Inteligente · 2019-09-03 · Desenvolvimento de novas tecnologias de simulação computacional baseada em aprendizado de máquinas que tornem o processo

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;

https://www.sas.com/pt_br/insights/analytics/machine-learning.html

- 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


e veículos.



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





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



- Apresentação do Desempenho da Fase 2B aos

Stakeholders.


3




Stakeholders


4




Stakeholders

6 Meses Mês 60 Mês 60

5


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


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




Criação ferramentas de suporte baseadas em aprendizado de máquinas e inteligência


e veículos.


Teste e validação das novas tecnologias, componentes e sistemas. 12 meses Mês 40 Mês 51


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


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



UFES






UNESP




- 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.nhtsa.gov/laws-regulations/fmvss

https://mscdss.ds.unipi.gr/wp-content/uploads/2018/02/Untitled-attachment-00056-2-1.pdf

https://mscdss.ds.unipi.gr/wp-content/uploads/2018/02/Untitled-attachment-00056-2-1.pdf

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.

https://www.pmi.org/

Documents

Consórcio Mobilidade Automotiva Inteligente · 2019-09-03 · Desenvolvimento de novas tecnologias de simulação computacional baseada em aprendizado de máquinas que tornem o processo