Embed Size (px)
Citation preview
TENDÊNCIAS TECNOLÓGICAS NO RAMO DA ROBÓTICA AUTÔNOMA: UM
ESTUDO PROSPECTIVO DE PATENTES
Victor Oliveira Pimenta
Projeto de Graduação apresentado ao Curso
de Engenharia Mecânica da Escola Politécnica,
Universidade Federal do Rio de Janeiro, como parte
dos requisitos necessários à obtenção do título de
Engenheiro.
Orientador: Ricardo Manfredi Naveiro
Rio de Janeiro
Dezembro de 2018
Pimenta, Victor Oliveira
Tendências tecnológicas no ramo da Robótica autônoma:
um estudo prospectivo de patentes/ Victor Oliveira Pimenta.
– Rio de Janeiro: UFRJ/Escola Politécnica, 2018.
XV, 97 p.: il.; 29,7cm.
Orientador: Ricardo Manfredi Naveiro
Projeto de Graduação – UFRJ/ Escola Politécnica/ Curso
de Engenharia Mecânica, 2018.
Referências Bibliográficas: p. 86 – 93.
1. Robótica Autônoma. 2. Prospecção Tecnológica.
3. Indústria 4.0. I. Naveiro, Ricardo Manfredi. II.
Universidade Federal do Rio de Janeiro, UFRJ, Curso de
Engenharia Mecânica. III. Tendências tecnológicas no ramo
da Robótica autônoma: um estudo prospectivo de patentes.
iii
A minha irmã Natalia.
A meu avô Valdemar (in memo-
riam).
iv
Agradecimentos
Agradeço, primeiramente, a toda a minha família por todo o amor e suporte ao
longo da minha vida, por me incentivarem a seguir meus sonhos e compartilharem
as dificuldades e conquistas da minha graduação.
Agradeço a minha namorada, Mariana Morant, pelo companheirismo e por estar
sempre ao meu lado, mesmo nos momentos mais difíceis desta jornada. Sua luz me
guia para os caminhos mais felizes todos os dias.
A meu orientador professor Ricardo Naveiro, pelos ensinamentos, pelas oportu-
nidades proporcionadas e por sua grande contribuição à minha formação como en-
genheiro.
A todos os mestres - professores do ensino básico e da UFRJ - que tive ao longo
de minha formação enquanto indivíduo, cidadão e engenheiro, que me levaram ao
patamar de conhecimento que possuo hoje. Agradeço igualmente aos funcionários
da UFRJ, que prezam pela nossa universidade a cada geração de alunos que se forma.
Aos integrantes das equipes FrancoDroid e MinervaBots, por partilharem do
entusiasmo em aprender sobre Robótica; e aos professores Rosângela Nezi, Kátia
Abrantes e Vitor Romano, que contribuem para que estas iniciativas continuem a
tornar o aprendizado mais prazeroso para estudantes.
Aos profissionais que contribuíram para minha formação profissional ao longo
de estágios realizados e de meu intercâmbio, especialmente Matthieu Lemonnier e
Pierre-Yves Lechapelain.
Aos meus amigos da minha turma de faculdade Arthur, Alvaro, Gabriel, Gustavo,
Lucas, Luiz Paulo, Matheus, Pedro, Ronaldo e Thiago. Igualmente, a meus amigos
do intercâmbio: Augusto Marques, Georgyson Neo, Adrien Ribeiro e Eduardo Costa.
Agradeço a vocês pelo conhecimento compartilhado e por tornar mais divertida a
trajetória rumo a nossos sonhos.
A meus amigos de longa data de Araru e do Franco, por sua presença em minha
vida e pelos momentos felizes, que deram a motivação para chegar aonde cheguei.
Agradeço, finalmente, a todos aqueles que contribuíram para a minha formação.
v
Resumo do Projeto de Graduação apresentado à Escola Politécnica/UFRJ como parte
dos requisitos necessários para a obtenção do grau de Engenheiro Mecânico
TENDÊNCIAS TECNOLÓGICAS NO RAMO DA ROBÓTICA AUTÔNOMA: UM
ESTUDO PROSPECTIVO DE PATENTES
Victor Oliveira Pimenta
Dezembro/2018
Orientador: Ricardo Manfredi Naveiro
Programa: Engenharia Mecânica
A Robótica Autônoma vem evoluindo de forma significativa ao longo das últimas
três décadas e sua gama de aplicações é cada vez maior. Com a emergência do conceito
de Produção Inteligente, este campo do conhecimento é posicionado em ênfase para
instituições de pesquisa e empresas, sendo considerada uma das tecnologias habilita-
doras para implementar o modelo de Indústria 4.0 e os sistemas ciber-físicos associa-
dos a esta. Para incorporar os avanços na área e usufruir das oportunidades geradas,
é necessário mapear as tecnologias envolvidas e compor uma estratégia sólida de pes-
quisa e desenvolvimento baseada no conhecimento técnico das invenções nesta área.
Este estudo levanta os tópicos citados por meio da prospecção tecnológica utilizando
bases de dados de patentes. Com a análise do ponto de vista da Engenharia, algumas
invenções são analisadas e o ciclo de vida das tecnologias de Robótica Autônoma é
discutido. Os resultados obtidos permitem levantar cenários para a evolução tecnoló-
gica e são insumos para auxiliar o planejamento de pesquisa e desenvolvimento para
a área.
vi
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of
the requirements for the degree of Mechanical Engineer
TECHNOLOGICAL TRENDS IN THE FIELD OF AUTONOMOUS ROBOTICS: A
PROSPECTIVE STUDY
Victor Oliveira Pimenta
December/2018
Advisor: Ricardo Manfredi Naveiro
Department: Mechanical Engineering
Autonomous robots have been evolving significantly over the last three decades
and its range of applications is increasingly wider. As the concept of Intelligent Produc-
tion emerges, this field of study is highlighted between research institutions and com-
panies, being considered as an enabling technology to implement Industry 4.0 models
and cyber-physical systems into production. In order to embrace breakthrough tech-
nologies and to seize the opportunities created by this technology leap, it is needful
to perform a technology mapping and to build a solid strategy for research and de-
velopment based on technical knowledge. The present study presents these topics by
means of technological prospecting using patent data. From an Engineering perspec-
tive, some of the related inventions are analyzed and life cycle of autonomous robots
technologies is assessed. The results from this study support the creation of future
scenarios and may be used as inputs to aid at research and development planning.
vii
Sumário
Lista de Figuras xi
Lista de Tabelas xv
1 Introdução 1
1.1 Motivação do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Objetivos do estudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Estrutura do texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Definição de conceitos em Robótica Autônoma 5
2.1 Histórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Definição de robôs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Robôs autônomos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.1 Novas possibilidades de autonomia: a Robótica colaborativa . . . . 10
2.3.2 Níveis de autonomia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Tecnologias envolvidas em aplicações de Robótica . . . . . . . . . . . . . . 14
2.4.1 Parâmetros mecânicos de um robô . . . . . . . . . . . . . . . . . . . 14
2.4.2 Eletrônica embarcada . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.3 Programação de robôs . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.4 Simulação e emulação de Robótica . . . . . . . . . . . . . . . . . . . 18
2.5 Aplicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.1 Robótica Colaborativa . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.2 Normativo para segurança do trabalho envolvendo robôs colabo-
rativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.5.3 Exemplo: Máquina classificadora de plantas ornamentais (MVisia) 23
viii
2.5.4 Exemplo: Eliminação de ervas daninhas em plantações (Deepfield
Robotics) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5.5 Exemplo: Depósito automatizado (Amazon) . . . . . . . . . . . . . . 24
2.5.6 Exemplo: Colaboração homem-robô em fábricas de automóveis
(BMW) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.7 Exemplo: Veículo autônomo submarino para inspeção em águas
profundas (FlatFish) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Impactos da inovação na área de Robótica na indústria e na sociedade 29
3.1 Aspectos socioeconômicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Potencial tecnológico a ser desenvolvido . . . . . . . . . . . . . . . . . . . . 32
4 Prospecção tecnológica e suas ferramentas 34
4.1 Definições e objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Ciclo de vida tecnológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3 Bibliometria aplicada a publicações científicas . . . . . . . . . . . . . . . . 38
4.4 Método de busca de propriedade intelectual . . . . . . . . . . . . . . . . . . 40
4.4.1 Definição de uma patente . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.4.2 Relevância do mercado de patentes . . . . . . . . . . . . . . . . . . . 41
4.4.3 Análise de dados de publicação de patentes . . . . . . . . . . . . . . 43
4.4.4 Sistemas de classificação de patentes ao redor do mundo . . . . . . 44
4.5 Definição do escopo da prospecção tecnológica . . . . . . . . . . . . . . . . 45
5 Estudo da produção de patentes relacionadas a Robótica autônoma 47
5.1 Metodologia adotada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.1.1 Procedimento de estudo . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.2 Escolha da base de dados a ser empregada . . . . . . . . . . . . . . . . . . . 50
5.3 Interface de busca e recuperação de resultados . . . . . . . . . . . . . . . . 52
5.4 Manipulação dos resultados obtidos . . . . . . . . . . . . . . . . . . . . . . . 54
5.5 Modelo de crescimento do número de concessões de patentes . . . . . . . 54
5.6 Limitações da metodologia adotada . . . . . . . . . . . . . . . . . . . . . . . 55
6 Resultados da análise de patentes 59
6.1 Dados recuperados pelo algoritmo . . . . . . . . . . . . . . . . . . . . . . . . 60
ix
6.2 Resultados da busca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.3 Evolução do número de patentes concedidas . . . . . . . . . . . . . . . . . 64
6.3.1 Aderência da curva de patentes concedidas a modelo de cresci-
mento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.3.2 Evolução do número de patentes concedidas segundo o tipo de robô 71
6.4 Distribuição de patentes concedidas segundo o depositante e a localiza-
ção geográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.5 Ramos tecnológicos em desenvolvimento dentro da Robótica autônoma . 77
7 Conclusões 82
7.1 Considerações sobre os resultados . . . . . . . . . . . . . . . . . . . . . . . . 83
7.2 Impacto em estratégia de pesquisa e desenvolvimento . . . . . . . . . . . . 84
7.3 Sugestões de trabalhos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Referências Bibliográficas 86
A Interface do mecanismo de busca de patentes 94
B Código fonte da análise dos dados 96
x
Lista de Figuras
2.1 As quatro revoluções industriais e suas principais mudanças e contribui-
ções [1]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Visão geral simplificada de uma planta de fabricação adaptada para a
Produção Inteligente contendo sistemas ciber-físicos [2]. . . . . . . . . . . 8
2.3 Exemplo de robôs autônomos executando operação de soldagem com
mesa de posicionamento sincronizada por motores elétricos [3]. . . . . . . 10
2.4 Fluxograma de execução de tarefas num robô colaborativo. Adaptado de
[4]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Framework utilizado para a classificação da autonomia de um robô, con-
siderando diretrizes qualitativas e quantitativas. Adaptado de [5]. . . . . . 13
2.6 Exemplo de volume de trabalho de um manipulador robótico [6]. . . . . . 14
2.7 Robô colaborativo, também chamado cobot, trabalhando junto a hu-
mano na fabricação de tomadas em fábrica na Alemanha (ABB Robotics)
[9]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.8 Espaço de trabalho colaborativo, conforme definido no normativo
ISO/TS 15066. Adaptado e traduzido de [10]. . . . . . . . . . . . . . . . . . . 22
2.9 Máquina seletora de mudas da fabricante brasileira MVisia [7]. . . . . . . . 24
2.10 Robô BoniRob sendo testado em plantação [8]. . . . . . . . . . . . . . . . . 25
2.11 Itens de consumo utilizados na avaliação do desafio de Robótica da em-
presa americana Amazon, em sua edição mais recente (Amazon Robotics
Challenge 2017) [11]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.12 Robô colaborando com operador humano em fábrica de montagem da
alemã BMW [12]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.13 Protótipo do robô FlatFish exposto em seu evento de lançamento [13]. . . 28
xi
3.1 Taxa de empregabilidade na indústria (porcentagem em relação ao em-
prego total) na Alemanha. Adaptado e traduzido a partir de série histó-
rica do Banco Mundial [14]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Evolução do custo de mão-de-obra e de preços de mercado de robôs ao
longo dos últimos 30 anos nos Estados Unidos. Fonte: Economic Intel-
ligence Unit; IMB; Institut für Arbeitsmarkt- und Berufsforschung; Inter-
national Robot Federation; US Social Security data; análise da McKinsey
& Company. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1 Curvas relacionadas ao ciclo de vida de uma tecnologia, como propostas
por Altshuller [15, 16]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2 Modelo de curva S para a performance de negócios de determinada tec-
nologia, adaptado de Accenture [17]. . . . . . . . . . . . . . . . . . . . . . . 38
4.3 Evolução do número de depósitos de patentes em escritórios de propri-
edade intelectual no mundo. O gráfico representa o crescimento propor-
cional ao ano de 1995 (o valor neste ano para todos os países é, portanto,
igual a 1). Adaptado de WIPO [18]. . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4 Exemplo de organização hierárquica da classificação CPC. Traduzido de
EPO [19]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.1 Fluxograma da metodologia adotada para realizar o estudo de prospec-
ção tecnológica (elaborado pelo autor). . . . . . . . . . . . . . . . . . . . . . 50
5.2 Exemplo de tabela obtida após a obtenção dos resultados da query envi-
ada (captura de tela do software open source R). . . . . . . . . . . . . . . . . 53
5.3 Metodologia para ajuste da curva de concessão de patentes a um modelo
de crescimento logístico (elaborado pelo autor). . . . . . . . . . . . . . . . . 56
5.4 Países com o maior número de patentes em vigor (eixo vertical repre-
senta o número de patentes em vigor, enquanto o eixo horizontal des-
creve o respectivo país), segundo levantamento realizado pelo World In-
tellectual Property Organization (WIPO) [18]. . . . . . . . . . . . . . . . . . 57
xii
5.5 Fluxos de depósitos de patentes por não residentes (país de origem à es-
querda do gráfico), classificados por escritório de patentes (à direita), a
largura da curva é proporcional ao número de patentes depositadas no
respectivo país [18]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.1 Combinações possíveis para a query formulada (elaborado pelo autor). . . 60
6.2 Quantidade de patentes concedidas pelo USPTO relacionadas a Robótica
autônoma (elaborado pelo autor). Fonte da amostra de dados: USPTO. . . 64
6.3 Soma acumuladas de patentes concedidas pelo USPTO relacionadas a
Robótica autônoma (elaborada pelo autor). Fonte da amostra de dados:
USPTO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
6.4 Soma acumulada de patentes concedidas pelo USPTO relacionadas a Ro-
bótica autônoma e curva S que melhor se ajusta aos dados (elaborada
pelo autor). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
6.5 Soma acumulada de patentes concedidas pelo USPTO relacionadas a Ro-
bótica autônoma, classificadas por tipo de tecnologia de Robótica Autô-
noma (elaborada pelo autor). Fonte da amostra de dados: USPTO. . . . . . 71
6.6 Países com as maiores concentrações de robôs industriais instalados na
indústria de fabricação. Fonte: 2017 World Robotics Statistics, Internati-
onal Federation of Robotics [3]. . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.7 Distribuição geográfica dos depositantes de patentes no USPTO. Repro-
dução: elaborado pelo autor, utilizando a linguagem R e a biblioteca de
visualização leaflet. Fonte da amostra de dados: USPTO e OpenStreet-
Map (mapa). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.8 Países com o maior número de patentes concedidas (elaborado pelo au-
tor), contendo as porcentagens em relação ao total de patentes deste tra-
balho. Fonte da amostra de dados: USPTO. . . . . . . . . . . . . . . . . . . . 76
6.9 Grupos CPC com maior número de patentes relacionadas a Robótica
Autônoma (elaborada pelo autor). Siglas explicitadas na tabela 6.6. Fonte
da amostra de dados: USPTO. . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.10 Evolução do número de patentes relacionadas a Robótica Autônoma, se-
gundo as seções CPC (elaborada pelo autor). Fonte da amostra de dados:
USPTO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
xiii
A.1 Interface da plataforma PatentsView do USPTO, com a tabela con-
tendo todos os critérios possíveis de serem pesquisados. Fonte:
http://www.patentsview.org/querydev/query/data_dictionary.html . . . . 94
xiv
Lista de Tabelas
2.1 Participação de mercado de atividades ligadas à Robótica colaborativa [20]. 20
6.1 Parâmetros recuperados pela query enviada ao USPTO e seu emprego no
presente estudo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.2 Quantidade de patentes encontradas segundo cada um dos parâmetros
de busca. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.3 Parâmetros iniciais utilizados no modelo linearizado como descrito acima. 67
6.4 Depositantes de patentes e quantidade de patentes concedidas, segundo
dados compilados pelo autor. Fonte da amostra de dados: USPTO. . . . . 73
6.5 Países com maior número de patentes concedidas na área de Robótica
autônoma, segundo dados compilados pelo autor. Fonte da amostra de
dados: USPTO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.6 Grupos CPC com o maior número de patentes relacionadas a Robótica
Autônoma. Fonte da amostra de dados: USPTO. . . . . . . . . . . . . . . . . 78
xv
Capítulo 1
Introdução
1.1 Motivação do trabalho
A Robótica Autônoma é um tema presente em diversas discussões do mundo da
tecnologia, em função de sua forte presença nos novos modelos de produção que sur-
giram na última década. Suas aplicações vastas, que vão desde o agronegócio até o se-
tor de fabricação, possuem grande potencial disruptivo e aproveitar as oportunidades
geradas por estas inovações é essencial para acompanhar a evolução da tecnologia.
Um estudo prospectivo acerca do assunto é um tema de grande relevância em âm-
bito nacional, tendo em vista os esforços da indústria brasileira em consolidar a ini-
ciativa Indústria 2027 [21], sobre o qual o autor pesquisou e participou de um projeto
durante a graduação. Seu objetivo é o de aproximar o Brasil da fronteira do conhe-
cimento tecnológico voltado ao desenvolvimento da indústria e promover o entendi-
mento das inovações que podem impactá-lo. A Robótica Autônoma está dentro deste
grupo de tecnologias e conhecer suas tendências é essencial para acompanhar o ritmo
acelerado de desenvolvimento de novas tecnologias.
Do ponto de vista do autor, o tema é de grande relevância por ter permeado algu-
mas das experiências que teve ao longo da vida acadêmica. Primeiramente, a partici-
pação nas equipes de Robótica da UFRJ e de seu antigo colégio – MinervaBots e Fran-
coDroid, respectivamente – abriu seus horizontes para este campo do conhecimento
e estimularam a busca por novas técnicas e o entusiasmo em pesquisar sobre Robó-
tica. Destas associações, surgiu uma participação ativa em eventos de Robótica, como
a ROBOCORE Winter Challenge e a FIRST LEGO League, reconhecida internacional-
1
mente por seu prestígio, levando ao contato com pesquisadores da área e empresas
renomadas.
O fato de ter cursado as disciplinas relacionadas a Robótica ao longo do curso de
Engenharia Mecânica possibilitou trilhar um aprendizado neste campo, tendo forne-
cido o conhecimento teórico e prático para o exercício da Engenharia. Ademais, as
experiências de estágio no setor de financiamento de inovação e na área de desenvol-
vimento de produtos, aproximaram o autor de aplicações de Robótica Autônoma e das
tendências da área no mundo.
Por fim, a utilização de uma ferramenta analítica para sistematizar a busca de pa-
tentes é de um grande potencial a ser explorado. Os resultados desta utilização permi-
tirão ao autor adquirir o conhecimento do trabalho por trás da pesquisa de proprie-
dade intelectual e, de posse destes dados, destacar ao leitor quais linhas de desenvol-
vimento tecnológico são mais promissoras.
1.2 Objetivos do estudo
O presente trabalho possui como objetivo geral detalhar as tendências tecnológi-
cas na área de Robótica Autônoma, assim como os padrões de desenvolvimento destas
tecnologias sob a ótica da produção de propriedade intelectual acerca do assunto. Es-
tas informações permitem orientar a estratégia de investimentos de uma instituição
de pesquisa ou empresa, políticas públicas de incentivo à inovação e, principalmente,
permite a pesquisadores e inventores de delinearem as inovações num determinado
assunto.
Para tal, serão apresentadas definições intrínsecas à área de Robótica, para facilitar
a compreensão do leitor frente às possíveis tecnologias emergentes neste setor. Desta
forma, os objetivos específicos deste trabalho são:
• Apresentar os conceitos relacionados à Robótica autônoma, de forma a introdu-
zir o leitor ao escopo deste estudo, e as aplicações da área;
• Realizar a revisão bibliográfica das técnicas de análise de patentes já empregadas
por pesquisadores e empresas;
• Utilizar uma ferramenta inovadora, eficiente e mais rápida de busca de patentes
2
e comparar seu uso com a pesquisa convencional nos sítios dos escritórios de
patentes;
• Construir um aprendizado sobre o processo de pesquisa de propriedade inte-
lectual, aproximando-se desta prática para conhecer os passos necessários para
detectar o estado da arte de uma determinada tecnologia;
• Indicar as tendências de desenvolvimento da Robótica Autônoma à luz da aná-
lise de patentes, os principais atuantes neste mercado e as regiões geográficas
mais inovadoras no setor.
1.3 Estrutura do texto
Inicialmente, o leitor será apresentado aos conceitos relacionados à Robótica Autô-
noma ao longo do capítulo 2, passando pelo histórico das tecnologias relacionadas até
sua inserção no contexto da Indústria 4.0. O grupo de tecnologias habilitadoras da Ro-
bótica será apresentado e serão descritos alguns casos de aplicação para ilustrar cada
uma das tecnologias apresentadas.
Em seguida, o capítulo 3 descreve o impacto socioeconômico das tecnologias re-
lacionadas à Robótica e como estas vêm influenciando a produtividade industrial e a
economia, especialmente no que diz respeito à empregabilidade na indústria. Ao fim
deste capítulo, são listadas algumas das oportunidades que o tema traz no âmbito da
modernização dos parques industriais.
De forma a cumprir os objetivos deste trabalho, foram estudadas as técnicas utili-
zadas para prospecção tecnológica, como explicadas ao longo do capítulo 4. O autor
descreve a relevância de patentes para o estudo de tecnologias e, com estas bases, é
definido o escopo da prospecção tecnológica a ser realizada. O conceito de ciclo de
vida de uma tecnologia é revisado, sendo ferramenta importante para a compreensão
dos resultados obtidos posteriormente.
O capítulo 5 introduz a metodologia adotada para a análise de dados de patentes,
as bases de dados utilizadas para realizar as buscas, as técnicas de tratamento de dados
para extrair informações úteis da amostra recuperada e as limitações desta metodolo-
gia. É apresentado um modelo de análise da curva de patentes concedidas que vai de
encontro à teoria do ciclo de vida tecnológico apresentado no capítulo anterior.
3
Os resultados da análise conduzida são discutidos no capítulo 6, por meio de grá-
ficos para ilustrar os diversos fenômenos associados à difusão das tecnologias em Ro-
bótica Autônoma e suas tendências de evolução. Os dados de patentes são desmem-
brados em séries temporais, classificações segundo o tipo de tecnologia e localização
geográfica de seus depositantes. A evolução do número de patentes concedidas é con-
frontada com o modelo de crescimento apresentado nos capítulos anteriores.
Por fim, são traçadas conclusões no último capítulo, à luz dos resultados obtidos
e considerando o estágio de desenvolvimento das tecnologias associadas à Robótica
Autônoma. A partir do aprendizado obtido com a realização deste trabalho, são lista-
das possibilidades de trabalhos futuros e os impactos dos resultados na estratégia de
pesquisa e desenvolvimento de instituições de pesquisa e empresas.
4
Capítulo 2
Definição de conceitos em Robótica
Autônoma
2.1 Histórico
O desenvolvimento da Robótica remete à invenção de ferramentas e instrumen-
tos para facilitar a realização de tarefas, agilizá-las ou mesmo automatizá-las, no caso
de máquinas criadas em épocas mais recentes. Seja pela necessidade de mais força
para levantar uma determinada carga, para transportar um objeto ou para obter seu
alimento, o ser humano concebeu diversos mecanismos que são melhorados de forma
incremental até os dias de hoje. Como descrito por Romano [6], a gradual substituição
do homem pela máquina é datada de mais de dois mil anos e esta evoluiu consistente-
mente ao longo das denominadas Revoluções Industriais, categorizadas pela História
segundo suas contribuições para a produção industrial.
Na primeira transição significativa da atividade manual para a mecanização do
processo produtivo, ocorrida durante a Primeira Revolução Industrial na virada do sé-
culo XVIII, inúmeras máquinas movidas a vapor foram implantadas dentro dos espa-
ços produtivos, havendo grandes mudanças na relação de trabalho. Neste cenário, há
uma transferência do controle da atividade produtiva dos artesãos para os proprietá-
rios das máquinas, cujo lucro advinha do produto de seu parque de máquinas.
Subsequentemente, em meados do século XIX, com o surgimento do conceito de
produção em massa, o aprimoramento dos motores de combustão interna e o sur-
gimento de máquinas elétricas modernas, há uma grande expansão da produção in-
5
dustrial. O crescimento da produção de aço impactou diretamente a modernização
das máquinas empregadas nos parques industriais [22] apud [23]. As então usadas
máquinas de madeira foram substituídas por máquinas mais modernas de aço, com
mecanismos elaborados e operação mais eficiente.
Estes avanços permitiram uma mecanização ainda mais extensa da produção e,
então, a produção em massa de bens de consumo, alicerces das indústrias mais lucra-
tivas do período. Estão incluídos nesta conjuntura o aumento da população urbana,
o surgimento de modelos de linha de produção - como o de Taylor e, posteriormente,
aquele concebido por Henry Ford - e a diminuição dos custos de capital, impulsio-
nando o desenvolvimento tecnológico.
Cerca de um século mais tarde, o advento dos circuitos eletrônicos - especialmente
transistores e processadores -, as novas tecnologias de comunicação e a descoberta de
novas formas de geração de energia alavancaram o crescimento industrial. As duas pri-
meiras mudanças citadas possiblitaram a criação de circuitos programáveis e, então,
robôs sob a forma como são conhecidos na atualidade.
Neste contexto, a Robótica emerge como um campo do conhecimento para revo-
lucionar a indústria de fabricação, na conjuntura do pós-guerras, por meio dos robôs
programáveis e operados por circuitos digitais. O primeiro deste tipo foi instalado
numa planta industrial da empresa General Motors para realizar operações de fundi-
ção, de considerável periculosidade para operadores humanos, e desde então diversos
outros modelos foram objeto de pesquisa na academia e lançados no mercado [24].
Inicialmente, o emprego de robôs no setor produtivo restringia-se prioritariamente
a funções que apresentavam risco a operadores humanos ou, então, tarefas repetiti-
vas com baixa variabilidade de seus parâmetros [6]. Em seguida, diversas linhas de
pesquisa voltadas para braços manipuladores e tecnologias de controle surgiram, de
modo a otimizar o mecanismo de funcionamento destes robôs e melhorar sua perfor-
mance por meio de programação.
No atual rumo da tecnologia, o mundo vem se modernizando para integrar a
Quarta Revolução Industrial, que inseriu no vocabulário, nos artigos científicos e nas
grandes publicações de massa o termo "Indústria 4.0". Desta vez, a grande mudança
para os sistemas produtivos não engloba prioritariamente novas fontes de energia,
mas sim tecnologias de telecomunicação, processamento de dados e integração entre
6
máquinas físicas, controladores e os dados gerados por seu funcionamento. Mudanças
no processo produtivo, bem como em seu produto final tornaram-se fáceis e de rápido
efeito, bem como há a interligação de todos os atores da cadeia produtiva por meio de
sistemas de comunicação.
Figura 2.1: As quatro revoluções industriais e suas principais mudanças e contribui-
ções [1].
Como descrito por Naveiro [25] e corroborado em relatório da Academia de Ciên-
cias e Engenharia da Alemanha [26], a troca de dados entre objetos físicos e redes digi-
tais permite a geração de uma grande massa de dados que podem ser convertidos em
informações úteis para otimização de processos produtivos e aprimoramento de pro-
dutos finais. Ainda, define-se os sistemas que integram e convergem aspectos físicos e
virtuais da produção como sistemas ciberfísicos.
O desenvolvimento de ferramentas de concepção 3D, disponibilidade de ferramen-
tas de processamento de dados a custos que decaem anualmente e o lançamento de
sensores de altíssima precisão viabilizaram a convergência do estado da arte destas
tecnologias para a concepção de robôs para vastas aplicações. Além disso, através de
software de visualização espacial já é possível, por exemplo, simular um sistema ci-
berfísico industrial em operação, trazendo feedbacks em tempo real para equipes de
projeto e reduzindo o time-to-market de aplicações da indústria.
Recentemente, com a evolução das tecnologias na indústria de eletrônicos e com
o aprimoramento das técnicas de processamento de dados, cada vez mais sofisticadas
e precisas, as soluções envolvendo Robótica têm despontado como um dos principais
7
Figura 2.2: Visão geral simplificada de uma planta de fabricação adaptada para a Pro-
dução Inteligente contendo sistemas ciber-físicos [2].
eixos para aumentar a produtividade na indústria e contribuir para se alcançar um
sistema produtivo inteligente [21].
Do ponto de vista comercial, o aumento de requisitos de qualidade por parte de pa-
drões e normas de setores específicos da indústria, por exemplo o setor de óleo e gás,
também abre espaço para a inserção destas tecnologias. De forma a mitigar a ocorrên-
cia de acidentes e danos ao meio ambiente, há uma maior necessidade de precisão e
confiabilidade de produtos fabricados, que vão além das capacidades disponíveis para
humanos, abrindo espaço para a expansão de aplicações de Robótica.
2.2 Definição de robôs
Diversas definições de robôs existem na literatura, como aquela descrita por Bekey
[27], que intitula um robô como uma máquina capaz de sentir/captar, processar estes
dados e agir, por meio de sensores, circuitos eletrônicos e atuadores, por exemplo.
A definição mais usual de robôs é associada a robôs industriais, segundo a Interna-
tional Federation of Robotics (IFR), é um “manipulador multiuso controlado de forma
automática e reprogramável, com três ou mais eixos, que pode ser fixo a uma base ou
ser móvel, para uso em aplicações de automação industrial” [3, 6]. Esta convenção,
baseada na norma ISO 8373 [28], também categoriza os robôs em uma outra grande
área: os robôs de serviço, que são classificados como máquinas autônomas capazes de
cumprir tarefas fora do ambiente industrial.
8
Desde a concepção do primeiro robô industrial, baseado num braço robótico pro-
gramado nas coordenadas de cada uma de suas juntas, muitas transformações se de-
ram neste campo de estudos e ampliou-se o escopo de utilização destas máquinas, an-
tes mais voltadas para a execução de tarefas repetitivas e perigosas para o ser humano.
Mais recentemente, robôs de serviço conquistaram novos mercados, como educação
e atendimento ao público, graças ao avanço em tecnologias de reconhecimento de voz
e aprendizado de máquinas.
Ainda, os robôs podem ser definidos de forma mais geral como um sistema inte-
grador de diversas tecnologias projetado e construído para desenvolver tarefas para a
indústria ou para o consumidor final.
Neste documento, será considerada a primeira definição apresentada para nortear
o estudo, em função de sua abrangência a veículos autônomos e drones, por exemplo,
cujo desenvolvimento contribui diretamente para o crescimento das inovações em Ro-
bótica autônoma.
A seguir, são apresentadas as classificações de robôs segundo características de
seu funcionamento, podendo ser aplicáveis tanto para robôs industriais ou de serviço,
quanto para uma combinação destas duas possibilidades de aplicação tecnológica.
2.3 Robôs autônomos
Um robô é considerado autônomo se tiver a capacidade de desempenhar uma sé-
rie de tarefas e tomar decisões durante seu funcionamento sem intervenção humana
[27]. A capacidade desta máquina pode envolver o conhecimento de variáveis de seu
ambiente de trabalho, a descrição de movimentos prescritos segundo a variação destes
valores e a execução de rotinas segundo sua lógica de controle. No caso em que alguns
destes dados não são fornecidos ao robô, este pode executar suas tarefas de forma in-
dependente ao seu ambiente de aplicação, como um robô utilizado para operações de
prensagem que não realiza distinção entre diferentes objetos a serem manipulados.
Esta classificação abarca máquinas habilitadas para adquirir informações do am-
biente ao seu redor, evitar situações de perigo para seres humanos ou patrimônios,
expandir sua capacidade de atuação por meio de aprendizado – supervisionado ou
não por humanos – ao longo da execução de suas tarefas.
9
A escolha de robôs autônomos é optada, em geral, para problemas que deman-
dam o processamento de diversas variáveis em tempo real ou que apresentam alto
grau de periculosidade para execução por parte de um operador humano. No exem-
plo da figura 2.3, múltiplos robôs da fabricante japonesa Yaskawa Electric Corporation
executam uma operação de soldagem com mesa de posicionamento controlada por
motores, podendo sincronizar cada eixo dos braços robóticos numa mesma ação do
robô, em operação que apresenta alto risco de acidentes por conta dos instrumentos
utilizados.
Apesar de ser uma aplicação que exige aplicação intensiva de capital, o retorno com
a qualidade e precisão de robôs autônomos industriais é aumentado com o número
de possíveis variações no processo industrial, que são interpretadas de forma simples
pelos robôs, com alto potencial de adaptabilidade.
Figura 2.3: Exemplo de robôs autônomos executando operação de soldagem com mesa
de posicionamento sincronizada por motores elétricos [3].
2.3.1 Novas possibilidades de autonomia: a Robótica colaborativa
Determinadas habilidades altamente superadas pelos humanos em relação às tec-
nologias disponíveis em robôs, como a classificação e preensão de objetos, ainda se
colocam como barreiras de mercado para que robôs substituam a força humana na in-
dústria. Nestas funções, emprega-se soluções de Robótica colaborativa, que integram
homem e máquina para executar uma determinada tarefa. Inúmeras configurações
10
são possíveis, em que tanto o operador pode conduzir um manipulador robótico a sua
posição desejada, como este pode ser conduzido por um robô até sua área de trabalho,
como em plantas em que os trabalhadores estão sujeitos a deslocamentos importan-
tes.
Criada em grande parte pela motivação de melhorar a ergonomia no ambiente in-
dustrial e expandir a capacidade humana de trabalho, a Robótica colaborativa une a
tecnologia à interação humana para gerar uma ação conjunta para executar deter-
minada tarefa. Considerando as limitações físicas do trabalho manual humano que,
apesar disto, possui grande capacidade de processar informações de um processo in-
dustrial, robôs são utilizados neste contexto para auxiliar os operadores humanos na
realização de suas tarefas, como movimentação de cargas e montagem de componen-
tes na linha de produção.
A colaboração significa neste contexto que o robô irá trabalhar junto com o hu-
mano em certa tarefa, de forma a atingir um objetivo comum [4]. Neste campo de
aplicação, robôs devem passar por diversas avaliações de risco para assegurar sua ade-
quação ao trabalho conjunto, especialmente com relação a critérios de parada de ope-
ração e a evitar movimentos bruscos próximos a humanos. Para tal, possuem diversos
sensores – em geral, de posicionamento, visão ou rotação – para acompanhar os mo-
vimentos dos operadores e corrigir sua ação.
Os dados obtidos no processo de percepção acima citado são, então, processados e
empregados na rotina de movimentação do robô, que estima os movimentos necessá-
rios para continuar a realizar suas atribuições com segurança, como ilustrado na figura
2.4.
Novas aplicações também vêm extinguindo cercas e áreas de isolamento para fun-
cionamento de robôs, que passam a utilizar dados de sensores para garantir a segu-
rança de operadores em campo, interrompendo automaticamente seu funcionamento
em caso de aproximação de humanos, integrando homem e máquina no chão de fá-
brica e reduzindo o espaço necessário no layout para a implantação de robôs.
2.3.2 Níveis de autonomia
A autonomia de um robô é definida como sua habilidade de se adaptar a variações
em seu ambiente, segundo Thrun [29], sendo avaliada de acordo com indicadores de
11
Figura 2.4: Fluxograma de execução de tarefas num robô colaborativo. Adaptado de
[4].
performance do robô, como o comportamento de seu tempo médio entre falhas ao
se alterar suas condições de operação. Neste relatório, adota-se o conceito de que a
autonomia de um robô cresce à medida que requere menor frequência de interação
homem-máquina, cuja definição é sustentada por diversos grupos de pesquisadores
atualmente, como em [30].
Além disso, a autonomia é associada à série de tarefas às quais o robô foi proje-
tado para executar, portanto, avalia-se este atributo segundo estas ações previstas. Ou
seja, caso um braço mecânico de içamento de cargas seja analisado quanto a sua au-
tonomia, deve-se levar em consideração se consegue executar esta ação de levantar
um objeto e o nível de interferência humana na execução desta tarefa. Caso consiga
executá-la sem nenhuma interação homem-robô, pode-se considerar que possui alto
nível de autonomia; caso contrário, será classificado dependendo das entradas forne-
cidas por humanos para operar.
Dada a multidisciplinaridade inerente à Robótica, a autonomia não é um atributo
restrito a uma escala numérica para classificação; em vez disso, costuma ser avaliada
junto a uma série de considerações subjetivas, como o tipo de interação que o ser hu-
mano exerce junto ao robô na execução de uma tarefa.
O framework apresentado na figura 2.5 mostra em sua quarta diretriz a escala con-
tínua de categorias de autonomia, que são consideradas de acordo com as diretrizes
anteriormente analisadas, como as características da tarefa a ser executada pelo robô
e sua interação com o ambiente de operação.
12
Figura 2.5: Framework utilizado para a classificação da autonomia de um robô, consi-
derando diretrizes qualitativas e quantitativas. Adaptado de [5].
Portanto, um robô com o mínimo de autonomia estará situado na escala citada
como manual ou remotamente operado por um ser humano, enquanto um robô to-
talmente autônomo executará ações sem qualquer supervisão ou controle humano.
Neste espectro, há também a existência de robôs que são supervisionados por huma-
nos e aqueles que desempenham uma tarefa de forma autônoma, mas não tomam
decisões caso desvios sejam detectados em seu ambiente de operação.
A consideração de adoção de um robô autônomo numa indústria é acompanhada
dos efeitos originados pela interação homem-robô do sistema robótico em questão.
Por exemplo, um robô totalmente autônomo para posicionamento de peças num am-
biente em que também há trabalhadores operando empilhadeiras deve ser adaptado
para interagir com humanos na planta de trabalho.
Se um operador desviar de seu curso normal, o robô deve detectar sua trajetória
e, se necessário, mudar seu caminho para evitar um possível acidente. Num ambi-
ente em que apenas há robôs totalmente autônomos operando, este grau de interação
homem-robô reduz-se a níveis mínimos, ocasionalmente, exigindo ajustes finos ou
supervisão apenas.
Portanto, a autonomia não diz respeito somente à capacidade de decisão da má-
quina, mas também a seu grau de independência para efetuar cálculos em tempo real
e, se necessário mudar seu funcionamento, executar uma rotina pré-programada para
realizar uma tarefa. Ou seja, um robô que não esteja conectado a outras máquinas
ou que trabalhe dentro de um espaço isolado, mas que possui diversas programações
13
pré-definidas, cuja execução é definida segundo os dados captados por seus sistemas,
também é considerado um robô autônomo.
Ainda que seja autônomo, o robô está limitado a seu espaço de trabalho para atuar,
isto é, a região possível de ser acessada por este em função de seus parâmetros cine-
máticos, como ilustrado na figura 2.6.
Figura 2.6: Exemplo de volume de trabalho de um manipulador robótico [6].
2.4 Tecnologias envolvidas em aplicações de Robótica
2.4.1 Parâmetros mecânicos de um robô
O projeto mecânico de um robô envolve a concepção de sua estrutura, o dimensi-
onamento e seleção de elementos de máquinas, a integração com motores para movi-
mentação e execução de tarefas e a modelagem dinâmica de seu funcionamento.
A concepção e desenho de um sistema robótico são feitos em software de modela-
gem 3D, que também podem contemplar aspectos da planta de operação para o pro-
jeto do robô. Estas ferramentas possuem grande importância para a Robótica colabo-
rativa, já que é possível modelar a célula robótica e a linha de produção, integrando
atuadores e sensores – por exemplo, motores de corrente contínua e sensores de dis-
tância, respectivamente – para simular efeitos de variáveis externas, como tempera-
tura e carga elétrica da rede em que o robô está ligado.
Alguns parâmetros importantes a serem considerados para o projeto mecânico
destas máquinas são sua forma e direções de movimentação, que influenciam de
14
forma significativa em sua dinâmica. Em geral, para aplicações de Robótica móvel,
ou seja, aquelas em que robôs devem se movimentar em determinado espaço físico,
são empregadas máquinas compostas de esteiras ou rodas. Além disso, o sistema de
movimentação pode ser classificado em diferencial, em que cada lado se movimenta
de forma independente e curvas são feitas de acordo com a diferença de rotação dos
motores, ou com geometria de Ackerman ou semelhante, com um acionador dedicado
a controlar o direcionamento de rodas ou esteira.
A partir da estrutura do sistema robótico, é possível dimensionar e selecionar ele-
mentos de máquinas necessários para seu funcionamento pleno, bem como realizar a
integração com os componentes elétricos – motores, fontes de alimentação, placa de
controle e sensores.
2.4.2 Eletrônica embarcada
Sistemas de instrumentação mais robustos e precisos e alto poder de processa-
mento disponível em hardware com tamanho cada vez mais reduzido são fatores que
impulsionam a criação de sistemas flexíveis e estáveis para o controle de robôs. Ainda
que a Lei de Moore tenha sido declarada há mais de 50 anos pela empresa Intel, a
própria empresa reafirmou recentemente sua capacidade de duplicar o poder de pro-
cessamento de suas placas a cada dois anos, com o lançamento de chips nanométricos
ainda em 2017 [31].
A utilização redundante de sensores para garantir a segurança de determinadas
aplicações também é possível pela capacidade de processamento disponível para tra-
tar dados de diversos sensores ao mesmo tempo e classificá-los em informações re-
levantes, por exemplo, na detecção de obstáculos em um robô móvel autônomo. A
computação paralela também se insere como alternativa presente para sistemas que
demandam cálculos complexos, como em manipuladores robóticos de vários graus de
liberdade.
15
2.4.3 Programação de robôs
2.4.3.1 Importância da ciência de dados para controle
Mesmo que robustos e com elevado tempo médio entre falhas, robôs industriais
apresentavam problemas de integração, principalmente, devido à falta de soluções in-
tegradas de hardware e software para setores específicos da indústria. O emprego de
técnicas de inteligência artificial e aprendizado de máquina profundo (deep learning)
apresentam-se como soluções para este problema, à medida que permitem ao robô
aprender a melhor forma de operar seu hardware, por exemplo, para que não haja er-
ros de configuração de constantes de seu algoritmo (rotina de execução).
A realização de simulações de funcionamento do robô, como descrito abaixo na
seção 2.4.4, permite obter volumes de dados suficientes para o treinamento dos algo-
ritmos de controle dos robôs, já que obter estes dados do ambiente real de operação
demanda bastante tempo e é custoso para empresas. A aprendizagem interativa [32]
é utilizada a partir dos dados obtidos de simulações e testes em ambiente real, que
são processados por meio de técnicas como aprendizado supervisionado e algoritmos
genéticos, situadas dentro do escopo de Big Data1 aplicado à indústria.
2.4.3.2 Navegação independente
Diversos algoritmos voltados para a navegação independente de robôs autônomos
já são utilizados na indústria, podendo-se destacar, por exemplo, a utilização de mapas
de plantas industriais ou representações tridimensionais destes espaços para orientar
sua trajetória até um destino final já conhecido.
No algoritmo citado acima, é possível utilizar de forma complementar à planta
baixa do ambiente de operação sensores de distância, como os do tipo encoder e, em
alguns casos, câmeras para reconhecimento de objetos-chave, também chamados ca-
racterísticas ou features. Como exemplo, encoders são dispositivos acoplados ao eixo
de movimentação do robô que medem a rotação do motor ao longo do tempo; os en-
coders de disco possuem um pequeno disco acoplado ao eixo do motor, com um furo
ou marcação diferenciada segundo normas da indústria e, quando o motor completa
uma volta, um sensor magnético ou ótico detecta esta marcação e fornece a informa-
1Volume de dados de tamanho importante, usualmente, oriundos de operações e negócios – po-
dendo ser estruturados (sob a forma de um campo numa base de dados) ou não-estruturados.
16
ção sobre o momento de tempo em que isto ocorreu ao microprocessador utilizado
para calcular a velocidade de deslocamento do robô. Portanto, de posse da velocidade
com que o robô se move e então comparando a trajetória prevista na planta baixa com
o caminho real detectado pelos sensores complementares, é possível guiar o robô até
seu destino desejado.
Outra técnica que também pode ser utilizada é a implementação de algoritmos de
aprendizado de máquina para mapear o ambiente de operação, em que o robô é co-
locado em funcionamento em seu ambiente de operação com diversos sensores de
distância e câmeras. Então, este é guiado ao longo dos espaços livres para movimenta-
ção e armazena informações como distâncias entre pontos de referência, pontos cegos
e lugares com maior probabilidade de colisão, enquanto se movimenta até conhecer
todo o local, devendo haver espaços seguros para erros e colisões caso não haja um
supervisor controlando-o de maneira redundante.
Para navegação em ambiente externo, como em campos abertos ou galpões ex-
tensos, emprega-se sensores que utilizam a tecnologia de navegação por sistema de
satélites – em que GPS2 e GLONASS3 são os sistemas mais conhecidos – para geolo-
calização e posterior georreferenciamento do robô nos sistemas de planejamento de
trajetória que o controlam.
2.4.3.3 Navegação colaborativa
A navegação colaborativa é um grande desafio para a implementação de diversos
robôs num mesmo ambiente industrial, ainda mais para máquinas com diversos graus
de liberdade. Para tal, existem algumas possibilidades de planejar a trajetória de robôs
descritos pela International Federation of Robotics [3]: o planejamento centralizado,
em que um robô constrói os planos de movimentação e os distribui pela rede de má-
quinas em funcionamento; e o método descentralizado, em que cada robô realiza seu
planejamento de forma independente.
Ainda, Okada et al. [33] descrevem a necessidade de se estabelecer atributos para
avaliação da performance dos algoritmos utilizados, como velocidade, completude e
o grau de otimização, isto é, estes três parâmetros recebem pesos no processo de pla-
2Global Positioning System: sistema de radionavegação por satélites operado pela Força Aérea dos
Estados Unidos da América.3Sistema de navegação global operado pela Agência Espacial Russa.
17
nejamento da trajetória de robôs.
O método PRM (sigla para Probabilistic Roadmap) passou a ser amplamente uti-
lizado no ramo por seu pequeno tempo de resposta para definir trajetórias, especi-
almente se associado ao planejamento descentralizado (descrito acima). O caminho
ótimo a ser traçado pelo robô é definido por meio da amostragem de diversos pontos
possíveis de serem acessados pela máquina em questão, em que a cada trajetória são
atribuídos pesos quanto a probabilidades de colisão com obstáculos caso o robô se
desloque até eles.
Ao gerar a malha de pontos para deslocamento, os robôs presentes na planta de-
vem também se comunicar por meio de tecnologia de comunicação sem fio, trocando
informações sobre suas trajetórias planejadas em tempo real e modificando-as a de-
pender da prioridade de cada robô na rede de trabalho. Por exemplo, numa instalação
de estoque de mercadorias, um robô que lida com encomendas urgentes planeja sua
trajetória e possui prioridade na execução desta, frente a outros robôs que apenas rea-
locam mercadorias devolvidas ou não críticas para o funcionamento do negócio.
2.4.4 Simulação e emulação de Robótica
Para implementação de uma rede de robôs na indústria, é essencial realizar testes
virtuais para se assegurar de que características da planta e dos equipamentos, bem
como a segurança de operação, estejam de acordo com o necessário para funciona-
mento pleno. Este importante passo do processo de desenvolvimento de soluções de
Robótica vem sendo adotado significativamente, devido a possibilidade atual de exe-
cutar algoritmos pesados e intensivos em cálculos por meio de computação paralela;
anteriormente, o procedimento era restrito a máquinas especiais condicionadas para
os testes [32]. Ainda assim, há relevantes tradeoffs entre precisão do modelo computa-
cional e desempenho de execução para que se obtenha resultados expressivos.
É possível utilizar a simulação de funcionamento de um robô fazendo-se uso de
software especializado, que permite modelar os componentes do robô e seu ambiente
de operação, reproduzindo seu comportamento com as mesmas funcionalidades de
sua versão real. Devido ao fato de a Robótica ser uma área multidisciplinar, a simu-
lação de funcionamento deve contemplar aspectos elétricos do motor, acoplamentos
mecânicos e a resposta do sistema, por exemplo, ao ser submetido a determinada con-
18
dição de operação.
A simulação é especialmente importante para avaliar o sistema robótico em sua
etapa preliminar de implantação, quando ainda não se possui todo o hardware dis-
ponível para realizar testes em escala real. No entanto, em função da diversidade de
situações em que a máquina pode operar, há necessidade de criar novos ambientes
virtuais para cada um desses casos de uso, cujos resultados da simulação podem se
desviar significativamente do funcionamento real.
Entretanto, as diferenças entre o ambiente simulado e a planta real de operação
são significativas e devem ser consideradas ao analisar os resultados da virtualização.
Como citado por Okada et al. [33], ondas eletromagnéticas existentes em ambientes
reais afetam a comunicação entre robôs e influenciam os resultados de simulações
executadas.
2.5 Aplicações
Com iniciativas bem-sucedidas em países como Japão, Coréia do Sul e Alemanha,
os ganhos possíveis com a implementação da Robótica móvel e colaborativa na indús-
tria tornam-se evidentes, resultados de um esforço de pesquisa significativo.
Adicionalmente, tais soluções também podem ser vetores para a criação de novos
postos de trabalho, mais seguros e eficientes, com o emprego da Robótica colaborativa
e da realidade aumentada no chão de fábrica, por exemplo, que ampliam a capaci-
dade produtiva humana utilizando toda a precisão e robustez disponível em um robô
industrial.
Por fim, com a integração das tecnologias disponíveis para a Robótica, é possível
gerar soluções que provêm segurança, colaboração e adaptação a qualquer operação,
impulsionando a produtividade da indústria.
2.5.1 Robótica Colaborativa
Segundo a empresa de consultoria global Technavio, especializada em pesquisas
de mercado com cobertura global, o mercado de robôs colaborativos deve crescer a
uma taxa acumulada de 60% somente durante o próximo quadriênio (2017-2021), do-
minado pelas aplicações de movimentação de materiais e montagens [20].
19
Tabela 2.1: Participação de mercado de atividades ligadas à Robótica colaborativa [20].
Tipo de aplicação Market share em 2017
Manuseio de
materiais32,0%
Montagem geral 27,7%
Pintura 13,0%
Inspeção 10,5%
Soldagem 5,4%
Outros 11,4%
Diversos processos relacionados ao manuseio de materiais e movimentação de car-
gas podem ser facilitados pela inserção da Robótica colaborativa, como a alimentação
de máquinas no setor de usinagem, o carregamento de materiais e empacotamento,
entre outras funções que possuem impacto positivo em melhorar a logística de produ-
ção e amenizar o esforço executado pelo operador humano.
Figura 2.7: Robô colaborativo, também chamado cobot, trabalhando junto a humano
na fabricação de tomadas em fábrica na Alemanha (ABB Robotics) [9].
Na indústria automobilística, diversas montadoras já adotam sistemas robóticos
híbridos, com parcela de atuação autônoma e também integração com tarefas desem-
penhadas por seres humanos. Por exemplo, no posicionamento de amortecedores em
automóveis, utiliza-se robôs para conduzir a carga até um local próximo da aplicação
e o trabalhador guia a máquina para colocação final da peça. Desta maneira, obtém-se
um ajuste preciso da montagem e o operador não necessita movimentar-se até lugares
de difícil acesso para encaixe dos componentes.
20
Na figura 2.7, o robô mostrado participa junto a humanos na fabricação de tomadas
e tampas plásticas de proteção na linha de produção da ABB Elektro-Praga, baseada na
República Tcheca. Este robô, segundo seu fabricante (ABB Robotics), já possui a ca-
pacidade de manusear pequenas peças e monitorar a produção utilizando tecnologias
preditivas, sendo um dispositivo totalmente integrado à Internet das Coisas (em inglês,
Internet of Things ou IoT). O manipulador robótico é iniciado a partir do momento em
que o operário inicia a montagem da tomada; em seguida, o robô separa as próximas
peças a serem usadas pelo trabalhador e posiciona-as num espaço adequado para a
montagem.
2.5.2 Normativo para segurança do trabalho envolvendo robôs cola-
borativos
Atualmente, o normativo que apresenta um consenso técnico envolvendo a Robó-
tica colaborativa está embasado no documento “ISO/TS 15066 – Technical Standard
for Collaborative Robot System Safety” [10]. Neste documento, estão publicadas algu-
mas definições importantes para a implementação de robôs colaborativos, por exem-
plo, relativas ao espaço ocupado pelo robô fica estabelecido:
• Espaço máximo: espaço em que o sistema pode se mover;
• Espaço restrito: porção do espaço máximo restringida por dispositivos limítro-
fes, cuja fronteira não pode ser ultrapassada;
• Espaço de operação: porção do espaço restrito que é utilizada para desempenhar
todos os movimentos comandados pelo algoritmo do robô;
• Espaço de segurança: delimitado pelo perímetro de segurança de operação;
E, por último, como novo elemento nos normativos referentes a Robótica,
apresenta-se o espaço de trabalho colaborativo:
• Espaço de trabalho colaborativo: espaço dentro do espaço de operação em que o
sistema robótico, incluindo a peça ou objeto manipulado e um humano podem
executar tarefas de forma simultânea durante o processo produtivo.
21
Equipados com sensores de alta precisão, sob o mínimo movimento ou aproxima-
ção humana além da zona programada para o robô, este ativa sua rotina de parada
para assegurar a segurança do operário. Um detalhe importante sobre o documento
é a metodologia proposta para avaliação de risco referente ao trabalho colaborativo,
que contempla a mesma metodologia proposta pela ISO para aplicações não colabo-
rativas junto a condições adicionais, como o tipo de contato mantido com humanos,
sua frequência, duração e previsibilidade.
Figura 2.8: Espaço de trabalho colaborativo, conforme definido no normativo ISO/TS
15066. Adaptado e traduzido de [10].
Acerca dos tipos de operação colaborativa, Shea [35] resume quatro tipos princi-
pais:
• Operação com parada monitorada pela segurança, em que a operação colabo-
rativa está limitada a circunstâncias específicas de segurança, como na situação
de carregamento de uma célula robótica com uma peça a ser produzida;
• Operação guiada pelo humano, em que o operador move uma determinada
parte do robô com a mão para o local da tarefa a ser executada, como em um
robô assistente de içamento;
• Monitoramento da velocidade e da separação entre robô e humano, mantendo
mínima distância de proteção entre operador e robô, reduzindo a velocidade
para aumentar a segurança do humano para que este possa se mover com li-
berdade no espaço de trabalho colaborativo;
22
• E limitação da potência e força do robô, para situações em que há contato físico
entre operador e máquina, devendo-se considerar as regiões do corpo humano
que efetuam contato, a fim de se levantar requisitos de força aplicada na avalia-
ção de risco.
Portanto, a adoção de robôs colaborativos deve ser acompanhada de exaustiva ava-
liação de riscos de operação, considerando a chegada de novas tecnologias ao mercado
que aproximam robôs de humanos. Além disso, a interação homem-máquina é anali-
sada de diversos pontos de vista, seja psicológico, ergonômico ou quanto à operação,
para que se obtenha um ambiente seguro para humanos e que permita expandir sua
capacidade produtiva junto a robôs.
2.5.3 Exemplo: Máquina classificadora de plantas ornamentais
(MVisia)
A seleção de mudas de plantas ornamentais usualmente é feita manualmente por
humanos, num processo intuitivo baseado em sua experiência e caracteriza-se por ser
uma tarefa repetitiva e sujeita a erros sistemáticos de classificação. A adoção de robôs
é, portanto, vantajosa, por tratarem melhor a repetição de padrões que humanos, sem
apresentar fadiga ou erros repetitivos. Com esta visão de mercado, surgiu o sistema de
classificação automática de plantas da empresa brasileira MVisia, incubada no Cen-
tro de Inovação, Empreendedorismo e Tecnologia (CIETEC) do Instituto de Pesquisas
Energéticas e Nucleares (IPEN), em São Paulo.
A solução proposta pela empresa funciona a partir do reconhecimento de caracte-
rísticas visuais das mudas, através do treinamento de um algoritmo de visão computa-
cional utilizando cerca de 300 mudas separadas em subconjuntos. A máquina, então,
analisa as plantas que são posicionadas numa esteira e as classifica segundo parâme-
tros definidos como favoráveis pelo produtor e separa automaticamente as mudas que
serão comercializadas por meio de bicos ejetores de ar para retirar a seleção da esteira
e organizar os lotes.
Após a implementação da máquina seletora de mudas, foi possível elevar a taxa de
acerto para 80%, como declarado pelo engenheiro da empresa, Luiz Lamardo Silva, em
entrevista à Agência FAPESP [34].
23
Figura 2.9: Máquina seletora de mudas da fabricante brasileira MVisia [7].
2.5.4 Exemplo: Eliminação de ervas daninhas em plantações (Deep-
field Robotics)
Uma startup da gigante alemã Bosch, chamada Deepfield Robotics, desenvolveu
um robô autônomo para atuação na agricultura eliminando ervas daninhas de planta-
ções, por meio de algoritmos de reconhecimento de imagens e um manipulador con-
trolado para eliminar as plantas indesejáveis de uma determinada cultura. Outrora,
este problema era tratado apenas pela pulverização de substâncias químicas, que tam-
bém afeta plantas que podem, por exemplo, serem destinadas ao consumo humano; a
introdução de um robô para realizar tal tarefa passa a ser imprescindível para garantir
a qualidade dos alimentos de um determinado terreno.
A solução trata-se de um robô móvel autônomo que é colocado para circular ao
longo da plantação, com câmeras para analisar as folhas das plantas pelas quais passa.
Com base na forma da folha, é possível detectar ervas daninhas que se reproduziram e,
então, o robô ativa um mecanismo semelhante a um “carimbo”, que amassa as plantas
indesejáveis e interrompe seu crescimento. O robô foi projetado para funcionar por até
24 horas ininterruptas e já está sendo testado em operações autônomas em plantações
[8].
2.5.5 Exemplo: Depósito automatizado (Amazon)
A empresa de varejo americana Amazon organizou em 2015 uma competição mun-
dial para estimular o desenvolvimento de robôs para atuação em centros de distribui-
24
Figura 2.10: Robô BoniRob sendo testado em plantação [8].
ção de mercadorias, seguindo sua estratégia de automatizar sua cadeia logística e re-
duzir custos operacionais.
Diversas habilidades foram avaliadas quanto aos protótipos apresentados, como
a perícia em segurar objetos com geometrias complexas e estrutura delicada, desde
biscoitos até embalagens de papelão completas, além de serem classificados segundo
seu grau de autonomia para operar junto a humanos em seus centros de distribuição.
Mais de trinta equipes de diversos grupos de trabalho de Robótica móvel participa-
ram da competição durante a International Conference on Robotics and Automation
(ICRA 2015) – posteriormente, o concurso foi feito em conjunto com a copa RoboCup
– e foram escolhidos diversos itens de consumo vendidos pela empresa para treina-
mento dos algoritmos dos robôs, utlilizando fotos e dimensões físicas dos produtos.
Desde tesouras até taças de vinho foram movimentadas pelos robôs, exigindo pode-
rosos algoritmos de reconhecimento de imagem e alta precisão de movimentos dos
protótipos desenvolvidos.
Este movimento de adoção de robôs pela empresa estende-se desde 2012, com a
aquisição de uma empresa fabricante de robôs móveis autônomos – a americana Kiva
Systems. Seus robôs foram inseridos na planta da Amazon para reduzir as distâncias
percorridas por trabalhadores para alocar produtos em suas cestas de encomenda,
uma tarefa complexa que exige poderosa visão computacional da máquina para ser
bem executada. Outras informações sobre a competição podem ser encontradas em
[11] e [36].
25
Figura 2.11: Itens de consumo utilizados na avaliação do desafio de Robótica da em-
presa americana Amazon, em sua edição mais recente (Amazon Robotics Challenge
2017) [11].
2.5.6 Exemplo: Colaboração homem-robô em fábricas de automó-
veis (BMW)
A política de modernização do parque industrial da BMW vem sendo conduzida
para aumentar seu nível de automação, no entanto, sem deixar de desprezar as habi-
lidades cognitivas humanas, ditas “insubstituíveis” pela empresa. Este trabalho inclui
a adição de robôs colaborativos em suas linhas de produção e sistemas de assistência
para o operador humano, tornando as estações de trabalho digitais e integradas aos
sistemas internos da empresa.
As tarefas ligadas à geração de valor continuam alocadas para seres humanos, cujo
conhecimento e criatividade são reconhecidos como essenciais. Já as tarefas repetiti-
vas e que ocasionam desgaste físico são assistidas por robôs ou trajes robóticos, como
exoesqueletos, que trabalham lado a lado com humanos. Por exemplo, na fábrica da
26
alemã BMW em Dingolfing, na Alemanha, um robô leve auxilia operadores a fixar en-
grenagens de até 5,5 kg a eixos de transmissão, com precisão e mitigando possíveis
danos à saúde do trabalhador. Assim como na maioria das aplicações de Robótica co-
laborativa, sensores monitoram o tempo inteiro se há obstáculos na trajetória do robô
e garantem que, caso haja, seu funcionamento seja interrompido imediatamente [12].
Figura 2.12: Robô colaborando com operador humano em fábrica de montagem da
alemã BMW [12].
2.5.7 Exemplo: Veículo autônomo submarino para inspeção em
águas profundas (FlatFish)
Criado a partir de uma parceria entre a empresa BG, o SENAI Cimatec e a Empresa
Brasileira de Pesquisa e Inovação Industrial (EMBRAPII) – com apoio da Agência Na-
cional do Petróleo (ANP) e do Instituto Alemão de Robótica e Inteligência Artificial
(DFKI) –, o FlatFish é um veículo autônomo que opera em ambiente offshore a par-
tir de um plano de inspeção definido por um operador humano [13]. Após a definição
de uma missão, o próprio robô estabelece o caminho a ser percorrido e a coleta de
dados é feita e enviada para os colaboradores em superfície.
O FlatFish possui câmeras para inspeção visual tridimensional e em alta resolução,
permitindo detectar defeitos em tubulações de óleo e gás instaladas em alto mar, em
colaboração com uma equipe especializada de manutenção que pode estar instalada
em uma plataforma próxima. Com isto, é possível reduzir custos de forma substancial,
já que a mesma tarefa tradicionalmente mobiliza grandes equipes de mergulhadores
27
para inspeção.
Figura 2.13: Protótipo do robô FlatFish exposto em seu evento de lançamento [13].
28
Capítulo 3
Impactos da inovação na área de
Robótica na indústria e na sociedade
3.1 Aspectos socioeconômicos
O impacto socioeconômico dos avanços na área de Robótica vem sendo intensa-
mente discutido ao longo da última década, principalmente à luz dos reflexos na ge-
ração de empregos [37]. No entanto, há diversos cenários possíveis para a evolução da
indústria frente a estas mudanças, dependendo majoritariamente das mudanças que
se seguirão na formação da mão-de-obra, por exemplo.
Em um estudo publicado pela consultoria PricewaterhouseCoopers [38], com base
em dados coletados a partir do ano de 2007, cerca de 37% de trabalhadores entrevis-
tados em cinco países temiam que seus postos de trabalho fossem colocados em risco
pelas tecnologias digitais. Este dado reitera a necessidade de se aprofundar no assunto
e mapear os possíveis cenários desta tecnologia com maior precisão, para planejar e
agir frente ao futuro próximo com robôs industriais.
Em suma, os recentes adventos que surgiram no mundo estão não só a extinguir
postos de trabalho anteriormente existentes, mas também a redefini-los e dar-lhes no-
vas funções. Exemplo disto pode ser notado na taxa de emprego na indústria alemã,
que vem sofrendo forte queda ao longo dos últimos 26 anos (alcance da série histórica
do Banco Mundial) [14]. Em 1991, este setor econômico empregava cerca de 40% da
mão-de-obra do país, participação que caiu para menos de 28% no ano de 2017 (queda
acumulada de 33%).
29
Figura 3.1: Taxa de empregabilidade na indústria (porcentagem em relação ao em-
prego total) na Alemanha. Adaptado e traduzido a partir de série histórica do Banco
Mundial [14].
Nesta conjuntura, a manufatura avançada passa a gerar empregos para profissio-
nais altamente qualificados, como engenheiros das áreas de Robótica, Controle e Au-
tomação e Microeletrônica. A produção passa a ter um alto valor agregado, reduzindo
postos de trabalho manuais, muitas vezes, braçais e perigosos que existiam na indús-
tria outrora. Esta mudança de perfil da força de trabalho é condizente com o avanço da
tecnologia e mostra-se como via de mão única para o futuro de muitos dos subsetores
produtivos, de forma a garantir o aumento da produtividade e reduzir a periculosidade
de ambientes de trabalho.
Também pode ser notada a queda no preço de robôs voltados para o setor de fa-
bricação, enquanto os custos de mão-de-obra vêm crescendo, como pode ser visto na
figura 3.2. O primeiro fato é impulsionado pelo avanço tecnológico, principalmente,
pela maturidade desta tecnologia, enquanto o segundo se deve prioritariamente à
maior especialização de profissionais da área, de forma a manipular um parque indus-
trial mais moderno e atender a exigências de produtividade e qualidade mais restritas.
Ainda, a Robótica apresenta-se como solução para extinguir postos de trabalho cu-
30
Figura 3.2: Evolução do custo de mão-de-obra e de preços de mercado de robôs ao
longo dos últimos 30 anos nos Estados Unidos. Fonte: Economic Intelligence Unit;
IMB; Institut für Arbeitsmarkt- und Berufsforschung; International Robot Federation;
US Social Security data; análise da McKinsey & Company.
jas funções são peníveis, devido à disponibilidade e potência maiores das máquinas
em relação a trabalhadores humanos. Todavia, trabalhos que demandam precisão e
profissionais altamente especializados numa função manual ainda não estão ao nível
de serem executados por robôs. Neste contexto, tendências tecnológicas como a Inteli-
gência Artificial são incipientes no momento atual para se contrapor como alternativa
à mão-de-obra humana.
Enfim, para se trabalhar nesta fronteira tecnológica, há de se formular políticas
públicas considerando os cenários citados, aliando setores industriais e governos para
coordenar esforços para a transição de empregos, pesquisa e desenvolvimento e im-
plantação de novas tecnologias nos parques industriais. Desta forma, torna-se possível
acompanhar as tendências tecnológicas em Robótica que serão descritas no decorrer
31
deste documento.
3.2 Potencial tecnológico a ser desenvolvido
As tecnologias associadas à Robótica viabilizam diversas aplicações em todos os
setores da economia [39]. Funções peníveis para seres humanos ou mesmo impossí-
veis de serem realizadas, devido a condições extremas do ambiente de sua operação,
podem, então, ser realizadas por máquinas adaptadas a este serviço.
Embora seja voltada para este tipo de aplicação no momento atual, a Robótica tam-
bém tem tido maior destaque no setor de serviços e amenidades, cujas aplicações en-
volvem robôs de serviços (service robot, segundo a classificação do IFR [3]) e tecnolo-
gias assistivas para auxiliar pessoas com deficiência, por exemplo.
Frente a estas vias promissoras de criação de novos negócios, este campo de co-
nhecimento depende da pesquisa e desenvolvimento de tecnologias nos campos da
microeletrônica, arquitetura de rede, tratamento de dados e inteligência artificial. Para
que estas tecnologias possam ser implementadas com sucesso, a estrutura e mecanis-
mos robóticos são componentes essenciais a serem aprimorados e otimizados, para
que se obtenha uma operação sem falhas dos robôs em questão.
Este tema insere-se como de grande importância para o desenvolvimento indus-
trial do Brasil, cuja iniciativa Indústria 2027 inclui a Robótica dentro de clusters tecno-
lógicos que irão impactar os sistemas produtivos. Em estudo desenvolvido por pesqui-
sadores da Universidade Federal do Rio de Janeiro (UFRJ) e da Universidade Estadual
de Campinas (UNICAMP), junto ao Instituto Euvaldo Lodi e a Confederação Nacional
da Indústria, são apresentados os riscos e oportunidades frente a inovações disruptivas
relacionadas que irão crescer nos próximos anos [21].
No estudo acima, a Robótica insere-se nos seguintes grupos de tecnologias, com as
aplicações listadas abaixo:
• Inteligência artificial, big data e computação em nuvem: robôs em associa-
ção com software para raciocínio preditivo, conceitualização, planejamento de
ações, navegação e controle. Ex.: robôs voltados para logística.
• Produção Inteligente e Conectada: sistemas ciberfísicos aplicados à cadeia pro-
dutiva, envolvendo robôs para realizar tarefas em campo de maneira autônoma
32
por meio de sensores e atuadores. Ex.: robôs colaborativos para preensão de
objetos pesados junto a humanos.
33
Capítulo 4
Prospecção tecnológica e suas
ferramentas
4.1 Definições e objetivos
Um estudo prospectivo no campo tecnológico é uma ferramenta de auxílio à to-
mada de decisão que tem suas bases na pesquisa de tecnologias sobre um determi-
nado tema ou setor de aplicação. Seu principal objetivo é o de guiar a estratégia de
uma empresa ou políticas públicas na configuração de cenários possíveis para o de-
senvolvimento de uma determinada tecnologia [40], fundamentada em fontes de arti-
gos científicos, patentes depositadas e outros documentos publicados abertamente a
título de divulgação científica ou proteção intelectual.
Conforme corroborado por Bissoli et al. [40], a prospecção tecnológica pode ser re-
alizada de maneiras distintas, segundo os meios disponíveis para pesquisa tecnológica
e seus objetivos principais:
1. Inferências sobre o futuro, com base em informações passadas: considera-se o
cenário atual como o ponto de partida de desenvolvimento de uma determinada
tecnologia, sem considerar rupturas tecnológicas ou descontinuidades que pos-
sam surgir em função de medidas comerciais, de comportamento de consumo,
entre outras razões. Portanto, deve-se possuir vasta informação sobre o estado
da arte atual;
2. Geração sistemática de cenários possíveis: a partir da análise do desenvolvi-
34
mento de tecnologias correlatas, é levada em conta a influência destas na evolu-
ção da tecnologia em questão, assim, não partindo apenas de um estado da arte,
mas de diversas vias possíveis de desenvolvimento;
3. Consenso entre especialistas: estudo atrelado a visões de especialistas sobre um
determinado tópico, altamente dependente de uma expertise na área pesqui-
sada. Neste caso, um painel DELPHI é a forma mais comum de aplicação da
técnica e parte-se do princípio de que o consenso obtido por um grupo de espe-
cialistas apresenta maior consistência que o conhecimento aportado por cada
um individualmente e de forma não estruturada como num grupo de estudos
sobre um tema.
Dadas as técnicas utilizadas para prospecção, conforme descrito acima, a utiliza-
ção de meios digitais para a pesquisa tecnológica insere-se como uma vantagem com-
petitiva para a reiterar o estado da arte e aumentar a qualidade das informações para
a geração de cenários. Isto se deve ao fato de a maioria das análises atualmente serem
feitas de forma manual, por exemplo, a análise de patentes quanto a suas informa-
ções é feita para cada patente e não para um grupo inteiro de patentes de um mesmo
assunto.
De maneira objetiva, a utilização de bases de dados informatizadas permite a ob-
tenção de informações de alta qualidade e especificidade para reforçar estudos de
prospecção tecnológica. Por exemplo, estudos realizados por meio de consenso po-
dem ser aprimorados, já que o conhecimento e experiência de especialistas partici-
pantes podem ser validados por meio de dados confiáveis obtidos junto a escritórios
de patentes e periódicos científicos.
A qualidade da informação disponível nestas bases repousa sobre o consenso de
outros especialistas da área, visto que a publicação de um determinado artigo ou pa-
tente necessariamente passa também por uma comissão de especialistas. Portanto,
assume-se que tais dados são de qualidade desejável e um estudo de prospecção tec-
nológica pode ser desenvolvido com um alto volume de informações, em alguns casos
mais amplo que o volume discutido num consenso entre especialistas, desde que se-
jam utilizadas técnicas corretas de processamento de dados.
35
4.2 Ciclo de vida tecnológico
O ciclo de vida de uma tecnologia abrange todas as suas fases de adoção e desen-
volvimento, podendo ser medido por algumas variáveis representativas de seus pro-
dutos derivados.
De forma ilustrativa, um produto extremamente inovador pode ter seu ciclo de vida
mapeado a partir de sua curva de concessão de patentes, que pode indicar se há uma
tendência de aumento do depósito de patentes para proteger funcionalidades. A partir
desta análise, é possível estipular se a tecnologia encontra-se em crescimento e busca
garantir sua vantagem competitiva por meio da estratégia de aumento de propriedade
intelectual. Gao et al. sugerem em [41] uma metodologia que agrega outros elemen-
tos para medir o ciclo de vida descrito, tais como quantidade de citações da patente,
número de patentes concedidas, entre outros.
Alternativamente, pode-se acompanhar o volume de vendas de um determinado
produto tecnológico ao longo do tempo e detectar a tendência de sua curva, compre-
endendo a penetração do produto no mercado e se há saturação do consumo. Outra
possibilidade é realizar as mesmas análises citadas anteriormente, porém, incluindo o
investimento em pesquisa e desenvolvimento como abcissa, para acompanhar a con-
versão de recursos em vendas.
As curvas de crescimento vem sido desenvolvidas para explicar o comportamento
de populações, humanas ou não, e fenômenos naturais. As contribuições de estudos
deste tipo foram consideradas por Altshuller para formular a evolução dos sistemas
tecnológicos [15], de forma a permitir a identificação do ciclo de vida de uma deter-
minada tecnologia. Nesta curva, há a distinção entre três pontos característicos, como
apresentado por Labouriau e Naveiro [42]:
1. Desenvolvimento inicial lento, com o crescimento do número de invenções, cuja
qualidade é elevada, mas com baixo retorno financeiro;
2. Curva mais íngreme de desempenho da tecnologia, com aumento consistente
no número de invenções e redução do caráter inovativo destas (predominância
de soluções de melhoria de processos de fabricação, redução de custos, entre
outros);
36
3. Redução do número de invenções e estabilização da performance das soluções
tecnológicas; pico da lucratividade das invenções.
Figura 4.1: Curvas relacionadas ao ciclo de vida de uma tecnologia, como propostas
por Altshuller [15, 16].
Este modelo é também apresentado por Labouriau [16], conforme descrito por
Mansfield [43], e descreve o ciclo de vida tecnológico como uma curva crescente em S,
associada a uma função logística1. Esta curva apresenta quatro fases distintas, dentre
as quais [44]:
• Nascimento ou Pesquisa e Desenvolvimento (P&D): investimentos importantes;
volume de vendas ainda nulo ou baixíssimo; alto risco de falha comercial;
• Crescimento: lançamento da tecnologia ao mercado de forma consistente; au-
mento do volume de vendas; ascensão ao ponto de maior sucesso da tecnologia;
depósitos de patentes relacionadas a novas funcionalidades;
• Maturação: alto volume de vendas, porém, estável; redução dos custos produti-
vos;
1Função sigmoide característica de modelos de crescimento.
37
• Declínio: diminuição das vendas; absorção por outras tecnologias.
O limite de desempenho de uma tecnologia se dá ao fim da etapa de declínio, po-
dendo haver adição de novas funcionalidades em função de novos investimentos em
P&D, substituição por outra tecnologia ou desuso por declínio comercial e mudanças
de hábitos de consumo. Isto se reflete diretamente na curva S, em que há a sobrepo-
sição de diversas curvas, que surgem com a entrada de novos atores no mercado da
tecnologia em questão, como ilustrado na figura 4.2.
Figura 4.2: Modelo de curva S para a performance de negócios de determinada tecno-
logia, adaptado de Accenture [17].
Esta curva será muito importante para avaliar a etapa em que se encontra uma
tecnologia e, assim, determinar sua tendência de desenvolvimento, principal objetivo
deste estudo.
4.3 Bibliometria aplicada a publicações científicas
A definição de bibliometria por Thomson Reuters [45] estabelece que este método
consiste na utilização de uma análise quantitativa e estatística de publicações científi-
cas e seus dados associados, como autores, jornais em que foram publicadas, univer-
sidades e redes de colaboração científica.
Inicialmente utilizada como indicador para avaliar o desempenho de pesquisas,
seus laboratórios e autores, esta técnica vem sendo expandida também para a área de
38
inteligência competitiva, na previsão de cenários e prospecção tecnológica. Combi-
nada com a análise por pares, que agrega a percepção humana e a experiência de seus
avaliadores para atribuir um nível de qualidade a publicações, a bibliometria permite a
detecção de padrões não evidentes à análise qualitativa, revelando polos de produção
científica relevantes.
Com o aumento do poder de computação e a expansão das bases de dados cien-
tíficas, a bibliometria tornou-se viável econômica e operacionalmente, podendo ser
realizada: de forma prévia ao trabalho de pesquisa, para orientar linhas de pesquisa
emergentes; sob a forma de avaliação de performance de instituições de pesquisa ou
pesquisadores. Alguns dos indicadores que podem ser mensurados pela bibliometria
são listados em [45]:
• Identificação dos trabalhos pioneiros numa determinada linha de pesquisa, pela
análise temporal das publicações sobre um campo do conhecimento;
• Influência de uma publicação, através da medida de citações deste documento
por outros publicados posteriormente;
• Produtividade de pesquisadores ou centros de pesquisas, a partir da contagem
de artigos publicados.
No âmbito da prospecção tecnológica, tais indicadores permitem detectar tecno-
logias promissoras que não seriam facilmente detectadas apenas por uma análise qua-
litativa. Além disso, permite estabelecer relações entre núcleos de pesquisa, abrindo
espaço para compreender as tendências de uma determinada linha de pesquisa.
A partir desta análise, é possível montar mapas conceituais, mapas de citação, sé-
ries temporais contendo publicações científicas por região ou instituições e outras in-
formações muito relevantes para orientar a estratégia de pesquisa e desenvolvimento
de uma empresa ou uma determinada política pública para um setor.
Esta metodologia já foi aplicada com sucesso para estudar as tendências tecnológi-
cas do setor aeroespacial [46], em que se traçou mapas de citação para palavras-chave
contidas nos títulos e resumos de publicações científicas da área. Neste artigo, uti-
lizando um software específico, os autores puderam identificar diferentes grupos de
tecnologias dentro deste campo do conhecimento. Então, a partir dos mapas criados,
39
foram detectadas as tecnologias associadas a um desenvolvimento mais intenso, como
as pesquisas sobre satélites.
4.4 Método de busca de propriedade intelectual
4.4.1 Definição de uma patente
Por definição, uma patente é um direito concedido sobre uma invenção a seu in-
ventor, com a contrapartida de divulgação de suas informações técnicas em um docu-
mento público [47]. A propriedade intelectual é uma ferramenta de proteção de inven-
ções oriundas do trabalho de pesquisa e desenvolvimento (P&D) dentro de universida-
des, empresas e centros conjuntos de pesquisa, sendo as patentes válidas no território
em que são depositadas. De forma mais clara, uma patente depositada no Instituto Na-
cional de Propriedade Intelectual (INPI) no Brasil apenas representará proteção para
seu depositante em território brasileiro; quaisquer invenções relacionadas ou aplica-
ções industriais comercializadas em outros países não deverão efetuar o pagamento
de royalties ou qualquer soma sobre o direito de utilização da invenção reivindicada.
Na atualidade, as patentes são elementos importantes para instituições de pes-
quisa, empresas e governos, sendo utilizadas para proteger legalmente inovações e
mercados de alto valor agregado. Esta importância estratégica pode, inclusive, gerar
conflitos para a exploração de determinada tecnologia, como ocorre na indústria de
eletrônicos entre as empresas Apple e Samsung [48] e em engenharia genética [49].
Em alguns casos, como o da indústria de eletrônicos, a exploração de uma deter-
minada tecnologia já patenteada sem o devido licenciamento pode, inclusive, levar à
proibição da comercialização de um produto. Portanto, a proteção comercial e econô-
mica fornecida pelas patentes é um fator que estimula o investimento em pesquisa e
desenvolvimento de novos produtos por instituições de pesquisa e empresas.
Desta forma, representa uma fonte pública de informações tecnológicas, que pode
ser usada para fins de previsão de cenários, pesquisa de soluções para um determi-
nado problema e, principalmente, acompanhamento de inovações em um determi-
nado setor. Ademais, ao serem monitoradas, indicam os principais atuantes dentro de
um mercado, tendências de crescimento de tecnologias e efetividade da P&D para um
dado investimento.
40
As patentes podem ser classificadas em grupos distintos segundo a proteção confe-
rida pelo escritório de propriedade intelectual em que é depositada. No escopo deste
estudo, serão utilizadas as definições do escritório americano de patentes, o United
States Patent and Trademark Office (USPTO), em função de este disponibilizar uma
ferramenta para automatizar a busca de patentes.
Os tipos de patentes relevantes para este trabalho são os seguintes:
• Patente de utilidade (utility patent): compreende os aspectos funcionais de uma
determinada invenção, sendo o tipo mais comum de patente depositada no
USPTO. Em geral, é concedido entre dois e três anos após o depósito junto ao
escritório de propriedade intelectual e permite a proteção de diversas configu-
rações de um mesmo produto patenteado;
• Desenho industrial (design patent): engloba as características visuais e constitu-
tivas do desenho de uma determinada invenção, ou seja, ligada a uma determi-
nada configuração ou forma de um produto.
4.4.2 Relevância do mercado de patentes
O mercado de patentes vem acumulando alta no número de depósitos de maneira
consistente nos últimos anos, acompanhando o desenvolvimento da economia glo-
bal. Como descrito em relatório da Organização Mundial de Propriedade Intelectual
(WIPO, em inglês) [18], este crescimento é puxado pelos depósitos na China, que au-
mentaram em 21,5% no ano de 2017, assim como houve intensificação dos depósitos
de patentes, marcas e desenhos industriais nos Estados Unidos.
O cenário brasileiro apresenta um crescimento expressivo desde 1995, estando
apenas atrás da Índia em termos de crescimento em relação a esta referência, tendo
o número de depósitos de patentes quase quadruplicado no período. Entretanto, o
número de patentes potencialmente em pendências para concessão também cresceu
junto com tal estatística, demandando a adaptação das rotinas de aprovação a um ní-
vel mais elevado de documentos a se analisar. Neste âmbito, a utilização de ferramen-
tas digitais para o mapeamento tecnológico introduz-se como uma alternativa para
auxiliar examinadores e advogados a realizarem a análise de propriedade intelectual,
como será discutido na continuação do presente estudo.
41
O depósito de patentes é uma ferramenta muito poderosa para a indústria e indiví-
duos, visto que pode proteger por até vinte anos uma determinada invenção, sendo um
importante ativo intangível de seus depositantes. A exploração comercial de uma pa-
tente é uma atividade lucrativa que permite aos detentores de propriedade intelectual
a reinvestir em pesquisa e desenvolvimento com recursos de royalties, por exemplo,
contribuindo de tal maneira para o desenvolvimento tecnológico global.
O gráfico da figura 4.3 ilustra os fatos expostos anteriormente e demonstra a cres-
cente relevância do assunto no mundo. O tamanho de cada barra do gráfico é pro-
porcional ao aumento de patentes em relação ao ano de 1995, ou seja, a barra possui
tamanho unitário para os depósitos em 1995. Caso estes tenham dobrado na década
seguinte, a barra terá tamanho dois.
Figura 4.3: Evolução do número de depósitos de patentes em escritórios de proprie-
dade intelectual no mundo. O gráfico representa o crescimento proporcional ao ano
de 1995 (o valor neste ano para todos os países é, portanto, igual a 1). Adaptado de
WIPO [18].
42
4.4.3 Análise de dados de publicação de patentes
Uma grande variedade de metodologias pode ser adotada para realizar a análise
do conteúdo de patentes, sendo mais comuns aquelas baseadas em análise de textos e
séries temporais.
Uma das técnicas mais promissoras é a de análise de citações, que avalia a rela-
ção entre diferentes patentes segundo sua rede de citações, isto é, quais patentes são
citadas num documento e a quais patentes este mesmo documento faz referência.
Yoon e Park [50] descrevem alguns dos indicadores que procedem desta técnica:
• Citações por patente: pode indicar a relevância de uma determinada patente, se
o indicador for comparado entre diversos documentos de um mesmo assunto;
• Distância entre patentes: avalia a dependência entre duas tecnologias, por meio
do traçado de um caminho de citações entre ambas. Quanto mais citações em
comum possuem, maior o seu impacto;
• Indicadores temporais: permitem avaliar a latência na aprovação de patentes
num determinado setor, indicando a complexidade de avaliação dos depósitos,
detectar oportunidades de mercado com o crescimento do depósito de patentes
relacionadas a determinado tema, entre outras aplicações.
A técnica de análise da rede de citações encontra resultados práticos num estudo
de previsão de tecnologias emergentes na subcategoria 11 do USPTO, que engloba
agricultura, alimentos e têxteis [51]. A partir de uma grande quantidade de patentes
associada a esta subcategoria, implementada em 1991, foi possível detectar o desen-
volvimento de um novo ramo tecnológico.
Este grupamento de documentos veio a ser associado a uma nova classificação do
USPTO, criada em 1997, ou seja, o algoritmo criado permitiu a previsão de uma tec-
nologia emergente antes que o escritório local de patentes pudesse identificar o de-
senvolvimento deste novo grupo de tecnologias e alocá-lo numa nova subcategoria
dedicada.
Ademais, a análise temporal de depósitos de patentes inclui-se com grande desta-
que para determinar a evolução de determinada tecnologia ao longo do tempo. Por
meio desta curva, pode-se calcular, por exemplo, a aderência do gráfico a uma curva S
e, assim, detectar a situação do mercado em relação a um grupo de invenções [52].
43
Este resultado pode representar uma métrica para uma empresa avaliar se deve
ou não se lançar em determinado mercado, baseado em sua etapa correspondente na
curva S (pesquisa e desenvolvimento, desenvolvimento de novo produto ou satura-
ção).
4.4.4 Sistemas de classificação de patentes ao redor do mundo
A classificação de patentes é uma atividade primordial para que examinadores,
analistas de propriedade intelectual, inventores e sociedade possam ter acesso faci-
litado ao estado da técnica sobre determinada invenção.
O Instituto Nacional de Propriedade Intelectual (INPI), entidade ligada ao Minis-
tério da Indústria, Comércio Exterior e Serviços, define o conhecimento de estado da
técnica segundo a referência abaixo, sendo LPI a Lei de Propriedade Industrial (Lei nº
9.279, de 14 de maio de 1996) [53]. Retirado de [54]:
"Constituído por tudo aquilo tornado acessível ao público antes da data
de depósito do Pedido de Patente, por descrição escrita ou oral, por uso ou
qualquer outro meio, no Brasil ou no exterior (Art. 11, § 1º da LPI), ressal-
vado o disposto nos Arts. 12 (Período de Graça), 16 (Prioridade Unionista) e
17 (Prioridade Interna) e excluído o que é mantido em segredo de fábrica.”
Neste sentido, existem diferentes sistemas de classificação, dentre eles o IPC e o
CPC. O IPC é uma classificação internacional criada em 1971 pela Convenção de Es-
trasburgo, sendo utilizada por diversos escritórios de patente ao redor do mundo de
maneira unificada. Para se adaptar aos progressos tecnológicos, esta classificação foi
separada em dois níveis de profundidade: núcleo (core), atualizado trienalmente, e
avançado, atualizado continuamente [47].
O CPC é um sistema de classificação que entrou em vigor em 2013, criado em con-
junto pelos escritórios americano (USPTO) e europeu de patentes (European Patent
Office, EPO), sendo utilizado como principal classificação pelo EPO. Este sistema herda
as mesmas seções que o IPC, mas adiciona uma seção nova a seu corpo: a seção Y, res-
ponsável por agrupar tecnologias disruptivas ou que são transversais a diversas seções
[19].
44
Com o objetivo de permitir a comparação entre ambas as classificações, foi criada
uma tabela de concordâncias entre os sistemas, que pode ser consultada para cada
subclasse no site do USPTO [55].
Ambos os sistemas de classificação possuem uma estrutura hierárquica organizada
a partir de diferentes seções, nomeadas segundo as grandes áreas de aplicação de in-
ventos (figura 4.4).
Figura 4.4: Exemplo de organização hierárquica da classificação CPC. Traduzido de
EPO [19].
4.5 Definição do escopo da prospecção tecnológica
Após a extensa revisão dos conceitos relacionados a Robótica apresentados, o es-
copo da prospecção tecnológica foi definido segundo os seguintes critérios:
• Tema com relevância para o mercado de tecnologia atual;
• Existência de quantidade significativa de artigos científicos e patentes relaciona-
das, de modo a gerar dados estatisticamente significativos acerca da produção
intelectual sobre o assunto;
• Aplicações diretas no ramo de Engenharia Mecânica, campo de estudo do autor
e com o qual adquiriu experiência prática durante a graduação.
Segundo Aristodemou et al. [56], em estudo publicado pelo Institute for Manufac-
turing da Universidade de Cambridge [57], as tecnologias relacionadas à Internet das
Coisas e à Indústria 4.0 estão impactando consideravelmente a publicação de paten-
tes no mundo. Com isso, escolheu-se pesquisar acerca da Robótica autônoma e suas
aplicações.
45
Em função de as patentes serem uma amostra relevante da inteligência competitiva
da indústria, como descrito em estudo promovido por Shih et al. [58], esta fonte de
informações foi preconizada para realizar a prospecção em questão. Ainda segundo
este estudo, mudanças na evolução do depósito de patentes influenciam as estratégias
de pesquisa e desenvolvimento deste setor da economia, comprovando sua relevância
para a detecção de tendências tecnológicas [59].
46
Capítulo 5
Estudo da produção de patentes
relacionadas a Robótica autônoma
Com base no estudo realizado, o autor definiu as seguintes questões a se responder
a partir dos resultados deste trabalho:
Q1: Qual tem sido a evolução no número de patentes concedidas neste
setor?
Q2: Quem são os principais atuantes neste nicho com base na publicação
de patentes? Qual é a distribuição geográfica destas instituições?
Q3: Quais são os grupos de tecnologias que surgem a partir da análise des-
tes dados? Há predominância de determinado grupo ou seção CPC?
O primeiro tópico é de grande importância para avaliar a dinâmica de publicação
de patentes para o escopo escolhido e, portanto, validar a relevância do tema no mo-
mento atual em escala mundial. De posse desta observação, é possível definir se o
mercado está em pleno desenvolvimento, implicando em uma publicação acelerada
de patentes ou se a tecnologia vem se alojando num patamar estável.
Além disso, a análise da proporção entre o tipo de patente publicado – invenção
radical ou incremental – permite conjecturar sobre o cenário do desenvolvimento de
determinado nicho de produtos, maior proteção de novas versões e formas deste pro-
duto ou de inovações que agregam novas funcionalidades a este, indicando o grau de
maturidade deste produto.
47
A resposta à segunda questão revela o perfil dos players do mercado especificado,
quanto ao tamanho de sua estrutura, se é formado por startups ou dominado por gran-
des conglomerados multinacionais, sua concentração geográfica – indicado por Ra-
mos [60] como sugestão de trabalho futuro – e sua importância para o setor em termos
de participação de mercado.
Finalmente, o estudo de clusters formados dentro da amostra de patentes aponta
os diferentes ramos tecnológicos que podem surgir com o progresso da pesquisa e de-
senvolvimento, assim como as áreas do conhecimento que compõem as tecnologias
de um determinado tema.
5.1 Metodologia adotada
De posse da revisão bibliográfica das metodologias de prospecção tecnológica, fo-
ram selecionadas aquelas cujos resultados esperados mais se aproximavam dos objeti-
vos deste estudo. A metodologia adotada pelo autor, que será apresentada a seguir, tem
como base o framework proposto por Yoon e Park [50], que propõe a coleta dos dados
não-estruturados de patentes, posterior extração deste conteúdo, para transformá-lo
em dados estruturados para serem analisados utilizando uma linguagem de progra-
mação.
A metodologia de busca e os dados a serem recuperados, tais como informações
sobre as empresas depositantes e sua localização geográfica, foram construídos a par-
tir da leitura dos artigos publicados por Bissoli et al. [40, 61]. Esta referência surgiu a
partir do contato com dois engenheiros examinadores do INPI – Fernando Labouriau e
Antônio Abrantes –, que contribuíram substancialmente para se entender a dinâmica
de análise de propriedade intelectual de um escritório de patentes.
Por fim, o autor inspirou sua metodologia nos elementos descritos por Labouriau
e Naveiro [42], sobre o padrão evolucionário das tecnologias e sua contribuição para
o desenvolvimento de produtos, e sugestões de trabalhos futuros dentro do escopo de
prospecção tecnológica propostos por Ramos [60]. O trabalho produzido por Ander-
sen [64] permitiu ao autor aprender sobre um modelo matemático para validar as in-
formações obtidas sobre ciclo de vida tecnológico, sob o ponto de vista de seu padrão
de evolução.
48
5.1.1 Procedimento de estudo
Como primeira etapa deste estudo, o autor realizou uma pesquisa extensa sobre
as tecnologias que compõem as soluções em Robótica, como apresentado no início
deste trabalho. Após definido o escopo da prospecção tecnológica, foi necessário es-
truturar uma busca no banco de dados de patentes. Os parâmetros associados a esta
busca estão contidos nas condições da consulta presentes numa query, isto é, um co-
mando enviado a uma base de dados para recuperar informações que se encaixem em
condições estabelecidas.
Os resultados desta busca serão, então, obtidos de um repositório de patentes, con-
tendo tanto dados estruturados – ou seja, aqueles organizados em campos especifica-
dos dentro de uma base de dados, por exemplo, número da patente, ano de depósito,
entre outros – quanto não estruturados.
Para visualizar graficamente a evolução do depósito de patentes ano após ano, o
autor escreveu um algoritmo que assume como entrada os números de cada patente e
seus anos de depósito e obtém todos os dados referentes a uma determinada patente.
Este procedimento foi mais longo para algumas das características extraídas das pa-
tentes, como sua distribuição geográfica, que demandou ao autor de reestruturar estes
dados, associando coordenadas geográficas ao país em que uma determinada patente
foi publicada, tornando possível exibir as patentes num mapa geográfico.
A análise do título e do resumo das patentes é, pois, feita por meio de técnicas de
mineração de texto1, que separa o texto em seus componentes primários num pro-
cesso denominado parsing para cada um dos documentos de propriedade intelectual
analisados. Esta informação é, em seguida, estruturada numa matriz que contém cada
termo ou conjunto de palavras contido nestes textos e, então, diversas métricas podem
ser extraídas desta variável. A frequência de ocorrência de cada termo, a contagem de
aparições em diferentes documentos da coleção de resultados, bem como termos vi-
cinais e suas relações semânticas podem ser estudadas para extrair informações úteis
destes dados, tais como as palavras-chave de cada invenção.
As métricas de análise textual citadas acima também podem ser utilizadas para
agrupar as patentes em grupos distintos, segundo sua similaridade e nos termos utili-
1Emprego de técnicas de obtenção de informações relevantes de um determinado texto, por exemplo,
por meio de sua decomposição em palavras-chave.
49
zados em cada uma das patentes.
Figura 5.1: Fluxograma da metodologia adotada para realizar o estudo de prospecção
tecnológica (elaborado pelo autor).
5.2 Escolha da base de dados a ser empregada
Para melhor definir a base de dados a ser escolhida para obter as informações de
propriedade intelectual, o autor listou primeiramente as informações que se deseja
obter junto a este repositório:
• Número da patente;
• Classificações CPC e IPC (ref. subseção 4.4.4);
• Classificação quanto ao tipo de invenção (radical ou incremental);
• Ano de depósito;
• Autores e empresa requerente;
• País do requerente;
• Título e resumo.
Tendo em vista que recuperar todos estes dados manualmente, para cada patente
presente na coleção de resultados, não permite lidar com uma grande escala de dados,
devemos analisar as possibilidades para realizar este processo de forma automática e
ágil.
50
Uma das alternativas é a utilização de reconhecimento ótico de caracteres (em in-
glês, Optical Character Recognition ou OCR), que possibilita a extração de caracteres
a partir de um documento digital, como um PDF, para digitalizar um texto. Todavia,
este processo exige que cada documento seja recuperado separadamente para que se
aplique este algoritmo, tomando tempo de processamento além do que já é necessário
para manipular os dados obtidos e extrair informações úteis.
É possível também obter as patentes diretamente dos sites dos escritórios de pa-
tentes, por meio de uma técnica chamada web scraping, em que o código HTML2 pre-
sente na página de exibição da patente é filtrado de forma a obter os dados contidos
nos campos preenchidos. Assim como a alternativa anterior, este método exigiria pro-
cessar cada patente individualmente, aumentando o tempo de preparação do estudo
e acrescentando maior complexidade aos algoritmos de análise.
Portanto, a recuperação dos dados a partir de uma base que já contenha todos os
resultados da busca estruturados em um arquivo mostra-se como a alternativa mais
viável frente à quantidade de dados disponíveis referentes a Robótica Autônoma.
Felizmente, esta opção está disponível para a base de dados do USPTO, por meio
de uma interface denominada USPTO PatentsView ("PatentsView"por USPTO está li-
cenciado sob CC BY 4.0)3[62]. Trata-se de um conjunto de comandos que permitem
obter junto à base de dados citada diversas informações sobre as patentes de forma
simplificada; sua interface será apresentada em seguida neste documento.
Em razão de haver esta ferramenta disponível, o autor preconizou a implementa-
ção da metodologia proposta para uma amostra de patentes oriundas do USPTO.
O banco de dados do USPTO está disponível online para inventores, pesquisadores
e outros usuários e armazena todos os conteúdos de cada patente depositada na ins-
tituição desde o ano de 1976 [55]. Adicionalmente, a plataforma disponibiliza todas as
patentes digitalizadas desde o primeiro documento depositado no órgão, em 1790.
Logo, trata-se de poderosa fonte de informações, que já passou por diversos testes
de utilização e concentra uma quantidade significativa de patentes relevantes para os
mercados de tecnologia.
2Hypertext Markup Language: linguagem base da internet que contém texto e formatação de páginas
web.3Mais detalhes sobre a licença de utilização desta ferramenta estão disponíveis no link:
https://creativecommons.org/licenses/by/4.0/.
51
5.3 Interface de busca e recuperação de resultados
Conforme supracitado, foi utilizada a interface API 4 USPTO PatentsView para re-
alizar as buscas e obter seus respectivos resultados no repositório de documentos de
propriedade intelectual da instituição. Apoiada pelo escritório americano de paten-
tes USPTO e sua pasta Office of Chief Economist, esta iniciativa foi lançada em 2012
em colaboração entre o USPTO, o United States Department of Agriculture (USDA), o
Center for the Science of Science and Innovation Policy, a Universidade de Nova York,
a Universidade da California-Berkeley e as empresas Twin Arch Technologies e Peris-
copic [63].
Esta plataforma visa a tornar mais transparentes os dados de patentes deposita-
das nos Estados Unidos e, desta forma, estimular estudos acerca da propriedade in-
telectual e da inovação e eliminando a necessidade de limpar e converter os dados
de patentes por parte de pesquisadores. Alguns critérios de busca possíveis de serem
incluídos estão presentes no apêndice A.
De modo a processar os dados obtidos por meio das buscas no USPTO, o autor
empregou a linguagem de programação R, cuja utilização é gratuita e funciona em di-
versos sistemas operacionais. Assim, a API PatentsView foi utilizada dentro do próprio
código em R através da biblioteca “patentsview”.
O modus operandi desta ferramenta baseia-se nos seguintes passos:
• Formulação de uma consulta ao banco de dados contendo os termos a serem
pesquisados e filtros da busca (ex. intervalo de tempo para o qual efetuar a
busca, em quais classes IPC recuperar patentes);
• Definição dos campos a serem recuperados da base de dados, entre eles número
da patente, título, país de depósito, citações, entre outros;
• Obtenção de uma matriz contendo os resultados no formato dataframe (estru-
tura da linguagem R), como presente na figura 5.2;
• A matriz de resultados é, enfim, processada utilizando funções de análise de da-
dos da linguagem de programação R.
4Conjunto de comandos e padrões de programação para recuperação de dados baseados na web.
52
Figura 5.2: Exemplo de tabela obtida após a obtenção dos resultados da query enviada
(captura de tela do software open source R).
A grande vantagem da utilização desta plataforma, que vai de encontro aos objeti-
vos gerais deste estudo, é a recuperação de todo o conjunto de dados que corresponde
aos termos buscados. Portanto, ao realizar uma busca, em vez de os resultados serem
exibidos num sítio, como no caso de uma busca convencional, é retornado um arquivo
de texto contendo todos os dados solicitados prontos para serem processados por um
software de manipulação de dados.
Esta modalidade é significativamente mais ágil que a pesquisa tradicional em sítios
de escritórios de patentes para o usuário comum, que demanda tempo para acessar
cada documento e salvar seu conteúdo, além de exigir a interpretação de cada campo
de característica da patente para salvá-los numa estrutura de dados. Exemplificando,
é necessário inserir manualmente dados como ano de concessão da patente, invento-
res, depositante, entre outros, na estrutura de dados para registrar estas informações
relacionadas a uma patente.
A ferramenta inovadora citada anteriormente realiza todas estas tarefas em tempo
mínimo e de forma automática, deixando ao autor apenas a tarefa de analisar os dados
e extrair informações valiosas destes.
53
5.4 Manipulação dos resultados obtidos
A matriz contendo os resultados da query é processada utilizando a mesma lingua-
gem de programação anteriormente citada, para organizar três conjuntos de dados,
agregados utilizando como chave o número da patente. São estes:
• Número da patente, ano de depósito, tipo de invenção;
• Número da patente, empresa requerente, país do requerente, coordenadas geo-
gráficas do requerente (dados derivados do país do requerente, obtido por meio
de biblioteca de mapas);
• Número da patente, conjunto de palavras componentes do título, conjunto de
palavras componentes do resumo.
Para obter as palavras que compõem o título e o resumo da patente, os textos são
cortados a cada espaço entre conjuntos de caracteres. Desta maneira, restam apenas
unidades do texto, denominadas chaves ou tokens, que são conjuntos de palavras e
pontuações a serem considerados, sendo estes últimos descartados.
Subsequentemente, todas as palavras são reduzidas às suas versões em letra mi-
núscula e as palavras de parada – palavras que não possuem significado que altere o
texto ou que representem apenas ligações entre palavras, tais como artigos, conjun-
ções e preposições – são removidas da lista a ser processada. Por fim, é aplicada uma
transformação chamada stemming para obter raízes das palavras (que nem sempre
coincidem com seu radical gramatical), ao remover sufixos e identificações destes ter-
mos.
Esta operação é útil para facilitar a detecção de palavras comuns entre os textos,
assim como visualizar os termos com maior coocorrência, isto é, que ocorrem de ma-
neira conjunta com maior frequência.
5.5 Modelo de crescimento do número de concessões de
patentes
Com base no disposto no capítulo 4, as patentes são um indicador relevante da ati-
vidade inventiva, podendo qualificar o padrão de evolução de uma tecnologia. Nesta
54
mesma abordagem, Andersen [64] utiliza os dados de patentes como proxy para ilus-
trar o processo de difusão de uma nova tecnologia no mercado, sob a forma da soma
acumulada de patentes depositadas.
Embora os estágios de crescimento da atividade inventiva possam ser representa-
dos por diversos modelos, dentre estes o modelo logístico, o modelo de Gompertz e
a curva de Fisher-Pry [65], optou-se pelo seguir o modelo logístico em função de sua
simetria em relação a seu valor médio que coincide com o ponto de inflexão da função,
em que sua segunda derivada é nula. Situado entre duas assíntotas, esta simetria ca-
racterística será explicitada a seguir e pode ser avaliada matematicamente pelo cálculo
da função logística a ser apresentada.
Esta característica permite extrapolar os valores da curva para a região em que não
se possui dados; no entanto, este é apenas um dos cenários possíveis para a evolução
da tecnologia e não deve ser considerado como certo ou o mais provável. A presente
abordagem também foi adotada por Daiha et al. [66] para avaliar a importância de
lipases como biocatalisadores no momento atual, bem como os próximos estágios de
evolução desta tecnologia.
Esta aproximação também foi adotada por Yoon et al. [65] e Andersen [64], apre-
sentando resultados relevantes segundo a equação a seguir.
ymodelo = L
1+exp(−(tmedi o +αt )(5.1)
em que: L = limite superior da função, representando a assíntota;
tmedi o = valor médio da função avaliado em y = 0,5×L;
α= taxa de crescimento do modelo.
5.6 Limitações da metodologia adotada
Primeiramente, a utilização de uma base de dados baseada em apenas um único
país de depósito, naturalmente, limita os resultados às soluções cujo impacto comer-
cial é significativo neste território, visto que as patentes apenas são válidas dentro de
55
Figura 5.3: Metodologia para ajuste da curva de concessão de patentes a um modelo
de crescimento logístico (elaborado pelo autor).
cada país (nb. capítulo 4).
Por esta razão, a escolha de uma base sólida como a do USPTO ameniza esta li-
mitação, posto que possui um número consistente de novos depósitos a cada ano -
encontra-se atrás apenas da China segundo este indicador - e é o país com o maior
número de patentes em vigor no mundo (nb. figura 5.4). Ainda, esta base é aquela que
teve o maior número de depósitos por não residentes no país, segundo último levan-
tamento realizado pelo World Intellectual Property Organization (WIPO) que pode ser
visto na figura 5.5.
Adicionalmente, o mercado de patentes é bastante dinâmico, logo, a desatualiza-
ção das informações referentes à quantidade de depósitos, bem como sua distribuição
geográfica, por depositante ou qualquer outro indicador também se torna obsoleta ra-
pidamente. Com isso, a análise feita no presente estudo levará em conta apenas o ano
de depósito das patentes, desconsiderando mês ou dia.
Por fim, os resultados são restringidos pela query estabelecida. A mudança das
palavras-chave utilizadas pode impactar bruscamente nos resultados e, assim, distor-
cer as conclusões do estudo. Para evitar este problema, a presente query foi definida
rigorosamente segundo a definição de robôs autônomos por Bekey [27].
56
Figura 5.4: Países com o maior número de patentes em vigor (eixo vertical representa
o número de patentes em vigor, enquanto o eixo horizontal descreve o respectivo
país), segundo levantamento realizado pelo World Intellectual Property Organization
(WIPO) [18].
57
Figura 5.5: Fluxos de depósitos de patentes por não residentes (país de origem à es-
querda do gráfico), classificados por escritório de patentes (à direita), a largura da
curva é proporcional ao número de patentes depositadas no respectivo país [18].
58
Capítulo 6
Resultados da análise de patentes
Após definir a metodologia, o autor produziu diversos gráficos e representações,
que serão explicitados neste capítulo. Estes elementos permitem auxiliar na visuali-
zação da evolução do depósito de patentes e, principalmente, na compreensão dos
conceitos tecnológicos presentes nestes documentos.
Com base no exposto na seção 5.3, o autor elaborou um comando de busca para
ser utilizado como entrada nos sistemas de patentes, baseado na seguinte condição
principal:
• Presença do termo “autonomous” e suas variações, tais como “autonomy” e “au-
tonomisation”, no resumo ou título da patente.
De forma a atender à definição geral de robôs descrita por Bekey [27], presente
na subseção 2.2, foram adicionados diferentes tipos de robôs com o operador lógico
AND1:
• Presença do termo “robot” e suas variações, tais como “robotics”, “robots” e “ro-
botization”, no resumo ou título da patente; ou
1O operador lógico AND retorna valores verdadeiros se todas as expressões lógicas dentro de sua
condição forem verdadeiras. Ou seja, ao pesquisar por "autonomous"AND "robot", serão obtidos so-
mente resultados que contenham as palavras "autonomous"e "robot". Já o operador lógico OR retorna
valores verdadeiros se qualquer uma das expressões lógicas forem verdadeiras. Assim, ao pesquisar por
"autonomous"OR "robot", serão obtidos resultados tanto para a palavra "autonomous", quanto para
"robot".
59
• Presença do termo “vehicle”2 e suas variações, tal como "vehicles", no resumo
ou título da patente; ou
• Presença do termo "manipulator"e suas variações, tal como "manipulators", no
resumo ou título da patente;
• Presença do termo "boat” e suas variações, tal como "boats", no resumo ou título
da patente; ou
• Presença do termo “drone"e suas variações, tal como "drones", no resumo ou
título da patente.
Figura 6.1: Combinações possíveis para a query formulada (elaborado pelo autor).
6.1 Dados recuperados pelo algoritmo
Para realizar as análises propostas na introdução do capítulo 5, o autor recuperou
os campos dispostos na tabela 6.1. De forma a melhorar a qualidade dos dados utiliza-
dos, foi feito um programa na linguagem de programação R para remover duplicatas
de patentes, sob o critério de apresentarem título e resumo semelhantes.
2Evidentemente, há diversos tipos de veículos autônomos, tais como carros, caminhões e até mesmo
motocicletas. No entanto, ao formular uma busca muito específica, o autor obteve resultados já envi-
esados dentro de determinados grupos de patentes. Por esta razão, foi escolhido um termo mais geral,
que engloba conceitos subjacentes, que é o caso da palavra "vehicle"(veículo, em português).
60
Vale a pena ressaltar que as séries de patentes de cunho incremental foram manti-
das na amostra, como aquelas que representam novas formas ou arranjos de produtos,
pois também expressam o grau de desenvolvimento da uma tecnologia, como descrito
anteriormente neste documento. Uma maior presença de patentes do tipo incremen-
tal pode indicar o início da maturidade de uma tecnologia, em que tais novas formas
e arranjos são patenteados de forma a garantir o sucesso econômico de produtos e
reduzir seus custos de produção.
Tabela 6.1: Parâmetros recuperados pela query enviada ao USPTO e seu emprego no
presente estudo.
ParâmetroComando presente
na queryUtilidade neste estudo
Título e resumo da
patente
“patent_title”,
“patent_abstract”
Identificação da patente;
extração de palavras-chave;
classificação das patentes em
clusters
Número de identificação
da patente“patent_number” Identificação da patente
Ano de concessão da
patente“patent_year”
Gráfico temporal de
publicação de patentes
Empresa depositante, ou
particular, se aplicável
“assignee_-
organization”
Classificação dos depositantes
mais proeminentes do
mercado em questão
País, latitude e longitude
em que a patente foi
depositada
“assignee_country”,
“assignee_latitude”,
“assignee_-
longitude”
Distribuição geográfica das
patentes
Patentes que citam a
patente em questão
“cited_patent_-
number”
Bases de conhecimento para a
patente (conhecimento prévio)
Patentes citadas no
documento
“citedby_patent_-
number”
Patentes baseadas nos
documentos recuperados
(conhecimento posterior)
61
Configurada a busca, processamos os dados obtidos utilizando a linguagem de pro-
gramação open source R. Esta escolha foi tomada pelo fato de a linguagem ser ampla-
mente utilizada para análise de dados pela academia e também em empresas, além de
ter capacidade de lidar com grandes quantidades de dados de maneira eficiente.
O código escrito para a busca dos resultados de patentes, seus depositantes, inven-
tores e códigos CPC, bem como o algoritmo de manipulação dos dados, estão presen-
tes no apêndice B.
6.2 Resultados da busca
A consulta realizada junto ao banco de dados do USPTO durou cerca de dois minu-
tos para obter todos os campos descritos, obedecendo às condições impostas na query
ilustrada na figura 6.1. Este tempo de execução depende de diversos fatores, tais como
o poder de processamento da máquina empregada para a tarefa, as velocidades de
upload e download da rede utilizada e quantidade de programas rodando em paralelo
com o script3 na linguagem R.
Embora o tempo de busca junto à base de dados escolhida seja irrisório, a formu-
lação de uma busca que seja significativa e represente bem o conteúdo que se deseja
buscar é demorada, pois exige do pesquisador diversos testes com diferentes palavras-
chave da área. Por conta disto, o conhecimento técnico é essencial para orientar a
busca de patentes, bem como entender o funcionamento das máquinas e outros ti-
pos de produtos frutos de patentes depositadas. Enfim, estes testes devem fornecer
análises de sensibilidade, para definir quais tecnologias representam melhor a amos-
tra pesquisada e o pesquisador deve avaliar atentamente o conteúdo da amostra de
patentes.
O tempo de execução relativamente mais baixo em relação a outras técnicas seme-
lhantes de obtenção de dados de patentes4, tal como a pesquisa direta nos sítios dos
escritórios de PI5, vai de encontro a um dos objetivos deste trabalho, que é agilizar a
recuperação de informações relativas a patentes. Com isso, é possível dedicar mais
3Série de instruções fornecidas a uma máquina para executar uma tarefa específica.4Tempo de execução medido a partir da diferença entre o horário de início da execução e seu fim,
utilizando a função proprietária da linguagem R "Sys.time()".5Abreviação para propriedade intelectual.
62
tempo à análise intelectual dos conteúdos e extrair informações mais valiosas dos da-
dos coletados.
Patentes contendo a palavra "autonomous" podem dizer respeito tanto à autono-
mia de fontes de energia, quanto ao grau de automação de um objeto. Além disso,
encontramos patentes referentes a tecnologias de comunicação e robôs financeiros,
que deveriam ser excluídos da amostra do estudo. Para tal, o autor realizou uma filtra-
gem manual e a remoção de duplicatas para selecionar patentes aderentes ao tema do
trabalho. Esta tarefa permitiu também tomar conhecimento das inovações presentes
nas patentes e acrescentou grande aprendizado e experiência na leitura deste tipo de
documento, aprimorando esta competência para o mundo profissional.
Este estudo não restringiu a busca de patentes a um único grupo de códigos CPC,
em função do caráter multidisciplinar de soluções na área de Robótica.
As seções a seguir visam a endereçar as questões levantadas no capítulo 4, por meio
de gráficos e tabelas que explicitam o estado atual do mercado de patentes em Robó-
tica autônoma.
Tabela 6.2: Quantidade de patentes encontradas segundo cada um dos parâmetros de
busca.
Conteúdo da busca Quantidade de resultados
"autonomous"AND "boat*" 3
"autonomous"AND "drone*" 22
"autonomous"AND "manipulator*" 18
"autonomous"AND "robot*" 575
"autonomous"AND "vehicle*" 1688
Data da busca 12 de novembro de 2018
Dados após remoção de duplicatas 1820
Dados após filtragem manual 1733
63
6.3 Evolução do número de patentes concedidas
Primeiramente, analisaremos a distribuição da concessão de patentes ao longo do
tempo. Utilizando o número da patente e seu ano de concessão pelo USPTO, é pos-
sível realizar a contagem de patentes a cada ano, assim como a soma acumulada de
patentes concedidas ano após ano. Os resultados obtidos pelo autor foram elabora-
dos novamente utilizando a linguagem de programação R e os gráficos gerados estão
dispostos a seguir.
Figura 6.2: Quantidade de patentes concedidas pelo USPTO relacionadas a Robótica
autônoma (elaborado pelo autor). Fonte da amostra de dados: USPTO.
A incipiente participação deste mercado nos registros de propriedade intelectual
até os anos 1990 está associada ao desenvolvimento da microeletrônica, base essencial
para a construção de controladores e componentes de robôs, e de técnicas de controle
para a criação de robôs autônomos. Até então, ainda havia grande participação de
robôs operados por humanos na indústria, sendo estes comandados por controladores
lógicos programáveis (CLP).
A queda na quantidade de patentes concedidas no último ano da análise deve-se a
três fatores, característicos dos dados de propriedade intelectual [40]:
• Publicação tardia dos pedidos por parte dos escritórios de patente, em função de
64
rotinas internas de validação da concessão da patente;
• Existência de um período de sigilo para proteger o pedido de patente por até 18
meses desde seu depósito até sua publicação oficial;
• Atualização dos sistemas de informação para consulta de propriedade intelec-
tual abertos ao público em geral.
Figura 6.3: Soma acumuladas de patentes concedidas pelo USPTO relacionadas a Ro-
bótica autônoma (elaborada pelo autor). Fonte da amostra de dados: USPTO.
À luz da teoria sobre o ciclo de vida de uma tecnologia, em que a performance de
um produto segue de forma aproximada uma curva S, podemos retomar a Q1 (presente
no capítulo 4) e observar que as tecnologias de Robótica autônoma encontram-se atu-
almente em fase de expansão, a partir do gráfico da figura 6.3.
Uma das primeiras patentes relacionadas a Robótica autônoma foi concedida no
ano de 1986 a uma invenção aberta da Marinha americana para detectar colisões no
perímetro de um robô autônomo ou plataforma (patente US 4,596,412) [67]. Este dis-
positivo, sob a forma de um “para-choque tátil”, segundo o título da patente, é condi-
zente com a fase embrionária de robôs autônomos, para que estes se orientem em um
determinado espaço. A detecção de obstáculos e a prevenção de impactos se mostra
necessária para a evolução desta tecnologia e este tipo de invenção permite a utiliza-
ção de robôs de forma autônoma.
65
Ao acompanhar a evolução da curva da figura 6.2, é possível notar que a conces-
são de patentes se manteve estável entre as décadas de 1990 e 2000, a partir da qual,
começou a haver um aumento no número de patentes. Este crescimento deve-se ao
padrão de desenvolvimento da tecnologia de acordo com seu ciclo de vida, verificado
no gráfico da soma acumulada de patentes.
Em torno do ano 2010, a curva de concessão de patentes passa a assumir uma in-
clinação mais íngreme, o que pode indicar a presença maior de patentes relacionadas
à melhoria de desempenho de robôs autônomos e não somente novos conceitos ou
designs, como na fase embrionária de uma tecnologia.
Nesta fase, os principais obstáculos ao desenvolvimento da tecnologia estão supe-
rados e novas funcionalidades passam a ser adicionadas aos produtos para expandir
sua adoção pelo mercado. Há também o rompimento de um vale entre os chamados
early adopters – consumidores que adotam determinada tecnologia para testá-la ou
por seu apelo inovador [44] – e a maioria de consumidores, significando um aumento
na produção para atender à demanda por produtos.
6.3.1 Aderência da curva de patentes concedidas a modelo de cresci-
mento
Considerando que a evolução das tecnologias de Robótica Autônoma segue as pre-
missas da teoria do ciclo de vida tecnológico apresentada anteriormente, o autor tes-
tou, em seguida, a aderência da curva de patentes concedidas pelo USPTO com um
modelo matemático de crescimento definido anteriormente.
Para tal, o autor analisou os resultados de uma regressão estatística utilizando
como base a função logística, em que os valores iniciais escolhidos para os coefici-
entes e os valores adotados pelo algoritmo utilizado estão dispostos na tabela 6.3. Para
ajustar os valores, foi utilizado o pacote stats da linguagem R e os valores iniciais fo-
ram gerados a partir da função nls, voltado para o método de mínimos quadrados não
linear como descrito por Fox e Weisberg [68].
O método explicitado acima visa a minimizar a soma dos quadrados dos resíduos
do modelo, que representa a função objetivo.
Função objetivo =∑(yobti do − ymodelo(L, tmedi o ,α, ano)
)2
66
Para obter os coeficientes do modelo, a função utilizada na programação mani-
pula a equação do modelo logístico simples (SLM, do inglês Simple Logistic Model) de
modo a linearizá-la e, então, obter os valores iniciais de tmedi o e α.
y = ymodelo = L
1+exp(−(tmedi o +αt ))
Dividimos a equação acima pela ordenada da assíntota, posteriormente aplicando
a função logit para linearizar o expoente do denominador. É feita, então, a regressão
linear da igualdade obtida, para obter os valores iniciais para o algoritmo de mínimos
quadrados.y
L= 1
1+exp(−(tmedi o +αx))
log
y
L
1− y
L
= log i t( y
L
)= tmedi o +αt
Tabela 6.3: Parâmetros iniciais utilizados no modelo linearizado como descrito acima.
Coeficiente L (assíntota superior) tmedi o α
Valor inicial 5000 2040 1,0
Valor encontrado 4500 2022 0,170
Finalmente, a curva sigmoide é obtida, conforme exibido no gráfico da figura 6.4
junto com os dados recuperados junto à base de dados do USPTO. Foi considerada
a soma acumulada de patentes concedidas desde o ano de 1979 até 2016, de forma
a eliminar os efeitos de borda que podem influenciar nos dados dos anos de 2017 e
2018. Após linearização como descrito acima e feita a regressão estatística dos dados,
foi encontrado um valor de R2 igual a 0,9695; o erro padrão para esta regressão foi de
0,3332, o menor valor para os diferentes valores de L testados (limite superior, assíntota
do modelo).
Os modelos de Gompertz e Fisher-Pry não foram empregados neste estudo, em
função de limitarem a geração do cenário futuro da tecnologia segundo a curva S pro-
posta por Andersen [64]. Caso estes fossem usados, seria necessário compará-los ao
modelo logístico simples por meio de técnicas não lineares, tal como a comparação
pelo critério de máxima verossimilhança, não estando no escopo deste estudo.
67
É possível utilizar os dados presentes (amostra de dados de 1979 até 2016) para
identificar o estágio de desenvolvimento da tecnologia. A extrapolação do modelo, ou
seja, sua aplicação aos dados a partir do ano de 2016, visa apenas a ilustrar a continui-
dade da curva logística, caso mantidas todas as propriedades dos dados, sendo um dos
cenários gerados pela técnica de prospecção tecnológica.
Visto que a tecnologia ainda se encontra em fase de crescimento rápido, não há
quantidade significativa de dados para realizar uma projeção da evolução da tecno-
logia com grande precisão e intervalo de confiança suficientemente elevado para o
período a partir de 2016.
O autor descreve abaixo a utilidade deste modelo aplicada aos dados obtidos, suas
limitações e possíveis alternativas para amenizá-las.
Figura 6.4: Soma acumulada de patentes concedidas pelo USPTO relacionadas a Ro-
bótica autônoma e curva S que melhor se ajusta aos dados (elaborada pelo autor).
Fase atual de desenvolvimento da tecnologia
Pela análise do gráfico e à luz da teoria proposta por Altshuller [15], as tecnolo-
gias de Robótica Autônoma encontram-se na fase de desenvolvimento rápido, antes
do ponto β da curva de performance da tecnologia. Isto é condizente com a fase atual
68
desta tecnologia como percebido por engenheiros: há uma efetiva expansão da Robó-
tica Autônoma para diversas áreas e não apenas o setor de fabricação, originalmente
berço destas tecnologias.
Os robôs autônomos passam a integrar o agronegócio, automatizando processos
de plantação e colheita de produtos agrícolas (cf. 2.5.4); centrais de distribuição, agre-
gando valor à cadeia logística e tornando sua operação mais eficiente (ref. 2.5.5); e, in-
clusive, estradas, com o boom das montadoras de veículos autônomos e o forte apelo
da mídia especializada em torno deste tema.
Nota-se que a evolução da curva de patentes concedidas segue uma curva sig-
moide6 até o ano de 2016, a partir de quando há o descolamento do modelo de cresci-
mento logístico. Algumas das razões possíveis para esta observação são:
• Surgimento de novas tecnologias detectado pelo aumento do número de inven-
ções, que começam a se separar do conjunto de tecnologias existente até então;
• Expansão de novos mercados detectada pelo crescimento de vendas de uma de-
terminada tecnologia, em especial veículos autônomos.
Início da maturidade da tecnologia
Por conta da propriedade de simetria da curva de crescimento logístico simples
em torno de seu ponto de inflexão7, o coeficiente tmedi o representa matematicamente
a abcissa para a qual o modelo atinge a metade do valor de seu limite superior. De
forma mais clara, no ano tmedi o há:
• Ponto de inflexão da curva logística;
• Número de invenções atinge a metade da quantidade de invenções no momento
em que o mercado encontra-se saturado;
• Início da desaceleração da curva de invenções (diminuição de sua primeira de-
rivada).
6Curva que segue o formato da letra "S".7Ponto em que a segunda derivada da função adotada é nula, ou seja, sua curva passa de convexa a
côncava ou vice-versa.
69
Portanto, pode-se depreender que, caso a curva continue a seguir este modelo nos
próximos anos, a partir da metade da década de 2020, poderá haver uma mudança
significativa no mercado e a tecnologia entrar em seu estágio de maturidade. Isto é
expresso sob as seguintes características:
• Adoção das soluções de Robótica Autônoma de forma ampla pela indústria, alto
número de patentes disponíveis;
• Melhoria de processos de fabricação de robôs e redução de custos associados;
• Surgimento de produtos padronizados, com melhoria de desempenho da tecno-
logia;
• Redução da "qualidade percebida", isto é, do caráter inovativo das invenções.
Saturação do mercado de Robótica Autônoma
Finalmente, o ajuste deste modelo como realizado pelo autor permite obter um
cenário possível para o limite superior deste mercado sob a ótica da concessão de pa-
tentes. Esta hipótese existe, pois a atividade inventiva depende fortemente do inves-
timento em pesquisa e desenvolvimento e, como este recurso é finito, há a imposição
de um limite superior para o crescimento de invenções.
Como citado anteriormente, esta métrica não possui alta precisão estatística, visto
que o modelo foi ajustado utilizando dados de 1979 até 2016 e não à frente do ano
de 2016. Contudo, representa um dos possíveis cenários caso a evolução tecnoló-
gica mantenha o ritmo atual, se mantidos constantes todos os fatores que compõem a
curva de invenções8 e não havendo o surgimento de tecnologias disruptivas que alte-
rem significativamente o desenvolvimento da Robótica Autônoma.
Outros cenários podem ser compostos, por exemplo, a partir de:
• Composição de um painel DELPHI, reunindo diversos especialistas na área para
julgar possíveis curvas S que representam a difusão destas tecnologias;
8Alguns dos fatores que compõem esta curva são: investimentos em pesquisa e desenvolvimento,
número de atuantes no mercado, receita de vendas de robôs autônomos, entre outros possíveis fatores.
70
• Associação da curva de invenções com a receita de vendas anual de robôs autô-
nomos (composição das curvas de Altshuller) e com a qualidade e grau de ino-
vação das patentes.
6.3.2 Evolução do número de patentes concedidas segundo o tipo de
robô
De forma a decompor a curva de depósito de patentes nos diferentes robôs autô-
nomos existentes sob o ponto de vista da Engenharia Mecânica, tal como apresentado
no capítulo 2, o autor produziu também o gráfico da soma acumulada de patentes se-
gundo cada tipo de robô pesquisado. Os resultados estão expressos na figura 6.5
Figura 6.5: Soma acumulada de patentes concedidas pelo USPTO relacionadas a Robó-
tica autônoma, classificadas por tipo de tecnologia de Robótica Autônoma (elaborada
pelo autor). Fonte da amostra de dados: USPTO.
A observação do comportamento da curva de concessão de patentes também deve
ser feita segundo os códigos da classificação CPC, para observar se a tecnologia avan-
çou como um todo ou em detrimento do desenvolvimento de um de seus ramos. Neste
caso específico, houve um aumento geral na concessão de patentes para robôs autô-
nomos, puxado fortemente pelo desenvolvimento de robôs de serviço, como o robô
71
aspirador Roomba [69].
6.4 Distribuição de patentes concedidas segundo o depo-
sitante e a localização geográfica
A busca realizada junto à base de dados do USPTO retornou também os dados refe-
rentes aos depositantes de patentes neste escritório. Como forma de detectar a distri-
buição setorial das patentes concedidas e assim detectar se as inovações na área estão
mais concentradas em conglomerados multinacionais, startups ou inventores inde-
pendentes, foram listados os depositantes de maior expressão no mercado de soluções
para Robótica autônoma.
Notamos a forte presença de empresas do setor de Tecnologias da Informação,
como IBM e Google, e do setor automobilístico, tais como Ford, Honda, Toyota e Volvo.
Além disso, diversas patentes estão atreladas a empresas do setor de serviços, por
exemplo, a Uber Technologies.
Este caráter multisetorial das aplicações em Robótica, expresso claramente nos re-
sultados da busca realizada, reitera o exposto nas seções anteriores que apresentam os
conceitos desta área ao leitor, respondendo aos objetivos deste trabalho.
É interessante ressaltar que os quinze maiores depositantes neste mercado con-
centram quase 50% de todas as patentes da lista analisada (como mostrado na tabela
6.4), demonstrando uma concentração setorial, impulsionada por programas locais de
desenvolvimento tecnológico, como aqueles financiados pela Defense Advanced Rese-
arch Projects Agency (DARPA) nos Estados Unidos da América [70].
A tabela 6.5 revela a predominância de depositantes oriundos dos Estados Unidos
da América e do Japão, países em que estão baseados grandes atores deste mercado.
Inclusive, estes países situam-se entre aqueles que possuem a maior densidade de
robôs industriais no mundo, estando significativamente acima da média global, como
na figura 6.6.
9Inclui a quantidade total de patentes concedidas, não se restringindo apenas àquelas relacionadas
à Robótica Autônoma.10Refere-se à quantidade de patentes concedidas na área de Robótica Autônoma.11Não se aplica, devido ao fato de as patentes de inventores independentes não serem agrupáveis por
instituição de pesquisa, empresa ou órgão governamental.
72
Tabela 6.4: Depositantes de patentes e quantidade de patentes concedidas, segundo
dados compilados pelo autor. Fonte da amostra de dados: USPTO.
Posição Depositante (instituição ou individual)Total de
patentes9
Patentes em
RA10
1 Individual NA11 144
2 Google Inc. 15340 108
3 iRobot Corporation 491 74
4 Ford Global Technologies, LLC 12688 71
5 GM Global Technology Operations, Inc. 12135 69
6Toyota Motor Engineering &
Manufacturing North America, Inc.1667 55
7 Honda Motor Co., Ltd. 12842 33
8The United States of America as
represented by the Secretary of the Navy28994 29
9International Business Machines
Corporation119229 27
10 Toyota Jidosha Kabushiki Kaisha 20794 27
11MOBILEYE VISION TECHNOLOGIES
LTD.74 25
12 The Boeing Company 14024 24
13 Uber Technologies, Inc. 136 24
14 Waymo LLC 120 23
15 Sony Corporation 48850 20
15 Volvo Car Corporation 411 20
De forma a visualizar graficamente a concentração destas patentes ao redor do
globo, foi avaliada a localização de cada depositante no momento do depósito da pa-
tente, conforme informado pela busca na base USPTO. Estes dados foram organizados
segundo a latitude e longitude e exibidos num mapa-múndi, utilizando a biblioteca de
visualização gráfica leaflet[71].
No gráfico da figura 6.7, o raio dos pontos georreferenciados marca a densidade de
73
Tabela 6.5: Países com maior número de patentes concedidas na área de Robótica
autônoma, segundo dados compilados pelo autor. Fonte da amostra de dados: USPTO.
Posição País Quantidade de patentes concedidas
1 Estados Unidos da América 1072
2 Japão 170
3 Alemanha 98
4 Coreia do Sul 48
5 Israel 43
6 França 33
7 Suécia 31
8 Países Baixos 26
9 Reino Unido 16
10 Suíça 12
Figura 6.6: Países com as maiores concentrações de robôs industriais instalados na in-
dústria de fabricação. Fonte: 2017 World Robotics Statistics, International Federation
of Robotics [3].
patentes concedidas em um determinado local.
Evidentemente, há uma grande concentração de patentes nos Estados Unidos da
74
Figura 6.7: Distribuição geográfica dos depositantes de patentes no USPTO. Repro-
dução: elaborado pelo autor, utilizando a linguagem R e a biblioteca de visualização
leaflet. Fonte da amostra de dados: USPTO e OpenStreetMap (mapa).
América, reflexo do caráter local dos escritórios de patentes, visto que uma patente
apenas é válida no território do país em que é depositada.
Ainda, esta característica permite avaliar dentro do próprio território estaduni-
dense a repartição dos depósitos: há maior concentração na região próxima ao Vale do
Silício, hub extremamente relevante para a tecnologia, e no Nordeste estadunidense,
que concentra cerca de 20% do PIB do país [72].
Na Europa, os depositantes de patentes estão em maior quantidade entre a França
e a Alemanha, países que possuem os maiores Produtos Internos Brutos da União Eu-
ropeia [73]. O Japão, como afirmado anteriormente, possui participação expressiva
comprovada por esta visualização geográfica; Israel destaca-se como um novo hub de
tecnologia com o aumento no número de patentes depositadas, porém ainda não está
entre os países com maiores densidades de robôs industriais instalados, como mos-
trado na figura 6.6.
Por fim, os insights produzidos acima são de grande valia para diversas entidades
da cadeia de pesquisa e desenvolvimento do mundo, podendo ser usados para:
75
Figura 6.8: Países com o maior número de patentes concedidas (elaborado pelo autor),
contendo as porcentagens em relação ao total de patentes deste trabalho. Fonte da
amostra de dados: USPTO.
• Determinar os hotspots de desenvolvimento de tecnologias em Robótica;
• Detectar os ecossistemas de empresas na área e, assim, realizar a análise de con-
corrência antes de se lançar ao mercado com uma ideia ou avaliar o investi-
mento;
• Mapear os centros de pesquisas proeminentes no mundo, para formação de re-
des de cooperação científica, gerando grande interesse para universidades e em-
presas;
• Fornecer uma imagem da difusão do assunto ao redor do mundo, revelando po-
tenciais mercados para uma empresa.
76
6.5 Ramos tecnológicos em desenvolvimento dentro da
Robótica autônoma
Para o estudo de propriedade intelectual, é possível realizar diversos tipos de agru-
pamento de patentes, como pela classificação CPC (ref. 4.4.4) ou pelo agrupamento
segundo o conteúdo textual dos títulos e resumos. Neste estudo, o autor priorizou a
análise segundo a classificação CPC, pelo fato de esta ser designada às patentes por
especialistas da área, ou seja, possuem boa confiabilidade e são validadas segundo a
rotina de avaliação do escritório de patentes em que estão depositadas.
Grupos CPC mais comuns
Para visualizar os ramos tecnológicos em desenvolvimento sob a ótica da classifi-
cação CPC, foram selecionados os vinte grupos com maior número de patentes.
É importante ressaltar que uma mesma patente pode estar alocada em mais de um
grupo CPC, assim, o total de patentes concedidas é menor que a soma das patentes do
gráfico da figura 6.9.
Figura 6.9: Grupos CPC com maior número de patentes relacionadas a Robótica Autô-
noma (elaborada pelo autor). Siglas explicitadas na tabela 6.6. Fonte da amostra de
dados: USPTO.
77
Tabela 6.6: Grupos CPC com o maior número de patentes relacionadas a Robótica
Autônoma. Fonte da amostra de dados: USPTO.
Grupo
CPCDescrição segundo WIPO
Contagem
de patentes
G05DSistemas para controle ou regulagem de variáveis não
elétricas900
B60W
Controle conjugado para sub-unidade de veículos de
tipo ou função diferente; sistemas de controle
especialmente adaptados para veículos híbridos;
sistemas de controle de veículos terrestres não
relacionados ao controle de uma sub-unidade
particular
385
G08G Sistemas de controle de tráfego 288
G01C
Medição de distâncias, níveis ou rumos; topografia;
navegação; instrumentos giroscópicos; fotogrametria
ou videogrametria
225
G01S
Radiogoniômetros; rádio-navegação; determinação
da distância ou velocidade pelo uso de ondas de rádio;
localização ou detecção de presença pelo uso da
reflexão ou reirradiação de ondas de rádio;
disposições análogas utilizando outras ondas
220
B62D Veículos motorizados; reboques 176
G06K
Identificação de dados; apresentação de dados;
suporte de dados; manipulação de transportes de
dados
141
B25JManipuladores; compartimentos equipados com
dispositivos para manipulação140
Y10SAssuntos técnicos cobertos por coleções anteriores do
USPC com referência cruzadas (XRACs) e outros128
B64C Aeroplanos; helicópteros 105
O grupo com a maior contagem de documentos associados é o de código CPC
78
"G05D"e refere-se a sistemas para controle ou regulagem de variáveis não elétricas.
Isto é, trata-se de sistemas que monitoram variáveis de operação de uma determinada
máquina ou produto, como a pressão da linha de fluido para regular a frenagem de
um veículo autônomo, a temperatura da tocha de um robô de solda para permitir sua
operação ótima, entre outras aplicações. Este tópico também abrange patentes para
controle de navegação, previsão de trajetória, reconhecimento de pontos característi-
cos de um determinado ambiente e determinação de posição. Em termos práticos, as
patentes designadas a este grupo incluem:
• Detecção de faixas de rolamento para veículos autônomos (patente US
8,825,259);
• Sistema para diagnóstico de desgaste de um determinado componente veicular
por meio de sensores, em caso de agravamento do problema, o carro se dirige de
forma autônoma para parada de reparo, após analisar outros veículos e condi-
ções da via (patente US 8,874,305);
• Sistema de frenagem para mitigação de colisões, que avalia objetos numa via
de circulação e detecta se o sistema principal de condução autônoma prevê a
frenagem imediata para evitar uma batida (patente US 9,862,364).
Após analisarmos algumas das patentes desta classificação, foi possível notar a pre-
dominância de temas relacionados a Engenharia Veicular (como monitoramento de
variáveis de movimentação e dinâmica e sistemas de segurança de veículos, frenagem,
telemetria) e a Engenharia de Controle (árvores de decisão para controle, combinação
de dados de sensores de distância, entre outros).
Em seguida, há grande participação de patentes para controle de veículos e tráfego,
que são complementares para viabilizar a tecnologia de veículos autônomos, sejam
estes carros, caminhões ou outro tipo de veículo terrestre. Do ponto de vista da Enge-
nharia Mecânica, este tipo de conhecimento depende fortemente do conhecimento da
cinemática dos componentes do veículo, da dinâmica veicular em si e da interpretação
de dados de telemetria de suas condições de funcionamento.
Os grupos "G01C"e "G01S", referentes a medição de distâncias e seus instrumentos
são aderentes ao contexto da Robótica Autônoma apresentado no início deste traba-
79
lho, no que tange à modelagem do ambiente de operação de robôs e a seu controle
dinâmico. Exemplos de patentes destas classificações são:
• Dispositivo para imageamento de uma região por meio de pulsos luminosos,
identificação de pontos tridimensionais e geração de mapa a partir dos dados
utilizando sensor hiperespectral; a partir das características espectrais de um
objeto, este mapa auxilia na navegação em tempo real de uma determinada má-
quina (patente US 9,234,618);
• Sistema e métodos para inspeção de estruturas submarinas utilizando robô
autônomo, a partir da medição de distâncias com sensor LIDAR12 e criação de
modelo virtual da estrutura (patente US 9,229,108).
Logo em seguida, as classificações de maior expressão são relacionadas a mani-
puladores robóticos ("B25J"), a visualização de dados ("G06K") e transportes em geral
("B62D"e "B64C"). As duas primeiras são pertinentes no contexto da indústria, já que
fazem parte do ferramental necessário para automatização de uma planta industrial.
As explicações anteriores indicam que as soluções apontadas pelas patentes estão
contidas no contexto da Robótica Autônoma, sendo coerentes com o conhecimento
técnico abordado nas seções anteriores.
Análise da evolução de concessão de patentes segundo as seções CPC
Também podemos observar a evolução da concessão de patentes para cada uma
das seções do CPC ano após ano; esta relação é ilustrada pelo autor na figura 6.10.
Os avanços tecnológicos na área se concentraram basicamente nas seções B ("Opera-
ções de processamento; transporte") e G ("Física"), que engloba a fabricação de bens
e insumos, o setor de logística e os inventos que norteiam arranjos e a estrutura de
robôs autônomos (contexto da seção G da classificação CPC). Juntas, estas duas clas-
sificações englobam a grande maioria das concessões de patentes até a atualidade,
indicando a predominância da Robótica Autônoma nas atividades relacionadas à lo-
gística/transportes, processamento e fabricação, como notado anteriormente.
12Abreviação para "laser detection and ranging"; em português, sensor de detecção e estimação por
laser.
80
Figura 6.10: Evolução do número de patentes relacionadas a Robótica Autônoma, se-
gundo as seções CPC (elaborada pelo autor). Fonte da amostra de dados: USPTO.
81
Capítulo 7
Conclusões
O presente trabalho permitiu conjugar o aprendizado adquirido ao longo do curso
de Engenharia Mecânica com a prática de pesquisa de patentes para avaliar a direção
de desenvolvimento das tecnologias relacionadas à Robótica Autônoma. Além disso,
foi possível obter as noções de funcionamento de um escritório de patentes, bem como
o papel do Engenheiro em sua lógica de funcionamento.
Ao transformar dados em informação, neste caso convertendo dados de proprie-
dade intelectual em possíveis projeções de uma tecnologia, obtém-se insumos para
se construir um melhor panorama tecnológico. Os resultados discutidos apresentam
números relevantes sobre a evolução das tecnologias de Robótica Autônoma e foi pos-
sível compreender que este mercado ainda se encontra no estágio de desenvolvimento
rápido e possui potencial disruptivo na indústria.
A discussão dos próximos avanços na área é, então, fator de suma importância para
a continuidade deste tipo de estudo. A definição das fronteiras tecnológicas existen-
tes neste mercado e de quando se dará sua saturação são entradas para se projetar os
diferentes estágios do ciclo de vida tecnológico de Robótica Autônoma.
Este conhecimento é de grande valia para orientar eventuais planos de lançamento
de um produto neste campo de aplicações, visto que a prospecção tecnológica fornece
um painel das soluções disponíveis no mercado. De maneira similar, possibilita re-
alizar a análise de concorrência, previsão de vendas e, principalmente, mapeamento
das barreiras tecnológicas a se transpor para a produção e o sucesso comercial de uma
ideia.
82
7.1 Considerações sobre os resultados
Os resultados obtidos permite reavaliar se os objetivos do estudo foram atendi-
dos. Com a pesquisa sobre conceitos atrelados a Robótica Autônoma e as diferentes
definições de robôs, foi possível definir uma busca que retornou uma quantidade de
patentes adequada para realizar um estudo abrangente sobre a área.
Acerca das técnicas de revisão bibliográfica, o contato com a análise de patentes,
bem como o aprendizado obtido tanto pela leitura de artigos científicos com resulta-
dos aplicados em outros campos do conhecimento, quanto pelo contato com profissi-
onais da área permitiu ao autor ter uma experiência de aprendizado prática e valiosa
para a vida profissional. Ao lidar com documentos de patentes, foi possível compreen-
der sua estrutura e as diferentes formas de proteção da propriedade intelectual.
O processo exaustivo de busca de patentes foi feita para se obter as informações
necessárias para o estudo. Além disso, a pesquisa de novas ferramentas para realizar
a obtenção destes dados retornou excelentes resultados, incluindo uma ferramenta
de busca integrada a uma linguagem de programação, como descrito nos capítulos
anteriores, permitindo ao autor aprender sobre a atividade de análise de patentes e
como avaliar o estado da arte de uma tecnologia baseado nesta técnica.
Finalmente, por meio do tratamento dos dados obtidos e do estudo dos resultados,
sob a ótica dos conhecimentos adquiridos ao longo do curso de graduação, o autor
pode indicar algumas das tendências de desenvolvimento da Robótica Autônoma. Isto
foi realizado sob diversos aspectos: temporal, geográfico e tecnológico.
A análise de um modelo matemático de crescimento da concessão de patentes
também pode ser considerada satisfatória, em que houve uma boa qualidade do ajuste
ao modelo considerando os dados de concessão de 1979 até 2016. Ainda que a extra-
polação matemática dos resultados desta regressão não possuam precisão estatística
elevada, como se desejava obter, foi possível detectar a fase atual de desenvolvimento
da tecnologia e, principalmente, obter um cenário possível para seus próximos avan-
ços, indo de encontro ao objetivo geral do presente trabalho: indicar as tendências
tecnológicas no ramo da Robótica Autônoma.
83
7.2 Impacto em estratégia de pesquisa e desenvolvi-
mento
Uma faceta importante da prospecção tecnológica é destacada por Park et al. [74],
como citado por Ernst [75], sendo as patentes o resultado da atividade de pesquisa e
desenvolvimento de uma empresa. Os resultados alcançados no projeto permitiram ir
de encontro a esta citação e listar as tecnologias em desenvolvimento por instituições
de pesquisa, empresas e órgãos governamentais ao redor do mundo.
Esta informação é chave para o planejamento de projetos de pesquisa, de investi-
mentos em tecnologia e de posicionamento estratégico de uma instituição, dado que
é reflexo direto da produção intelectual da indústria.
Acerca do conteúdo presente nos resultados, foram encontradas as tendências tec-
nológicas no ramo da Robótica Autônoma. Nota-se a priori a predominância de robôs
móveis e veículos autônomos na composição das patentes depositadas nos últimos
anos. Esta tendência é condizente com o mercado de tecnologia, que ruma em dire-
ção às oportunidades abertas pela automação industrial [76] e ao mercado potencial
de veículos autônomos [77, 78].
No cenário nacional, o país vem se preparando para esta grande mudança nos ar-
ranjos produtivos e na modernização do parque industrial, sendo a Robótica Autô-
noma um dos eixos para se implementar um sistema de produção inteligente segundo
o projeto Indústria 2027 [21]. O fato de estas tecnologias serem habilitadoras para a
transformação digital pela qual a indústria vem passando é confirmada pela pesquisa
de patentes realizada e preconizar a integração deste tema à estratégia das empresas
pode representar uma grande vantagem competitiva para os próximos anos.
7.3 Sugestões de trabalhos futuros
A realização deste estudo, bem como o contato com pesquisadores e profissionais
da área de propriedade intelectual, inspirou diversas ideias para a continuidade do
trabalho desenvolvido. Sejam as sugestões de trabalhos futuros no campo da análise
de patentes:
• Comparar as tendências de concessão de patentes com a evolução de publica-
84
ção de artigos científicos, de forma a observar o fenômeno de transferência de
tecnologia entre academia e indústria;
• Agrupar os resultados de patentes em diferentes eixos de desenvolvimento, se-
gundo suas palavras-chave e a partir de técnicas de clusterização;
• Reproduzir este estudo com a utilização da base de patentes de mais escritórios
de patentes, como o Instituto Nacional de Propriedade Intelectual (INPI), para
comparação com o cenário global destas tecnologias;
• Reproduzir este estudo para a subárea específica de veículos autônomos e avaliar
a disrupção desta tecnologia no mercado de Robótica Autônoma, como indicado
neste trabalho;
• Analisar outros campos do conhecimento habilitadores da Indústria 4.0 sob a
ótica da propriedade intelectual, identificando, assim, as patentes mais relevan-
tes em cada um dos eixos necessários para implementar o modelo produtivo de
produção inteligente.
85
Referências Bibliográficas
[1] MAGALHÃES, R., VENDRAMINI, A., “Os impactos da Quarta Revolução Industrial”,
GV Executivo, v. 17, Janeiro de 2018.
[2] TEXAS INSTRUMENTS, Industry 4.0 overview, 2018, http://www.ti.com/
applications/industrial/industry-4-0.html, último acesso em 29 de
Novembro de 2017.
[3] INTERNATIONAL FEDERATION OF ROBOTICS, International Federation of Robo-
tics, 2018, https://ifr.org/, último acesso em 30 de Novembro de 2017.
[4] BAUER, A., WOLLHERR, D., BUSS, M., “Human-Robot Collaboration: A Survey”,
International Journal of Humanoid Robotics, v. 5, pp. 47–66, 2008.
[5] BEER, J. M., FISK, A. D., WENDY, R. A., “Toward a Framework for Levels of Robot
Autonomy in Human-Robot Interaction”, Journal of Human-Robot Interac-
tion, v. 3, pp. 74–99, 2014.
[6] ROMANO, V. F., Apostila de Robótica. COPPE-UFRJ: Rio de Janeiro, Brasil, 2018.
[7] MVISIA, MVisia - Máquina Seletora de Mudas, Julho de 2015, http://www.
mvisia.com.br/maquina-mudas.html, último acesso em 28 de Julho de
2018.
[8] MICHAELS, A., HAUG, S., AMOS, A., “Vision-based high-speed manipulation for
robotic ultra-precise weed control”. Hamburgo, Alemanha, 2015.
[9] ABB ROBOTICS, ABB Robotics - Manufacturer and Supplier of Industrial Robots,
2018, https://new.abb.com/products/robotics, último acesso em 01
de Novembro de 2018.
86
[10] Robots and robotic devices – Collaborative robots , Standard, International Orga-
nization for Standardization, Genebra, Suíça, 2016.
[11] AMAZON ROBOTICS, Amazon Robotics :: We reimagine now, Julho de 2017,
https://www.amazonrobotics.com/, último acesso em 28 de Julho de
2018.
[12] ALLINSON, M., BMW shows off its smart factory technologies at its
plants worldwide | Robotics and Automation News, Março de
2017, https://roboticsandautomationnews.com/2017/03/04/
bmw-shows-off-its-smart-factory-technologies-at-its-plants-worldwide/
11696/, último acesso em 07 de Julho de 2018.
[13] EMBRAPII, EMBRAPII, BG Brasil e SENAI Cimatec lançam o veículo autô-
nomo submarino FlatFish, 2014, http://www.embrapii.org.br/
embrapii-bg-brasil-e-senai-cimatec-lancam-o-veiculo-autonomo-submarino-flatfish/,
último acesso em 06 de Julho de 2018.
[14] WORLD BANK, Employment in industry (employment) (modeled ILO estimate),
Novembro de 2017, https://data.worldbank.org/indicator/SL.IND.
EMPL.ZS?locations=DE, último acesso em 15 de Agosto de 2018.
[15] ALTSHULLER, G. S., Creativity as an exact science. Gordon and Breach, Science
Publishers Inc.: Nova York, Estados Unidos da América, 1984.
[16] LABOURIAU, F. C., Uma proposta de modelo para o mapeamento do padrão evo-
lutivo: uma ferramenta de suporte ao desenvolvimento de produtos, Tese de
doutorado, Universidade Federal do Rio de Janeiro, Rio de Janeiro, Brasil,
Outubro de 2013.
[17] NUNES, P., BREENE, T., Jumping the S-Curve. Accenture: Dublin, Irlanda, 2010.
[18] WORLD INTELLECTUAL PROPERTY ORGANIZATION, World Intellectual Pro-
perty Indicators 2017, Tech. rep., Genebra, Suíça, 2017.
[19] EUROPEAN PATENT OFFICE, Espacenet - Cooperative Patent Classification (CPC),
Abril de 2017, https://worldwide.espacenet.com/, último acesso em 09
de Outubro de 2018.
87
[20] TECHNAVIO, Collaborative Robots – Market Trends, Drivers and Forecast from Te-
chnavio, Tech. rep., 2017.
[21] INSTITUTO EUVALDO LODI, Mapa de clusters tecnológicos e tecnologias relevan-
tes para competitividade de sistemas produtivos, Tech. rep., Brasília, Brasil,
2017.
[22] SACOMANO, J. B., GONÇALVES, R. F., DA SILVA, M. T., et al., Indústria 4.0: concei-
tos e fundamentos. Edgard Blücher Ltda., 2018.
[23] NOLDIN JR, J. H., Contribuição ao estudo da cinética de redução de briquetes auto-
redutores, Tese de mestrado, Pontifícia Universidade Católica do Rio de Ja-
neiro, Rio de Janeiro, Brasil, 2002.
[24] CARNEGIE MELLON UNIVERSITY’S SCHOOL OF COMPUTER SCIENCE, Robot
Hall of Fame, 2014, http://www.robothalloffame.org/, último acesso
em 01 de Novembro de 2018.
[25] NAVEIRO, R. M., Relatório sobre a Produção Inteligente e Conectada, Tech. rep.,
Rio de Janeiro, Brasil, 2017.
[26] NATIONAL ACADEMY OF SCIENCE AND ENGINEERING, Recommendations for
implementing the strategic initiative INDUSTRIE 4.0, Tech. rep., Frankfurt
am Main, Alemanha, 2013.
[27] BEKEY, G. A., Autonomous Robots: From Biological Inspiration to Implementation
and Control. Bradford: Estados Unidos da América, 2005.
[28] Robots and robotic devices – Vocabulary, Standard, International Organization for
Standardization, Genebra, Suíça, 2012.
[29] THRUN, S., “Toward a framework for human-robot interaction”, Human-
Computer Interaction, v. 19, pp. 9–24, 2004.
[30] HUANG, H.-M., MESSINA, E., WADE, R., et al., “Autonomy measures for robots”.
Anaheim, EUA, 2004.
88
[31] BRADSHAW, T., Intel chief raises doubts over Moore’s Law, Julho de 2015, https:
//www.ft.com/content/36b722bc-2b49-11e5-8613-e7aedbb7bdb7, úl-
timo acesso em 28 de Julho de 2018.
[32] RECKHAUS, M., HOCHGESCHWENDER, N., PAULUS, J., et al., “An Overview
about Simulation and Emulation in Robotics”. Darmstadt, 2010.
[33] OKADA, T., BEURAN, R., NAKATA, J., et al., “Collaborative motion planning of au-
tonomous robots”. Nova York, 2007.
[34] ARANTES, J. T., Empresa cria sistema computacional para seleção de plan-
tas | Agência FAPESP, Julho de 2015, http://agencia.fapesp.br/
empresa-cria-sistema-computacional-para-selecao-de-plantas/
21452/, último acesso em 28 de Julho de 2018.
[35] SHEA, R. N., “Collaborative Robot Technical Specification ISO/TS 15066 Update”,
University Lecture, 2017.
[36] KNIGHT, W., MIT Technology Review | Amazon Robot Con-
test May Accelerate Warehouse Automation, Março de
2015, https://www.technologyreview.com/s/536086/
amazon-robot-contest-may-accelerate-warehouse-automation/,
último acesso em 29 de Julho de 2018.
[37] HAWKSWORTH, J., BERRIMAN, R., GOEL, S., Will robots really steal our Jobs?,
Tech. rep., Londres, Reino Unido, 2018.
[38] BROWN, J., GOSLING, T., SETHI, B., et al., Workforce of the future: The competing
forces shaping 2030, Tech. rep., Londres, Reino Unido, 2018.
[39] GOVERNMENT OFFICE FOR SCIENCE UK, Technology and innovation futures
2017, Tech. rep., Londres, Reino Unido, 2017.
[40] BISSOLI, A. L. C., JUNIOR, C. V. M., FERNANDES, M. N. D. S., et al., “Panorama so-
bre tecnologias de conversão de energia solar utilizando bases patentárias”.
Gramado, Brasil, 2018.
89
[41] GAO, L., PORTER, A., WANG, J., et al., “Technology life cycle analysis method
based on patent documents”, Technological Forecasting and Social Change,
v. 80, pp. 398–407, Março de 2013.
[42] LABOURIAU, F., NAVEIRO, R., “Using the evolutionary pattern to generate ideas
in new product development”, Journal of the Brazilian Society of Mechanical
Sciences and Engineering, v. 37, Março de 2014.
[43] MANSFIELD, E., “Technical Change and the Rate of Imitation”, Econometrica,
v. 29, n. 4, pp. 741–766, 1961.
[44] NAVEIRO, R. M., Material didático da disciplina Projeto do Produto. COPPE-UFRJ:
Rio de Janeiro, Brasil, 2017.
[45] THOMSON REUTERS, Using bibliometrics: a guide to evaluating research perfor-
mance with citation data, Tech. rep., Toronto, Canadá, 2008.
[46] PELICIONI, L. C., RIBEIRO, J. R., DEVEZAS, T., et al., “Application of a bibliometric
tool for studying space technology trends”, Journal of Aerospace Technology
and Management, v. 10, 2018.
[47] WORLD INTELLECTUAL PROPERTY ORGANIZATION, Guide to the International
Patent Classification. World Intellectual Property Organization: Genebra,
Suíça, 2018.
[48] NICAS, J., New York Times - Apple and Samsung End Smartphone Patent Wars,
Junho de 2018, https://www.nytimes.com/2018/06/27/technology/
apple-samsung-smartphone-patent.html, último acesso em 29 de Ou-
tubro de 2018.
[49] MARQUES, F., “Propriedade intelectual: Guerra de patentes”, Pesquisa FAPESP,
v. 269, Julho de 2018.
[50] YOON, B., PARK, Y., “A text-mining-based patent network: Analytical tool for high-
technology trend”, The Journal of High Technology Management Research,
v. 15, pp. 37–50, Fevereiro de 2004.
90
[51] ÉRDI, P., MAKOVI, K., SOMOGYVÁRI, Z., et al., “Prediction of emerging techno-
logies based on analysis of the US patent citation network”, Scientometrics,
v. 95, pp. 225–242, Abril de 2013.
[52] ALTUNTAS, S., DERELI, T., KUSIAK, A., “Forecasting technology success based
on patent data”, Technological Forecasting and Social Change, pp. 202–214,
Julho de 2015.
[53] DIRPA/INPI, Manual para o depositante de patentes. Ministério do Desenvolvi-
mento, da Indústria e Comércio Exterior, Instituto Nacional da Propriedade
Industrial (INPI): Brasília, Brasil, 2015.
[54] REPÚBLICA FEDERATIVA DO BRASIL, Lei N. 9.279, de 14 de maio de 1996,
1996, http://www.planalto.gov.br/ccivil_03/Leis/L9279.htm, úl-
timo acesso em 13 de Outubro de 2018.
[55] UNITED STATES PATENT AND TRADEMARK OFFICE, United States Patent and
Trademark Office, Outubro de 2018, https://www.uspto.gov/, último
acesso em 21 de Outubro de 2018.
[56] ARISTODEMOU, L., TIETZE, F., Exploring the future of patent analytics, Tech. rep.,
Cambridge, Reino Unido, 2017.
[57] INSTITUTE FOR MANUFACTURING, Institute for Manufacturing (IfM), Uni-
versity of Cambridge, 2018, https://www.ifm.eng.cam.ac.uk/, último
acesso em 01 de Novembro de 2018.
[58] SHIH, M.-J., LIU, D.-R., HSU, M.-L., “Discovering competitive intelligence by
mining changes in patent trends”, Expert Systems with Applications, v. 37,
pp. 2882–2890, Abril de 2010.
[59] STEMBRIDGE, B., Sorting the wheat from the chaff - the use of patent analysis
in evaluating portfolios, Tech. rep., 2005, http://ips.clarivate.com/m/
pdfs/klnl/2005-06/portfolio-evaluation.pdf.
[60] RAMOS, D. M., Tendências tecnológicas de modernização na indústria metalome-
cânica: o caso dos sensores. Rio de Janeiro, Brasil, 2017.
91
[61] BISSOLI, A. L. C., JUNIOR, C. V. M., FERNANDES, M. N. D. S., et al., “Panorama
sobre tecnologias de armazenamento de energia através de baterias utili-
zando bases patentárias”. Gramado, Brasil, 2018.
[62] BAKER, C., patentsview: An R Client to the ’PatentsView’ API , 2018, R package ver-
sion 0.2.1.
[63] USPTO OFFICE OF THE CHIEF ECONOMIST, PatentsView, Maio de 2018, http:
//www.patentsview.org/, último acesso em 22 de Outubro de 2018.
[64] ANDERSEN, B., “The hunt for S-shaped growth paths in technological innova-
tion: a patent study”, Journal of Evolutionary Economics, v. 9, pp. 487–526,
Dezembro de 1999.
[65] YOON, J., JEONG, B., LEE, W. H., et al., “Tracing the evolving trends in electronic
skin (e-Skin) technology using growth curve and technology position-based
patent bibliometrics”, IEEE Access, v. 6, pp. 26530 – 26542, Junho de 2018.
[66] DAIHA, K. D. G., ANGELI, R., DE OLIVEIRA, S. D., et al., “Are Lipases Still Important
Biocatalysts? A Study of Scientific Publications and Patents for Technologi-
cal Forecasting”, Public Library of Science, Junho de 2015.
[67] EVERETT, H. R., WRIGHT, C. S., “Tactile bumper for a mobile robot or platform”,
Junho de 1986, US Patent 4,596,412.
[68] FOX, J., WEISBERG, S., Nonlinear Regression, Nonlinear Least Squares, and Nonli-
near Mixed Models in R. 2018.
[69] IROBOT CORPORATION, iRobot Vacuum Cleaning, Mopping and Outdoor Main-
tenance, 2018, http://www.irobot.com/, último acesso em 10 de Outubro
de 2018.
[70] GUIZZO, E., ACKERMAN, E., DARPA Robotics Challenge: Here Are
the Official Details - IEEE Spectrum, Abril de 2012, https:
//spectrum.ieee.org/automaton/robotics/humanoids/
darpa-robotics-challenge-here-are-the-official-details, úl-
timo acesso em 19 de Outubro de 2018.
92
[71] R CORE TEAM, R: A Language and Environment for Statistical Computing, R
Foundation for Statistical Computing, Vienna, Austria, 2018.
[72] U.S. BUREAU OF ECONOMIC ANALYSIS (BEA), Gross Domestic Pro-
duct by State, 1st quarter 2018 | U.S. Bureau of Economic Analy-
sis (BEA), Julho de 2018, https://www.bea.gov/news/2018/
gross-domestic-product-state-1st-quarter-2018, último acesso
em 24 de Outubro de 2018.
[73] EUROSTAT, Which Members States have the largest share of EU’s GDP? - Pro-
duct - Eurostat, Maio de 2018, https://ec.europa.eu/eurostat/web/
products-eurostat-news/-/DDN-20180511-1?inheritRedirect=
true, último acesso em 10 de Outubro de 2018.
[74] PARK, H., YOON, J., KWANGSOO, K., “Identification and evaluation of corporati-
ons for merger and acquisition strategies using patent information and text
mining”, Scientometrics, v. 97, pp. 883–909, Dezembro de 2013.
[75] ERNST, H., “Patent applications and subsequent changes of performance: Evi-
dence from time-series cross-section analyses on the firm level”, Research
Policy, v. 30, pp. 143–157, Janeiro de 2001.
[76] FORESIGHT, The Future of Manufacturing: A new era of opportunity and chal-
lenge for the UK , Tech. rep., 2013.
[77] FORD MOTOR COMPANY, Autonomous 2021, 2018, https://corporate.ford.
com/innovation/autonomous-2021.html, último acesso em 02 de No-
vembro de 2018.
[78] MCKINSEY & COMPANY, Automotive revolution – perspective towards 2030, Tech.
rep., 2016.
93
Apêndice A
Interface do mecanismo de busca de
patentes
Figura A.1: Interface da plataforma PatentsView do USPTO, com a ta-
bela contendo todos os critérios possíveis de serem pesquisados. Fonte:
http://www.patentsview.org/querydev/query/data_dictionary.html
94
PatentsView is a platform derived from USPTO patent files which provides a search
engine for the study of intellectual property. It is supported by the USPTO Office of
Chief Economist and available for users through a Creative Commons Attribution 4.0
International License. All rights of images about this platform are reserved to their
creators. This study is intended for non-commercial use.
All rights reserved to USPTO PatentsView. Patentsview is available at
http://www.patentsview.org.
95
Apêndice B
Código fonte da análise dos dadosLinguagem de programação utilizada: R statistical language.
Busca junto a base de dados de patentes
96
Manipulação dos dados para obtenção da soma acumu-
lada de patentes
97
![Guia Patentes[1]](https://img.document.onl/doc/110x75/577d1f8a1a28ab4e1e90cda1/guia-patentes1.jpg)
