Quais são os requisitos de gerenciamento de dados para veículos de entrega automatizados?

Nov 19, 2026

Deixe um recado

Olivia Wilson
Olivia Wilson
Olivia é especialista em marketing na Jiangsu Linya Technology Co., Ltd. Ela é responsável pela promoção dos produtos robóticos da empresa no mercado. Com suas excelentes estratégias de marketing, ela aumentou com sucesso o reconhecimento da marca dos produtos da empresa tanto no mercado nacional quanto internacional.

Se você já passou algum tempo no espaço de veículos de entrega automatizados – seja como operador de frota, gerente de logística ou apenas alguém esperando que um pacote chegue sem um motorista humano ao volante – você sabe que o entusiasmo em torno desses sistemas é real. Mas se você é o fornecedor encarregado de construir, integrar e dimensionar esses veículos, o hype desaparece rapidamente quando você olha para os milhões de pequenos detalhes não negociáveis ​​que mantêm uma frota em movimento de maneira confiável, segura e econômica. Nos últimos seis anos, nossa equipe projetou, implantou e otimizou mais de 200Veículos de entrega automatizadaem 12 cidades dos EUA, e uma lição ficou gravada em mim mais do que qualquer outra: a lacuna mais comum entre “protótipo funcional” e “frota escalável e lucrativa” não é o hardware ou a tecnologia de sensores – é o gerenciamento de dados. Muitas equipes tratam os dados na entrega autônoma como algo secundário, algo a ser coletado e arquivado para conformidade ou revisão pós-incidente. Na realidade, é a espinha dorsal de cada decisão que estes veículos tomam, desde o percurso que fazem às 2 da manhã até à forma como se ajustam quando surge uma zona de construção. Nesta postagem, analisarei os requisitos de gerenciamento de dados não negociáveis ​​que aprimoramos ao longo de milhares de entregas e por que pular pelo menos um deles pode afundar uma frota antes que ela atinja seu primeiro ano de operação.

Primeiro, vamos fundamentar isso na realidade do que o nossoVeículo de entrega sem motoristana verdade faz todos os dias. Ao contrário dos carros de passageiros autônomos, que só precisam transportar uma única pessoa do ponto A ao B, nossos veículos fazem mais de 15 paradas por rota, transportam mercadorias sensíveis à temperatura (mercearia, produtos farmacêuticos e até alimentos congelados) e operam em ambientes que variam de becos sem saída suburbanos tranquilos a áreas centrais densas com carros estacionados em fila dupla e transeuntes. Cada uma dessas tarefas gera um volume impressionante de dados – desde nuvens de pontos LiDAR que mapeiam cada buraco e pedestre, até telemetria que rastreia os níveis da bateria e o status da fechadura das portas, até imagens não estruturadas de câmeras externas e internas que são essenciais para a segurança e a resolução se um cliente relatar um pacote perdido ou danificado. No início de nossa implantação, tentamos tratar todos esses dados da mesma forma: armazená-los em um único bucket de nuvem, sem padronização, e observá-los apenas quando algo desse errado. Essa abordagem levou a dois grandes problemas: estávamos desperdiçando 35% do nosso orçamento operacional mensal no armazenamento de dados irrelevantes e redundantes, e quando tivemos um incidente (um veículo desviou para evitar um cão, por exemplo), passámos mais de 12 horas a analisar dados não rotulados para reconstruir o que aconteceu. Rapidamente percebemos que o gerenciamento de dados granular e baseado em funções não é algo agradável de se ter – é um requisito fundamental para a entrega automatizada.

Então, como é na prática essa estrutura baseada em funções? Para nossa equipe de telemática, a ingestão de dados em tempo real não é negociável. NossoVeículo Autônomo de Entregaenvia mais de 100 pontos de dados por segundo para nosso centro de comando, incluindo coordenadas GPS, pressão de freio, estado de carga da bateria e status de calibração do sensor. Se a câmera de um veículo falhar no meio do percurso, precisamos saber isso em 10 segundos, e não em 10 minutos, porque uma única câmera com falha pode significar a diferença entre uma parada segura e uma colisão com um carro estacionado. Para fazer isso funcionar, construímos um pipeline de dados em tempo real que prioriza dados críticos de segurança (saúde do sensor, detecção de obstáculos) para transferência de baixa latência, enquanto dados não críticos (registros semanais de pressão dos pneus, verificações de rotina de calibração de câmeras) são agrupados e enviados durante a noite, quando o congestionamento da rede é baixo e a largura de banda é mais barata. Essa compensação não só reduziu os nossos custos mensais de transferência de dados em 28%, mas também reduziu o nosso tempo médio de resolução (MTTR) para questões relacionadas com a segurança de 90 minutos para menos de 5 minutos. Para as equipes de operações, o requisito muda para dados de entrega estruturados e consultáveis: horários de parada, eficiência de rota, tipo de pacote e notas de acesso do cliente (como “código de portão 123, entrega na porta lateral”). Antes de padronizarmos esses dados, nossa equipe de operações inseria manualmente mais de 10 campos por entrega, fazendo com que 15% das rotas tivessem horários de parada incorretos e 8% dos pacotes fossem marcados como não entregues por engano. Agora, vinculamos cada entrega a um esquema de dados padronizado, para que a equipe possa gerar um relatório sobre “todas as entregas de supermercado em Chicago que atrasaram devido à construção em dois cliques”, em vez de gastar horas limpando planilhas não estruturadas. Esse nível de estrutura não se trata apenas de reduzir o trabalho administrativo – trata-se de escalar. À medida que adicionamos novos veículos ou entramos em novos mercados, não podemos nos dar ao luxo de construir sempre um novo sistema de dados do zero. Um esquema padronizado nos permite integrar um novo mercado em 2 semanas, em comparação com os 2 meses necessários em nossa primeira implantação.

O segundo requisito de gerenciamento de big data que aprendemos da maneira mais difícil é a confiabilidade e a redundância. Os veículos de entrega automatizada não podem permitir interrupções de dados – nem os seus operadores. Se um veículo perder a conexão com seu servidor de dados no meio do caminho, ele não deve simplesmente congelar ou dirigir às cegas até que a conexão seja restabelecida. No início de 2021, tínhamos uma frota de 15Carros de entrega sem motoristaem Austin, Texas, que sofreu uma interrupção de rede de 4 horas devido a um corte de fibra. Sem armazenamento local de dados nos próprios veículos, todos eles pararam na beira da estrada, bloqueando ciclovias e desencadeando 21 chamadas não emergenciais para a polícia local. Esse incidente nos custou US$ 45 mil em multas, além da confiança do nosso parceiro logístico, que rescindiu quase todo o contrato. Depois disso, redesenhamos completamente a nossa arquitetura de dados para incluir computação de ponta em todos os veículos. Agora, todo veículo de entrega automatizada possui um servidor integrado de 2 TB que armazena localmente 7 dias de dados em tempo real, portanto, se a conexão com a nuvem cair, o veículo poderá continuar tomando decisões seguras e corretas sobre a rota. Assim que a conexão for restaurada, os dados locais serão sincronizados automaticamente com a nuvem, com verificações integradas para evitar entradas duplicadas. Também implementamos uma estratégia de redundância multinuvem, de modo que, se um provedor de nuvem sofrer uma interrupção, os dados serão roteados para um provedor secundário em menos de 30 segundos. Isto não é apenas uma solução técnica – é um requisito comercial. Nossos clientes de logística confiam nesses veículos para cumprir prazos de entrega apertados, e a confiabilidade dos dados se traduz diretamente em taxas de pontualidade, satisfação do cliente e fidelidade à marca.

Em terceiro lugar, e muitas vezes esquecido, está a privacidade e a conformidade dos dados. Os veículos de entrega automatizados coletam uma enorme quantidade de dados pessoais, desde imagens de câmeras de calçadas residenciais até coordenadas GPS que rastreiam quando um cliente está em casa. Nos EUA, estamos sujeitos a regulamentações federais como a Lei de Privacidade do Consumidor da Califórnia (CCPA) e a Lei de Proteção de Dados do Consumidor da Virgínia (VCDPA), além de regras estaduais que podem variar drasticamente. Internacionalmente, se expandirmos para a Europa, estaremos sujeitos ao GDPR, que tem algumas das regras de privacidade de dados mais rigorosas do mundo. No início, tivemos um problema: nossas câmeras externas capturavam imagens dos rostos dos clientes quando eles se aproximavam de suas portas, e armazenávamos essas imagens indefinidamente para “fins de segurança”. Isso levou a três reclamações de clientes na Califórnia e percebemos que estávamos expondo nossos clientes e nossa empresa a sérios riscos jurídicos. Atualizamos imediatamente nossa política de dados para incluir duas regras principais de privacidade: primeiro, as imagens da câmera são automaticamente anonimizadas dentro de 24 horas, de modo que rostos e placas de veículos ficam desfocados antes do armazenamento. Em segundo lugar, os clientes podem solicitar que todos os dados relacionados à sua entrega (incluindo registros de GPS, imagens de câmeras e detalhes do pacote) sejam excluídos dentro de 72 horas após a conclusão da entrega. Também construímos um sistema de controle de acesso a dados que restringe o acesso a dados pessoais: somente nossa equipe de privacidade pode visualizar imagens anônimas para fins de investigação, e todo o acesso é registrado e auditado trimestralmente. Este nível de conformidade não é opcional. Uma única multa por privacidade de dados pode custar milhões de dólares a uma empresa e, para um fornecedor como nós, pode arruinar relacionamentos com clientes empresariais que têm requisitos de conformidade muito rígidos. Há alguns meses, integramos uma rede nacional de supermercados que exigia uma auditoria completa de privacidade de dados como parte do processo de integração do fornecedor. Nosso sistema de dados estruturado e compatível foi um grande diferencial, e esse contrato é agora o maior até o momento.

Delivery Autonomous Vehicle factoryDriverless Delivery Vehicles

Quarto, dados para melhoria contínua. Nenhum sistema de entrega automatizado é perfeito no primeiro dia – sempre haverá casos extremos: uma criança perseguindo uma bola na rua, um caminhão de mudança estacionado bloqueando a calçada, o portão de um cliente escondido atrás de arbustos crescidos. Para corrigir esses casos extremos, você precisa de dados que não sejam apenas coletados, mas rotulados e analisados. Nossa primeira geração de software de entrega autônoma enfrentou dificuldades com zonas de coleta na calçada, e tivemos 12 casos em que um veículo entrou demais em uma faixa de estacionamento, bloqueando outros carros. Percebemos que nossos dados estavam sendo coletados, mas não estavam rotulados para mostrar por que esses erros estavam acontecendo. Por isso, construímos uma equipe de anotadores de dados que analisam 10% das imagens das câmeras e dos dados LiDAR de cada entrega, marcando obstáculos, condições da estrada e ações do motorista (ou, neste caso, do veículo). Em três meses, identificamos mais de 50.000 casos extremos e conseguimos atualizar nosso software para reconhecer zonas de coleta na calçada e reduzir esses incidentes em 85%. Este ciclo de melhoria contínua só é possível se os seus dados forem geridos para o suportar. Se seus dados não estiverem estruturados ou armazenados de uma forma difícil de pesquisar, você não conseguirá encontrar os casos extremos, não conseguirá consertar o software e ficará para trás dos concorrentes que estão interagindo mais rapidamente. Para nós, isto significa reservar 15% do nosso orçamento operacional todos os meses para rotulagem e análise de dados, um custo que consideramos um investimento e não uma despesa. Nos últimos dois anos, isto traduziu-se numa melhoria de 12% nas taxas de entrega dentro do prazo e numa redução de 40% nos incidentes de segurança, o que nos ajudou a reduzir os nossos custos de seguros em 30%.

Finalmente, escalabilidade. Como fornecedores de veículos de entrega automatizada, não estamos apenas vendendo um produto – estamos vendendo um serviço que crescerá com nossos clientes. Já recebemos solicitações para adicionar monitoramento de temperatura para entregas farmacêuticas, integração com software de logística de terceiros e até mesmo adicionar devoluções sem contato. Todos esses recursos dependem de dados, e nosso sistema de gerenciamento de dados precisa ser capaz de se adaptar rapidamente. No início, construímos nossa arquitetura de dados em uma estrutura modular, para que possamos adicionar novos tipos de dados sem revisar todo o sistema. Por exemplo, quando nosso cliente solicitou o monitoramento de temperatura para entregas de alimentos congelados, simplesmente adicionamos um novo sensor aos veículos, atualizamos nosso esquema de dados para incluir leituras de temperatura e integramos o novo ponto de dados em nosso pipeline em tempo real. Todo o processo levou menos de uma semana, enquanto nosso primeiro sistema de dados levou 6 semanas para adicionar um único novo tipo de dados. Escalabilidade também significa ser capaz de lidar com volumes crescentes de dados. À medida que a nossa frota se expande de 200 para 500 veículos, recolheremos 5 vezes mais dados e o nosso sistema precisa de ser capaz de escalar sem aumentar exponencialmente os custos. Ao usar armazenamento baseado em nuvem com escalonamento automático e computação de ponta em veículos, conseguimos manter nossos custos de dados por veículo estáveis ​​à medida que crescemos, o que é fundamental para manter preços competitivos para nossos clientes.

Se você é um provedor de logística que deseja fazer parceria com um fornecedor confiável de veículos de entrega automatizada ou um operador empresarial que deseja adicionar esses veículos à sua frota, o gerenciamento de dados deve estar no topo da sua lista de perguntas a serem feitas. Não é apenas um detalhe técnico – é o que determina se uma frota pode operar de forma segura, confiável e lucrativa. Nos últimos seis anos, vimos muitos projetos promissores de entrega autônoma falharem porque economizam no gerenciamento de dados, seja ignorando regras de privacidade, não tendo sistemas redundantes ou falhando na iteração de software usando dados do mundo real. Para nós, oVeículos de entrega sem motoristaque construímos não são apenas peças de hardware – são sistemas geradores de dados, e gerenciar bem esses dados é a única maneira de cumprir a promessa de entrega autônoma: logística mais rápida, barata e confiável para todos.

Se você estiver pronto para explorar como nossas soluções de entrega automatizada baseadas em dados podem funcionar para o seu negócio ou quiser saber mais sobre nosso processo de implantação de frota, adoraríamos ouvir sua opinião.

Referências:

  1. Administração Nacional de Segurança no Trânsito Rodoviário (NHTSA). (2022). Sistemas de direção automatizados: uma visão para a segurança 2.0. Departamento de Transportes dos EUA.
  2. Organização Internacional de Normalização (ISO). (2021). ISO 22737: Sistemas de transporte inteligentes – Sistemas de condução automatizados (ADS) para veículos rodoviários leves – Requisitos de desempenho e procedimentos de teste.
  3. Lei de Privacidade do Consumidor da Califórnia (CCPA). (2020). Texto da Lei de Privacidade do Consumidor da Califórnia. Escritório de Direito Administrativo da Califórnia.
  4. McKinsey & Companhia. (2023). Entrega autônoma: escalando a última milha. Prática Global de Tecnologia, Mídia e Telecomunicações.
  5. Sociedade de Engenheiros Automotivos (SAE International). (2021). Taxonomia e definições de termos relacionados a sistemas de automação de direção para veículos automotores rodoviários (J3016).
Enviar inquérito
Enviar inquérito