DriveEmo-FL: detecção de emoções dentro da cabine por radar para resposta inteligente de veículos autônomos

Carros que Conseguem Perceber Como Você Se Sente

À medida que carros autônomos se aproximam da realidade cotidiana, uma questão central permanece: como eles saberão como seus passageiros estão se sentindo? Uma viagem que é tecnicamente segura, mas deixa as pessoas ansiosas, irritadas ou enjoada não inspirará confiança. Este artigo apresenta o DriveEmo-FL, um sistema que permite que veículos autônomos detectem as emoções dos passageiros a partir de sutis movimentos corporais — sem câmeras ou aparelhos vestíveis — e então ajustem a direção e as configurações da cabine em resposta.

Lendo o Humor Sem Olhar Seu Rosto

Muitos sistemas de detecção de emoções hoje dependem de câmeras que acompanham expressões faciais ou de dispositivos vestíveis que medem frequência cardíaca e condutância da pele. Dentro de um carro, ambas as abordagens têm desvantagens: rostos podem ficar ocultos por óculos escuros ou má iluminação, e a maioria dos passageiros não quer prender sensores extras ao corpo. O DriveEmo-FL, em vez disso, usa radar de onda milimétrica, um pequeno dispositivo que emite ondas de rádio e mede como elas se refletem no tronco superior do passageiro. Essas reflexões carregam mudanças minúsculas no movimento que deslocam a frequência das ondas retornadas, um padrão conhecido como micro-Doppler. Ao focar em ombros, braços e movimentos da cabeça, o sistema consegue captar diferenças indicativas entre, por exemplo, um aplauso animado, um encolhimento de ombros por medo ou a imobilidade da tristeza — tudo isso preservando a privacidade visual.

Dos Ecos Brutos do Radar a Padrões Emocionais

Os autores constroem um pipeline completo que transforma ecos brutos de radar em estimativas de emoção em algumas dezenas de milissegundos. Primeiro, o sinal é limpo: reflexões fortes de assentos e painéis são removidas, e um processo matemático isola o movimento ligado ao passageiro em vez do próprio veículo em movimento. Os dados limpos são então transformados em imagens tempo–frequência — assinaturas de micro-Doppler — que mostram como a energia do movimento se distribui por diferentes velocidades ao longo do tempo. Em paralelo, o sistema extrai estatísticas simples de movimento, como quão abrupta a movimentação de uma pessoa muda (agilidade), o movimento mais rápido observado (velocidade de pico) e a energia total do movimento em uma janela curta. Essas duas correntes — imagens ricas de movimento e resumos compactos de movimento — capturam tanto a forma quanto a intensidade dos gestos emocionais.

Um Cérebro Leve para o Carro

No coração do DriveEmo-FL está o EmoNet, um modelo de aprendizado profundo compacto projetado para rodar eficientemente em pequenos computadores de bordo. Um ramo do EmoNet processa as imagens de micro-Doppler de maneira semelhante a uma rede de visão, aprendendo padrões recorrentes ligados a gestos como bater palmas, balançar a cabeça ou olhar lentamente ao redor. O outro ramo processa as três estatísticas de movimento, ajudando a distinguir, por exemplo, alegria enérgica de raiva igualmente enérgica. As duas correntes são fundidas e alimentadas em camadas de decisão compartilhadas que produzem tanto a atividade detectada quanto o grupo emocional subjacente (feliz, triste, zangado ou com medo). Uma etapa final converte esses indícios emocionais em pontuações que um sistema de direção autônoma poderia usar para adaptar velocidade, suavidade das manobras, iluminação e até o tom de assistentes de voz dentro do carro.

Aprendendo com Muitos Carros Sem Compartilhar Segredos

Para tornar o sistema robusto, ele precisa aprender com pessoas de diferentes idades, culturas e tipos físicos, viajando em diferentes veículos e condições. Contudo, enviar os dados brutos de movimento de todos para a nuvem levantaria preocupações de privacidade. O DriveEmo-FL resolve isso com aprendizado federado: cada veículo treina o EmoNet localmente usando apenas seus próprios dados de radar e então compartilha apenas atualizações de modelo criptografadas com um servidor central. O servidor combina essas atualizações em um modelo global mais forte e o envia de volta para todos os carros. Em testes com 50 participantes executando 12 gestos distintos da parte superior do corpo, o sistema alcançou 94,5% de acurácia enquanto rodava em tempo real, e se manteve confiável em cenários desafiadores como direção urbana, luz solar intensa, baixa luminosidade e gestos sobrepostos.

O Que Isso Significa para Viagens Futuras

No conjunto, os resultados mostram que carros autônomos podem perceber e responder aos estados emocionais dos passageiros usando um radar pequeno e amigável à privacidade e um modelo de aprendizado eficiente. Sem jamais gravar um rosto ou uma voz, um veículo autônomo poderia notar se um passageiro parece tenso, assustado ou especialmente alegre e adaptar suavemente seu estilo de condução e o ambiente da cabine em resposta. Se refinados e combinados com outros indícios não intrusivos, sistemas como o DriveEmo-FL poderiam fazer com que viagens futuras se sentissem não apenas mais seguras na estrada, mas também mais confortáveis, compreendidas e centradas nas pessoas dentro da cabine.

Citação: Imran, N., Alnafisah, K.H., Zhang, J. et al. DriveEmo-FL: in-cabin radar-based emotion sensing for autonomous vehicles smart response. Sci Rep 16, 13600 (2026). https://doi.org/10.1038/s41598-026-43662-x

Palavras-chave: veículos autônomos, reconhecimento de emoções, radar mmWave, detecção dentro da cabine, aprendizado federado