06Marco de referência
Uma linguagem comum para a robótica fora da fábrica
Quatro eixos para classificar qualquer sistema robótico não industrial (humanoides, quadrúpedes, veículos autônomos e drones) por sua maturidade tecnológica, sua segurança operacional e seu retorno sobre o investimento.
Última revisão: 2026-11Metodologia e fontes →
01 · Escopo e visão geral
Robótica para ambientes que ninguém projetou para robôs
O marco abrange plataformas que operam fora de ambientes industriais controlados: dinamismo extremo, infraestrutura não estruturada e condições hostis ou variáveis. Classificamos os avanços em quatro formas físicas.
- HUM
Humanoides
Sistemas com forma humana (bípedes ou sobre base com rodas) e manipulação destra, concebidos para usar ferramentas e infraestrutura projetadas para pessoas.
12 no explorador
- MAN
Manipuladores móveis
Base com rodas ou esteiras que carrega um ou mais braços: movimenta caixas, carrega e descarrega caminhões ou coleta peças sem forma humana.
2 no explorador
- QDR
Quadrúpedes
Plataformas com pernas articuladas, alta tração e estabilidade em terreno irregular, escadas e rochas.
7 no explorador
- UGV
Veículos terrestres
Sistemas com rodas ou esteiras para transporte de carga, logística e inspeção de longa distância.
6 no explorador
- UAV
Drones e robôs aéreos
Asa rotativa ou fixa para monitoramento, inspeção vertical, logística expressa e enxames.
6 no explorador
02 · Objetivos estratégicos
Do catálogo do fornecedor à necessidade operacional
Fechar a lacuna operacional
Conectar o que os fornecedores de robótica sabem fazer com o que as operações realmente precisam.
Padronizar os critérios
Oferecer um vocabulário compartilhado para avaliar qualquer plataforma com três perguntas:
- Maturidade
- Que nível de autonomia ela alcança de forma sustentada e em que domínio operacional?
- Segurança
- Quando e como um humano intervém, e o que acontece se o enlace for perdido?
- ROI
- Quando ela se paga em relação à operação manual, incluindo o custo total de propriedade?
Os quatro eixos
Cada robô é descrito por quatro coordenadas
São dimensões categóricas e independentes: um drone pode ter autonomia alta e coordenação nula, e um humanoide, percepção rica e controle teleoperado.
Eixo 1 · Autonomia e tomada de decisão
Seis níveis, da teleoperação à autonomia distribuída
O nível descreve a autonomia operacional típica em implantações reais, não o máximo do folheto. Selecione um nível para ver quais plataformas do explorador estão nele hoje.
Esta escala de 0 a 5 é um marco adaptado por este site para a robótica não industrial. Inspira-se nos níveis de automação da direção da SAE J3016 e no conceito de ODD, mas não é uma norma oficial nem substitui a certificação.[DIN Media, 2026] A terminologia básica (autonomia, robô de serviço) segue o vocabulário normalizado da ISO 8373.[ISO, 2021]
N4
Alta autonomia
Opera de forma contínua sem intervenção humana dentro de um domínio operacional de projeto (ODD) delimitado.
Plataformas neste nível
Chave: o domínio operacional (ODD)
O conceito vem da SAE J3016; a norma ISO 34503 define o ODD como as condições de operação para as quais um sistema de direção automatizada foi projetado para funcionar com segurança, e o descreve por meio de elementos fixos do cenário (vias, semáforos), condições ambientais (meteorologia, conectividade) e elementos dinâmicos (tráfego). Neste marco, aplicamos a mesma ideia aos robôs: o nível 4 só faz sentido dentro de um ODD explícito, e um mesmo robô pode ser N4 em uma subestação conhecida e N2 em um terreno novo.[ISO, 2023]
Eixo 2 · Redes e coordenação multirrobô
Do robô isolado à inteligência de enxame
A topologia de comunicação determina a escala, a resiliência e o que acontece quando um nó falha.
Independente
12 plataformasSem comunicação entre robôs; cada unidade opera isoladamente.
- Sem dependência de rede
- Escala = nº de operadores
- Falha isolada
Coordenado
21 plataformasCompartilha estado e telemetria por meio de uma estação base ou servidor central.
- Estação base ou nuvem
- Planejamento central da frota
- Ponto único de falha
Enxame colaborativo
0 plataformasDecisões descentralizadas sobre uma rede mesh entre pares; as tarefas são distribuídas conforme a capacidade e a posição de cada nó.
- Rede mesh / MANET entre pares
- Distribuição dinâmica de tarefas
- Degradação gradual
Eixo 3 · Percepção e observação do ambiente
Nenhum sensor vê tudo: a chave é a fusão
Cada modalidade tem um ponto cego. As plataformas maduras combinam várias para manter a localização e a detecção no escuro, com neblina, poeira ou sem GNSS.
LiDAR 3D
11/33- + Contribui:
- Geometria 3D precisa, de dia e de noite
- − Limite:
- Custo; sofre com neblina densa e chuva
Câmeras estéreo / VIO
10/33- + Contribui:
- Leve, base da VIO sem GPS
- − Limite:
- Depende de luz e textura
Câmeras de profundidade RGB-D
9/33- + Contribui:
- Profundidade densa a curta distância
- − Limite:
- Alcance curto, sensível ao sol
Câmeras RGB
22/33- + Contribui:
- Semântica rica para modelos de visão
- − Limite:
- Sem profundidade direta; falha no escuro
Térmica / infravermelha
10/33- + Contribui:
- Detecta calor: pessoas, vazamentos, pontos quentes
- − Limite:
- Baixa resolução, sem cor nem textura
Radar mmWave
2/33- + Contribui:
- Atravessa neblina, poeira e fumaça; mede velocidade
- − Limite:
- Resolução angular baixa
GNSS / RTK
10/33- + Contribui:
- Posição global centimétrica com RTK
- − Limite:
- Inútil no subsolo ou sob interferência
IMU
22/33- + Contribui:
- Movimento em alta frequência, sempre disponível
- − Limite:
- A deriva cresce sem correções
LiDAR 2D
0/33- + Contribui:
- Barato e confiável para planos em ambientes internos
- − Limite:
- Apenas um plano: não vê obstáculos altos nem baixos
Sensores táteis / hápticos
6/33- + Contribui:
- Força e deslizamento na manipulação
- − Limite:
- Só informa quando há contato
Ultrassom
2/33- + Contribui:
- Proximidade barata, superfícies transparentes
- − Limite:
- Alcance curto, pouca precisão
Sensores de tempo de voo (ToF)
1/33- + Contribui:
- Distância em curta escala, barato e compacto
- − Limite:
- Alcance curto; é afetado por luz solar intensa e superfícies escuras
Acústica / ultrassom de vazamentos
3/33- + Contribui:
- Vazamentos de gás ou ar e falhas de rolamentos
- − Limite:
- Ruído ambiente industrial
Detecção de gases
2/33- + Contribui:
- Concentração de gases perigosos
- − Limite:
- Medição pontual, exige calibração
Câmera PTZ com zoom
4/33- + Contribui:
- Zoom óptico para ler manômetros a distância
- − Limite:
- Campo de visão estreito
Fusão sensorial e SLAM
A localização e mapeamento simultâneos (SLAM) permitem saber onde o robô está sem GPS. O esquema típico tem cinco etapas:
- 01Sensores
LiDAR, câmeras, IMU, odometria de rodas ou pernas
- 02Odometria (front-end)
Extração de características e odometria visual-inercial (VIO) ou LiDAR
- 03Filtro
Filtro de Kalman estendido ou unscented (EKF/UKF) que funde estimativas em alta frequência
- 04Otimização (back-end)
Otimização de grafos de fatores e fechamento de laço para corrigir a deriva
- 05Mapa + pose
Mapa 3D consistente e a posição do robô nele
Localização sem GPS (GPS-denied)
Em túneis, minas, ambientes internos ou sob interferência, o GNSS desaparece. A VIO estima o movimento comparando quadros sucessivos com a IMU; o LiDAR SLAM alinha nuvens de pontos; e o fechamento de laço reconhece lugares já visitados para anular a deriva acumulada.
Eixo 4 · Modos de controle e operação
Do piloto FPV à política aprendida
O modo de controle indica quanto do comportamento é escrito por um engenheiro, executado por um piloto ou aprendido por uma rede neural.
- 01
Pilotagem FPV
Enlaces de vídeo de baixa latência (<50 ms) para manobras em espaços reduzidos. O piloto é o sistema de percepção.
1/33 - 02
Teleoperação
O robô se estabiliza e se protege; o humano decide cada movimento. É a base da coleta de dados para aprendizado por imitação.
25/33 - 03
Missão supervisionada
Missões gravadas ou programadas que o robô repete; o operador aprova exceções a partir de um console.
27/33 - 04
Frota BVLOS
Um operador supervisiona várias unidades além da linha de visada. Exige detect-and-avoid e autorização regulatória.
5/33 - 05
Política aprendida (RL/VLA)
Redes treinadas com aprendizado por reforço ou modelos visão-linguagem-ação, muitas vezes com redes neurais informadas pela física (PINN) para locomoção e manipulação.
14/33
Sim-to-real: treinar em simulação, implantar no mundo real
As políticas de locomoção são treinadas por milhões de passos em simuladores paralelos com randomização de domínio (atrito, massas, latências, ruído de sensores) para que resistam à realidade. A lacuna residual é fechada com ajuste fino em campo e dados de teleoperação.
- Simulação massiva
- Randomização de domínio
- Implantação
- Ajuste em campo
Aplicação prática
Como aplicar a taxonomia ao avaliar um fornecedor
Cada eixo se traduz em perguntas verificáveis. Peça evidências de operação real em um domínio parecido com o seu, não demonstrações preparadas.
- Autonomia
Pergunta: Em que domínio operacional (ODD) específico o nível declarado foi demonstrado?
Evidência a solicitar: Registros de missões reais com intervenções humanas por hora e suas causas, em condições comparáveis às suas.
- Coordenação
Pergunta: O que cada robô faz se perder o enlace com a estação base ou a nuvem?
Evidência a solicitar: Comportamento documentado em caso de desconexão: quais tarefas continuam, quais são suspensas e como a missão é retomada.
- Percepção
Pergunta: Quais sensores fazem parte da configuração ofertada, e não do catálogo, e como o robô se localiza sem GNSS?
Evidência a solicitar: Testes com poeira, chuva, pouca luz ou reflexos e a precisão de localização obtida na sua instalação.
- Controle
Pergunta: Que parte da missão é teleoperada e como a política aprendida foi treinada e é validada?
Evidência a solicitar: Processo de validação (simulação e dados reais), frequência de atualizações e como uma versão é revertida.
- Especificações
Pergunta: Em que condições cada número foi medido e qual é a autonomia com a sua carga útil real?
Evidência a solicitar: Ficha com condições de medição (carga, velocidade, temperatura) e um teste com a sua configuração.
Metodologia de visualização
Por que não usamos gráficos de radar
Os eixos desta taxonomia são qualitativos e não lineares. Um gráfico de radar atribui a eles números arbitrários, e a área do polígono, que é o que o olho lê, muda com a simples ordem dos eixos.
Mesmos dados, ordem de eixos diferente
O mesmo robô parece “mais capaz” em uma ordem do que em outra.
O que recomendamos
Gráfico de coordenadas paralelas
Traça um perfil contínuo para cada modelo ao longo dos eixos verticais e mostra padrões de projeto e maturidade sem impor uma métrica escalar única.
Abrir o gráfico →Matriz interativa de classificação
Uma interface bidimensional que cruza o nível de autonomia com a capacidade de coordenação para mapear arquiteturas de sistema.
Abrir a matriz →E o mercado?
A matriz de automação “tarefas × mercado” (caso de uso, família robótica, autonomia, fusão sensorial e ROI estimado) está na calculadora de ROI.
Ver a matriz de automação →