Aplicação da Inteligência Artificial em sistemas de visão noturna para ADAS e Veículos Autônomos: uma revisão sistemática

Abstract

Este trabalho apresenta uma revisão sistemática sobre a aplicação da Inteligência Artificial (IA) em sistemas de visão noturna utilizados por veículos autônomos e Sistemas Avançados de Assistência ao Motorista (ADAS). O objetivo é identificar as principais tecnologias de IA aplicadas, analisar seus desafios técnicos e investigar tendências emergentes que impactam a segurança viária em condições noturnas. A motivação para o estudo está relacionada ao alto número de acidentes causados por falhas humanas, especialmente durante a condução noturna. Segundo a Organização Mundial da Saúde (2023), mais de 1,19 milhão de mortes no trânsito ocorrem anualmente, e 90% delas são atribuídas a erro humano. Nesse cenário, os sistemas ADAS e os veículos autônomos se destacam como soluções tecnológicas com potencial de redução desses índices, desde que operem com precisão em ambientes de baixa luminosidade. A metodologia adotada foi baseada no protocolo PRISMA, aplicando critérios de inclusão e exclusão. Foram selecionados estudos que abordassem, simultaneamente, o uso de IA em visão noturna no contexto de ADAS ou veículos autônomos. Foram excluídos artigos duplicados, sem acesso completo ou que não tratavam diretamente do tema. A pesquisa foi conduzida nas bases Scopus, IEEE Xplore e Web of Science, com auxílio da plataforma Covidence para triagem e organização. Foram analisados 17 artigos. Os resultados mostram que técnicas de Deep Learning, YOLOv5, YOLOv8, InfPose, SMALNet e LSTM, são amplamente utilizadas para detecção de objetos, estimação de poses e rastreamento. Estratégias complementares, como fusão de sensores (radar + câmeras IR), uso de GANs para geração de imagens sintéticas e knowledge distillation, também se destacam. Os principais desafios incluem a baixa qualidade de imagem em ambientes escuros, a escassez de datasets noturnos e limitações computacionais em tempo real. Questões práticas, como reflexos, neblina e falsos positivos, também comprometem a precisão dos sistemas. As tendências indicam o avanço de modelos leves otimizados para edge computing, maior uso de sensores FIR/NIR, e aplicação crescente de IA em veículos de autonomia total. A geração de dados sintéticos surge como solução promissora para ampliar a diversidade de cenários noturnos. Conclui-se que a IA desempenha papel essencial no avanço dos ADAS, mas ainda enfrenta barreiras técnicas que precisam ser superadas para garantir segurança e eficiência em ambientes noturnos.

This study presents a systematic review on the application of Artificial Intelligence (AI) in night vision systems used in autonomous vehicles and Advanced Driver Assistance Systems (ADAS). The objective is to identify the main AI technologies applied, analyze their technical challenges, and investigate emerging trends that directly impact road safety under low-light conditions. The motivation for this research stems from the high number of traffic accidents caused by human error, especially during nighttime driving. According to the World Health Organization (2023), more than 1.19 million road traffic deaths occur annually, with 90% attributed to human mistakes. In this context, ADAS and autonomous vehicles emerge as technological solutions capable of reducing such numbers, provided they perform effectively in low-visibility environments. The methodology followed the PRISMA protocol, applying rigorous inclusion and exclusion criteria. Studies were selected if they simultaneously addressed AI applied to night vision in the context of ADAS or autonomous vehicles. Duplicates, inaccessible articles, and papers not directly related to the topic were excluded. The literature search was conducted in the Scopus, IEEE Xplore, and Web of Science databases. The Covidence platform was used to assist in screening and organizing the articles. A total of 17 studies were included. The results reveal that Deep Learning techniques, YOLOv5, YOLOv8, InfPose, SMALNet, and LSTM are widely used for object detection, pose estimation, and tracking. Complementary strategies like sensor fusion (e.g., radar combined with infrared cameras), GANs for synthetic image generation, and knowledge distillation for model optimization were also identified as relevant approaches. The main challenges reported include poor image quality in dark environments, lack of suitable nighttime datasets, and limited real-time processing capabilities on embedded systems. Practical issues, such as glare, fog, and false positives due to accessories or reflective surfaces, also hinder system accuracy. Emerging trends suggest the adoption of lightweight models optimized for edge computing, increased use of FIR/NIR sensors, and the integration of AI into fully autonomous vehicles. The generation of synthetic datasets appears as a promising solution to improve model training under diverse nighttime scenarios. It is concluded that AI plays a central role in the development of ADAS. However, technical barriers must still be overcome to ensure the effectiveness and safety of these systems in night driving conditions.