Uma cerca com listras regulares, um desenho semelhante a um tabuleiro de xadrez ou até um padrão repetitivo no ambiente podem parecer completamente inofensivos para uma pessoa. Para um veículo autônomo ou robô equipado com inteligência artificial, porém, determinadas imagens podem criar uma ilusão perigosa: fazer um objeto parecer estar em uma distância diferente da real.
Essa vulnerabilidade foi identificada por pesquisadores que investigaram como sistemas autônomos calculam a profundidade das cenas. O problema chama atenção porque essa capacidade é fundamental para máquinas que precisam circular pelo mundo físico sem intervenção humana constante.
A falha que altera a percepção de profundidade
Muitos sistemas autônomos utilizam câmeras estéreo, uma configuração semelhante à visão binocular humana. Duas câmeras observam a mesma cena a partir de posições ligeiramente diferentes e, comparando as imagens, o sistema consegue estimar a distância dos objetos.
O problema aparece quando a cena contém elementos repetidos em determinados padrões.
Nessas condições, os algoritmos podem ter dificuldade para identificar corretamente quais pontos de uma imagem correspondem aos mesmos pontos observados pela outra câmera. Como consequência, a máquina pode calcular uma profundidade incorreta.
Siga o canal do Fala Ciência no WhatsApp para receber nossos conteúdos em primeira mão!
Entrar no Canal do WhatsAppIsso é particularmente relevante porque o erro não depende necessariamente de uma imagem complexa. Um padrão visual simples pode ser suficiente para alterar a percepção da máquina.
Uma ilusão que pode provocar uma reação inesperada
Para demonstrar o problema, os pesquisadores utilizaram padrões semelhantes a um tabuleiro de xadrez em experimentos envolvendo veículos autônomos.
A alteração visual fez o sistema interpretar determinadas partes de um veículo como se estivessem mais próximas do que realmente estavam. Em determinadas condições, uma percepção equivocada desse tipo poderia provocar uma resposta automática, como uma frenagem.
O risco não se limita aos carros. Sistemas semelhantes de percepção de profundidade são importantes para:
• drones, que precisam evitar edifícios, árvores e outros obstáculos;
• robôs terrestres, que precisam navegar por ambientes complexos;
• veículos autônomos, que dependem de estimativas precisas para tomar decisões rápidas.
Além disso, os pesquisadores demonstraram que não seria necessariamente necessário modificar toda a cena. Um padrão relativamente pequeno e colocado em uma posição estratégica também poderia interferir na estimativa.
A vulnerabilidade apareceu em diferentes sistemas
A equipe avaliou diferentes sensores, algoritmos e modelos de inteligência artificial. Apesar das diferenças entre as tecnologias, os experimentos encontraram uma vulnerabilidade fundamental relacionada à forma como padrões repetitivos podem afetar a percepção estéreo.
Isso é importante porque indica que o problema não está necessariamente ligado a uma marca específica de equipamento ou a uma única aplicação.
A questão envolve uma etapa anterior à tomada de decisão: a própria interpretação visual do ambiente.
Se a máquina recebe uma percepção equivocada da distância, mesmo um sistema sofisticado pode tomar uma decisão inadequada a partir daquela informação.
Uma solução que vai além de treinar mais a IA
Os pesquisadores também desenvolveram estratégias para reduzir o problema. Em vez de simplesmente fornecer ao sistema mais exemplos para treinamento, a abordagem procura corrigir a origem da falha na estimativa de profundidade.
Para métodos tradicionais, foi desenvolvida uma modificação de software capaz de identificar situações envolvendo padrões repetidos e evitar determinadas correspondências incorretas. Nos modelos baseados em IA, os pesquisadores fizeram alterações para que o sistema respondesse de maneira diferente diante dessas condições.
Os testes incluíram simulações e experimentos com um veículo real, realizados em instalações de pesquisa voltadas para veículos autônomos.
Leia mais:
A descoberta publicada pelos pesquisadores
O trabalho foi liderado por Sri Hrushikesh Varma Bhupathiraju e publicado no servidor científico arXiv em 2026.
A pesquisa chama atenção para um desafio crescente da inteligência artificial: não basta uma máquina reconhecer objetos, ela também precisa interpretar corretamente sua posição no espaço.
À medida que veículos, drones e robôs assumem tarefas cada vez mais complexas, compreender essas vulnerabilidades se torna essencial. Afinal, no mundo real, uma pequena diferença na percepção de distância pode significar apenas um cálculo errado ou, em situações críticas, uma manobra inesperada.
