De acordo com a Organização Mundial da Saúde,cerca de 1,2milhões de pessoas no mundo morrem em acidentes de trânsito. Sistemas de assistência ao motorista e veículos autônomos podem diminuir o número de acidentes. Dentre as várias demandas existentes para viabilizar essa tecnologia, sistemas computacionais de percepção ainda permanecem sem uma solução definitiva. Dois deles, detecção de obstáculos e de via navegável, normalmente fazem uso de algoritmos sofisticados como técnicas de aprendizado supervisionado, que mostram resultados impressionantes quando treinados com bases de dados bem definidas e diversificadas.Entretanto, construir, manter e atualizar uma base de dados com exemplos de vários lugares do mundo e em diversas situações é trabalhoso e complexo. Assim, métodos adaptativos e auto-supervisionados mostram-se como boas alternativas para sistemas de detecção do futuro próximo. Neste contexto, esta tese apresenta um método para estimar obstáculose via navegável através de sensores de baixo custo (câmeras estereoscópicas), sem o uso de técnicas de aprendizado de máquina e de diversas suposições normalmente utilizadas por trabalhos já disponíveis na literatura. Esses métodos utilizando sensor estereoscópico foram comparados fazendo uso de sensores do tipo 3D-LIDAR e mostraram resultados semelhantes. Este sistema poderá ser usado como uma fase pré-processamento de dados para melhorar ou viabilizar métodos adaptativos de aprendizado.

World wide, an estimated 1.2million lives are lostin road crashes each year and Advanced Driver Assistance Systems (ADAS) and Self-driving cars promise to reduce this number. Among the various issues to complete this technology, perception systems are still an unsolved issues. Normally two of them, obstacle detection and road detection, make use of sophisticated algorithms such as supervised machine learning methods which can perform with impressive results if it was trained with good data sets. Since it is a complex and an expensive job to create and maintain data bases of scenarios from the entire world, adaptive and/or self-supervised methods are good candidates for detection systems in the near future. Due that, this thesis present a method to estimate obsta- cles and estimate the road terrain using low cost sensors (stereo camera), avoiding supervised machine learning techniques and the most common assumptions used by works presented in literature. These methods were compared with 3D-LIDAR approaches achieving similar results and thus it can be used as a pre-processing step to improve or allow adaptive methods with machine learning systems.