Dados históricos
Jolpica → ETL Python → DuckDB / Parquet → ferramentas estatísticas + RAG
FastF1 → importação em lote → box-box → painéis comparativos
EM DESENVOLVIMENTO · LABORATÓRIO PÚBLICO DE ENGENHARIARodrigo Manso · com apoio da DeepCode
F1 Data Platform: da telemetria aos experimentos com IA.
Engenharia de dados industriais aplicada a um laboratório de automobilismo: dados históricos, telemetria de jogos, reprodução confiável e experimentos de voltas assistidos por IA. Oito componentes conectados, construídos e explicados publicamente.
GitHub ↗ Marcos e evidênciasStatus · 13 de outubro de 2026. A implementação do ETL, um historiador Rust v1 e protótipos isolados em Python estão em andamento. O pipeline integrado ao vivo, a otimização de voltas com IA e a plataforma de movimento ainda não foram demonstrados. A arquitetura abaixo representa o objetivo; o código do repositório e as evidências determinam a conclusão.
arquitetura planejada
Dois caminhos de dados. Uma trilha de evidências.
Telemetria ao vivo e reproduzida
Jogo F1 / captura gravada → captura UDP + distribuição → conector de borda → box-box → painel
O caminho de captura deve preservar a identidade da sessão, os registros de tempo da origem e a qualidade dos dados. A recuperação persistente é um requisito planejado; o buffer atual fica em memória.
A IA atua entre as voltas. Analisar uma volta gravada → propor uma alteração limitada no script → validar → executar por um controlador determinístico → registrar o resultado. As requisições ao modelo ficam fora do ciclo de controle em tempo real. A indexação por distância ajuda no alinhamento; ela não comprova uma condução estável.
Voltas de jogos e do mundo real podem ser alinhadas para exploração, mas têm física, condições e amostragem diferentes. Os estímulos de movimento derivados de dados públicos são uma extensão opcional de pesquisa, não uma reprodução das forças reais sentidas pelo piloto.
mapa de implementação
O que existe e o que vem a seguir
Um monorepositório com oito casos. O código dos protótipos demonstra progresso, mas não significa que estejam prontos para produção.
f1-data-platform
Python · DuckDB · ParquetImplementação em andamento: ETL histórico em camadas. O README do componente registra evidências de execução e a carga histórica restante.
box-box
Rust · Arrow/Parquetv1 implementada e exercitada localmente: ingestão HTTP com validação, compressão swinging-door por tag, WAL + segmentos Parquet, recuperação após reinício e API de consulta com redução de amostragem. Pendências: importador em lote FastF1, retenção por tag e execuções com pacotes reais do jogo.
f1-sim-connector
Python · UDPLeitura de cabeçalhos, mapeamento de tags, filtragem por exceção e protótipo de buffer em memória. A decodificação do corpo dos pacotes, a captura UDP e a integração com o historiador ainda precisam ser construídas.
f1-telemetry-lab
Python · StreamlitEstrutura inicial do painel. Comparações por distância da volta estão planejadas, com origem, qualidade e estado da reprodução visíveis.
f1-history-agent
Python · FastAPI · RAG + SQLEstrutura inicial do endpoint de saúde. Estão planejadas ferramentas estatísticas somente de leitura, recuperação de narrativas com citações e um conjunto de avaliação versionado.
f1-sim-driver
Python · scripts estruturados de voltaProtótipos de validação de scripts, interpolação por distância, manutenção de posição e edição. Ainda não há um ciclo de controle conectado ao jogo; a repetibilidade e os adaptadores de entrada precisam de validação.
f1-strategy-ml
Python · scikit-learnFase posterior: modelos de degradação e experimentos entre simulador e dados reais. A generalização é uma questão de pesquisa, não um resultado estabelecido.
f1-mobile
Flutter · DartFase posterior: um cliente para APIs estáveis da plataforma. A pesquisa com plataforma de movimento é uma extensão separada e opcional.
critérios de aceitação
Uma etapa demonstrável por vez
- Capturar e explicar: uma sessão gravada, amostras de pacotes versionadas, identidade da sessão e registros de tempo.
- Armazenar e reproduzir: um caminho visível de captura → conector → historiador → painel, com testes de reinício, indisponibilidade e perda.
- Medir a fidelidade: sinais brutos versus filtrados/comprimidos, tempo dos eventos, latência, memória e recuperação. Publicar o ambiente de teste.
- Estabelecer uma referência: controle repetível sem LLM, adaptadores validados, validade das voltas e tratamento de falhas.
- Avaliar alterações por IA: mudanças limitadas entre execuções, orçamentos iguais, ensaios repetidos e registro de todas as voltas que falharam.
diário de desenvolvimento · série planejada
Motorsport Engineering Lab
Uma série de Rodrigo Manso, com apoio da DeepCode. Vídeos em inglês para YouTube e Instagram, acompanhando marcos reais de implementação. Legendas em português poderão ser adicionadas quando forem úteis.
Primeiros capítulos
Por que este laboratório • Leitura dos primeiros pacotes • Sessões, relógios e qualidade de dados • Gravação e reprodução de uma volta.
Depois, os experimentos
Armazenamento e recuperação • Compressão versus fidelidade • Uma referência repetível • Alterações por IA com resultados medidos e falhas visíveis.
Acompanhe a série no YouTube e no Instagram. Os episódios estão em preparação. Explore o código e os marcos no GitHub.
Fontes e limites
O código do repositório e os dados têm licenças diferentes. Os dados do Jolpica estão sujeitos à CC BY-NC-SA 4.0; a licença MIT do software FastF1 não concede direitos gerais sobre a telemetria subjacente. Cada conjunto de dados e cada vídeo publicado precisam de atribuição e revisão dos usos permitidos.