Em resposta aos desafios urbanos, especialmente no contexto de mobilidade e poluição, esta pesquisa aborda a inovação em veículos elétricos levíssimos, com foco especial em bicicletas elétricas. A recente regulamentação no Brasil, Resolução do Conselho Nacional de Trânsito 996 (junho de 2023), destaca a importância desses veículos, estabelecendo parâmetros essenciais, como potência nominal e velocidade máxima. A tese concentra-se no aprimoramento do Sistema de Gerenciamento de Bateria (BMS) das bicicletas elétricas, com ênfase na aplicação de TinyML para a estimação de parâmetros críticos das baterias. Além disso, apresenta uma metodologia abrangente para o monitoramento contínuo, detecção de desvios e atualização dinâmica dos modelos TinyML incorporados em sistemas microcontrolados. As técnicas de Aprendizado Incremental são exploradas para identificar perfis de uso, diagnosticar a saúde e autonomia da bateria, bem como detectar cenários atípicos. A pesquisa propõe a criação de um ambiente experimental robusto para validar e aprimorar essas abordagens, contribuindo assim para o desenvolvimento de um BMS mais eficiente e adaptável. No cerne da proposta está a introdução de um mecanismo de estimação paramétrica das baterias, aplicado especificamente a bicicletas elétricas, orientado por algoritmos de TinyML. Esta abordagem não apenas eleva a precisão na gestão de energia, mas também estabelece um sistema dinâmico capaz de se adaptar a mudanças nas condições operacionais, promovendo uma utilização otimizada das baterias e prolongando sua vida útil. Assim, a pesquisa não só responde aos desafios atuais de mobilidade urbana, mas também contribui significativamente para a viabilidade e eficiência sustentável dos veículos elétricos levíssimos, em especial as bicicletas elétricas.