Resumen Técnico: Un Modelo Jerárquico de Comportamiento de Peatones para la Simulación de Tráfico

Planteamiento del Problema

El desarrollo y las pruebas de vehículos autónomos (AV) y sistemas de conducción automatizada (ADS) requieren pruebas rigurosas basadas en escenarios para garantizar interacciones seguras con los peatones, los usuarios de la vía más vulnerables. Los modelos de peatones microscópicos existentes en la simulación de tráfico suelen presentar limitaciones significativas:

• Falta de Extensibilidad: Muchos modelos se centran excesivamente en escenarios de interacción específicos, lo que dificulta su adaptación a nuevos contextos.
• Naturaleza de "Caja Negra": Los enfoques que utilizan métodos no deterministas o de "caja negra" (por ejemplo, ciertos modelos basados en datos o autómatas celulares) no permiten a los ingenieros derivar o controlar acciones específicas de los peatones basadas en las entradas del escenario.
• Inflexibilidad: Aunque algunos modelos demuestran comportamientos de alto nivel (por ejemplo, formación de carriles), generalmente carecen de la capacidad para que los ingenieros personalicen los comportamientos o inyecten acciones específicas y deseadas (como maniobras raras o críticas) en un escenario de prueba.
• Rigidez de la Trayectoria: Los modelos simples basados en trayectorias que siguen perfiles de velocidad predefinidos no pueden ajustarse dinámicamente para asegurar resultados específicos (por ejemplo, una colisión garantizada para pruebas de seguridad) sin una reconfiguración manual constante.

Existe la necesidad de un modelo de simulación de peatones que sea tanto altamente controlable (permitiendo la inyección explícita de comportamientos para pruebas) como realista (replicando la toma de decisiones y el movimiento humano natural).

Metodología

Los autores proponen un modelo jerárquico de comportamiento de peatones integrado en el Servidor GeoScenario, un motor de definición y ejecución de escenarios. El modelo se estructura en tres capas distintas:

1. Capa de Comportamiento (Toma de Decisiones de Alto Nivel)

• Mecanismo: Utiliza Árboles de Comportamiento (Behavior Trees) para modelar los procesos de toma de decisiones de forma explícita.
• Función: En cada ciclo de simulación, el árbol de comportamiento se "pulsa" (tick) para seleccionar una maniobra apropiada basada en el estado ambiental actual (por ejemplo, estado del semáforo, proximidad de vehículos, destino).
• Personalización: A cada peatón se le asigna un archivo de árbol de comportamiento. El modelo incluye una biblioteca de árboles reutilizables y un catálogo de maniobras (por ejemplo, Entrar en Paso de Cebra, Esperar en Paso de Cebra, Aumentar Velocidad de Caminado) y condiciones (por ejemplo, ¿Semáforo en verde?, Vehículo aproximándose).
• Niveles de Agresividad: El modelo admite distintos niveles de agresividad de los peatones (Baja, Media, Alta) mediante la modificación de los sub-árboles. Por ejemplo, un peatón de agresividad "Alta" puede entrar en un paso de cebra con luz amarilla o roja si es seguro, mientras que uno de agresividad "Baja" esperará al verde.

2. Capa de Maniobra (Planificación de Trayectoria)

• Función: Traduce la maniobra de alto nivel seleccionada por la capa de Comportamiento en instrucciones de bajo nivel.
• Salida: Genera un vector que contiene tres componentes:
  1. Un punto de paso (waypoint o meta intermedia).
  2. Un vector unitario de dirección deseada.
  3. Una velocidad deseada.
• Rol: Esta capa cierra la brecha entre las decisiones abstractas y el movimiento físico, asegurando que la trayectoria del peatón se alinee con la maniobra seleccionada (por ejemplo, dirigiendo a un peatón hacia el final de un paso de cebra).

3. Capa de Planificador de Movimiento (Ejecución de Movimiento de Bajo Nivel)

• Mecanismo: Emplea un Modelo de Fuerza Social (SFM) adaptado.
• Función: Calcula la aceleración y los cambios de velocidad del peatón basándose en fuerzas físicas:
  • Fuerza de Atracción: Atrae al peatón hacia el destino o punto de paso.
  • Fuerzas de Repulsión: Empuja al peatón lejos de otros peatones, vehículos y límites ambientales (muros/bordes).
• Integración: La capa recibe las instrucciones de trayectoria de la capa de Maniobra y el estado en tiempo real del entorno (posiciones/velocidades de otros agentes). Itera la ecuación del SFM para actualizar el estado del peatón (posición, velocidad, aceleración, orientación) para el siguiente paso de tiempo.

Implementación

El modelo está implementado en Python e integrado en el Servidor GeoScenario. Soporta el formato de mapa Lanelet2 para la representación de la estructura vial. El sistema permite la creación de "Escenarios de Evaluación" donde un peatón simulado (SP) reemplaza a un peatón empírico (EP) de un conjunto de datos del mundo real para probar las interacciones con otros agentes (vehículos y peatones) que siguen sus trayectorias registradas.

Contribuciones Clave

El artículo describe dos contribuciones principales:

1. Un Nuevo Modelo Jerárquico: Un marco de simulación de movimiento de peatones que presenta:
   • Toma de Decisiones Altamente Controlable: Lograda mediante Árboles de Comportamiento, proporcionando un lenguaje de dominio específico para que los ingenieros personalicen la lógica del peatón e inyecten comportamientos específicos (incluyendo situaciones raras/críticas).
   • Movimiento Realista: Logrado mediante un Modelo de Fuerza Social adaptado que gestiona la ejecución de trayectorias de bajo nivel y las interacciones dinámicas.
2. Evaluación Exhaustiva: Una evaluación del rendimiento del modelo en dos conjuntos de datos del mundo real de Ontario, Canadá, con diferentes estructuras viales (una intersección concurrida de cuatro vías y un paso de cebra sin semáforo).

Resultados

El modelo fue evaluado mediante dos métricas: Fidelidad de la Trayectoria de Bajo Nivel y Precisión de la Toma de Decisiones de Alto Nivel.

Fidelidad de la Trayectoria

La capacidad del modelo para replicar las trayectorias reales de los peatones se midió utilizando la Distancia Euclídea (ED) y la Distancia de Fréchet (FD).

• Conjunto de Datos de Intersección: El modelo logró una ED promedio de 1.55 m (escenarios segmentados) y 2.23 m (escenarios completos), superando significativamente a un método de aproximación de trayectoria base (5.45 m).
• Conjunto de Datos de Paso de Cebra Único: El modelo logró una ED promedio de 1.36 m.
• Observación: Aunque el modelo a veces se desviaba geométricamente del valor base debido a interacciones reactivas (por ejemplo, evitar peatones que venían en sentido contrario en el lado opuesto del camino en comparación con los datos empíricos), capturó con éxito la naturaleza dinámica del movimiento de los peatones.

Precisión de la Toma de Decisiones

La capacidad del modelo para replicar decisiones de alto nivel se evaluó en el conjunto de datos de la intersección:

• Decisión 1 (Selección de Paso de Cebra): El modelo seleccionó el mismo paso de cebra que el peatón empírico el 100% de las veces (253/253 instancias).
• Decisión 2 (Cruzar en Rojo/Amarillo): El modelo coincidió con la decisión empírica el 98.0% de las veces (145/148 instancias). Los tres desacuerdos ocurrieron cuando los peatones empíricos esperaron una señal roja y luego cruzaron inmediatamente tras un cambio específico de la luz de tráfico (verde avanzado de dos vías), un matiz que puede abordarse ajustando los parámetros de "agresividad".

Generación de Escenarios Críticos

El artículo demuestra la utilidad del modelo para generar un escenario de colisión garantizada entre un peatón y un vehículo en un paso de cebra sin semáforo. A diferencia de los modelos de trayectoria estáticos, el modelo jerárquico permite que el peatón ajuste dinámicamente su velocidad basándose en la aproximación del vehículo para asegurar que ocurra una colisión, independientemente de las posiciones o velocidades iniciales. Esta capacidad es crucial para probar las respuestas de los AV ante situaciones críticas sin necesidad de ensayos y errores manuales.

Significado y Reivindicaciones

Los autores afirman que su trabajo proporciona una herramienta valiosa para las pruebas basadas en escenarios de AV al ofrecer un nivel de control y explicidad que carecía la literatura previa de simulación de peatones.

• Representación Explícita: Mediante el uso de Árboles de Comportamiento, los procesos de decisión son transparentes, lo que permite a los ingenieros inyectar los comportamientos deseados para probar las respuestas de los AV ante situaciones críticas o peligrosas de forma segura.
• Fidelidad y Precisión: El modelo replica las trayectorias reales de los peatones con alta fidelidad (desviación promedio de 1.36 m) y una precisión en la toma de decisiones (98% o superior) utilizando únicamente información de rutas de alto nivel.
• Extensibilidad: La arquitectura modular permite la adición sencilla de nuevas maniobras, condiciones y sub-árboles para cubrir una amplia gama de comportamientos concebibles, incluyendo aquellos no presentes en los conjuntos de datos existentes.

El artículo concluye que este enfoque jerárquico equilibra eficazmente la necesidad de controlabilidad (para probar escenarios específicos) con el realismo (para generar un comportamiento humano naturalista), convirtiéndolo en una solución viable para las rigurosas pruebas requeridas por el desarrollo de la conducción autónoma.