Resumen Técnico: DRIFT – Inferencia de Riesgo de Conducción mediante Transmisión de Campo

1. Enunciado del Problema

Los Sistemas Inteligentes de Transporte (ITS) modernos enfrentan desafíos significativos en la modelización del riesgo dentro de entornos de tráfico mixto, particularmente en escenarios interactivos como la inserción en autopista y el cambio de carril. Las métricas de seguridad tradicionales, como el Tiempo hasta la Colisión (TTC) y el Tiempo Posterior a la Intrusión (PET), son típicamente pareadas, instantáneas y escalares. Aunque útiles, estas métricas no logran capturar la estructura espacial de las interacciones multiagente y carecen de la capacidad de razonar sobre las intenciones y las incertidumbres de los agentes circundantes más allá de ubicaciones discretas.

Además, las representaciones de riesgo basadas en campos existentes (campos potenciales) sufren tres limitaciones principales:

1. Naturaleza Estática: Muchos campos de riesgo son por fotograma o estáticos, careciendo de una ley de transmisión compartida para la anticipación temporal.
2. Manejo Insuficiente de la Oclusión: La oclusión se gestiona a menudo mediante enmascaramiento simple o relleno heurístico en lugar de mecanismos explícitos de propagación de riesgo latente y despeje.
3. Brechas en la Evaluación: Las evaluaciones actuales dependen en gran medida de Medidas de Seguridad Sustitutas (SSM) escalares, las cuales no pueden diagnosticar completamente si la estructura espacial y el comportamiento de propagación de un campo de riesgo son correctos, especialmente en regiones ocluidas o distantes.

2. Metodología: El Marco DRIFT

Los autores proponen DRIFT (Inferencia de Riesgo de Conducción mediante Transmisión de Campo), un campo de riesgo espaciotemporal regido por una ecuación en derivadas parciales (EDP) de advección-difusión-reacción. El marco opera dentro de un dominio de Vista Aérea centrado en el vehículo ego $\Omega$.

A. EDP Rectora

El potencial de riesgo $R(x, t)$ evoluciona en el tiempo según la siguiente ecuación:
$$\frac{\partial R}{\partial t} = \underbrace{\nabla \cdot (D \nabla R)}_{\text{Difusión}} - \underbrace{\nabla \cdot (vR)}_{\text{Advección}} + \underbrace{Q(x, t)}_{\text{Fuente}} - \underbrace{\lambda(x, t)R}_{\text{Decaimiento}}$$

• Advección: Transmite los peligros inyectados a lo largo del flujo de tráfico efectivo ($v$), permitiendo que el riesgo emerja antes de que una interacción alcance físicamente al vehículo ego.
• Difusión: Suaviza los picos agudos y dispersa la incertidumbre posicional, lo cual es crítico dentro de las regiones de oclusión donde las distribuciones de agentes ocultos son amplias.
• Decaimiento: Elimina peligros obsoletos y evita que "estelas" persistentes dominen el mapa después de que las interacciones terminan o la visibilidad se restablece.
• Término del Telégrafo: Un término inercial opcional ($\tau \frac{\partial^2 R}{\partial t^2}$) se incluye en la formulación del modelo para imponer una velocidad de propagación finita, aunque se establece en cero en los experimentos para la eficiencia computacional.

B. Términos de Fuente ($Q$)

El campo de fuente total es una composición aditiva de tres componentes:

1. Riesgo Inducido por Vehículos ($Q_{veh}$): Modelado utilizando núcleos gaussianos anisotrópicos colocados en los agentes observados para capturar el riesgo inducido por la velocidad y los primitivos de interacción.
2. Peligros Latentes de Oclusión ($Q_{occ}$): Un mecanismo acoplado a la geometría que inyecta riesgo latente en la región de sombra de la vista del ego ($\Omega_{occ}$) causada por vehículos grandes (por ejemplo, camiones). La tasa de decaimiento $\lambda$ se acopla dinámicamente a la máscara de sombra; el decaimiento se reduce cuando las sombras se expanden (permitiendo la acumulación de riesgo) y se aumenta cuando las sombras retroceden (despejando el riesgo no soportado).
3. Presión de Inserción ($Q_{merge}$): Codifica la presión de conflicto impulsada por la topología cerca de las zonas de inserción basada en la geometría del carril y los priores de la zona de conflicto.

C. Protocolo de Evaluación

Para abordar las limitaciones de las SSM escalares, los autores introducen métricas de evaluación nativas del campo:

• Diferencial de Riesgo de Cambio de Carril (LCRD): Mide la fracción de cambios de carril registrados que se mueven hacia celdas de menor riesgo.
• Índice de Anticipación Temporal (TAI): Cuantifica qué tan temprano se cruza el umbral del campo en relación con un evento peligroso, normalizado por el tiempo de reacción humano.
• Ratio de Persistencia de Riesgo (RPR): Cuantifica la memoria de riesgo posterior al evento.
• Índice de Sensibilidad a la Oclusión (OSI): Mide la sensibilidad del riesgo a la relación de oclusión.
• Latencia de Respuesta a la Oclusión (ORL): Mide el retraso de tiempo en la respuesta a los cambios de sombra.
• $\Delta$Col.: El aumento relativo en eventos de casi-colisión bajo oclusión versus visibilidad completa.

3. Contribuciones Clave

1. Modelo de Transmisión Unificado por EDP: Un sustrato principiado para el riesgo que preserva la memoria temporal (mediante decaimiento), propaga peligros aguas abajo (mediante advección) y dispersa la incertidumbre espacial (mediante difusión).
2. Decaimiento de Oclusión Acoplado a la Geometría: Un mecanismo novedoso donde la tasa de decaimiento local del campo responde directamente a la tasa de cambio de la máscara de sombra, permitiendo la acumulación y el despeje dinámicos de peligros latentes.
3. Evaluación Nativa del Campo: Un protocolo integral que comprende métricas de comportamiento, propagación y respuesta a la oclusión que complementan las SSM existentes.

4. Resultados Experimentales

El marco fue evaluado en conjuntos de datos de tráfico del mundo real (exiD, rounD, inD) contra líneas base estáticas informadas por física (TPF, APF, DPDRF) y líneas base dinámicas impulsadas por datos (EDRF, RiskNet).

• Consistencia del Comportamiento: DRIFT logró la mayor alineación con las acciones observadas de los conductores, con un LCRD del 89% (comparado con el 82% de RiskNet y el 78% de EDRF). También demostró la mayor retención de riesgo posterior al evento (RPR 0.74).
• Ventaja de Propagación: DRIFT proporcionó el margen anticipatorio más grande, logrando un TAI de 0.41 (aprox. 0.62s de tiempo de adelanto), superando significativamente a las líneas base dinámicas (RiskNet: 0.24, EDRF: 0.18). Las líneas base estáticas no pudieron ser evaluadas en TAI debido a la falta de memoria temporal.
• Robustez ante la Oclusión: Bajo oclusión, DRIFT redujo el aumento de la tasa de casi-colisiones al +1.4% (vs. +3.5% para RiskNet y +4.7% para EDRF). Logró la latencia de respuesta a la oclusión más rápida (0.31 s) y la mayor estabilidad temporal (Temp. 0.91).
• Estudios de Ablación: Los resultados confirmaron que la advección impulsa la anticipación temporal, la difusión mejora el conservadurismo ante la oclusión y el decaimiento acoplado a la geometría es el motor principal para la respuesta rápida a la visibilidad y la consistencia temporal.

5. Significado y Afirmaciones

El artículo afirma que DRIFT ofrece una alternativa espacialmente estructurada a las métricas de seguridad escalares, permitiendo a los módulos aguas abajo razonar más allá de las ubicaciones discretas de los agentes. Al tratar el riesgo como información propagada en lugar de un potencial estático, DRIFT logra con éxito:

• Reducir la latencia de respuesta a la oclusión en un 52% en comparación con las líneas base seleccionadas.
• Disminuir la tasa de casi-colisiones bajo oclusión en un 2.1% en escenarios sintéticos.
• Proporcionar advertencias más tempranas y una mejor alineación con las decisiones de los conductores humanos en escenarios de inserción y cambio de carril.

Los autores concluyen que la formulación basada en EDP produce estructuras de riesgo espacial interpretables y dinámicas temporales estables. Señalan que, aunque los parámetros actuales son ajustables, el trabajo futuro tiene como objetivo extender el marco a la modelización universal de riesgos para geometrías de intersección más ricas y planificación de movimiento multiagente. El código se pone a disposición para facilitar futuras investigaciones.