Resumen Técnico: NOVA – Descubrimiento de Regresión Simbólica de Modelos Interpretables de Seguimiento de Vehículos y Cambio de Carril

1. Planteamiento del Problema

El artículo aborda el desafío de descubrir estructuras matemáticas interpretables y compactas que describan el comportamiento de conducción humana a partir de datos brutos de trayectoria. Mientras que los modelos clásicos de seguimiento de vehículos (por ejemplo, IDM, Krauss) imponen formas funcionales fijas determinadas por investigadores en lugar de por los datos, y los enfoques de aprendizaje profundo ofrecen una alta precisión predictiva pero carecen de interpretabilidad (actuando como "cajas negras"), existe una brecha para un método que recupere autónomamente ecuaciones simbólicas sin sesgos estructurales previos.

El problema científico específico es determinar si los comportamientos humanos de seguimiento de vehículos y cambio de carril contienen una estructura simbólica de baja complejidad que pueda ser recuperada de datos de trayectoria ruidosos y de alta dimensión (específicamente el conjunto de datos NGSIM) sin asumir de antemano formas funcionales específicas (por ejemplo, lineales, polinómicas o funciones de saturación específicas).

2. Metodología

2.1. El Marco de Trabajo NOVA

NOVA es un marco de regresión simbólica autónoma implementado en Rust para una ejecución de alto rendimiento y determinista. A diferencia de los enfoques estocásticos de programación genética, NOVA emplea una búsqueda combinatoria exhaustiva y determinista sobre una biblioteca acotada de estructuras algebraicas.

• Espacio de Búsqueda: El motor evalúa más de 10,000 estructuras algebraicas candidatas derivadas de un conjunto fundacional de átomos cinemáticos primitivos (velocidad $v$, velocidad del líder $v_l$, aceleración $a_l$, velocidad relativa $\Delta v$, brecha/gap) y sus contrapartes temporales rezagadas.
• Restricciones: La búsqueda se restringe a grados polinómicos $\le 2$ para evitar el sobreajuste al ruido de los sensores y para alinearse con los principios cinemáticos físicos. Crucialmente, no se inyectan estructuras de modelos heredados (por ejemplo, el término de carretera libre del IDM) como sesgos previos. Métricas cognitivas de orden superior como el Tiempo de Seguimiento (THW) o el Tiempo para la Colisión (TTC) no se incluyen de antemano; el motor debe sintetizarlos a partir de los primitivos (por ejemplo, descubriendo $gap/v$).
• Optimación: Los coeficientes se calculan mediante Mínimos Cuadrados Ordinarios (OLS) de forma cerrada utilizando la Descomposición en Valores Singulares (SVD) pre-factorizada para mayor estabilidad.

2.2. Datos y Preprocesamiento

El estudio utiliza 4,765,788 observaciones de conducción activa de los conjuntos de datos NGSIM I-80 y US-101.

• Filtrado: Filtros de calidad estrictos eliminan el desplazamiento/ralentí ($|a| < 0.2$ m/s²) y la cinemática fuera de los límites.
• Suavizado: Para mitigar el jitter de seguimiento de 10 Hz (que causa picos de aceleración no físicos tras la doble diferenciación), se utilizan dos canales de preprocesamiento complementarios:
  1. Canal R: Media móvil (centrada en 15 cuadros) con un objetivo desplazado hacia adelante de 0.8 s.
  2. Canal S: Filtro Savitzky–Golay (orden 3, ventana 15) con un objetivo de media de 1.0 s.
• Protocolo de Evaluación: Se impone una retención estricta de 80/20 por ID de vehículo para asegurar la generalización a conductores no vistos en lugar de la memorización de trayectorias específicas.

2.3. Proceso de Descubrimiento

El descubrimiento sigue una "cascada de residuos" de múltiples etapas:

1. Fase 1 (Ley Global): Descubrimiento de la estructura primaria a partir de datos brutos.
2. Fase 2 (Heterogeneidad): Modelado de la personalidad del conductor (agresividad) y regímenes de velocidad (parada y arranque, transición, flujo libre).
3. Fase 3 (Residuos): Una segunda búsqueda en los residuos de la Fase 2 para identificar señales estructurales restantes (por ejemplo, evasión de colisiones).

3. Contribuciones Clave y Hallazgos

3.1. Seguimiento de Vehículos: El Esqueleto Invariante

El descubrimiento principal es que la tangente hiperbólica de la velocidad relativa, $\tanh(\Delta v)$, es el término dominante e invariante en el seguimiento de vehículos humano.

• La Ley de Rango 4: El modelo mejor clasificado es una ecuación de dos términos: $\hat{a} = -0.468 + 1.266 \tanh(\Delta v) + 0.194 \text{THW}$.
• Interpretación: El término $\tanh(\Delta v)$ captura una respuesta acotada y saturable a la velocidad relativa. Para velocidades relativas pequeñas, la respuesta es lineal; para velocidades grandes, la aceleración se satura en $\approx \pm 1.266$ m/s², lo cual es consistente con los principios psicofísicos de Weber–Fechner. Esta estructura no estaba presente en modelos previos (por ejemplo, el OVM aplica la saturación al espaciamiento, no a la velocidad de cierre).
• Robustez: Este esqueleto fue recuperado independientemente en ocho configuraciones experimentales diferentes (variando canales, horizontes, poblaciones de conductores y tiempos de características), confirmando que no es un artefacto de preprocesamiento.
• Heterogeneidad del Conductor: Un índice de agresividad continua ($\kappa$) derivado de un Modelo de Mezcla Gaussiana (GMM) modula el coeficiente de $\tanh(\Delta v)$. Los conductores agresivos muestran una respuesta más fuerte a la velocidad relativa, particularmente en el régimen de velocidad de "transición".
• Descubrimiento de Residuos (TTC): Una segunda búsqueda en los residuos identificó $\tanh(\text{TTC})$ como el término dominante restante. Esto conecta el descubrimiento basado en datos con la teoría $\tau$ de Lee sobre el vislumbre óptico (optical looming), proporcionando una formulación acotada del riesgo de colisión sin suministar explícitamente modelos de flujo óptico como sesgos previos.

3.2. Modelado de Cambio de Carril

NOVA se extendió a un marco de Logit Multinomial (MNL) para descubrir funciones de utilidad de cambio de carril.

• Rendimiento: El modelo descubierto de 16 características alcanzó una precisión equilibrada del 67.4% en 502 conductores no vistos bajo una retención estricta de ID de vehículo. Esto supera la línea base de MOBIL (37.6%) por +29.8 puntos porcentuales y la línea base de MNL diseñada a mano por aproximadamente 17 pp.
• Estructura: Las funciones de utilidad están desacopladas direccionalmente. Las características clave incluyen la brecha inversa ($1/gap$) y el tiempo para la colisión inverso ($1/\text{TTC}$), confirmando que el vislumbre óptico es una señal de seguridad compartida tanto en decisiones longitudinales (frenado) como laterales (cambio de carril).
• Límites: El aumento de características (añadir física de aceptación de brecha más compleja) y el refuerzo de residuos no lograron mejorar la precisión fuera del conductor, lo que sugiere un techo estructural para las características cinemáticas de instantánea única en la distinción entre "Permanecer" vs. "Cambiar", sugiriendo que el trabajo futuro requiere características de historial temporal.

3.3. Transferencia entre Ubicaciones

Los operadores simbólicos descubiertos demostraron transferibilidad de cero disparos (zero-shot) entre los sitios I-80 y US-101.

• Transferir el modelo entrenado en un sitio al otro resultó en una pérdida de solo 2.5–2.8 puntos porcentuales en $R^2$, recuperando el 97–99% del rendimiento del oráculo local. Esto indica que las estructuras descubiertas son propiedades de la conducción en autopistas humanas y no ajustes específicos de un conjunto de datos.

4. Resultados y Benchmarks

• Precisión de Seguimiento de Vehículos: Bajo el Canal S (Savitzky–Golay), NOVA logró un RMSE = 1.376 m/s² ($R^2 = 15.57\%$), superando a la mejor línea base de regresión simbólica recalibrada (SR-LLM) por 0.135 m/s² en RMSE bajo un protocolo idéntico.
• Comparación con Modelos Clásicos: Los modelos clásicos como IDM y Krauss funcionaron deficientemente en instantáneas empíricas directas (IDM $R^2 = -68\%$ en el Canal R) porque sus formas funcionales fijas no coinciden con la dinámica de aceleración instantánea de los datos de NGSIM.
• Estabilidad de Simulación:
  • Lazo Abierto: Con una intervención de seguridad (TTC < 1.5s), la ley de 3 pasos logró una tasa de colisión del 2.5% en horizontes de 30 segundos, superando al IDM calibrado en el error de velocidad de largo horizonte.
  • Estabilidad de la Cadena: Una simulación de pelotón de 13 vehículos arrojó una relación de estabilidad $\Lambda = 1.064$ y una velocidad de onda hacia atrás de 35.4 m/s, coincidiendo con las observaciones empíricas de ondas de parada y arranque de NGSIM. Esta estabilidad es una propiedad emergente, no una restricción de diseño.

5. Significado y Reivindicaciones

El artículo afirma que NOVA demuestra con éxito que la regresión simbólica autónoma puede recuperar regularidades estructurales interpretables de datos de comportamiento humano ruidosos.

• Descubrimiento Científico: El marco identificó autónomamente la no linealidad $\tanh(\Delta v)$ y la señal de vislumbre $\tanh(\text{TTC})$ sin que estas formas funcionales fueran suministradas como sesgos previos. Esto sugiere que el comportamiento de conducción humana contiene una estructura simbólica de baja complejidad que antes estaba oscurecida por las suposiciones fijas de los modelos clásicos.
• Convergencia de Teoría y Datos: El descubrimiento basado en datos del vislumbre óptico (TTC) tanto en el seguimiento de vehículos como en el cambio de carril proporciona evidencia empírica a gran escala que respalda la teoría $\tau$ de Lee, unificando las señales de seguridad longitudinales y laterales.
• Rigor Metodológico: Al imponer retenciones estrictas de ID de vehículo, múltiples canales de preprocesamiento y pruebas de transferencia de cero disparos, el artículo argumenta que las estructuras descubiertas son invariantes de comportamiento robustas y no artefactos estadísticos o sobreajustes a conjuntos de datos específicos.
• Limitaciones Reconocidas: Los autores señalan modestamente que el modelo es específico para el seguimiento de brechas en autopistas (fallando en datos de intersecciones urbanas), que la discriminación de cambio de carril está limitada por las limitaciones de las características de instantánea única, y que los resultados están actualmente limitados a datos de autopistas de EE. UU. de 2005.

En conclusión, NOVA presenta un cambio de paradigma de la calibración de modelos fijos al descubrimiento de ecuaciones interpretables, revelando que la conducción humana está gobernada por respuestas de saturación y acotadas a la velocidad relativa y al vislumbre óptico que pueden recuperarse matemáticamente de los datos brutos.