Urban Deceleration Behavior Modes Under Scene Context: An Early-Kinematic Classifier from Argoverse 2 Multi-Agent Trajectories

Resumen Técnico: Modos de Comportamiento de Deceleración Urbana Bajo Contexto de Escena

Planteamiento del Problema
La deceleración urbana sigue siendo uno de los comportamientos más estudiados empíricamente, pero también uno de los más desorganizados taxonómicamente en la investigación de seguimiento de vehículos (car-following). Mientras que la literatura existente ha establecido marcos conceptuales para los perfiles de deceleración (despliegue temporal) y los mecanismos (desaceleración por inercia o coasting frente a frenado), y aunque los conjuntos de datos de vehículos autónomos (AV) a gran escala equipados con percepción ofrecen trayectorias de agentes múltiples con verdad de terreno (ground-truth), estos bloques analíticos específicos no se han ensamblado en un flujo de trabajo unificado para entornos urbanos. El estudio aborda la brecha en la caracterización de la deceleración urbana mediante un pequeño conjunto de modos cinemáticos estables, cuantificando cómo el contexto de la escena modula estos modos y determinando la predictibilidad de la pertenencia al modo a partir de ventanas de observación de eventos tempranos sin recurrir a sensores de pedales o datos de la mirada.

Metodología
El estudio utiliza el conjunto de datos de sensores Argoverse 2, extrayendo 1,219 eventos de deceleración sostenida de 234 registros de conducción urbana. La metodología sigue un flujo de ocho fases:

1. Procesamiento de Datos: Las trayectorias se reconstruyen a partir de anotaciones de cuboides (10 Hz) utilizando el filtrado de Savitzky–Golay. Los pares líder-seguidor se identifican dentro de un corredor longitudinal de 50 m, y los eventos de deceleración sostenida se detectan basándose en un umbral de $a_{long} \le -0.5$ m/s².
2. Ingeniería de Características: Cada evento se codifica en un vector de características cinemáticas de 19 dimensiones (Familias A y B) y un conjunto separado de variables de contexto de escena (Familia C).
   • Familia A (Intensidad/Tiempo): Incluye la deceleración máxima/media, el jerk (tirón), la duración del evento, la brecha inicial/tiempo de seguimiento, el looming visual ($\lambda = \dot{g}/g$), el DRAC y el MTTC.
   • Familia B (Perfil/Mecanismo): Incluye los Componentes Principales Funcionales del perfil de deceleración y un proxy de mecanismo ($m = |j_{peak}|/|a_{peak}|$) para distinguir entre coasting y frenado sin sensores de pedal.
   • Familia C (Contexto): Incluye la edad del par (tiempo desde la formación del líder-seguidor), la proximidad de VRUs (usuarios vulnerables de la vía), la densidad de vehículos y la geometría de la escena.
3. Descubrimiento de Modos: Se realiza un agrupamiento (clustering) no supervisado utilizando K-means, HDBSCAN y Modelos de Mezcla Gaussiana (GMM). La estabilidad se evalúa mediante el Índice de Rand Ajustado (ARI) de bootstrap a través de 50 remuestreos. Las variables de la Familia C se mantienen excluidas durante el agrupamiento para asegurar que la taxonomía sea puramente cinemática.
4. Modulación de Contexto: La asociación entre la pertenencia al clúster y el contexto de la escena se prueba mediante pruebas de Chi-cuadrado (para variables categóricas) y pruebas de Kruskal–Wallis (para variables continuas), con tamaños de efecto medidos por la V de Cramér y el epsilon-cuadrado ($\varepsilon^2$).
5. Estratificación de Regímenes: Los eventos se estratifican por velocidad inicial (Baja: <5 m/s, Media: 5–15 m/s, Alta: $\ge$15 m/s) para probar la invarianza del régimen.
6. Clasificación de Eventos Tempranos: Un clasificador HistGradientBoosting predice la pertenencia al modo utilizando ventanas de observación de 0.5 s, 1.0 s y 1.5 s. Se comparan tres variantes de modelos: solo cinemática (M1), cinemática + contexto (M2), y solo contexto (M3).

Resultos Clave

• Modos Estables: K-means con $K=4$ produce la solución más estable (ARI de Bootstrap = 0.897). HDBSCAN no logró identificar clústeres separables por densidad, lo que sugiere una estructura de gradiente continuo. Los cuatro modos son:
  1. Anticipatorio Suave (62.8%): Deceleración leve, baja tasa de cierre de brecha, bajo DRAC.
  2. Cierre Reactivo (30.6%): Dinámicas fuertes de cierre de brecha, alto looming, mayor DRAC.
  3. Tirón tipo Frenado (4.8%): Magnitud de jerk extrema con un proxy de mecanismo que indica aplicaciones de frenado bruscas.
  4. Atípico (1.8%): Estadísticas extremas en múltiples variables.
• Modulación de Contexto: Entre once variables de contexto de escena, solo la edad del par muestra un efecto medio ($\varepsilon^2 = 0.085$). El Clúster 0 (Cierre Reactivo) corresponde a los pares más jóvenes (mediana de 1.0 s), lo que respalda la interpretación de "entrada de vehículo" (cut-in), mientras que el Clúster 3 (Tirón tipo Frenado) corresponde a los pares más antiguos (mediana de 4.7 s). La geometría de la escena, la proximidad de VRUs y las distancias de intersección muestran efectos insignificantes.
• Dependencia de Régimen: Los modos son invariantes de régimen en la conducción de velocidad media (MSR, ARI = 0.817) pero dependientes de régimen en la conducción de baja velocidad (LSR, ARI = 0.166), donde la taxonomía general del conjunto de datos no logra alinearse con los patrones específicos de baja velocidad.
• Rendimiento de Clasificación: En un horizonte de observación de 1.0 s, el modelo combinado (M2) alcanza un macro-F1 de 0.758, comparado con 0.699 para la cinemática sola (M1). La ganancia marginal al añadir el contexto de la escena es de +0.059 F1. El jerk de la ventana temprana (RMS y pico) es la característica predictiva dominante, superando ampliamente a las variables de contexto en importancia de permutación.

Significancia y Reivindicaciones
El artículo afirma haber ensamblado herramientas conceptuales establecidas (looming, distinción entre coasting y frenado, seguimiento continuo frente a cut-in, agrupamiento de baja cardinalidad y explicabilidad basada en atribución) en un único flujo de trabajo coherente aplicado por primera vez a datos de percepción de AV en entornos urbanos.

El estudio concluye que la deceleración urbana está estructurada por un pequeño conjunto de modos cinemáticos estables. Demuestra que:

1. La inferencia de mecanismos es posible solo con la trayectoria: La distinción entre coasting y frenado puede recuperarse mediante un proxy de mecanismo basado en el jerk sin necesidad de datos de pedales instrumentados.
2. La edad del par es el principal modulador contextual: A diferencia de la geometría de la escena o la proximidad de los VRUs, la duración de la relación líder-seguidor estructura significativamente el comportamiento de deceleración.
3. La predicción temprana es factible: La pertenencia al modo es predecible a partir del primer segundo de un evento, siendo el jerk de la ventana temprana la señal principal.
4. La especificidad del régimen es importante: Un modelo único entrenado con velocidades mixtas puede fallar en escenarios urbanos de baja velocidad, lo que requiere enfoques estratificados por régimen.

Los autores posicionan este trabajo como una metodología transferible que extiende el descubrimiento de modos de deceleración desde los regímenes de autopista basados en NGSIM hacia el régimen de percepción de AV en entornos urbanos, ofreciendo una base para la evaluación mejorada de ADAS y el modelado de imitación de comportamiento.