🤖 machine learning

HERMES: Heterogeneous Edge-Relational Multi-Head Embedded SSM Attention for Traffic Conflict Prediction at Signalized Intersections

Este artículo propone HERMES, una red neuronal de grafos relacionales de borde heterogénea con atención de múltiples cabezales informada por SSM que modela vehículos y peatones como nodos y sus interacciones como aristas específicas de la relación para lograr una predicción de conflictos de tráfico transferible y de vanguardia en intersecciones semaforizadas mediante la captura efectiva de topologías de interacción heterogéneas y dinámicas temporales conscientes de la seguridad.

Autores originales: Md Monzurul Islam, Subasish Das

Publicado 2026-07-24

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Md Monzurul Islam, Subasish Das

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás observando una intersección urbana con mucho movimiento desde una ventana elevada. Los coches circulan, giran y se detienen, mientras los peatones se entrelazan por los pasos de cebra. Para un ordenador, esto no es solo un caos desordenado; es un rompecabezas gigante y en movimiento donde cada pieza (un coche o una persona) está cambiando constantemente de opinión y reaccionando a sus vecinos. Durante décadas, los expertos en seguridad vial han intentado predecir cuándo estas piezas podrían chocar entre sí. Antes solían esperar a que ocurriera el accidente real para luego estudiar los restos, pero eso es como esperar a que una casa se incendie para aprender sobre la seguridad contra el fuego. En su lugar, empezaron a buscar los "cuasi-accidentes" (near-misses): esos momentos de infarto en los que un coche frena de golpe a escasos centímetros de un peatón. Estos se denominan "medidas de seguridad sustitutas". Piensa en ellos como la versión del mundo del tráfico de un detector de "por poco".

Sin embargo, la mayoría de los programas informáticos de la vieja escuela analizaban estos cuasi-accidentes uno por uno, como comprobar si el Coche A está demasiado cerca del Coche B, y luego comprobar si el Coche C está demasiado cerca del Peatón D, ignorando el hecho de que la frenada repentina del Coche A podría hacer que el Coche B se desvíe, lo que a su vez asustaría al Peatón D. Era como intentar comprender una danza compleja observando solo a dos bailarines a la vez. Este artículo presenta una forma nueva y más inteligente de observar toda la pista de baile a la vez. Trata la intersección no como una lista de pares separados, sino como una red viva y palpitante de conexiones donde cada movimiento se propaga a través de la multitud. El objetivo es simple pero vital: construir un sistema que pueda detectar una situación peligrosa antes de que se convierta en una tragedia, sin gritar "falsa alarma" cada vez que alguien simplemente reduce la velocidad ante un semáforo en rojo.

El nuevo "Detective de Tráfico": HERMES

Entra en escena HERMES, un nombre sofisticado para un nuevo tipo de cerebro informático diseñado para predecir conflictos de tráfico en intersecciones semaforizadas. Los investigadores, Md Monzurul Islam y Subasish Das, de la Universidad Estatal de Texas, construyeron este sistema para resolver el problema de la "planitud" de los modelos anteriores. Imagina intentar describir una sinfonía enumerando el volumen de cada instrumento por separado; te perderías la armonía y el caos. Los modelos antiguos hacían exactamente eso con el tráfico, aplanando la escena en una aburrida lista de números. HERMES, por el contrario, ve la intersección como un grafo heterogéneo.

En lenguaje sencillo, un "grafo" aquí es simplemente un mapa de conexiones. HERMES dibuja un mapa donde los coches y los peatones son los puntos (nodos) y sus interacciones son las líneas (aristas) que los conectan. Pero no es un mapa cualquiera; es un grafo heterogéneo, lo que significa que sabe la diferencia entre un coche hablando con otro coche, un coche hablando con una persona y una persona hablando con otra persona. Trata estas relaciones de forma distinta, tal como tratarías una conversación con tu mejor amigo de forma diferente a un chat con un extraño.

Lo que hace que HERMES sea verdaderamente especial es cómo utiliza las "medidas de seguridad sustitutas" (SSM). Estas son pistas basadas en la física como el Tiempo de Colisión (cuántos segundos faltan para un choque si nadie se mueve) y el DRAC (qué tan fuerte tiene que frenar alguien para evitar un choque). En lugar de simplemente añadir estos números al final de una lista, HERMES los integra directamente en las conexiones entre los puntos. Es como darle al ordenador un superpoder: no solo ve que dos coches están cerca; ve que están cerca y moviéndose rápidamente el uno hacia el otro, y sabe que esta combinación específica es peligrosa.

Cómo funciona: La magia de la red

HERMES trabaja en capas, como pelar una cebolla o apilar bloques de construcción.

La Capa de Grafo: Observa una instantánea de la intersección y construye una red de conexiones. Presta especial atención a las "aristas" (las líneas entre los puntos) que tienen altas demandas de frenado (alto DRAC). Si un coche tiene que dar un frenazo, HERMES destaca esa conexión de inmediato.
La Capa de Atención: Esta es la parte de "cabezales múltiples". Imagina que HERMES tiene varios pares de gafas, cada uno mirando la escena a través de un lente diferente. Un par podría centrarse en la velocidad, otro en la dirección y otro en qué tan cerca está todo el mundo. Combina todas estas visiones para decidir qué interacciones son las más críticas.
La Capa de Tiempo: El tráfico no ocurre en una única foto congelada; es una película. HERMES observa una secuencia de estos grafos a lo largo del tiempo (específicamente, 8 fotogramas seguidos). Utiliza un sistema de memoria (llamado LSTM) para recordar cómo evolucionó la situación. ¿Se acercaron los coches? ¿Salió el peatón al paso? Al observar cómo se desarrolla la historia, puede predecir el final antes de que ocurra.

Los resultados: Una puntuación casi perfecta

Los investigadores probaron HERMES utilizando más de 109.000 secuencias de datos de tráfico de una intersección con mucho movimiento en San Marcos, Texas. Compararon HERMES contra todo un equipo de otros "detectives", incluyendo modelos estadísticos tradicionales (como XGBoost) y modelos modernos de aprendizaje profundo (como los Transformers).

Los resultados fueron impresionantes. HERMES no solo ganó; dominó.

Precisión: Logró una puntuación llamada AUC-ROC de 0,9898. En el mundo de los modelos de predicción, un 1,0 es perfecto y un 0,5 es como adivinar lanzando una moneda. HERMES estaba increíblemente cerca de la perfección.
La prueba de la "Falsa Alarma": Esta es la parte más importante para el uso en el mundo real. Si un sistema de seguridad grita "¡CHOQUE!" cada vez que un coche reduce la velocidad, nadie le hará caso. Los investigadores probaron qué tan bien podían los modelos encontrar peligros reales manteniendo las falsas alarmas muy bajas (específicamente, solo el 5% de las situaciones seguras fueron marcadas erróneamente).
- El mejor modelo anterior (un Transformer) detectó aproximadamente el 81% de los conflictos reales con esta baja tasa de falsas alarmas.
- HERMES detectó el 95,7% de los conflictos.
- Eso significa que HERMES encontró casi todas las situaciones peligrosas con apenas una falsa alarma.

También probaron si HERMES podía funcionar en una ciudad diferente. Tomaron el modelo entrenado en Texas y lo trasladaron a una intersección en Coldwater, Michigan, sin volver a entrenarlo con los nuevos datos. Esto se llama "transferencia zero-shot". Incluso sin haber visto la nueva ciudad, HERMES se desempeñó notablemente bien, detectando el 91,45% de los conflictos con una tasa de falsa alarma del 5%. Cuando le dieron una pequeña cantidad de datos de la nueva ciudad (solo el 20% de los segmentos de entrenamiento), su rendimiento saltó aún más alto, detectando casi el 98,7% de los conflictos.

Lo que no es (y lo que descarta)

Es importante saber qué es lo que HERMES no hace. El artículo argumenta explícitamente contra la idea de que se puede entender el riesgo simplemente mirando un par de usuarios de la vía (como un coche y un peatón) de forma aislada. El estudio demuestra que observar las interacciones individualmente o aplanar la escena en una simple lista de números hace que se pierda la compleja red de causa y efecto que conduce a los accidentes.

El artículo también descarta la idea de que se necesita una enorme cantidad de datos nuevos de cada ubicación para que el sistema funcione. Aunque añadir un poco de datos locales ayuda, el sistema es lo suficientemente robusto como para funcionar bien en un nuevo sitio simplemente aprendiendo de otro sitio similar.

Conclusión

Este artículo sugiere que el futuro de la seguridad vial no se trata solo de mejores cámaras o de ordenadores más rápidos; se trata de un mejor entendimiento. Al tratar el tráfico como una red conectada de relaciones en lugar de una lista de eventos aislados, HERMES puede ver el peligro mucho antes y con mayor precisión que nunca. Es un paso poderoso hacia un mundo donde las intersecciones sean más seguras, no porque esperemos a que ocurran los choques, sino porque podemos detectar los cuasi-accidentes y solucionar el problema antes de que alguien resulte herido. Los autores concluyen que este enfoque proporciona una base sólida para construir monitores de seguridad vial en las carreteras que sean lo suficientemente inteligentes como para distinguir entre un momento de susto y un choque real.

Resumen Técnico: HERMES para la Predicción de Conflictos de Tráfico

Planteamiento del Problema

El análisis de la seguridad vial en intersecciones semaforizadas se basa tradicionalmente en datos de accidentes reportados por la policía, los cuales son reactivos y escasos, lo que limita la intervención proactiva. Aunque las Medidas de Seguridad Sustitutas (SSM, por sus siglas en inglés) como el Tiempo para la Colisión (TTC) y la Tasa de Deceleración para Evitar un Choque (DRAC) ofrecen una base más frecuente para la evaluación del riesgo, los métodos existentes sufren cuatro limitaciones principales:

Rigidez de los Umbrales: Los umbrales fijos de las SSM a menudo no logran capturar comportamientos evasivos complejos o dinámicas contextuales en tráfico heterogéneo.
Representaciones Aplatadas: La mayoría de los modelos de aprendizaje automático (ML) y aprendizaje profundo (DL) comprimen escenas multi-agente en vectores de características planos, perdiendo la estructura topológica de las interacciones entre agentes y la identidad específica de los usuarios de la vía que interactúan.
Aislamiento Diádico: Muchos enfoques evalúan pares vehículo-vehículo (VV) o vehículo-peatón (VP) de forma independiente, fallando al modelar los efectos relacionales en cascada donde la decisión de un agente altera la exposición al riesgo de los agentes circundantes.
Semántica de Grafo Estática: Los enfoques actuales de Redes Neuronales de Grafos (GNN) suelen utilizar grafos homogéneos o estructuras de adyacencia estáticas que no distinguen entre tipos de interacción (VV, VP, peatón-peatón) ni integran descriptores de seguridad continuos directamente en el mecanismo de paso de mensajes.

En consecuencia, existe la necesidad de un marco que modele conjuntamente las relaciones heterogéneas de los usuarios de la vía, integre descriptores de seguridad continuos informados por la física y capture la evolución temporal a corto plazo del riesgo a nivel de escena.

Metodología: El Marco HERMES

El estudio propone HERMES (Atención de Embebido SSM Multi-Cabezal Relacional de Bordes Heterogéneos), un marco formulado como un problema de clasificación de grafos a nivel de escena temporal.

1. Construcción de Datos y Grafos

Entrada: Los datos de trayectoria de cámaras fijas junto al camino se procesan para extraer las trayectorias de vehículos y peatones.
Grafos Heterogéneos: Cada fotograma se representa como un grafo $G_t = (X_t, A_t^{VV}, A_t^{VP}, A_t^{PP}, E_t)$ $G_{t} = (X_{t}, A_{t}^{V V}, A_{t}^{V P}, A_{t}^{P P}, E_{t})$ .
- Nodos: Los vehículos y los peatones son tipos de nodos distintos con características cinemáticas (posición, velocidad, aceleración, orientación).
- Aristas (Edges): Las interacciones se modelan como aristas específicas de la relación (VV, VP, PP).
- Características de las Aristas: Las aristas se enriquecen con descriptores continuos e informados por la física: distancia, velocidad relativa, DRAC, diferencia de orientación y componentes de velocidad relativa ( $v_x, v_y$ ). Notablemente, el TTC se excluye de las características de las aristas para evitar la filtración de la variable objetivo (target leakage), ya que se utiliza para el etiquetado de conflictos.

2. Arquitectura del Modelo

HERMES procesa una secuencia de $T=8$ fotogramas utilizando una arquitectura de dos etapas:

Propagación de Grafo Heterogéneo (Espacial):
- Atención Multi-Cabezal con Embebido SSM Específica de la Relación: Para cada tipo de relación ( $r \in \{VV, VP, PP\}$ ), un mecanismo de atención multi-cabezal separado computa los pesos de interacción. Crucialmente, la puntuación de atención incorpora un sesgo aprendido derivado de los descriptores SSM a nivel de arista (por ejemplo, DRAC), lo que permite al modelo priorizar las interacciones basadas en características físicas de seguridad.
- Refinamiento Dinámico de Aristas: A diferencia de las GNN estáticas, HERMES actualiza las representaciones de las aristas después de cada capa de actualización de nodos. Los estados de los nodos actualizados se concatenan con los estados previos de las aristas para refinar las características de las aristas, permitiendo que la semántica relacional evolucione conforme cambian los estados de los agentes.
- Agrupación de Grafos Guiada por DRAC (DRAC-Guided Graph Pooling): Para agregar las representaciones de los nodos en una incrustación (embedding) a nivel de fotograma, se utiliza un mecanismo de agrupación sensible al riesgo. La contribución de cada nodo se pondera mediante el valor máximo de DRAC de sus aristas salientes, asegurando que los agentes involucrados en interacciones de alta demanda de frenado tengan una mayor influencia en la representación de la escena.
Codificación Temporal:
- La secuencia de incrustaciones a nivel de fotograma es procesada por una LSTM de dos capas para capturar la evolución a corto plazo de los estados de conflicto.
- El estado oculto final se pasa a través de una capa totalmente conectada para producir una probabilidad de conflicto a nivel de escena.

3. Entrenamiento y Evaluación

Datos: El modelo fue entrenado con 109,028 secuencias derivadas de trayectorias de una intersección semaforizada en San Marcos, Texas (Sitio de Origen).
Líneas Base (Baselines): El rendimiento se comparó contra un benchmark de tres niveles:
- ML: Regresión Logística, Bosque Aleatorio (Random Forest), XGBoost, LightGBM, SVM (usando estadísticas de secuencia aplatadas).
- DL: BiLSTM, GRU, TCN, Transformer (usando características de fotograma aplatadas).
- Grafo: Un "Baseline HERMES" con una sola capa de propagación, aristas estáticas y agrupación por media (mean pooling).
Aprendizaje por Transferencia: El modelo fue evaluado en un conjunto de datos independiente de Coldwater, Michigan (Sitio de Destino) bajo escenarios de entrenamiento zero-shot y de fuente mixta.

Contribuciones Clave

Grafo de Escena Heterogéneo Dinámico: Un marco que modela conjuntamente las interacciones mixtas entre vehículos y peatones y actualiza tanto las representaciones de los nodos como las de las aristas a medida que los estados relacionales evolucionan, preservando la topología de la interacción.
Atención con Embebido SSM: La integración de descriptores de seguridad continuos (como DRAC) directamente en el mecanismo de atención, permitiendo que la información cinemática y de seguridad guíe la propagación de los mensajes de interacción.
Integración Temporal-Relacional: La combinación de aprendizaje de grafos heterogéneos con modelado de secuencias temporales para representar tanto las estructuras multi-agente dentro de un fotograma como la evolución del riesgo a corto plazo.
Benchmarking Exhaustivo: Una comparación controlada entre modelos de ML, DL temporal y modelos basados en grafos utilizando divisiones de datos e protocolos de evaluación idénticos, incluyendo estudios de ablación y análisis de transferencia entre sitios.

Resultados

El modelo "Enhanced HERMES" demostró un rendimiento superior en todas las métricas en el conjunto de prueba de San Marcos:

Discriminación: Logró un AUC-ROC de 0.9898 ± 0.0013 y un AUC-PR de 0.9412 ± 0.0067, superando al baseline más fuerte de Transformer (AUC-ROC 0.9743) y a XGBoost (AUC-ROC 0.9569).
Sensibilidad a Falsas Alarmas Bajas: Con una tasa de falsas alarmas del 5%, el Enhanced HERMES detectó el 95.7% de las secuencias de conflicto. Esto superó significativamente al Transformer (81.0%) y a XGBoost (61.5%).
Robustez: El modelo mostró un rendimiento estable a través de cinco semillas aleatorias, con desviaciones estándar bajas en las métricas clave.
Transferencia entre Sitios:
- Zero-Shot: Sin entrenamiento en el sitio de destino, el modelo logró un AUC-ROC de 0.9752 y una sensibilidad del 91.45% con una tasa de falsa alarma del 5% en el conjunto de datos de Coldwater.
- Fuente Mixta: El entrenamiento conjunto con los datos de origen y segmentos limitados del sitio de destino (por ejemplo, el 20% de los datos de entrenamiento de Coldwater) mejoró aún más el rendimiento, alcanzando una sensibilidad de 0.9869 con una tasa de falsa alarma del 5%.

Significado y Reivindicaciones

El artículo sostiene que HERMES proporciona una base prometedora para el monitoreo de conflictos en carretera con bajas falsas alarmas y aplicaciones de seguridad vial proactivas. El estudio demuestra que:

Preservar las estructuras de interacción heterogéneas y la evolución temporal a corto plazo favorece una transferencia efectiva entre entornos de intersecciones semaforizadas similares.
Se pueden lograr ganancias operativas sustanciales con datos limitados del sitio de destino, lo que hace que el marco sea viable para su despliegue en nuevas ubicaciones donde aún no se disponga de datos etiquetados extensos.
El embebido de descriptores de seguridad informados por la física directamente en los mecanismos de atención de grafos permite al modelo priorizar las interacciones físicamente críticas de manera más efectiva que los modelos que dependen de vectores de características aplatadas o estructuras de grafos estáticas.

Los autores concluyen que, si bien el marco muestra un gran potencial, trabajos futuros deben examinar los resultados de conflictos validados por expertos, geometrías de vías diversas y los requisitos computacionales en tiempo real para evaluar plenamente su viabilidad como componente transferible de sistemas de seguridad proactivos.