⚡ electrical engineering

A General Set-Based Framework for Cognitive State Estimation: Theory and Application to Conditionally Automated Driving

Este artículo introduce un marco basado en conjuntos que estima los estados cognitivos humanos (confianza, riesgo percibido y carga de trabajo) en la conducción automatizada condicional al tratar las incertidumbres como desconocidas pero acotadas, demostrando mediante un experimento en simulador que supera a los modelos base probabilísticos en la predicción de la dependencia humana sin requerir grandes conjuntos de datos o supuestos de distribución.

Autores originales: Sibibalan Jeevanandam, Neera Jain

Publicado 2026-08-04

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sibibalan Jeevanandam, Neera Jain

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 intentando conducir un coche que puede maniobrar por sí solo, pero solo si estás prestando atención. Este es el mundo de la conducción automatizada de "Nivel 3": el coche hace el trabajo pesado, pero el conductor humano es la red de seguridad, listo para agarrar el volante si las cosas se ponen raras. ¿El gran problema? Los humanos somos complicados. A veces confiamos demasiado en el coche y nos desconectamos; otras veces, entramos en pánico y tomamos el control demasiado pronto. Para que estos coches sean seguros, la computadora necesita saber qué está pasando dentro de la cabeza del conductor; específicamente, cuánto confía en el coche, qué tan riesgosa considera la situación y qué tan estresada se siente. Este campo de estudio se llama Interacción Humano-Automatización. Durante mucho tiempo, los científicos han intentado adivinar estos estados mentales usando matemáticas que asumen que el comportamiento humano sigue una "campana de Gauss" predecible de aleatoriedad, como lanzar dados. Pero los humanos no somos dados; somos desordenados, y no siempre tenemos suficientes datos para lanzar los dados lo suficiente como para conocer el patrón.

Este artículo presenta una nueva y astuta forma de adivinar qué está pensando un conductor sin necesidad de conocer las "reglas de los dados". En lugar de adivinar probabilidades, los investigadores utilizan un enfoque "basado en conjuntos". Piensa en esto como un juego de "caliente o frío" jugado con una caja que se va reduciendo. En lugar de decir: "El conductor tiene un 70% de probabilidad de estar estresado", el sistema dice: "El nivel de estrés del conductor está definitivamente en algún lugar dentro de esta caja específica". A medida que el conductor interactúa con el coche, la caja se vuelve más pequeña y precisa. Los investigadores probaron esto en un simulador de conducción con 20 voluntarios, pidiéndoles que condujeran mientras el coche tomaba el control. Descubrieron que este método de la "caja que se encoge" era mejor para predecir cuándo un conductor tomaría el volante que los métodos tradicionales de "lanzamiento de dados", especialmente cuando se mira hacia el futuro.

La historia del artículo: Un detective con una caja que se encoge

El Problema: Los "dados" no ruedan bien
La mayoría de los intentos previos de leer la mente de un conductor dependen de la probabilidad. Asumen que si un conductor está estresado, es como lanzar un dado donde el "estrés" sale el 30% de las veces. Para que esto funcione, necesitas una cantidad masiva de datos para determinar exactamente cómo está equilibrado el dado. Pero en la vida real, no tienes millones de pruebas de conducción para cada persona. Además, los pensamientos humanos no siempre siguen curvas suaves y ordenadas. A veces, un conductor puede estar perfectamente tranquilo hasta que aparece una zona de construcción y, de repente, está en máxima alerta. Los métodos antiguos luchan con estos saltos repentinos y la falta de datos.

La Nueva Idea: Acotar lo Desconocido
Los autores, Sibibalan Jeevanandam y Neera Jain, proponen una estrategia diferente. En lugar de preguntar "¿Cuál es la probabilidad de que el conductor esté estresado?", preguntan "¿Cuál es el rango de posibilidades que encaja con lo que vemos?".

Imagina que estás tratando de encontrar un gato perdido en una casa oscura.

La Forma Antigua (Probabilística): Supones que hay un 80% de probabilidad de que el gato esté en la cocina, un 15% en el dormitorio y un 5% en el garaje. Necesitas muchos datos pasados sobre dónde se esconden usualmente los gatos para hacer estas suposiciones.
La Nueva Forma (Basada en Conjuntos): No supones probabilidades. En su lugar, dibujas una caja alrededor de la cocina. Dices: "Sabemos con certeza que el gato está en algún lugar dentro de esta caja". A medida que escuchas un maullido o ves una huella de pata, reduces la caja. Si el gato está definitivamente en la cocina, la caja se reduce solo a la cocina. Si escuchas un maullido desde el pasillo, la caja se expande para incluir el pasillo. Nunca necesitas saber la "probabilidad" de que el gato esté allí; solo necesitas saber que la caja es lo suficientemente grande como para atrapar al gato, pero lo suficientemente pequeña como para ser útil.

En este artículo, el "gato" es el estado mental del conductor (Confianza, Riesgo Percibido y Carga de Trabajo). La "caja" es un conjunto matemático que contiene todos los valores posibles para estos estados. Los investigadores tratan los factores desconocidos (como distracciones repentinas o pensamientos no medidos) como "desconocidos pero acotados". No saben exactamente cuánto se distrae la mente del conductor, pero saben que no se distraerá "fuera del planeta". Así que dibujan una caja lo suficientemente grande como para cubrir esa distracción, y luego la reducen a medida que obtienen más pistas.

Cómo funciona el detective
El sistema actúa como un detective resolviendo un misterio de dos maneras:

La pista del "Autoinforme": De vez en cuando, se le pregunta al conductor: "¿Cuánta confianza tiene en el coche?" o "¿Qué tan riesgoso se siente esto?". El conductor responde en una escala (como de 0 a 100). Esto es algo difuso porque el conductor puede redondear su respuesta o tener un ligero sesgo. El sistema toma esta respuesta y dibuja un "conjunto factible" (una caja) alrededor de ella.
La pista de la "Dependencia": La pista más importante es lo que el conductor hace. ¿Dejó que el coche condujera (dependencia = 1) o tomó el volante (dependencia = 0)? Esta es una pista binaria: sí o no. El sistema utiliza un mapa especial (un árbol de decisión) para determinar qué estados mentales conducen a cada acción. Por ejemplo, el mapa podría decir: "Si la Confianza es alta Y el Riesgo es bajo, el conductor confiará en el coche".

Al combinar estas pistas, el sistema actualiza su caja. Si el conductor dice "Confío mucho en el coche" (Autoinforme) pero inmediatamente después toma el volante (Dependencia), el sistema sabe que algo anda mal con su caja actual. Reduce la caja para encontrar un nuevo lugar donde ambas pistas tengan sentido. Si la caja alguna vez queda vacía (lo que significa que ningún estado mental posible encaja con las pistas), el sistema se da cuenta de que su mapa es erróneo y redibuja todo el mapa utilizando los nuevos datos.

El Experimento: La prueba del simulador
Para probar esto, los investigadores colocaron a 20 personas en un simulador de conducción. El coche estaba configurado con automatización de Nivel 3, lo que significa que podía conducir solo, pero el conductor tenía que estar listo para tomar el control. La ruta tenía "zonas de construcción" (alta complejidad) y carreteras normales (baja complejidad).

Los conductores tenían que decidir si dejaban que el coche condujera o si conducían ellos mismos.
Cada pocos minutos, se detenían en un semáforo en rojo y respondían preguntas sobre su confianza, riesgo y carga de trabajo.
Los investigadores utilizaron la primera mitad del trayecto para "entrenar" al sistema (dibujar los mapas y las cajas iniciales) y la segunda mitad para probar si el sistema podía adivinar el estado del conductor en tiempo real.

Lo que Encontraron
Los resultados fueron prometedores. El método de la "caja que se encoge" funcionó bien para la mayoría de las personas:

Consistencia: Para aproximadamente el 80% de los participantes, la caja del sistema contuvo con éxito el estado mental real del conductor al menos el 75% de las veces. Para cuatro participantes, fue 100% consistente.
Velocidad: El sistema fue rápido, calculando nuevas cajas en aproximadamente 0.03 a 0.07 segundos, lo cual es mucho más rápido que los intervalos de 1 segundo entre los puntos de datos. Esto significa que podría ejecutarse en tiempo real en un coche real.
Poder de Predicción: La mayor victoria fue predecir el futuro. Los investigadores preguntaron: "¿Podemos adivinar si el conductor tomará el volante dentro de 15, 30, 45 o 60 segundos?".
- El nuevo método basado en conjuntos fue el mejor predictor.
- A medida que el tiempo de predicción era más largo (por ejemplo, 60 segundos de antelación), el nuevo método se volvía mejor en comparación con los métodos antiguos.
- El método tradicional de "filtro de partículas" (el método probabilístico) empeoraba con el tiempo. Los autores sugieren que esto se debe a que las suposiciones del método antiguo sobre el "ruido" (aleatoriedad) acumulaban errores con el tiempo, mientras que las "cajas" del método basado en conjuntos se mantenían ajustadas y precisas al usar el historial de las acciones del conductor para restringir las posibilidades.

Por qué es Importante
Este artículo sugiere que no necesitamos conocer la "probabilidad" exacta de los pensamientos de un humano para construir coches automatizados seguros. Solo necesitamos conocer los límites de esos pensamientos. Al utilizar un marco basado en conjuntos, el sistema puede adaptarse a conductores individuales, manejar datos desordenados y predecir el comportamiento futuro con mayor precisión que los métodos actuales. Es un paso hacia coches que no solo se conducen solos, sino que realmente entienden al humano que está sentado junto a ellos, ajustando su comportamiento para mantener a todos seguros. Los autores señalan que, aunque esto funciona bien en un simulador, el siguiente paso es ver si puede manejar el caos de la conducción en el mundo real y utilizarse para ajustar automáticamente el nivel de automatización del coche para mantener al conductor comprometido.

Resumen Técnico: Un Marco General Basado en Conjuntos para la Estimación del Estado Cognitivo

Planteamiento del Problema
El artículo aborda el desafío de estimar los estados cognitivos humanos en contextos de Interacción Humano-Automatización (HAI), específicamente dentro de la conducción con automatización condicional (SAE Nivel 3). La automatización actual de seguridad crítica requiere que los conductores supervisen el sistema, pero los conductores suelen sufrir de tanto sobre-monitoreo (alta carga de trabajo) como de sobre-confianza (negligencia de la alerta). Las soluciones existentes para la automatización adaptativa dependen de la estimación del estado cognitivo en tiempo real, pero los enfoques dominantes en la literatura son probabilísticos (por ejemplo, filtros de Kalman, filtros de partículas, POMDP). Estos métodos requieren:

Conjuntos de datos grandes y estructurados para identificar las distribuciones de ruido (típicamente gaussianas).
Mediciones frecuentes y periódicas, mientras que la conducción en el mundo real implica una interacción continua con informes de autoevaluación dispersos y asíncronos.
A menudo se centran únicamente en la "confianza", descuidando otros factores críticos como el riesgo percibido y la carga de trabajo.

Los autores argumentan que la cognición humana está influenciada por numerosos factores no medidos, lo que hace que una caracterización probabilística de la incertidumbre sea menos apropiada que una caracterización basada en conjuntos acotados.

Metodología
Los autores proponen un marco basado en conjuntos que trata las incertidumbres de proceso y de medición como "conocidas pero acotadas" en lugar de probabilísticas. El marco opera en dos fases: Identificación del Sistema y Estimación de Estado de Valores de Conjunto.

Modelado:
- Espacio de Estados: El vector de estado cognitivo $x$ incluye Confianza ( $T$ ), Riesgo Percibido ( $R$ ) y Carga de Trabajo ( $W$ ), todos con valores continuos en $[0, 1]$ .
- Modelo de Proceso: Una ecuación de diferencia afín acotada describe la evolución del estado: $x^+(k) = Ax(k) + Bu(k) + C + w(k)$ , donde $u$ representa la complejidad de la tarea y $w$ es el ruido de proceso desconocido pero acotado.
- Modelos de Medición:
  - Informes de Autoevaluación: Mediciones intermitentes y cuantizadas (por ejemplo, escala de 0 a 100) modeladas como $y(k) = Q(x(k) + z(k))$ , donde $z$ es el ruido de medición acotado.
  - Dependencia (Reliance): Observaciones binarias ( $q \in \{0, 1\}$ ) que indican si el conductor utiliza la automatización, modeladas mediante una función constante por partes $h(x)$ .
Identificación del Sistema (Fase de Entrenamiento):
- Utilizando un segmento de datos de entrenamiento, los autores estiman las matrices del sistema ( $A, B, C$ ) minimizando los errores de predicción frente a los informes de autoevaluación.
- Límites de Ruido: En lugar de asumir una distribución, los límites de ruido ( $\epsilon_w, \epsilon_v$ ) se estiman imponiendo una conformidad de alcance (reachset conformance). Esto asegura que el conjunto de estados alcanzables por el modelo bajo ruido acotado contenga todos los informes de autoevaluación observados.
- Regiones de Dependencia: Se ajusta un árbol de decisión binario para identificar qué estados cognitivos influyen en la dependencia y para particionar el espacio de estados en regiones ( $S_i$ ) con sus respectivas probabilidades.
- Identificación de Subespacios: Las divisiones del árbol de decisión identifican un subespacio específico de estados cognitivos que realmente influyen en la dependencia de un individuo determinado, permitiendo la reducción de la dimensionalidad.
Estimación de Estado de Valores de Conjunto (Fase de Prueba):
- El estimador mantiene una estimación de valor de conjunto $X(k|k)$ de los estados cognitivos.
- Predicción: El conjunto se propaga hacia adelante un paso utilizando el modelo identificado y el ruido acotado.
- Actualización vía Dependencia: Al observar la dependencia binaria ( $q$ ), el conjunto predicho se intersecta con el conjunto de estados factibles para esa observación de dependencia ( $X^R_q$ ). Para mejorar la robustez, el estimador puede procesar un bloque de observaciones de dependencia pasadas.
- Actualización vía Informes de Autoevaluación: Cuando llega un informe de autoevaluación cuantizado, el conjunto se intersecta con el conjunto factible derivado del informe.
- Adaptación en Línea: Si la intersección de los conjuntos resulta vacía (lo que indica que el modelo no logra contener el estado real), el sistema activa una reestimación de los parámetros utilizando los datos acumulados hasta ese punto.

Contribuciones Clave

Primer Enfoque Basado en Conjuntos: Es el primer marco que aplica la estimación de estado de valores de conjunto a los estados cognitivos humanos en una interacción humano-automatización continua y no basada en ensayos.
Robustez ante la Escasez de Datos: El marco evita la necesidad de grandes conjuntos de datos para caracterizar las distribuciones de ruido, basándose en la incertidumbre acotada y la conformidad de alcance.
Estimación de Múltiples Estados: Estima simultáneamente la Confianza, el Riesgo Percibido y la Carga de Trabajo, mientras que trabajos previos se centraban a menudo solo en la confianza.
Identificación de Subespacios Individualizados: El método identifica qué estados cognitivos específicos impulsan el comportamiento de dependencia de un individuo, permitiendo una estimación dirigida.
Adaptabilidad en Línea: La inclusión de un mecanismo de actualización de modelo en línea permite que el sistema se adapte cuando las estimaciones iniciales de los parámetros no logran capturar nuevos comportos.

Resultados Experimentales
El marco fue evaluado utilizando datos de 20 participantes en un simulador de conducción de fidelidad media con automatización SAE Nivel 3.

Consistencia: Para 11 de los 15 participantes analizados, el estimador de valores de conjunto logró al menos un 75% de consistencia (el conjunto estimado se solapaba con el estado real implicado por los informes de autoevaluación). Cuatro participantes lograron un 100% de consistencia.
Incertidumbre: La incertidumbre promedio (volumen del conjunto estimado respecto al espacio de estados) osciló entre el 0.42% y el 38.37%, con 10 participantes logrando una incertidumbre inferior al 15%.
Desempeño de Predicción: Los autores evaluaron las predicciones de dependencia con $N_p$ $N_{p}$ pasos de antelación ( $N_p \in \{15, 30, 45, 60\}$ $N_{p} \in {15, 30, 45, 60}$ pasos de tiempo). El estimador de valores de conjunto superó consistentemente tanto al modelo base de lazo abierto como a un filtro de partículas (usando supuestos gaussianos) en términos del Área Bajo la Curva ROC (AUC-ROC).
- La brecha de desempeño se amplió en horizontos más largos (por ejemplo, en $N_p=60$ , el estimador de valores de conjunto logró un AUC medio de 0.82 frente al 0.76 del filtro de partículas).
- Los autores atribuyen la degradación del filtro de partículas a la acumulación de errores derivados de supuestos de ruido gaussianos ad hoc, mientras que el enfoque basado en conjuntos aprovecha el historial de las observaciones de dependencia mediante la intersección recursiva sin supuestos distribucionales.
Computación: El tiempo promedio de computación del conjunto estuvo entre 0.033 y 0.067 segundos, muy por debajo del intervalo de muestreo de 1 segundo, confirmando el potencial para una implementación en línea en tiempo real.

Significancia y Reivindicaciones
El artículo afirma que este marco permite que los sistemas de automatización sean "conscientes de forma continua del estado del conductor humano y capaces de responder a él" sin requerir la extensa recolección de datos o los supuestos de distribución típicos de los métodos probabilísticos. Al tratar la incertidumbre como acotada en lugar de probabilística, el enfoque se adapta mejor a la naturaleza dispersa, asíncrona y cuantizada de los datos de interacción humano-automatización del mundo real. Los autores posicionan este trabajo como un precursor necesario para desarrollar vehículos automatizados verdaderamente adaptativos y conscientes del humano que puedan intervenir basándose en estados cognitivos personalizados (por ejemplo, ajustando los tiempos de anticipación para la toma de control según los niveles de confianza). El artículo concluye modestamente, señalando que se requiere trabajo futuro para desplegar esto en políticas de control de lazo cerrado e incorporar mediciones adicionales para la estimación del estado completo.

La historia del artículo: Un detective con una caja que se encoge

Resumen Técnico: Un Marco General Basado en Conjuntos para la Estimación del Estado Cognitivo

Más como este