PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas

Cada vez que un coche autónomo navega por una calle concurrida de la ciudad, debe tomar una serie de decisiones en fracciones de segundo sobre hacia dónde ir y qué tan rápido llegar allí. Durante años, los investigadores han enseñado a estos vehículos a predecir las trayectorias futuras de otros coches y peatones, pero los vehículos en sí han sido entrenados mayoritariamente para conducir de una manera única, segura y predecible. Están programados para ser el conductor ideal y cauteloso que nunca acelera innecesariamente y nunca toma una curva cerrada. Si bien este enfoque es seguro, pierde una parte crucial de la realidad humana: las personas conducen de manera diferente dependiendo de quiénes son, hacia dónde van y cómo se sienten. Un padre que lleva deprisa a un niño enfermo a un hospital necesita un viaje suave y gentil, incluso si tiene prisa, mientras que un bombero que corre hacia un incendio podría necesitar aceptar una trayectoria más brusca y agresiva para ganar tiempo. Hasta ahora, los sistemas autónomos han tenido dificultades para comprender estas necesidades humanas sutiles y conflictivas, recurriendo a menudo a un estilo de "talla única" que se siente robótico y desconectado de la situación real del pasajero.

Un equipo de investigadores de Corea del Sur ha abordado este problema creando una nueva forma de enseñar a los coches autónomos a comprender la personalidad detrás del volante. Se dieron cuenta de que el comportamiento de conducción humana no se trata solo de ser rápido o lento; está moldeado por dos fuerzas distintas. La primera es la urgencia, que dicta qué tan rápido quiere un conductor llegar a su destino. La segunda es la comodidad, que determina qué tan suavemente quiere viajar el conductor, priorizando un viaje gentil sobre la velocidad. Al separar estos dos factores, los investigadores crearon un nuevo marco que permite que un vehículo sea instruido no solo para "conducir rápido" o "conducir lento", sino para adoptar una persona de conducción específica que equilibre estos deseos contrapuestos.

Para probar esta idea, el equipo primero tuvo que construir un nuevo tipo de biblioteca de entrenamiento. Tomaron miles de escenas de conducción del mundo real y utilizaron modelos de lenguaje avanzados para generar nueve versiones diferentes del mismo trayecto. Cada versión correspondía a una combinación única de urgencia y comodidad, que variaba desde un viaje frenético y accidentado para alguien en una crisis desesperada, hasta un viaje lento y ultra suave para un pasajero que se siente mal. Para cada uno de estos nueve escenarios, escribieron descripciones en lenguaje natural que un pasajero podría decir realmente a un conductor, tales como "¡Por favor, acelere! ¡Mi hijo se quedó encerrado en el coche!" o "¿Podría, por favor, conducir con suavidad? Llevo un café caliente conmigo". Esta colección, que llaman el conjunto de datos PCT, empareja estas descripciones textuales con las trayectorias físicas precisas que un coche debería seguir para coincidir con ese estado de ánimo específico.

Con estos nuevos datos en mano, los investigadores desarrollaron un sistema que llamaron PersonaDrive. Este sistema actúa como un traductor, tomando la petición de texto del pasajero y convirtiéndola en instrucciones específicas para la dirección y la aceleración del coche. En lugar de tratar cada instrucción como un simple interruptor, el sistema aprende a ajustar la trayectoria del coche a lo largo de dos ejes separados. Si un pasajero pide velocidad, el coche aprende a cubrir más distancia en menos tiempo. Si un pasajero pide comodidad, el coche aprende a suavizar sus giros y evitar sacudidas repentinas. Crucialmente, el sistema puede manejar peticiones que mezclan estas necesidades, como un pasajero que tiene prisa pero necesita un viaje suave porque transporta equipo médico frágil. Los investigadores descubrieron que al enseñar al coche a respetar ambos ejes simultáneamente, este podía generar trayectorias que eran mucho más precisas respecto a la intención del pasajero que los métodos anteriores, que a menudo se quedaban estancados en un único modo de conducción.

Los resultados de sus experimentos mostraron que este enfoque funciona significativamente mejor que los modelos anteriores. Al ser probado en una simulación de conducción estándar, el nuevo sistema predijo consistentemente la trayectoria correcta para las nueve diferentes personalidades de conducción, mientras que los sistemas antiguos a menudo fallaban al distinguir entre un conductor que quería ser rápido y uno que quería ser suave. Los investigadores también descubrieron que dar al coche una descripción textual era más efectivo que darle un código o etiqueta simple. El lenguaje mismo ayudó al sistema a comprender los matices de la petición, permitiéndole crear un rango continuo de estilos de conducción en lugar de solo unas pocas categorías rígidas. Esto sugiere que el futuro de la conducción autónoma puede no tratarse de programar un coche para que sea una máquina perfecta e carente de emociones, sino de enseñarle a comprender las historias humanas detrás del viaje, ajustando su comportamiento para adaptarse a las necesidades únicas de cada pasajero.