💻 computer science

Multimodal Driver Visual Load Assessment and Prediction under Dynamic Lighting Environments Using RaceGrid-OPTICS and WA-PSRSMformer

Este estudio propone un marco multimodal que integra datos de movimiento ocular, iluminación y velocidad del vehículo con un novedoso algoritmo de agrupamiento RaceGrid-OPTICS y un modelo de aprendizaje profundo WA-PSRSMformer para evaluar y predecir con precisión la carga visual del conductor bajo condiciones de iluminación dinámica, alcanzando una precisión del 90,13% en entornos de túneles.

Autores originales: Noman Iqbal, Yishui Zhu, Fenjiao Wang, Luyang Wang

Publicado 2026-09-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Noman Iqbal, Yishui Zhu, Fenjiao Wang, Luyang Wang

Artículo original bajo licencia CC BY 4.0 (https://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

Conducir es un acto de negociación constante entre la mente humana y la carretera. Para la mayoría de nosotros, esta negociación ocurre sin un pensamiento consciente, pero depende en gran medida de un sentido: la vista. Cuando la luz cambia repentinamente —pasando de una autopista bañada por el sol a brillante a la tenue parte interior de un túnel, o conduciendo por un tramo de carretera donde las sombras de los árboles parpadean rápidamente a través del parabrisas— los ojos y el cerebro deben trabajar horas extra para adaptarse. Esta demanda repentina de información visual crea un estado conocido como carga visual. Es el esfuerzo mental requerido para procesar lo que ven los ojos. Cuando esta carga se vuelve demasiado pesada, la capacidad de un conductor para notar peligros, reconocer formas y reaccionar ante peligros puede disminuir, convirtiendo un trayecto rutinario en un riesgo potencial. Si bien sabemos que estos cambios de iluminación son peligrosos, comprender exactamente cuánta tensión mental imponen a un conductor en tiempo real ha sido difícil de medir.

Un equipo de investigadores de la Universidad de Chang'an ha desarrollado una nueva forma de escudriñar este esfuerzo mental invisible. Se propusieron construir un sistema que no solo pueda medir la carga visual de un conductor mientras sucede, sino también predecir cuándo está a punto de dispararse, todo esto mientras el automóvil se desplaza a través de luces cambiantes y complejas. Para lograrlo, fueron más allá de los entornos controlados y artificiales de los simuladores de conducción y llevaron su experimento a carreteras reales. Reclutaron a diez conductores y equiparon un sedán estándar con un conjunto de sensores: una cámara portátil para rastrear hacia dónde miraba el conductor y cómo reaccionaban sus pupilas, una cámara de tablero para grabar la carretera al frente y un fotómetro para medir la luminosidad exacta del entorno. Los conductores navegaron tres escenarios distintos: una carretera larga y recta con luz constante, una sección sombreada donde la luz del sol parpadeaba a través de los árboles, y un túnel donde la luz cambiaba drásticamente de la luz diurna brillante a la oscuridad y viceversa.

Los investigadores recolectaron una enorme cantidad de datos, sincronizando los movimientos oculares de los conductores con los cambios de luz y la velocidad del vehículo. Se centraron en señales biológicas específicas, como el tamaño de las pupilas y la rapidez con la que cambiaban, junto con dónde se fijaban los ojos y con qué frecuencia saltaban a nuevos puntos. Estas señales son la reacción honesta del cuerpo ante la carga de trabajo del cerebro; cuando los ojos luchan por adaptarse a un cambio repentino de luz, las pupilas y los patrones de la mirada cambian de maneras predecibles. Sin embargo, convertir este flujo bruto de números en una imagen clara de "carga alta" o "carga baja" es un rompecabezas complejo. El equipo utilizó primero un método sofisticado para agrupar patrones similares, enseñando efectivamente a una computadora a reconocer la diferencia entre una conducción relajada y una estresante sin depender de reglas preestablecidas. Descubrieron que este enfoque podía clasificar con éxito los datos en cinco niveles distintos de carga visual, desde la calma hasta la alta tensión.

Una vez que el sistema pudo identificar estos estados, los investigadores se enfrentaron a la tarea más difícil: la predicción. Querían saber si el sistema podía observar los datos actuales y adivinar cuál sería la carga visual del conductor unos momentos después. Probaron varios modelos informáticos diferentes, incluyendo algunos que son buenos detectando patrones en imágenes y otros que están diseñados para recordar secuencias de eventos a lo largo del tiempo. El enfoque más exitoso fue un tipo de modelo de inteligencia artificial conocido como Transformer, que es particularmente bueno entendiendo cómo un evento conduce a otro en una secuencia larga. Para hacer este modelo aún mejor para el desafío específico de la conducción, el equipo añadió tres mejoras clave. Primero, le enseñaron a prestar atención extra a los momentos raros de alto estrés, que ocurren con menos frecuencia que la conducción tranquila pero son los más críticos de captar. Segundo, optimizaron su procesamiento interno para que pudiera manejar largos tramos de datos de conducción sin estancarse por cálculos innecesarios. Finalmente, optimizaron su uso de memoria, permitiéndole funcionar eficientemente en el hardware que podría encontrarse en un automóvil real.

Los resultados de estas pruebas en el mundo real fueron sorprendentes. En el entorno más desafiante —el túnel, donde la luz cambia abruptamente— el nuevo sistema predijo la carga visual del conductor con una precisión superior al 90 por ciento. Esto fue significativamente mejor que los otros modelos que probaron, los cuales tuvieron dificultades para seguir el ritmo de los rápidos cambios. El sistema también fue notablemente eficiente, procesando los datos en una fracción del tiempo requerido por los modelos más antiguos, un factor crucial para cualquier tecnología que necesa trabajar instantáneamente en un vehículo en movimiento. El estudio confirmó que la combinación de datos de seguimiento ocular, mediciones de luz y la velocidad del vehículo proporciona una imagen completa del estrés del conductor. Demostró que, si bien las carreteras rectas son generalmente fáciles de predecir, los momentos al entrar y salir de un túnel crean las demandas visuales más complejas, empujando a menudo a los conductores hacia estados de alta carga que el sistema pudo detectar y anticipar.

Este trabajo no solo ofrece una forma de medir el estrés; ofrece un plano para un futuro más seguro. Al comprender exactamente cómo las condiciones de iluminación tensionan la visión de un conductor, los ingenieros pueden diseñar mejores sistemas de advertencia que alerten a los conductores antes de que se vean abrumados. El sistema demostró que es posible monitorear la carga de trabajo mental invisible de la conducción en tiempo real, utilizando las reacciones naturales del ojo humano. A medida que las carreteras se vuelven más complejas y los sistemas de conducción autónoma asumen más responsabilidades, tener una forma confiable de calibrar la capacidad del elemento humano para ver y reaccionar será esencial. Los investigadores han demostrado que, con las herramientas adecuadas, podemos ver la carga invisible de la carretera y, quizás, al hacerlo, prevenir los accidentes que ocurren cuando esa carga se vuelve demasiado pesada para cargar.

Resumen Técnico: Evaluación y Predicción Multimodal de la Carga Visual del Conductor en Entornos de Iluminación Dinámica

1. Planteamiento del Problema

Las transiciones rápidas en la iluminación de la calzada, particularmente en túneles y secciones sombreadas, aumentan significativamente la carga de trabajo visual del conductor y comprometen la seguridad. Estas transiciones inducen fenómenos fisiológicos como los efectos de "agujero negro" y "agujero blanco", lo que provoca un retraso en la adaptación visual, una reducción de la sensibilidad al contraste y un deterioro en el reconocimiento de peligros. Los enfoques existentes para evaluar la carga visual del conductor sufren tres limitaciones principales:

Dependencia de Modalidades Únicas o Umbrales Estáticos: Muchos métodos dependen de indicadores fisiológicos aislados (p. ej., diámetro pupilar) o umbrales predefinidos manualmente, lo que impide capturar las interacciones complejas y no lineales entre el comportamiento del conductor, la iluminación ambiental y la dinámica del vehículo.
Análisis Fragmentado: La evaluación de la carga visual y la predicción temporal se tratan a menudo como tareas independientes, lo que impide la explotación completa de la relación entre el etiquetado adaptativo y la predicción.
Restricciones Computacionales: Aunque los modelos basados en Transformers muestran potencial para capturar dependencias temporales de largo alcance, su alta complejidad computacional y sus requisitos de memoria suelen dificultar su despliegue en Sistemas de Transporte Inteligentes (ITS) en tiempo real.

Existe una falta de un marco unificado capaz de abordar simultáneamente la clasificación adaptativa de la carga visual, la fusión de características multimodales, el desequilibrio de clases y la eficiencia computacional bajo condiciones de iluminación dinámica.

2. Metodología

El estudio propone un marco multimodal unificado que comprende la adquisición de datos, el agrupamiento (clustering) adaptativo para la generación de etiquetas y una arquitectura de predicción de aprendizaje profundo.

2.1 Adquisición y Preprocesamiento de Datos

Configuración Experimental: Se realizaron experimentos en vehículos reales en la pista de pruebas de la Universidad de Chang'an con 10 conductores (novatos y experimentados) en tres entornos: secciones sombreadas, carreteras rectas largas y túneles.
Sensores: Los datos fueron sincronizados desde un eye tracker Tobii Pro Glasses 3 (50 Hz), una cámara de tablero 360 (1 Hz) y un iluminímetro digital Tesan.
Características: El conjunto de datos integra características del movimiento ocular (coordenadas de la mirada, diámetro pupilar, duración de la fijación, amplitud/frecuencia de la sacada), iluminación ambiental (Lux), velocidad del vehículo y datos demográficos del conductor.
Preprocesamiento: El flujo de trabajo incluyó la eliminación de ruido (filtro de Kalman), interpolación de valores faltantes (spline cúbica) y normalización robusta para manejar valores atípicos. La sincronización temporal alineó todos los flujos de datos a una línea de tiempo unificada basada en eventos de conducción. Posteriormente, todas las modalidades fueron remuestreadas a una frecuencia común de 5 Hz: las señales de seguimiento ocular fueron submuestreadas, las mediciones de velocidad del vehículo fueron interpoladas linealmente y se mantuvo la frecuencia de muestreo original de la iluminación.

2.2 Evaluación de la Carga Visual (Etiquetado)

En lugar de utilizar umbrales predefinidos, el estudio emplea un enfoque de aprendizaje no supervisado para derivar los estados de la carga visual:

Extracción de Características: Se extrajeron siete indicadores de carga visual (área pupilar, tasas de cambio, MTPA, amplitud de la sacada, duración de la fijación, frecuencia de la sacada).
Reducción de Dimensionalidad: El Análisis de Componentes Principales (PCA) redujo estos indicadores a tres componentes principales que explican el 89.52% de la varianza.
Agrupamiento (Clustering): Se desarrolló un nuevo algoritmo RaceGrid-OPTICS. Este combina:
- Búsqueda de Cuadrícula Progresiva (Progressive Grid Search): Para una exploración de parámetros de grueso a fino.
- Optimización F-Race: Para evaluar estadísticamente y eliminar configuraciones de parámetros inferiores.
- OPTICS: Para identificar grupos de densidades variables sin predefinir el número de grupos.
Etiquetado: El agrupamiento resultó en cinco niveles interpretables de carga visual (0–4), clasificados por puntuaciones ponderadas derivadas de los componentes principales.

2.3 Marco de Predicción de la Carga Visual

Los datos etiquetados se utilizaron para entrenar un modelo de predicción temporal formulado como una tarea de aprendizaje de secuencias supervisada.

Líneas Base (Baselines): Se implementaron cuatro modelos estándar de Aprendizaje Profundo (DL): Red Neuronal Totalmente Convolucional (FCN), Red Neuronal Convolucional (CNN), Memoria de Corto Plazo de Largo Alcance (LSTM) y el Transformer estándar.
Arquitectura Propuesta (WA-PSRSMformer): Basándose en el Transformer, se introdujeron tres mejoras:
1. Pérdida Adaptativa Ponderada (WAL): Aborda el desequilibrio de clases asignando penalizaciones más altas a las clases subrepresentadas (de alta carga).
2. Atención Dispersa Residual (RSA): Reemplaza la autoatención estándar para reducir la complejidad computacional ( $O(N^2)$ ) mientras preserva las dependencias de largo alcance y propaga la información de atención a través de las capas.
3. Compartición de Parámetros (PS): Comparte parámetros entre las proyecciones de consulta (query), clave (key), valor (value) y las capas de alimentación hacia adelante (feed-forward) para reducir la redundancia del modelo y el consumo de memoria.

3. Contribuciones Clave

Marco Multimodal: Integración de datos sincronizados de seguimiento ocular, iluminación y dinámica del vehículo de conducción en el mundo real para evaluar la carga visual en iluminación dinámica.
Agrupamiento RaceGrid-OPTICS: Una estrategia novedosa que combina PCA y optimización de parámetros adaptativa (Búsqueda de Cuadrícula + F-Race) para identificar robustamente los estados de carga visual sin umbrales manuales, logrando una alta calidad de agrupación.
Arquitectura WA-PSRSMformer: Un modelo basado en Transformer que mejora simultáneamente la precisión de la predicción, maneja el desequilibrio de clases y reduce la sobrecarga computacional mediante los mecanismos WAL, RSA y PS.
Validación Empírica: Evaluación exhaustiva a través de tres entornos de carretera distintos, demostrando un rendimiento superior sobre las líneas base del estado del arte.

4. Resultados Experimentales

El marco fue evaluado utilizando métricas de precisión (accuracy), precisión ponderada/exhaustividad (precision/recall/F1-score), Error Absoluto Medio (MAE) y métricas de correlación de rango (Tau de Kendall, Rho de Spearman).

Rendimiento de Agrupamiento: RaceGrid-OPTICS superó a los algoritmos por defecto OPTICS, DBSCAN y K-means, logrando un Coeficiente de Silueta de 0.86, un Índice de Calinski–Harabasz de 159,532.83 y un Índice de Davies–Bouldin de 0.28.
Comparación con Líneas Base: El Transformer estándar superó consistentemente a LSTM, CNN y FCN en todos los entornos. En escenarios de túnel, el Transformer alcanzó un 85.54% de precisión frente al 80.72% (LSTM), 74.22% (FCN) y 72.42% (CNN).
Rendimiento del Modelo Propuesto:
- WA-PSRSMformer alcanzó el rendimiento general más alto, llegando al 90.13% de precisión y un MAE de 0.1525 en condiciones de conducción en túneles.
- Demostró mejoras significativas sobre el Transformer base en entornos de túnel (+5.37% de precisión) y carreteras rectas (+1.71%).
- El modelo mostró una fuerte correlación de rango con la verdad de campo (Rho de Spearman = 0.8807 en túneles).
Eficiencia Computacional: Las optimizaciones propuestas redujeron drásticamente el tiempo de inferencia y el uso de memoria. En escenarios de túnel, WA-PSRSMformer redujo el tiempo de ejecución aproximadamente un 72.9% (de 43.46s a 11.77s) y el uso de memoria en un 16.3% en comparación con el Transformer base, lo que lo hace apto para el despliegue en tiempo real.

5. Significación y Reivindicaciones

El artículo sostiene que el marco propuesto proporciona un enfoque eficaz para el monitoreo del estado del conductor en tiempo real. Al unificar el agrupamiento adaptativo con una arquitectura de aprendizaje profundo eficiente, el estudio aborda la brecha crítica en el manejo de entornos de iluminación dinámica donde la carga visual fluctúa rápidamente.

Los autores enfatizan que el WA-PSRSMformer logra equilibrar con éxito la alta precisión de predicción con un bajo costo computacional, una condición necesaria para la integración en Sistemas de Transporte Inteligentes (ITS) y Sistemas Avanzados de Asistencia al Conductor (ADAS). El estudio concluye que el marco ofrece una solución robusta para predecir la carga visual del conductor bajo condiciones de iluminación cambiantes y complejas, apoyando así el desarrollo de sistemas de seguridad vial más seguros. Se señala que el trabajo futuro se centrará en expandir la diversidad de los escenarios e incorporar otras señales fisiológicas (ECG, EEG).