Learning Pedestrian Failure-to-yield Maneuver Patterns from Fatal Crash Data: Evidence from Explainable AutoML

Cada día, millones de personas bajan del bordillo para cruzar una calle, confiando en que los conductores las verán y se detendrán. Sin embargo, en ciudades de todo Estados Unidos, esta confianza se rompe con frecuencia. Cuando un peatón cruza sin esperar un hueco seguro o ignora una señal, y un vehículo no cede el paso, el resultado suele ser una tragedia. Estos incidentes de "falta de cesión de paso" no son accidentes aleatorios; siguen patrones específicos basados en dónde se encuentra la persona, qué hora del día es y quién está al volante. Durante décadas, los expertos en seguridad han intentado comprender estos momentos revisando manualmente informes policiales o viendo grabaciones de video, pero estos métodos son lentos y tienen dificultades para manejar el enorme volumen de datos disponibles hoy en día. La pregunta sigue siendo: ¿podemos usar los archivos masivos de registros de tráfico para descubrir las reglas ocultas que gobiernan estas peligrosas interacciones, y podemos hacerlo de una manera que explique por qué ocurrió un choque, no solo que ocurrió?

Un equipo de investigadores de la Universidad Estatal de Texas se propuso responder a esta pregunta recurriendo a un nuevo tipo de inteligencia informática. Recopilaron datos del Sistema de Análisis de Fatalidades (Fatality Analysis Reporting System), una base de datos nacional que contiene registros detallados de cada accidente de tráfico fatal en los Estados Unidos entre 2016 y 2023. En lugar de intentar predecir un solo número, como el total de muertes, le pidieron a la computadora que clasificara estos trágicos eventos en categorías específicas basadas en cómo se movía el peatón en el momento del impacto. Utilizaron un sistema de clasificación conocido como la Herramienta de Análisis de Accidentes de Peatones y Ciclistas (Pedestrian and Bicycle Crash Analysis Tool), que desglosa los accidentes en tipos como una persona cruzando desde la izquierda, cruzando desde la derecha, cruzando en una dirección inusual o cruzando con una dirección desconocida. Al introducir estos datos en un sistema de aprendizaje automático automatizado llamado AutoGluon, los investigadores permitieron que la computadora construyera sus propios modelos para encontrar la forma más precisa de distinguir entre estos diferentes tipos de accidentes.

La computadora no solo adivinó; aprendió. Después de probar docenas de enfoques matemáticos diferentes, el sistema se decidió por un método llamado LightGBM, que demostró ser el más preciso. Este modelo identificó correctamente el tipo de maniobra del peatón en casi el ochenta por ciento de los casos fatales en los que fue probado. Más importante aún, los investigadores no dejaron a la computadora como una "caja negra" que simplemente da una respuesta sin explicación. Utilizaron una técnica llamada SHAP, que actúa como una lupa, para mirar dentro del modelo y ver qué factores estaban empujando la predicción hacia un lado o hacia el otro. Esto reveló que el año en que ocurrió el accidente, la posición exacta del peatón, el tipo de carretera y la edad del conductor fueron las pistas más poderosas para determinar cómo se desarrolló un accidente.

Cuando los investigadores analizaron de cerca los resultados, surgieron historias distintas para cada tipo de cruce. Para los accidentes donde un peatón cruzó desde la izquierda, la computadora mostró que el factor más crítico era la posición del peatón. Estos incidentes estaban fuertemente vinculados a personas que cruzaban en medio de una cuadra, lejos de los pasos de peatones señalizados, donde los conductores no esperan que aparezcan. El análisis también destacó que los conductores de mayor edad eran particularmente vulnerables en estos escenarios, probablemente porque sus tiempos de reacción se ralentizan cuando se enfrentan a una persona repentina e inesperada que aparece por el costado.

La historia fue diferente para los accidentes que involucraron a un peatón cruzando desde la derecha. Aquí, la edad del conductor volvió a desempeñar un papel importante, pero también lo hicieron el tipo de vehículo y la hora del día. Los datos sugirieron que estos accidentes suelen ocurrir cuando un conductor está realizando un giro a la derecha, una maniobra que requiere mirar en múltiples direcciones a la vez. El análisis de la computadora indicó que los conductores a menudo no escanean el área donde un peatón podría aparecer, especialmente si la vista está bloqueada por los propios pilares del auto o si el diseño de la carretera incluye carriles de aceleración o de giro (slip lanes) que permiten a los autos girar sin detenerse por completo. En estos casos, la atención del conductor está dividida, y el peatón queda oculto en un punto ciego hasta que es demasiado tarde.

Para la categoría más confusa, donde la dirección del peatón era desconocida o inusual, el patrón apuntó hacia peatones de mayor edad y visibilidad deficiente. Estos accidentes involucraban frecuentemente a personas cruzando en plena noche o con mal tiempo, a menudo lejos de cualquier punto de cruce designado. Los datos mostraron que estos incidentes eran más comunes en los meses de invierno y a menudo involucraban vehículos grandes como los SUV, que pueden bloquear la vista del conductor hacia la parte inferior. La computadora aprendió que cuando un peatón cruza de una manera impredecible, la combinación de oscuridad, clima y el tamaño del vehículo crea la tormenta perfecta para un error fatal.

Los hallazgos desafían la idea de que todos los accidentes de peatones son iguales. En cambio, muestran que cada tipo de fallo en el cruce tiene su propio conjunto único de causas. Un accidente causado por un peatón que cruza fuera del paso en medio de una cuadra es impulsado por factores diferentes a un accidente causado por un peatón que aparece durante un giro a la derecha. Esta distinción es vital para los planificadores de seguridad. Sugiere que una solución única, como pintar más pasos de peatones, no solucionará todos los problemas. Para salvar vidas realmente, las ciudades pueden necesitar rediseñar intersecciones específicas para mejorar las líneas de visión para los conductores que giran, instalar mejor iluminación para los cruces nocturnos y crear programas de educación dirigidos a conductores de mayor edad que puedan tener dificultades para reaccionar rápidamente ante peatones inesperados.

Al utilizar el aprendizaje automatizado para filtrar años de datos de accidentes fatales, este estudio ha ido más allá de las simples estadísticas para revelar la mecánica específica del peligro. Demuestra que, con las herramientas adecuadas, podemos comprender las condiciones precisas que conducen a la tragedia. La investigación no ofrece una solución mágica, pero proporciona un mapa claro de dónde residen los riesgos. Muestra que la seguridad no se trata solo de seguir reglas, sino de comprender la compleja danza del comportamiento humano, el diseño de los vehículos y la geometría de las carreteras que ocurre en la fracción de segundo antes de un accidente. Con este conocimiento, los ingenieros y responsables de políticas pueden finalmente comenzar a construir calles que no sean solo seguras para el día promedio, sino resilientes para proteger a los más vulnerables cuando las cosas salen mal.