Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

Conducir es una negociación constante entre lo que vemos y lo que predecimos. Nuestros ojos escanean la carretera, comprobando las marcas del carril y el velocímetro, pero no pueden permanecer fijos en cada detalle para siempre. El cerebro humano no es una cámara que graba un vídeo continuo; es un procesador que construye una imagen mental del mundo y actualiza esa imagen solo cuando es necesario. Cuando apartamos la mirada por una fracción de segundo, nuestro cerebro no se queda simplemente en blanco. En su lugar, se apoya en una estimación interna, una mejor conjetura de dónde está el coche y a qué velocidad se mueve, basándose en la última vez que miró y en las acciones que acaba de realizar. Esta imagen mental es útil, pero también es frágil. A medida que pasa el tiempo sin nueva información visual, la conjetura se vuelve menos segura y el riesgo de error aumenta. La pregunta que durante mucho tiempo ha desconcertado a los investigadores no es solo cuánto tiempo pueden los conductores apartar la mirada, sino cómo deciden a qué mirar cuando tienen un tiempo limitado y múltiples cosas que monitorizar.

Durante décadas, los científicos han estudiado cómo los conductores gestionan su atención, centrándose a menudo en una sola tarea como mantenerse en un carril. Sin embargo, la conducción real rara vez es así de simple. Un conductor debe, simultáneamente, dirigir el coche para mantenerse en el carril y gestionar la velocidad para ajustarse al tráfico o a las señales de la carretera. Estas dos tareas están vinculadas; si la carretera curva bruscamente, el conductor debe reducir la velocidad, y si el coche va demasiado rápido, resulta más difícil dirigirlo con seguridad. Hasta ahora, los modelos informáticos que intentaban simular cómo piensan los conductores sobre su atención trataban mayoritariamente estas tareas por separado. Podían explicar cómo un conductor decide mirar la carretera para mantenerse en el carril, o cómo mira el velocímetro para mantener la velocidad, pero no podían explicar cómo un conductor elige entre las dos cuando ambas son inciertas al mismo tiempo. Este vacío en la comprensión nos deja con una imagen incompleta de cómo los seres humanos gestionamos realmente las decisiones complejas de fracciones de segundo necesarias para conducir de forma segura.

Un equipo de investigadores de la Universidad de Jyväskylä y la Universidad Tecnológica de Kochi ha construido un nuevo modelo informático para cerrar esta brecha. Crearon un conductor digital que aprende a conducir un coche en un entorno simulado, pero con un giro: la visión del conductor se bloquea con frecuencia, como si llevara puestas unas gafas que se oscurecen. El conductor digital debe decidir cuándo levantar las gafas para mirar la carretera, cuándo mirar el velocímetro y cuándo mantenerlas cerradas y confiar en su conjetura interna. El objetivo del modelo no era ser programado con reglas específicas sobre cuándo mirar, sino aprender mediante el ensayo y error, tal como lo hace un humano, intentando mantenerse en el carril y mantener la velocidad dentro de un rango seguro mientras minimiza el esfuerzo de mirar. Los investigadores querían ver si un ordenador, dotado únicamente de los objetivos básicos de la conducción y la limitación de no poder verlo todo todo el tiempo, desarrollaría naturalmente una estrategia de mirada que se asemeje al comportamiento humano real.

Para probar esto, los investigadores primero recopilaron datos de treinta participantes humanos en un simulador de conducción. Estas personas condujeron por una carretera curva y montañosa mientras llevaban unas gafas especiales que podían bloquear su visión. Se les pidió a los participantes que mantuvieran el coche en el centro del carril y mantuvieran una velocidad de entre 100 y 110 kilómetros por hora. Se les permitió accionar una palanca para restaurar brevemente su visión durante medio segundo cada vez que sintieran que necesitaban comprobar la carretera o la velocidad. Los investigadores registraron exactamente cuánto tiempo mantuvieron los conductores los ojos cerrados, con qué frecuencia miraron y cuánto tiempo pasaron mirando la carretera frente al velocímetro. Estos datos humanos sirvieron como punto de referencia, el estándar del mundo real contra el cual se mediría el modelo informático.

El modelo informático fue diseñado con una jerarquía de toma de decisiones, reflejando la forma en que un cerebro humano podría organizar estas tareas. Tenía tres partes distintas trabajando juntas. La primera era responsable de la dirección, la segunda del control de la velocidad y la tercera era un supervisor que decidía qué una de las dos partes inferiores necesitaba nueva información. Cuando el supervisor decidía mirar, elegía la carretera o el velocímetro, pero no ambos a la vez, simulando el hecho de que la mirada de un conductor se enfoca en una sola cosa a la vez. El modelo aprendió mediante el refuerzo, un método donde recibía recompensas por mantenerse en el carril y mantener la velocidad correcta, y penalizaciones por chocar o exceder la velocidad. Crucialmente, el modelo también recibía una pequeña penalización por cada vez que decidía mirar, representando el coste mental de cambiar la atención. Esto obligó al modelo a ser eficiente, mirando solo cuando la incertidumbre de su conjetura interna era demasiado alta para ser ignorada.

Cuando los investigadores ejecutaron el modelo bajo las mismas condiciones de simulación utilizadas con los conductores humanos, los resultados fueron sorprendentemente similares. El conductor informático desarrolló un patrón de mirada que coincidía estrechamente con los datos humanos. En promedio, el modelo miró la carretera aproximadamente el 24 por ciento del tiempo y el velocímetro el 10 por ciento, dejando el resto del tiempo con los ojos cerrados o mirando hacia otro lado. Esta distribución fue muy cercana al promedio humano, donde los conductores miraron la carretera aproximadamente un 29 por ciento del tiempo y el velocímetro un 12 por ciento. El modelo también coincidió con los humanos en cuánto tiempo mantenían los ojos cerrados, promediando poco menos de un segundo por mirada, y con qué frecuencia comprobaban, mirando unas siete veces cada diez segundos. Incluso la velocidad a la que conducía el modelo y el número de veces que se desviaba ligeramente del rango de velocidad objetivo fueron consistentes con los participantes humanos.

El hallazgo más significativo fue que el modelo logró esta similitud sin que se le dijera exactamente cómo comportarse. No tenía una regla preprogramada que dijera "mira la carretera cada cinco segundos". En su lugar, aprendió que para mantenerse seguro, tenía que equilibrar el riesgo de salirse del camino o aumentar la velocidad frente al coste de mirar. Cuando la carretera era recta y la velocidad era estable, el modelo aprendió a mantener los ojos cerrados durante periodos más largos, confiando en su predicción interna. Cuando la carretera curvaba o la velocidad empezaba a desviarse, el modelo aprendía a mirar con más frecuencia para corregir su conjetura. Esto sugiere que la forma en que los humanos asignan su atención no es un hábito aleatorio, sino una estrategia adaptativa que surge de la necesidad de gestionar la incertidumbre de manera eficiente. El modelo demostró que los conductores están, esencialmente, gestionando un presupuesto de atención, gastándolo solo cuando el coste de no saber se vuelve demasiado alto.

Sin embargo, el estudio también reveló una limitación en la comprensión de la imperfección humana. Mientras que los conductores humanos ocasionalmente se desviaban de su carril, algo común en la conducción real, el modelo informático nunca cometió este error. El modelo era demasiado perfecto al dirigir, probablemente porque fue entrenado para evitar errores de forma tan estricta que nunca asumió los pequeños riesgos que los humanos toman naturalmente. Esto sugiere que, si bien el modelo captura la lógica de cómo se decide qué mirar, todavía sobreestima la estabilidad del control humano. Los conductores reales no solo gestionan la incertidencia; también lidian con limitaciones físicas y lapsos ocasionales de concentración que el modelo actual no replica por completo.

Las implicaciones de este trabajo se extienden más allá de la comprensión de cómo conducimos. Al demostrar que la atención es un recurso dinámico gestionado para mantener precisas las predicciones internas, el modelo ofrece una nueva forma de pensar en los sistemas de seguridad del conductor. Los sistemas de advertencia actuales suelen basarse en reglas simples, como emitir una alarma si un conductor aparta la mirada durante más de dos segundos. Pero esta investigación sugiere que el peligro de apartar la mirada depende enteramente de la situación. Apartar la mirada durante dos segundos en una autopista recta y vacía podría ser perfectamente seguro porque la conjetura interna del conductor sigue siendo precisa. Esos mismos dos segundos de mirada en una colina empinada y sinuosa podrían ser peligrosos porque la conjetura ya se está volviendo poco fiable. Un sistema basado en este modelo podría estimar la incertidumbre interna del conductor y advertirle solo cuando su falta de visión realmente amenace la seguridad, en lugar de simplemente contar segundos.

En última instancia, este estudio proporciona una explicación formal para un comportamiento que todos realizamos sin pensar: el arte de saber cuándo mirar y cuándo confiar en nuestro instinto. Demuestra que la capacidad humana de conducir de forma segura mientras apartamos la mirada no es un fallo de atención, sino una forma sofisticada de adaptación. Al tratar la atención como una herramienta para actualizar un modelo mental del mundo, los investigadores han demostrado que el cerebro está calculando constantemente el coste de la información frente al riesgo de error. El modelo informático, a pesar de su simplicidad, recreó con éxito este complejo acto de equilibrio, probando que los patrones de la atención humana no son arbitrarios, sino que son el resultado de un esfuerzo racional, aunque limitado, por mantenerse seguros en un mundo incierto.