Behavioral Heterogeneity as Quantum-Inspired Representation

1. Problématique

La diversité comportementale des conducteurs (hétérogénéité) est une source majeure d'instabilité dans les systèmes de transport, notamment dans le contexte émergent du trafic mixte (véhicules autonomes et humains).

• Limites des approches actuelles : Les modèles existants traitent souvent l'hétérogénéité soit par des formulations stochastiques physiques (paramètres prédéfinis), soit par des approches « un modèle pour tous » qui moyennent les comportements.
• Le problème de la catégorisation statique : Les méthodes courantes réduisent les conducteurs à des étiquettes discrètes (ex: « agressif », « timide »). Cette approche ignore la nature dynamique du comportement humain, qui évolue continuellement en fonction du contexte et de l'état interne. Elle perd l'information cruciale contenue dans les transitions entre les modes de conduite.
• Objectif : Développer un cadre capable de découvrir librement des profils comportementaux sans étiquettes préétablies, en modélisant le conducteur comme un état latent évolutif plutôt que comme une catégorie fixe.

2. Méthodologie

L'article propose un cadre d'apprentissage inspiré de la mécanique quantique, où le comportement d'un conducteur est représenté par une matrice de densité évoluant dans un espace de caractéristiques non linéaire.

A. Représentation des Données et Cartographie Non Linéaire

• Vecteur comportemental ($x_{it}$) : Basé sur des mesures cinématiques longitudinales : vitesse relative ($\Delta v$), accélération ($a$) et distance de sécurité ($h$).
• Fonctionnalisation par RFF (Random Fourier Features) : Pour capturer les interactions non linéaires sans complexité computationnelle excessive, les vecteurs comportementaux sont projetés dans un espace de haute dimension ($D$) via des fonctions d'onde aléatoires (cosinus).
• Normalisation : Les vecteurs transformés sont normalisés pour permettre une interprétation probabiliste.

B. Profils Comportementaux comme Matrices de Densité

• Au lieu d'assigner un conducteur à un type, le modèle apprend $K$ profils latents (régimes de conduite).
• Chaque profil $k$ est représenté par une matrice de densité $\rho_k$ ($D \times D$) satisfaisant trois conditions quantiques :
  1. Symétrique ($\rho_k = \rho_k^\top$).
  2. Semi-définie positive ($\rho_k \succeq 0$).
  3. Trace normalisée ($\text{Tr}(\rho_k) = 1$).
• Interprétation : Les termes diagonaux capturent l'importance des caractéristiques non linéaires, tandis que les termes hors-diagonale codent les interactions entre ces caractéristiques. Cela permet de représenter des états « mixtes » ou des transitions.

C. Évolution de l'État et Activation Contextuelle

Le modèle intègre deux dynamiques clés :

1. Activation Contextuelle : Un vecteur de contexte $c_{it}$ (densité de trafic, proximité des piétons, feux, vitesse moyenne) détermine le poids d'activation $\pi_k$ de chaque profil via une fonction softmax paramétrée par $\beta_k$.
2. Évolution Temporelle : L'état du conducteur $\rho_i(t)$ est mis à jour à chaque pas de temps en combinant :
   • Une persistance de l'état précédent (inertie comportementale).
   • Un mélange pondéré des profils populationnels activés par le contexte.
   • Une correction basée sur l'observation réelle (mise à jour bayésienne/quantique) utilisant une vraisemblance quadratique (règle de Born).

D. Estimation

Les paramètres (matrices $\rho_k$, coefficients contextuels $\beta_k$, taux d'apprentissage $\alpha, \eta$) sont estimés par minimisation de la log-vraisemblance négative, utilisant la différenciation automatique (PyTorch) pour une efficacité computationnelle élevée.

3. Résultats Principaux

L'évaluation a été réalisée sur des données de simulation de troisième génération (TGSIM), incluant des intersections urbaines (Foggy Bottom) et des autoroutes (I-395).

• Sélection du modèle : Le nombre optimal de profils latents est déterminé à K=4.
• Structure Spectrale :
  • Trois profils (1, 2, 4) convergent vers des structures de rang 1, indiquant des régimes de conduite dominés par un seul mode comportemental.
  • Un profil (3) présente une structure multimodale (deux modes dominants), capturant des états de transition ou des comportements hybrides qui ne peuvent être réduits à une seule catégorie.
• Interprétation des Profils :
  • Profil 1 (Fluide) : Grandes distances de sécurité, faible interaction, activé en trafic libre (faible densité).
  • Profil 2 (Dense/Interaction) : Courtes distances, décélération modérée, activé en trafic urbain dense et complexe.
  • Profil 3 (Multimodal/Transition) : Mélange de progression contrôlée et de réactions assertives, activé dans des conditions intermédiaires.
  • Profil 4 (Réactif) : Rattrapage de vitesse (accélération positive, vitesse relative négative), activé dans des flux rapides mais avec interaction.
• Séparation Géométrique : Les distances de Frobenius entre les matrices de densité confirment que les profils occupent des régions distinctes de l'espace des caractéristiques, validant la capacité du modèle à discriminer les régimes.
• Efficacité : L'utilisation de la différenciation automatique a réduit le temps d'entraînement d'environ 3-4 heures à moins de 15 minutes par époque.

4. Contributions Clés

1. Représentation par Matrice de Densité : Introduction d'une nouvelle formalisation mathématique pour l'hétérogénéité des conducteurs, traitant le comportement comme un état quantique évolutif plutôt qu'une étiquette statique.
2. Modélisation des Transitions : Capacité à capturer la logique des transitions comportementales et les états mixtes, ce que les modèles de classification discrète échouent à faire.
3. Intégration Contextuelle Dynamique : Mécanisme explicite liant les conditions environnementales (contexte) à l'activation des profils comportementaux, permettant une adaptation temporelle réaliste.
4. Reproductibilité : Code source open-source disponible sur GitHub pour la reproduction complète des résultats.

5. Signification et Impact

Cette recherche marque un changement de paradigme dans la modélisation du trafic :

• Au-delà des étiquettes : Elle démontre que la richesse du comportement humain réside dans la dynamique de transition et non dans la classification statique.
• Applications pour les Véhicules Autonomes (AV) : Pour les systèmes de conduite autonome et les ADAS, comprendre l'évolution de l'état latent d'un conducteur humain est crucial pour prédire les comportements futurs et gérer les interactions dans le trafic mixte de manière sûre.
• Fondation pour l'IA Agentic : En modélisant comment les états comportementaux se forment et changent, ce cadre offre une base solide pour entraîner des agents autonomes à interagir avec des humains dont le comportement est dynamique et contextuel.

L'article ouvre la voie à des modèles de trafic plus robustes, capables de gérer la complexité inhérente à l'interaction humain-machine sans sacrifier la précision mathématique ni l'interprétabilité.