🤖 AI

Emotion in an active inference model of human driving

Cet article propose un cadre d'inférence active étendu pour la conduite humaine qui intègre des états affectifs continus (valence et éveil) conditionnés par les résultats actuels et futurs prédits, démontrant que les signaux émotionnels qui en résultent s'alignent sur les modèles affectifs rapportés dans les scénarios de conduite interactive.

Auteurs originaux : Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

Publié 2026-08-11

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous roulez sur une autoroute et que, soudain, la voiture devant vous dévie de sa trajectoire sans mettre son clignotant. Votre cœur s'emballe, votre estomac se noue, et vous ressentez peut-être un éclair de colère. Mais vous êtes-vous déjà demandé pourquoi votre cerveau réagit de la sorte ? Les scientifiques qui étudient la manière dont les machines et les cerveaux prennent des décisions ont une théorie appelée « inférence active ». Voyez cela comme un détective super intelligent à l'intérieur de votre tête qui essaie constamment de deviner ce qui va se passer ensuite. Il tente de prédire l'avenir pour éviter d'être surpris. Si le monde correspond à ses prédictions, il se sent calme. Si le monde lance une balle courbe, le détective est confus et essaie de comprendre ce qui se passe. Pendant longtemps, ces modèles de détectives étaient excellents pour expliquer comment nous dirigeons ou freinons, mais il leur manquait une pièce cruciale du puzzle : les sentiments. Ils ne savaient pas comment calculer la « colère » ou le « soulagement ». Cela importe car, si nous voulons construire des voitures autonomes capables de partager la route en toute sécurité avec les humains, ces voitures doivent comprendre non seulement la physique d'un accident, mais aussi les montagnes russes émotionnelles qui y mènent.

Dans cet article, une équipe de chercheurs a décidé d'apprendre à leur détective de conduite à ressentir des émotions. Ils ont pris un modèle existant qui savait déjà conduire une voiture en utilisant l'inférence active et lui ont donné une nouvelle paire de « lunettes émotionnelles ». Ces lunettes permettent au modèle de voir le monde à travers deux lentilles spécifiques : la valence (si une situation est agréable ou désagréable) et l'éveil (si l'on est alerte ou paniqué). Au lieu de simplement regarder la voiture juste devant lui, le modèle a commencé à regarder plus loin, prédisant ce qui pourrait se passer dans les quelques secondes à venir. Ils ont testé ce conducteur émotionnel dans deux situations délicates : une où une voiture venant de la voie opposée a soudainement coupé la route, et une autre où une voiture à une intersection a ignoré un panneau de « cédez le passage ».

Les résultats étaient étonnamment humains. Lorsque l'autre conducteur respectait les règles, le modèle restait calme et détendu, son niveau d'« éveil » restant bas. Mais quand l'autre conducteur enfreignait les règles — comme en déviant dans sa voie ou en ignorant un stop — les émotions du modèle grimpaient en flèche. Son « éveil » augmentait, simulant ce sentiment d'être en état d'alerte maximale, et sa « valence » devenait négative, imitant le sentiment de colère ou de frustration. Le modèle ne réagissait pas seulement au danger immédiat ; il réagissait à la surprise causée par le mauvais comportement. Par exemple, dans le scénario de l'intersection, lorsque l'autre voiture continuait d'avancer malgré les règles, la « colère » du modèle augmentait jusqu'à ce qu'il décide de freiner brusquement pour éviter un accident. Curieusement, le modèle a montré que si un accident devenait inévitable, son « éveil » chutait en fait parce que l'incertitude avait disparu — il savait exactement ce qui allait se passer, même si c'était une mauvaise chose. Cela suggère que le modèle a réussi à capturer le lien entre la violation des normes de circulation et le ressenti d'émotions négatives.

Les chercheurs ont découvert qu'en observant la différence entre ce que le conducteur attendait et ce qui se passait réellement (ou ce qui était susceptible de se passer), ils pouvaient générer ces signaux émotionnels. Ils ont découvert que la « colère » du modèle était directement liée à la violation des normes sociales par l'autre conducteur, tout comme un véritable conducteur humain le ressentirait. Cependant, les auteurs précisent avec prudence que tout cela se déroule à l'intérieur d'une simulation informatique. Ils n'ont pas encore testé cela sur de vraies personnes, donc bien que les résultats semblent très prometteurs et correspondent à ce que nous savons de la psychologie humaine, il s'agit encore d'une supposition très sophistiquée basée sur les mathématiques. Le modèle possède également un angle mort : il ne comprend pas encore comment les émotions peuvent modifier le comportement du conducteur (comme la façon dont la colère pourrait pousser un conducteur à prendre plus de risques). Mais comme première étape, ce travail suggère que nous pouvons construire des voitures autonomes qui ne calculent pas seulement la physique, mais qui comprennent aussi les enjeux émotionnels de la route, ce qui pourrait en faire de meilleurs partenaires pour les conducteurs humains.

Résumé Technique : L'émotion dans un modèle d'inférence active de la conduite humaine

Énoncé du problème
L'inférence active est apparue comme un cadre conceptuel rigoureux pour modéliser le comportement adaptatif en équilibrant l'action orientée vers un but et la réduction de l'incertitude. Bien qu'appliquée avec succès aux scénarios de conduite humaine (ex. : suivi de véhicule, maintien de voie, évitement de collision), les modèles existants négligent largement l'état affectif (l'émotion), un déterminant critique de la prise de décision humaine dans le trafic. Les tentatives précédentes d'intégration des émotions dans l'inférence active se sont limitées à des « problèmes de jouets » (toy problems) simplifiés à espaces d'états discrets, manquant de la capacité de planification réaliste requise pour des scénarios de conduite complexes. Il est nécessaire d'étendre ces capacités de modélisation émotionnelle à des modèles de conduite à espace d'états continus qui tiennent compte de la planification de politiques multi-étapes.

Méthodologie
Les auteurs étendent un modèle d'inférence active existant de l'évitement de collision dans la conduite humaine (Schumann et al.) pour y incorporer un modèle d'émotion du conducteur basé sur le modèle circumplexe de l'affect de Russell (valence et éveil/arousal). Le cadre central fonctionne comme suit :

Modèle génératif : L'agent maintient une croyance stochastique $q(s)$ (via des filtres particulaires) sur l'environnement, approximant un processus génératif externe. Le modèle de transition combine une vraisemblance cinématique (modèle de bicyclette) et une vraisemblance normative (conformité aux règles de circulation).
Sélection de politique : L'agent évalue les politiques candidates $\pi_t$ (séquences d'actions sur un horizon $H$ ) en minimisant l'énergie libre attendue (EFE). L'EFE équilibre la valeur pragmatique (atteinte de résultats préférés) et la valeur épistémique (réduction de l'incertitude).
Formulation de l'émotion :
- Valence ( $V$ ) : Définie comme la différence entre la valeur pragmatique réelle et attendue. Pour adapter cela au temps continu et à la planification multi-étapes, les auteurs proposent :
  - La division par le pas de temps $\Delta t$ pour assurer l'indépendance vis-à-vis de la fréquence.
  - Le calcul de la Valeur Attendue ( $V(E)$ ) comme la moyenne de la valeur pragmatique sur les $N=5$ politiques précédentes pour assurer la stabilité face à la sélection stochastique de politique.
  - Le calcul de la Valeur Réelle ( $V(A)$ ) basée sur la politique de référence actuelle (celle actuellement en vigueur) plutôt que sur des contrefactuels, reflétant les interactions continues entre l'organisme et l'environnement.
  - $V_t = V(A)_t - V(E)_t$ .
- Éveil ( $A$ ) : Défini comme l'entropie de la croyance postérieure de l'agent. Les auteurs soutiennent que l'utilisation de l'incertitude cinématique brute est contre-intuitive (ex. : des agents éloignés pourraient induire une incertitude/un éveil élevés alors que des collisions imminentes pourraient induire une faible incertitude en raison d'un suivi précis). Ils lient l'éveil à l'incertitude d'un état abstrait significatif : la probabilité de collision ( $p_{coll}$ $p_{co l l}$ ).
  - $p_{coll}$ est la probabilité maximale attendue de collision sur l'horizon de prédiction, dérivée d'un classificateur de collision binaire.
  - L'éveil est calculé comme l'entropie binaire de cette probabilité de collision : $A_t = -[p_{coll} \ln(p_{coll}) + (1-p_{coll}) \ln(1-p_{coll})]$ .

Contributions clés

Extension à l'état continu : Le papier généralise la formulation de l'émotion à état discret de Pattisapu et al. à un modèle d'inférence active de conduite à espace d'états contin.
Évaluation orientée vers le futur : La formulation proposée conditionne les estimations affectives non seulement sur les états actuels, mais aussi sur les résultats futurs prédits (sur un horizon multi-étapes), s'alignant sur les théories de l'évaluation (appraisal theories) de l'émotion.
Estimation stable de la valence : En moyennant les valeurs attendues sur plusieurs politiques passées, le modèle réduit la variabilité causée par la sélection stochastique de politique, produisant des signaux affectifs plus stables.
Éveil sémantique : Les auteurs introduisent une méthode pour dériver l'éveil de l'incertitude d'états sémantiques de haut niveau (probabilité de collision) plutôt que de l'incertitude cinématique de bas niveau, évitant ainsi des réponses d'éveil irrationnelles face à des agents distants et non menaçants.

Résultats
L'approche a été évaluée dans deux scénarios de conduite interactive comprenant chacun 128 simulations : un scénario d'incursion latérale et un scénario d'intersection avec violation de priorité. L'agent interagissait avec un agent conforme ou un agent non conforme (adversaire).

Incursion latérale :
- Agent conforme : L'éveil a augmenté initialement à mesure que la probabilité de collision augmentait, puis a diminué lorsque l'autre agent a agi de manière bénigne. La valence est devenue positive à mesure que la valeur pragmatique s'améliorait.
- Agent non conforme : Lors de la violation des normes par l'autre agent, l'agent modélisé a perdu confiance, entraînant une augmentation de l'incertitude (éveil) et une valence négative. L'agent a évité avec succès une collision, provoquant une chute ultérieure de l'éveil et une hausse de la valence.
Intersection :
- Agent conforme : Les émotions sont restées neutres/calmes car l'autre agent a cédé le passage.
- Agent non conforme : L'agent a ressenti une valence négative et un éveil accru lorsque l'autre agent a ignoré les règles de circulation. Dans les cas d'évitement réussis, l'agent a cédé le passage, menant au soulagement (valence positive). Dans les cas de collision, l'éveil n'a diminué que lorsque la collision est devenue inévitable (certitude du résultat), et la valence est restée plus basse que dans les cas d'évitement.
Cartographie circumplexe : Lorsqu'ils sont projetés sur le modèle circumplexe, les états émotionnels de l'agent s'alignent sur les schémas humains : les violations de normes ont induit de la colère (valence négative, éveil élevé), tandis que l'évitement réussi a conduit à la relaxation. Les issues de collision ont transité de la tristesse à la dépression.

Signification et affirmations
Le papier affirme que l'inférence active fournit un cadre viable et fondé pour modéliser les composantes affectives du comportement de conduite humaine. La principale signification réside dans :

Interprétabilité mécaniste : Le modèle offre une explication structurée de la manière dont les états émotionnels découlent des processus cognitifs (ex. : les écarts par rapport aux résultats attendus induisent une valence négative ; l'incertitude concernant les violations de normes induit un éveil).
Alignement avec la théorie de l'évaluation : Les résultats soutiennent les théories de l'évaluation en démontrant que les réponses affectives sont pilotées par les résultats anticipés et la violation des attentes sociales/normatives.
Cadre unifié : Ce travail soutient la vision de l'inférence active comme un compte rendu unifié de la perception, de l'action et de l'affect, montrant que les états affectifs peuvent être inférés à partir du même cadre génératif utilisé pour la modélisation du comportement.

Limites
Les auteurs notent plusieurs limites :

Le modèle capture les erreurs de prédiction à court terme mais néglige les attentes de haut niveau ou à long terme (ex. : un conducteur dans un embouteillage peut ressentir une valence négative malgré des prédictions à court terme stables).
L'évaluation est limitée à la simulation ; aucune comparaison directe avec des données humaines (ex. : expressions faciales) n'a été effectuée.
Le modèle est unidirectionnel (le comportement affecte l'émotion) et ne rend pas encore compte de la manière dont les émotions pourraient moduler le comportement (ex. : la colère augmentant la prise de risque).

Articles similaires