A General Set-Based Framework for Cognitive State Estimation: Theory and Application to Conditionally Automated Driving

कल्पना कीजिए कि आप एक ऐसी कार चलाने की कोशिश कर रहे हैं जो खुद चल सकती है, लेकिन केवल तभी जब आप ध्यान दे रहे हों। यह "लेवल 3" ऑटोमेटेड ड्राइविंग की दुनिया है: कार सारा भारी काम करती है, लेकिन मानव चालक एक सुरक्षा जाल (सेफ्टी नेट) की तरह होता है, जो स्थिति बिगड़ने पर तुरंत स्टीयरिंग संभालने के लिए तैयार रहता है। सबसे बड़ी समस्या क्या है? इंसान पेचीदा होते हैं। कभी-कभी हम कार पर बहुत अधिक भरोसा करते हैं और सुस्त हो जाते हैं; अन्य समय में, हम घबरा जाते हैं और बहुत जल्दी नियंत्रण वापस ले लेते हैं। इन कारों को सुरक्षित बनाने के लिए, कंप्यूटर को यह जानने की आवश्यकता है कि ड्राइवर के दिमाग में क्या चल रहा है—विशेष रूप से, वह कार पर कितना भरोसा करता है, स्थिति को कितना जोखिम भरा मानता है, और वह कितना तनाव महसूस कर रहा है। इस अध्ययन के क्षेत्र को "ह्यूमन-ऑटोमेशन इंटरेक्शन" कहा जाता है। लंबे समय से, वैज्ञानिक मानव व्यवहार का अनुमान लगाने के लिए ऐसे गणित का उपयोग करने की कोशिश कर रहे हैं जो यह मान लेता है कि मानव व्यवहार एक अनुमानित "बेल कर्व" (घंटी के आकार के वक्र) का पालन करता है, जैसे पासा फेंकना। लेकिन इंसान पासे नहीं हैं; हम जटिल हैं, और हमारे पास हमेशा इतना डेटा नहीं होता कि हम पैटर्न जानने के लिए पर्याप्त बार पासा फेंक सकें।

यह शोध पत्र एक नया और चतुर तरीका पेश करता है जिससे बिना "पासे के नियमों" को जाने यह अनुमान लगाया जा सके कि ड्राइवर क्या सोच रहा है। संभावनाओं (प्रोबेबिलिटी) का अनुमान लगाने के बजाय, शोधकर्ता एक "सेट-आधारित" दृष्टिकोण का उपयोग करते हैं। इसे "हॉट या कोल्ड" के खेल की तरह समझें जिसमें एक छोटा होता हुआ बॉक्स (डिब्बा) होता है। यह कहने के बजाय कि "ड्राइवर 70% तनाव में होने की संभावना है," सिस्टम कहता है, "ड्राइवर का तनाव स्तर निश्चित रूप से इस विशिष्ट बॉक्स के भीतर कहीं है।" जैसे-जैसे ड्राइवर कार के साथ इंटरैक्ट करता है, बॉक्स छोटा और अधिक सटीक होता जाता है। शोधकर्ताओं ने इसका परीक्षण एक ड्राइविंग सिम्युलेटर में 20 स्वयंसेवकों के साथ किया, जिसमें उनसे कार द्वारा नियंत्रण लेने के दौरान गाड़ी चलाने के लिए कहा गया। उन्होंने पाया कि यह "छोटा होता हुआ बॉक्स" वाला तरीका पारंपरिक "पासा फेंकने" वाले तरीकों की तुलना में यह अनुमान लगाने में बेहतर था कि ड्राइवर कब स्टीयरिंग संभालेगा, विशेष रूप से भविष्य की ओर देखते हुए।

शोध पत्र की कहानी: एक छोटा होता हुआ बॉक्स वाला जासूस

समस्या: "पासे" सही से नहीं चलते
ड्राइवर के मन को पढ़ने के अधिकांश पिछले प्रयास संभावना (प्रोबेबिलिटी) पर निर्भर करते हैं। वे मानते हैं कि यदि कोई ड्राइवर तनाव में है, तो यह पासा फेंकने जैसा है जहाँ "तनाव" 30% बार आता है। इसे काम करने के लिए, आपको यह समझने के लिए भारी मात्रा में डेटा की आवश्यकता होती है कि पासा कैसे भारित (weighted) है। लेकिन वास्तविक जीवन में, आपके पास हर व्यक्ति के लिए लाखों ड्राइविंग ट्रायल नहीं होते। इसके अलावा, मानव विचार हमेशा चिकनी और व्यवस्थित रेखाओं का पालन नहीं करते। कभी-कभी, एक ड्राइवर निर्माण क्षेत्र (कंस्ट्रक्शन ज़ोन) आने तक पूरी तरह शांत रहता है, और फिर अचानक, वह अत्यधिक सतर्क हो जाता है। पुराने तरीके इन अचानक बदलावों और डेटा की कमी के साथ संघर्ष करते हैं।

नया विचार: अज्ञात को सीमित करना
लेखक, सिबिवलन जीवनंदम और नीरा जैन, एक अलग रणनीति प्रस्तावित करते हैं। यह पूछने के बजाय कि "ड्राइवर के तनाव की संभावना क्या है?", वे पूछते हैं, "संभावनाओं की वह सीमा क्या है जो हमें दिख रही चीज़ों के अनुकूल है?"

कल्पना कीजिए कि आप एक अंधेरे घर में खोई हुई बिल्ली को खोजने की कोशिश कर रहे हैं।

• पुराना तरीका (प्रोबेबिलिस्टिक): आप अनुमान लगाते हैं कि बिल्ली के रसोई में होने की 80% संभावना है, बेडरूम में 15% और गैरेज में 5% है। ऐसे अनुमान लगाने के लिए आपको अतीत के बहुत सारे डेटा की आवश्यकता होती है कि बिल्लियाँ आमतौर पर कहाँ छिपती हैं।
• नया तरीका (सेट-आधारित): आप संभावनाओं का अनुमान नहीं लगाते। इसके बजाय, आप रसोई के चारों ओर एक बॉक्स बनाते हैं। आप कहते हैं, "हम जानते हैं कि बिल्ली निश्चित रूप से इस बॉक्स के भीतर कहीं है।" जैसे ही आप म्याऊं की आवाज़ सुनते हैं या पंजे का निशान देखते हैं, आप बॉक्स को छोटा कर देते हैं। यदि बिल्ली निश्चित रूप से रसोई में है, तो बॉक्स सिमटकर केवल रसोई तक रह जाता है। यदि आप हॉलवे से म्याऊं की आवाज़ सुनते हैं, तो बॉक्स हॉलवे को भी शामिल करने के लिए बड़ा हो जाता है। आपको यह जानने की कभी आवश्यकता नहीं होती कि बिल्ली के वहां होने की "संभावना" क्या है; आपको बस यह जानने की आवश्यकता है कि बॉक्स इतना बड़ा है कि बिल्ली को पकड़ सके, लेकिन इतना छोटा भी है कि उपयोगी हो।

इस शोध पत्र में, "बिल्ली" ड्राइवर की मानसिक स्थिति (भरोसा, कथित जोखिम और कार्यभार) है। "बॉक्स" एक गणितीय सेट है जिसमें इन अवस्थाओं के सभी संभावित मान शामिल हैं। शोधकर्ता अज्ञात कारकों (जैसे अचानक ध्यान भटकना या अनमापे विचार) को "अज्ञात लेकिन सीमित" (unknown but bounded) के रूप में देखते हैं। वे नहीं जानते कि ड्राइवर का मन ठीक कितना भटकता है, लेकिन वे जानते हैं कि यह "ग्रह से बाहर" नहीं जाएगा। इसलिए, वे उस भटकाव को कवर करने के लिए एक पर्याप्त बड़ा बॉक्स बनाते हैं, और फिर जैसे-जैसे उन्हें सुराग मिलते हैं, वे इसे छोटा करते जाते हैं।

जासूस कैसे काम करता है
सिस्टम दो तरीकों से एक रहस्य सुलझाने वाले जासूस की तरह काम करता है:

1. "स्व-रिपोर्ट" सुराग: समय-समय पर ड्राइवर से पूछा जाता है, "आप कार पर कितना भरोसा करते हैं?" या "यह कितना जोखिम भरा लगता है?" ड्राइवर इसका उत्तर एक स्केल पर देता है (जैसे 0 से 100)। यह थोड़ा अस्पष्ट हो सकता है क्योंकि ड्राइवर अपने उत्तर को राउंड कर सकता है या थोड़ा पक्षपाती हो सकता है। सिस्टम इस उत्तर को लेता है और इसके चारों ओर एक "व्यवहार्य सेट" (एक बॉक्स) बनाता है।
2. "निर्भरता" सुराग: सबसे महत्वपूर्ण सुराग वह है जो ड्राइवर करता है। क्या उन्होंने कार को चलाने दिया (निर्भरता = 1), या उन्होंने स्टीयरिंग संभाल लिया (निर्भरता = 0)? यह एक बाइनरी सुराग है: हाँ या ना। सिस्टम यह पता लगाने के लिए एक विशेष मानचित्र (डिसीजन ट्री) का उपयोग करता है कि कौन सी मानसिक स्थितियाँ किस क्रिया की ओर ले जाती हैं। उदाहरण के लिए, मानचित्र कह सकता है, "यदि भरोसा उच्च है और जोखिम कम है, तो ड्राइवर कार पर निर्भर रहेगा।"

इन सुरागों को जोड़कर, सिस्टम अपने बॉक्स को अपडेट करता है। यदि ड्राइवर कहता है "मैं कार पर बहुत भरोसा करता हूँ" (स्व-रिपोर्ट) लेकिन फिर तुरंत स्टीयरिंग संभाल लेता है (निर्भरता), तो सिस्टम को पता चलता है कि उसके वर्तमान बॉक्स के साथ कुछ गलत है। वह अपने बॉक्स को छोटा करता है ताकि एक नया स्थान मिल सके जहाँ दोनों सुराग तर्कसंगत लगें। यदि बॉक्स कभी खाली हो जाता है (अर्थात कोई भी मानसिक स्थिति सुरागों के अनुकूल नहीं होती), तो सिस्टम को एहसास होता है कि उसका मानचित्र गलत है और वह नए डेटा का उपयोग करके पूरा मानचित्र फिर से बनाता है।

प्रयोग: सिम्युलेटर टेस्ट
इसका परीक्षण करने के लिए, शोधकर्ताओं ने 20 लोगों को एक ड्राइविंग सिम्युलेटर में रखा। कार को लेवल 3 ऑटोमेशन पर सेट किया गया था, जिसका अर्थ था कि यह खुद चल सकती थी, लेकिन ड्राइवर को तैयार रहना था। मार्ग में "निर्माण क्षेत्र" (उच्च जटिलता) और सामान्य सड़कें (कम जटिलता) शामिल थीं।

• ड्राइवरों को यह तय करना था कि वे कार को चलाने दें या खुद चलाएं।
• हर कुछ मिनटों में, वे एक रेड लाइट पर रुकते थे और विश्वास, जोखिम और कार्यभार के बारे में सवालों के जवाब देते थे।
• शोधकर्ताओं ने ड्राइव के पहले आधे हिस्से का उपयोग सिस्टम को "प्रशिक्षित" करने के लिए किया (प्रारंभिक मानचित्र और बॉक्स बनाना) और दूसरे आधे हिस्से का उपयोग यह परीक्षण करने के लिए किया कि क्या सिस्टम वास्तविक समय में ड्राइवर की स्थिति का अनुमान लगा सकता है।

निष्कर्ष क्या निकला
परिणाम उत्साहजनक थे। "छोटा होता हुआ बॉक्स" वाला तरीका अधिकांश लोगों के लिए अच्छी तरह से काम कर गया:

• निरंतरता: लगभग 80% प्रतिभागियों के लिए, सिस्टम का बॉक्स कम से कम 75% समय ड्राइवर की वास्तविक मानसिक स्थिति को सफलतापूर्वक समाहित करने में सफल रहा। चार प्रतिभागियों के लिए, यह 100% सुसंगत था।
• गति: सिस्टम तेज़ था, यह लगभग 0.03 से 0.07 सेकंड में नए बॉक्स की गणना करता था, जो डेटा बिंदुओं के बीच 1-सेकंड के अंतराल से बहुत अधिक तेज़ है। इसका मतलब है कि यह वास्तविक कार में वास्तविक समय में चल सकता है।
• भविष्यवाणी शक्ति: सबसे बड़ी जीत भविष्य की भविष्यवाणी करने में थी। शोधकर्ताओं ने पूछा, "क्या हम अनुमान लगा सकते हैं कि ड्राइवर 15, 30, 45 या 60 सेकंड बाद स्टीयरिंग संभालेगा?"
  • नया सेट-आधारित तरीका सबसे अच्छा भविष्यवक्ता था।
  • जैसे-जैसे भविष्यवाणी का समय बढ़ता गया (उदाहरण के लिए, 60 सेकंड आगे), नया तरीका पुराने तरीकों की तुलना में बेहतर होता गया।
  • पारंपरिक "पार्टिकल फिल्टर" (संभाव्यता आधारित विधि) समय के साथ खराब होता गया। लेखक सुझाव देते हैं कि ऐसा इसलिए है क्योंकि पुराने तरीके के "शोर" (रैंडमनेस) के बारे में अनुमान समय के साथ त्रुटियों को बढ़ाते हैं, जबकि सेट-आधारित तरीके के "बॉक्स" ड्राइवर के कार्यों के इतिहास का उपयोग करके संभावनाओं को सीमित रखते हुए सटीक और सुसंगत बने रहते हैं।

यह क्यों महत्वपूर्ण है
यह शोध पत्र बताता है कि सुरक्षित स्वचालित कारें बनाने के लिए हमें मानव विचारों की सटीक "संभावना" जानने की आवश्यकता नहीं है। हमें बस उन विचारों की सीमाओं को जानने की आवश्यकता है। एक सेट-आधारित ढांचे का उपयोग करके, सिस्टम व्यक्तिगत ड्राइवरों के अनुकूल हो सकता है, अव्यवस्थित डेटा को संभाल सकता है, और पारंपरिक तरीकों की तुलना में अधिक सटीक रूप से भविष्य के व्यवहार की भविष्यवाणी कर सकता है। यह एक ऐसी कारों की ओर एक कदम है जो न केवल खुद चलती हैं, बल्कि वास्तव में उनके बगल में बैठे इंसान को समझती भी हैं, और सबको सुरक्षित रखने के लिए अपने व्यवहार को समायोजित करती हैं। लेखक नोट करते हैं कि हालांकि यह सिम्युलेटर में अच्छा काम करता है, अगला कदम यह देखना है कि क्या यह वास्तविक दुनिया की ड्राइविंग की अराजकता को संभाल सकता है और ड्राइवर को व्यस्त रखने के लिए ऑटोमेशन के स्तर को स्वचालित रूप से समायोजित करने के लिए उपयोग किया जा सकता है।