Active inference as a unified model of collision avoidance behavior in human drivers

Riepilogo Tecnico: L'Inferenza Attiva come Modello del Comportamento di Evitamento delle Collisioni nei Conducenti Umani

Enunciato del Problema
L'evitamento delle collisioni è un compito cognitivo critico e ad alto rischio che richiede una rapida rilevazione delle minacce e l'esecuzione di manovre evasive appropriate. I modelli computazionali esistenti dell'evitamento delle collisioni da parte degli esseri umani sono in gran parte frammentati; si concentrano tipicamente su specifici tipi di scenario (ad esempio, conflitti frontali-retro), su specifici fattori esplicativi (ad esempio, carico cognitivo) o su metriche comportamentali isolate (ad esempio, tempi di risposta). Sebbene i modelli di apprendimento automatico addestrati su grandi dataset di guida mostrino promesse in termini di generalizzazione, spesso faticano a rappresentare comportamenti critici per la sicurezza a causa della sottorappresentazione degli scenari di collisione nei dati di addestramento. Di conseguenza, manca un modello unificato in grado di catturare gli aspetti chiave dell'evitamento delle collisioni da parte degli esseri umani — selezione della risposta, tempistica ed esecuzione — attraverso scenari diversificati.

Metodologia
Gli autori propongono un modello cognitivo computazionale basato sull'inferenza attiva, un quadro teorico fondato sul principio dell'energia libera che postula che gli agenti agiscano per minimizzare la "sorpresa" (o energia libera attesa, EFE). Il modello simula un conducente umano (l'agente ego) che interagisce con altri utenti della strada in un processo sequenziale discreto nel tempo.

I componenti meccanici chiave del modello includono:

1. Percezione basata sull'avvicinamento (Looming): L'agente non percepisce direttamente gli stati cinematici (posizione/velocità) ma li inferisce dall'angolo visivo ($\phi$) e dal tasso angolare ($\dot{\phi}$, o avvicinamento). Viene implementata una soglia di rilevamento ($\dot{\phi}_0$) per simulare l'incapacità di percepire piccole velocità relative a lunghe distanze, spiegando i ritardi nel riconoscimento di eventi come la frenata improvvisa.
2. Filtro particellare condizionato dalle norme: Per prevedere il comportamento futuro degli altri agenti, il modello utilizza un filtro particellare distorto dalle norme del traffico (ad esempio, mantenere le corsie, cedere la precedenza). Ciò previene previsioni eccessivamente pessimistiche in situazioni senza conflitto, consentendo al modello di rilassare queste assunzioni e campionare traiettorie "a coda lunga" che violano le norme quando emerge evidenza di un conflitto.
3. Accumulo di evidenze per la ripianificazione: L'agente accumula continuamente la "sorpresa" (definita come il valore pragmatico negativo residuo della politica corrente) come evidenza per una ripianificazione completa della politica. Se l'evidenza accumulata supera una soglia, l'agente ripianifica l'intera politica; altrimenti, estende la politica corrente. Questo meccanismo modella la dinamica dei tempi di risposta umana.
4. Campionamento della politica vincolato: Le nuove politiche sono generate utilizzando il metodo dell'entropia incrociata, limitate da una capacità di pianificazione vincolata (un numero fisso di politiche valutate). Crucialmente, i vincoli di accelerazione mimano l'operazione del pedale umano, inclusi un tempo di mantenimento di 0,2 secondi a velocità prossime allo zero per simulare il ritardo fisico nel movimento del piede tra i pedali.
5. Selezione della politica: L'agente seleziona la politica che minimizza l'Energia Libera Attesa (EFE), bilanciando il valore pragmatico (evitare collisioni, mantenere la velocità, rimanere in corsia, minimizzare lo sforzo di controllo) e il valore epistemico (ridurre l'incertezza). Negli scenari di collisione, il valore pragmatico è il driver principale.

Valutazione e Risultati
Il modello è stato valutato rispetto a dati empirici umani in tre distinti scenari di evitamento delle collisioni:

1. Frontale-Retro: Un veicolo di testa frena improvvisamente. Il modello ha riprodotto i risultati meta-analitici sui tempi di risposta alla frenata e sulle magnitudini di decelerazione, mostrando una dipendenza dalla cinematica dello scenario (ad esempio, tempi di risposta più brevi e frenata più forte in scenari più urgenti). Ha inoltre previsto la selezione della manovra (frenata vs. sterzata) basandosi su velocità e intervalli temporali.
2. Intrusione Laterale in Direzione Opposta: Un veicolo in arrivo invade la corsia dell'agente ego. Il modello è stato testato contro dati di simulatore con diverse "ripidezze" di intrusione. Ha riprodotto con successo le tendenze umane a sterzare a sinistra negli scenari ripidi, a sterzare a destra negli scenari poco ripidi e a collidere negli scenari "medi" a causa dell'alta incertezza sul percorso dell'altro veicolo.
3. Svolta a Destra all'Incrocio nel Percorso: Un veicolo non cede la precedenza all'incrocio. Il modello, sintonizzato solo sui primi due scenari, si è generalizzato a questo scenario non visto, riproducendo i tassi di collisione e i tempi di risposta umani (risposte più rapide nelle varianti più critiche "non-fermate").

Studi di Ablazione
La rimozione sistematica dei meccanismi del modello (ad esempio, rimozione dell'accumulo di evidenze, rumore nella previsione o condizionamento delle norme) ha dimostrato che ogni componente è essenziale per catturare aspetti specifici del comportamento umano. Ad esempio, la rimozione dell'accumulo di evidenze ha portato a risposte irrealisticamente veloci, mentre la rimozione del condizionamento delle norme ha portato a comportamenti eccessivamente conservativi o reazioni premature.

Significato e Affermazioni
Il documento afferma di presentare il primo modello computazionale pubblicato che offre un resoconto dettagliato del comportamento umano di evitamento delle collisioni attraverso molteplici scenari di conflitto basato su principi primi. I contributi chiave includono:

• Quadro Unificato: Dimostrare che l'inferenza attiva può servire come un quadro generalizzabile per modellare il comportamento umano in compiti di guida complessi e critici per la sicurezza, unificando tempistica della risposta, selezione della manovra ed esecuzione.
• Generalizzazione: Mostrare che un modello sintonizzato su scenari specifici può prevedere accuratamente il comportamento umano in scenari non visti senza riparametrizzazione.
• Insight Meccanicistico: Fornire un resoconto computazionale del motivo per cui i conducenti umani a volte non riescono a evitare le collisioni (ad esempio, negli scenari di intrusione media), attribuendo questi fallimenti all'interazione tra capacità di pianificazione vincolata, incertezza predittiva e bias verso comportamenti conformi alle norme.
• Dinamiche in Ciclo Chiuso: A differenza di molti modelli esistenti che utilizzano manovre "a colpo singolo" in ciclo aperto, questo modello implementa una ripianificazione dinamica e in ciclo chiuso simile al processo decisionale umano.

Gli autori collocano l'inferenza attiva non semplicemente come uno strumento computazionale, ma come un quadro teorico per comprendere il comportamento degli utenti della strada, colmando il divario tra teoria cognitiva e applicazioni pratiche per la sicurezza del traffico. Riconoscono limitazioni, come l'assunzione di agenti non reattivi e la necessità di lavori futuri sulle variazioni delle norme culturali e su variabili percettive più complesse, ma affermano che il modello fornisce una base solida per simulare agenti umani nei test dei veicoli automatizzati e nella ricerca sulla sicurezza.