Sintesi Tecnica: DRIFT – Inferenza del Rischio di Guida tramite Trasmissione di Campo

1. Enunciato del Problema

I moderni Sistemi Intelligenti di Trasporto (ITS) affrontano sfide significative nella modellazione del rischio all'interno di ambienti a traffico misto, in particolare in scenari interattivi come l'immissione in autostrada e il cambio di corsia. Le metriche di sicurezza tradizionali, quali il Tempo fino alla Collisione (TTC) e il Tempo Post-Occupazione (PET), sono tipicamente pairwise, istantanee e scalari. Sebbene utili, queste metriche non riescono a catturare la struttura spaziale delle interazioni multi-agente e mancano della capacità di ragionare sulle intenzioni e le incertezze degli agenti circostanti oltre le posizioni discrete.

Inoltre, le rappresentazioni del rischio basate su campi esistenti (campi potenziali) soffrono di tre limitazioni primarie:

1. Natura Statica: Molti campi di rischio sono frame-wise o statici, privi di una legge di trasmissione condivisa per l'anticipazione temporale.
2. Gestione Inadeguata delle Occlusioni: Le occlusioni sono spesso gestite tramite semplice mascheramento o padding euristico piuttosto che tramite propagazione esplicita del rischio latente e meccanismi di chiarimento.
3. Lacune nella Valutazione: Le valutazioni attuali si basano pesantemente su Misure di Sicurezza Surrogato (SSM) scalari, che non possono diagnosticare completamente se la struttura spaziale e il comportamento di propagazione di un campo di rischio siano corretti, specialmente in regioni occluse o distanti.

2. Metodologia: Il Framework DRIFT

Gli autori propongono DRIFT (Inferenza del Rischio di Guida tramite Trasmissione di Campo), un campo di rischio spaziotemporale governato da un'equazione alle derivate parziali (PDE) di tipo advezione-diffusione-reazione. Il framework opera all'interno di un dominio Bird's Eye View (BEV) centrato sull'ego $\Omega$.

A. PDE Governante

Il potenziale di rischio $R(x, t)$ evolve nel tempo secondo la seguente equazione:
$$\frac{\partial R}{\partial t} = \underbrace{\nabla \cdot (D \nabla R)}_{\text{Diffusione}} - \underbrace{\nabla \cdot (vR)}_{\text{Advezione}} + \underbrace{Q(x, t)}_{\text{Sorgente}} - \underbrace{\lambda(x, t)R}_{\text{Decadimento}}$$

• Advezione: Trasmette i pericoli iniettati lungo il flusso di traffico effettivo ($v$), permettendo al rischio di emergere prima che un'interazione raggiunga fisicamente il veicolo ego.
• Diffusione: Smussa i picchi acuti e diffonde l'incertezza posizionale, aspetto critico all'interno delle regioni di occlusione dove le distribuzioni degli agenti nascosti sono ampie.
• Decadimento: Rimuove i pericoli obsoleti e previene che le "scie" persistenti dominino la mappa dopo la fine delle interazioni o il ritorno della visibilità.
• Termine del Telegrafista: Un termine inerziale opzionale ($\tau \frac{\partial^2 R}{\partial t^2}$) è incluso nella formulazione del modello per imporre una velocità di propagazione finita, sebbene sia impostato a zero negli esperimenti per efficienza computazionale.

B. Termini di Sorgente ($Q$)

Il campo di sorgente totale è una composizione additiva di tre componenti:

1. Rischio Indotto da Veicoli ($Q_{veh}$): Modellato utilizzando kernel gaussiani anisotropi posizionati sugli agenti osservati per catturare il rischio indotto dalla velocità e i primitivi di interazione.
2. Pericoli Latenti da Occlusione ($Q_{occ}$): Un meccanismo accoppiato alla geometria che inietta rischio latente nella regione d'ombra della vista ego ($\Omega_{occ}$) causata da veicoli di grandi dimensioni (es. camion). Il tasso di decadimento $\lambda$ è dinamicamente accoppiato alla maschera d'ombra; il decadimento è ridotto quando le ombre si espandono (permettendo l'accumulo di rischio) e aumentato quando le ombre si ritirano (chiarificando il rischio non supportato).
3. Pressione da Immissione ($Q_{merge}$): Codifica la pressione di conflitto guidata dalla topologia vicino alle zone di immissione basata sulla geometria della corsia e sui prior delle zone di conflitto.

C. Protocollo di Valutazione

Per affrontare le limitazioni delle SSM scalari, gli autori introducono metriche di valutazione native del campo:

• Differenziale di Rischio di Cambio Corsia (LCRD): Misura la frazione di cambi di corsia registrati che si muovono verso celle a rischio inferiore.
• Indice di Anticipazione Temporale (TAI): Quantifica quanto precocemente viene superato la soglia del campo rispetto a un evento pericoloso, normalizzato per il tempo di reazione umano.
• Rapporto di Persistenza del Rischio (RPR): Quantifica la memoria del rischio post-evento.
• Indice di Sensibilità all'Occlusione (OSI): Misura la sensibilità del rischio al rapporto di occlusione.
• Latenza di Risposta all'Occlusione (ORL): Misura il ritardo temporale nella risposta ai cambiamenti dell'ombra.
• $\Delta$Coll.: L'aumento relativo degli eventi di quasi-collisione sotto occlusione rispetto alla piena visibilità.

3. Contributi Chiave

1. Modello di Trasmissione PDE Unificato: Un substrato principiale per il rischio che preserva la memoria temporale (tramite decadimento), propaga i pericoli a valle (tramite advezione) e diffonde l'incertezza spaziale (tramite diffusione).
2. Decadimento da Occlusione Accoppiato alla Geometria: Un meccanismo innovativo in cui il tasso di decadimento locale del campo risponde direttamente al tasso di cambiamento della maschera d'ombra, consentendo l'accumulo dinamico e la chiarificazione dei pericoli latenti.
3. Valutazione Nativa del Campo: Un protocollo completo composto da metriche comportamentali, di propagazione e di risposta all'occlusione che integrano le SSM esistenti.

4. Risultati Sperimentali

Il framework è stato valutato su dataset di traffico reali (exiD, rounD, inD) rispetto a baseline statiche informate dalla fisica (TPF, APF, DPDRF) e a baseline dinamiche guidate dai dati (EDRF, RiskNet).

• Coerenza Comportamentale: DRIFT ha raggiunto la massima allineamento con le azioni dei conducenti osservate, con un LCRD dell'89% (rispetto all'82% di RiskNet e al 78% di EDRF). Ha inoltre dimostrato la massima ritenzione del rischio post-evento (RPR 0.74).
• Vantaggio di Propagazione: DRIFT ha fornito il margine anticipatorio più ampio, raggiungendo un TAI di 0.41 (circa 0.62s di anticipo), superando significativamente le baseline dinamiche (RiskNet: 0.24, EDRF: 0.18). Le baseline statiche non sono state valutabili sul TAI a causa della mancanza di memoria temporale.
• Robustezza all'Occlusione: Sotto occlusione, DRIFT ha ridotto l'aumento del tasso di quasi-collisione a +1.4% (vs +3.5% per RiskNet e +4.7% per EDRF). Ha raggiunto la latenza di risposta all'occlusione più rapida (0.31 s) e la massima stabilità temporale (Temp. 0.91).
• Studi di Ablazione: I risultati hanno confermato che l'advezione guida l'anticipazione temporale, la diffusione migliora il conservatorismo nell'occlusione e il decadimento accoppiato alla geometria è il principale motore per una rapida risposta alla visibilità e coerenza temporale.

5. Significato e Affermazioni

Il paper afferma che DRIFT offre un'alternativa spazialmente strutturata alle metriche di sicurezza scalari, permettendo ai moduli a valle di ragionare oltre le posizioni discrete degli agenti. Trattando il rischio come informazione propagata piuttosto che come un potenziale statico, DRIFT riesce a:

• Ridurre la latenza di risposta all'occlusione del 52% rispetto alle baseline selezionate.
• Abbassare il tasso di quasi-collisione sotto occlusione del 2.1% in scenari sintetici.
• Fornire avvisi più precoci e un migliore allineamento con le decisioni dei conducenti umani negli scenari di immissione e cambio di corsia.

Gli autori concludono che la formulazione basata su PDE produce strutture di rischio spaziali interpretabili e dinamiche temporali stabili. Notano che, sebbene i parametri attuali siano regolabili, il lavoro futuro mira ad estendere il framework alla modellazione universale del rischio per geometrie di incrocio più ricche e pianificazione del movimento multi-agente. Il codice è reso disponibile per facilitare ulteriori ricerche.