⚡ electrical engineering

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

Questo articolo introduce un framework basato su insiemi che stima gli stati cognitivi umani (fiducia, rischio percepito e carico di lavoro) nella guida condizionatamente automatizzata trattando le incertezze come sconosciute ma limitate, dimostrando attraverso un esperimento in simulatore che supera i baseline probabilistici nella previsione dell'affidamento umano senza richiedere grandi dataset o assunzioni distribuzionali.

Autori originali: Sibibalan Jeevanandam, Neera Jain

Pubblicato 2026-08-04

📖 8 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Sibibalan Jeevanandam, Neera Jain

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di guidare un'auto che può sterzare da sola, ma solo se stai prestando attenzione. Questo è il mondo della guida automatizzata di "Livello 3": l'auto fa il lavoro pesante, ma l'essere umano è la rete di sicurezza, pronto a afferrare il volante se le cose si fanno strane. Il grande problema? Gli esseri umani sono complicati. A volte ci fidiamo troppo dell'auto e ci distraiamo; altre volte entriamo nel panico e prendiamo il controllo troppo presto. Per rendere queste auto sicure, il computer deve sapere cosa sta succedendo nella testa del conducente — specificamente, quanto si fida dell'auto, quanto ritiene rischiosa la situazione e quanto si sente stressato. Questo campo di studio è chiamato Interazione Uomo-Automazione. Per molto tempo, gli scienziati hanno cercato di indovinare questi stati mentali usando la matematica che assume che il comportamento umano segua una prevedibile "curva a campana" di casualità, come il lancio dei dadi. Ma gli esseri umani non sono dadi; siamo disordinati e non abbiamo sempre abbastanza dati per lanciare i dadi abbastanza volte da conoscere il modello.

Questo articolo introduce un nuovo e intelligente modo per indovinare cosa sta pensando un conducente senza dover conoscere le "regole dei dadi". Invece di indovinare le probabilità, i ricercatori utilizzano un approccio "basato su insiemi" (set-based). Immaginatelo come un gioco di "Caldo o Freddo" giocato con una scatola che si restringe. Invece di dire: "Il conducente ha il 70% di probabilità di essere stressato", il sistema dice: "Lo stato di stress del conducente si trova sicuramente all'interno di questa specifica scatola". Mentre il conducente interagisce con l'auto, la scatola diventa più piccola e precisa. I ricercatori hanno testato questo in un simulatore di guida con 20 volontari, chiedendo loro di guidare mentre l'auto prendeva il controllo. Hanno scoperto che questo metodo della "scatola che si restringe" era migliore nel prevedere quando un conducente avrebbe preso il volante rispetto ai metodi tradizionali del "lancio dei dadi", specialmente quando si guarda più avanti nel futuro.

La storia del documento: Un detective con una scatola che si restringe

Il Problema: I "Dadi" non rotolano correttamente
La maggior parte dei tentativi precedenti di leggere la mente di un conducente si basa sulla probabilità. Assumono che se un conducente è stressato, sia come lanciare un dado dove lo "stress" esce il 30% delle volte. Per far sì che questo funzioni, serve una quantità enorme di dati per capire esattamente come sia pesato il dado. Ma nella vita reale, non si hanno milioni di prove di guida per ogni singola persona. Inoltre, i pensieri umani non seguono sempre curve pulite e regolari. A volte, un conducente può essere perfettamente calmo finché non appare una zona di cantiere, e poi improvvisamente è in massima allerta. I vecchi metodi faticano con questi salti improvvisi e la mancanza di dati.

La Nuova Idea: Delimitare l'Ignoto
Gli autori, Sibibalan Jeevanandam e Neera Jain, propongono una strategia diversa. Invece di chiedere: "Qual è la probabilità che il conducente sia stressato?", chiedono: "Qual è l'intervallo di possibilità che si adatta a ciò che vediamo?".

Immaginate di cercare di trovare un gatto smarrito in una casa buia.

Il Vecchio Modo (Probabilistico): Indovinate che il gatto ha l'80% di probabilità di essere in cucina, il 15% in camera da letto e il 5% in garage. Avete bisogno di molti dati passati su dove si nascondono di solito i gatti per fare queste ipotesi.
Il Nuovo Modo (Basato su Insiemi): Non indovinate le probabilità. Invece, disegnate una scatola intorno alla cucina. Dite: "Sappiamo con certezza che il gatto è da qualche parte dentro questa scatola". Man mano che sentite un miagolio o vedete un'impronta di zampa, la scatola si restringe. Se il gatto è sicuramente in cucina, la scatola si restringe solo alla cucina. Se sentite un miagolio nel corridoio, la scatola si espande per includere il corridoio. Non avete mai bisogno di conoscere la "probabilità" che il gatto sia lì; dovete solo sapere che la scatola è abbastanza grande da catturare il gatto, ma abbastanza piccola da essere utile.

In questo articolo, il "gatto" è lo stato mentale del conducente (Fiducia, Rischio Percepito e Carico di Lavoro). La "scatola" è un insieme matematico che contiene tutti i valori possibili per questi stati. I ricercatori trattano i fattori sconosciuti (come le distrazioni improvvise o i pensieri non misurati) come "sconosciuti ma limitati". Non sanno esattamente quanto la mente del conducente vaghi, ma sanno che non vagherà fuori dal pianeta. Quindi, disegnano una scatola abbastanza grande da coprire quel vagabondaggio, e poi la restringono man mano che ottengono nuovi indizi.

Come funziona il Detective
Il sistema agisce come un detective che risolve un mistero in due modi:

L'indizio dell' "Autovalutazione": Ogni tanto, al conducente viene chiesto: "Quanto ti fidi dell'auto?" o "Quanto sembra rischioso questo?". Il conducente risponde su una scala (come da 0 a 100). Questo è un dato un po' vago perché il conducente potrebbe arrotondare la risposta o essere leggermente influenzato. Il sistema prende questa risposta e disegna un "insieme fattibile" (una scatola) attorno ad essa.
L'indizio della "Dipendenza": L'indizio più importante è ciò che il conducente fa. Ha lasciato che l'auto guidasse (dipendenza = 1), o ha preso il volante (dipendenza = 0). Questo è un indizio binario: sì o no. Il sistema utilizza una mappa speciale (un albero di decisione) per capire quali stati mentali portano a quale azione. Ad esempio, la mappa potrebbe dire: "Se la Fiducia è alta E il Rischio è basso, il conducente si affiderà all'auto".

Combinando questi indizi, il sistema aggiorna la sua scatola. Se il conducente dice "Mi fido molto dell'auto" (Autovalutazione) ma poi immediatamente prende il volante (Dipendenza), il sistema sa che qualcosa non va con la sua attuale scatola. Restringe la scatola per trovare un nuovo punto in cui entrambi gli indizi abbiano senso. Se la scatola diventa mai vuota (il che significa che nessun possibile stato mentale si adatta agli indizi), il sistema si rende conto che la sua mappa è sbagliata e ridisegna l'intera mappa usando i nuovi dati.

L'Esperimento: Il Test nel Simulatore
Per testare questo, i ricercatori hanno messo 20 persone in un simulatore di guida. L'auto era impostata su un'automazione di Livello 3, il che significa che poteva guidare da sola, ma il conducente doveva essere pronto a prendere il controllo. Il percorso presentava "zone di cantiere" (alta complessità) e strade normali (bassa complessità).

I conducenti dovevano decidere se lasciare che l'auto guidasse o guidare loro stessi.
Ogni pochi minuti, si fermavano a un semaforo rosso e rispondevano a domande sulla loro fiducia, rischio e carico di lavoro.
I ricercatori hanno usato la prima metà della guida per "addestrare" il sistema (disegnare le mappe e le scatole iniziali) e la seconda metà per testare se il sistema potesse indovinare lo stato del conducente in tempo reale.

Cosa hanno scoperto
I risultati sono stati promettenti. Il metodo della "scatola che si restringe" ha funzionato bene per la maggior parte delle persone:

Consistenza: Per circa l'80% dei partecipanti, la scatola del sistema conteneva con successo lo stato mentale reale del conducente almeno il 75% delle volte. Per quattro partecipanti, è stata consistente al 100%.
Velocità: Il sistema è stato veloce, calcolando nuove scatole in circa 0,03 - 0,07 secondi, il che è molto più veloce degli intervalli di 1 secondo tra i punti dati. Ciò significa che potrebbe girare in tempo reale su un'auto reale.
Potere di Predizione: La vittoria più grande è stata prevedere il futuro. I ricercatori hanno chiesto: "Possiamo indovinare se il conducente prenderà il volante tra 15, 30, 45 o 60 secondi da ora?".
- Il nuovo metodo basato su insiemi è stato il miglior predittore.
- Man mano che il tempo di previsione diventava più lungo (ad esempio, 60 secondi in avanti), il nuovo metodo diventava migliore rispetto ai vecchi metodi.
- Il tradizionale "filtro a particelle" (il metodo probabilistico) peggiorava nel tempo. Gli autori suggeriscono che questo accade perché le assunzioni del vecchio metodo sul "rumore" (casualità) accumulano errori nel tempo, mentre le "scatole" del metodo basato su insiemi rimangono strette e accurate usando la cronologia delle azioni del conducente per vincolare le possibilità.

Perché è importante
Questo articolo suggerisce che non abbiamo bisogno di conoscere l'esatta "probabilità" dei pensieri di un essere umano per costruire auto automatizzate sicure. Abbiamo solo bisogno di conoscere i confini di quei pensieri. Utilizzando un quadro basato su insiemi, il sistema può adattarsi ai singoli conducenti, gestire dati disordinati e prevedere il comportamento futuro in modo più accurato rispetto ai metodi attuali. È un passo verso auto che non si limitano a guidare da sole, ma che capiscono effettivamente l'essere umano seduto accanto a loro, regolando il proprio comportamento per mantenere tutti al sicuro. Gli autori notano che, sebbene questo funzioni bene in un simulatore, il passo successivo sarà vedere se può gestire il caos della guida nel mondo reale e può essere utilizzato per regolare automaticamente il livello di automazione dell'auto per mantenere il conducente impegnato.

Sintesi Tecnica: Un Framework Generale Basato su Insiemi per la Stima dello Stato Cognitivo

Definizione del Problema
Il documento affronta la sfida di stimare gli stati cognitivi umani nei contesti di Interazione Uomo-Automazione (HAI), specificamente nella guida con automazione condizionata (SAE Livello 3). L'attuale automazione critica per la sicurezza richiede che i conducenti supervisionino il sistema, ma i conducenti spesso soffrono sia di un eccesso di monitoraggio (carico di lavoro elevato) sia di un eccesso di fiducia (trascuratezza della vigilanza). Le soluzioni esistenti per l'automazione adattiva si basano sulla stima in tempo reale dello stato cognitivo, ma gli approcci dominanti nella letteratura sono probabilistici (ad es., filtri di Kalman, filtri a particelle, POMDP). Questi metodi richiedono:

Dataset ampi e strutturati per identificare le distribuzioni del rumore (tipicamente gaussiane).
Misurazioni frequenti e periodiche, mentre la guida nel mondo reale comporta un'interazione continua con auto-report sparsi e asincroni.
Spesso si concentrano esclusivamente sulla "fiducia", trascurando altri fattori critici come il rischio percepito e il carico di lavoro.

Gli autori sostengono che la cognizione umana sia influenzata da numerosi fattori non misurati, rendendo una caratterizzazione probabilistica dell'incertezza meno appropriata rispetto a una caratterizzazione basata su insiemi e limitata (set-based).

Metodologia
Gli autori propongono un framework basato su insiemi che tratta le incertezze di processo e di misura come "note ma limitate" (unknown but bounded) piuttosto che probabilistiche. Il framework opera in due fasi: Identificazione del Sistema e Stima dello Stato Basata su Insiemi.

Modellazione:
- Spazio degli Stati: Il vettore dello stato cognitivo $x$ include Fiducia ( $T$ ), Rischio Percepito ( $R$ ) e Carico di Lavoro ( $W$ ), tutti con valori continui nell'intervallo $[0, 1]$ .
- Modello di Processo: Un'equazione differenziale affine limitata descrive l'evoluzione dello stato: $x^+(k) = Ax(k) + Bu(k) + C + w(k)$ , dove $u$ rappresenta la complessità del compito e $w$ è il rumore di processo ignoto ma limitato.
- Modelli di Misura:
  - Auto-report: Misurazioni intermittenti e quantizzate (ad es., scala 0–100) modellate come $y(k) = Q(x(k) + z(k))$ , dove $z$ è il rumore di misura limitato.
  - Affidamento (Reliance): Osservazioni binarie ( $q \in \{0, 1\}$ ) che indicano se il conducente utilizza l'automazione, modellate tramite una funzione a tratti costante $h(x)$ .
Identificazione del Sistema (Fase di Addestramento):
- Utilizzando un segmento di dati di addestramento, gli autori stimano le matrici di sistema ( $A, B, C$ ) minimizzando gli errori di predizione rispetto agli auto-report.
- Limiti del Rumore (Noise Bounds): Invece di assumere una distribuzione, i limiti del rumore ( $\epsilon_w, \epsilon_v$ ) sono stimati imponendo la conformità del reachset (reachset conformance). Ciò assicura che l'insieme degli stati raggiungibili dal modello sotto rumore limitato contenga tutti gli auto-report osservati.
- Regioni di Affidamento: Viene adattato un albero di decisione binario per identificare quali stati cognitivi influenzano l'affidamento e per partizionare lo spazio degli stati in regioni ( $S_i$ ) con le relative probabilità.
- Identificazione di Sottospazio: I rami dell'albero di decisione identificano un sottospazio specifico di stati cognitivi che effettivamente influenzano l'affidamento per un dato individuo, consentendo la riduzione della dimensionalità.
Stima dello Stato Basata su Insiemi (Fase di Test):
- Lo stimatore mantiene una stima dell'insieme $X(k|k)$ degli stati cognitivi.
- Predizione: L'insieme viene propagato in avanti di un passo utilizzando il modello identificato e il rumore limitato.
- Aggiornamento tramite Affidamento: All'osservazione dell'affidamento binario ( $q$ ), l'insieme predetto viene intersecato con l'insieme degli stati ammissibili per quell'osservazione di affidamento ( $X^R_q$ ). Per migliorare la robustezza, lo stimatore può elaborare un blocco di osservazioni di affidamento passate.
- Aggiornamento tramite Auto-report: Quando arriva un auto-report quantizzato, l'insieme viene intersecato con l'insieme ammissibile derivato dal report.
- Adattamento Online: Se l'intersezione degli insiemi diventa vuota (indicando che il modello non contiene lo stato reale), il sistema attiva una ricalibrazione dei parametri utilizzando i dati disponibili fino a quel punto.

Contributi Chiave

Primo Approccio Basato su Insiemi: È il primo framework ad applicare la stima dello stato basata su insiemi alla l'interazione uomo-automazione cognitiva in un contesto continuo e non basato su trial.
Robustezza alla Scarsità di Dati: Il framework evita la necessità di grandi dataset per caratterizzare le distribuzioni del rumore, affidandosi invece all'incertezza limitata e alla conformità del reachset.
Stima Multi-Stato: Stima simultaneamente Fiducia, Rischio Percepito e Carico di Lavoro, laddove i lavori precedenti si concentravano spesso solo sulla fiducia.
Identificazione di Sottospazio Individualizzata: Il metodo identifica quali specifici stati cognitivi guidano il comportamento di affidamento di un individuo, consentendo una stima mirata.
Adattabilità Online: L'inclusione di un meccanismo di aggiornamento del modello online permette al sistema di adattarsi quando le stime iniziali dei parametri non riescono a catturare nuovi comportamenti.

Risultati Sperimentali
Il framework è stato valutato utilizzando i dati di 20 partecipanti in un simulatore di guida a media fedeltà con automazione SAE Livello 3.

Consistenza: Per 11 dei 15 partecipanti analizzati, lo stimatore basato su insiemi ha raggiunto una consistenza di almeno il 75% (l'insieme stimato si sovrapponeva allo stato reale implicato dagli auto-report). Quattro partecipanti hanno ottenuto una consistenza del 100%.
Incertezza: L'incertezza media (volume dell'insieme stimato rispetto allo spazio degli stati) variava dallo 0,42% al 38,37%, con 10 partecipanti che hanno raggiunto un'incertezza inferiore al 15%.
Prestazioni di Predizione: Gli autori hanno valutato le predizioni di affidamento con anticipo di $N_p$ $N_{p}$ passi ( $N_p \in \{15, 30, 45, 60\}$ $N_{p} \in {15, 30, 45, 60}$ passi temporali). Lo stimatore basato su insiemi ha costantemente superato sia un baseline a ciclo aperto sia un filtro a particelle (utilizzando assunzioni gaussiane) in termini di Area Sotto la Curva ROC (AUC-ROC).
- Il divario di prestazione si è ampliato agli orizzonti temporali più lunghi (ad es., a $N_p=60$ , lo stimatore basato su insiemi ha raggiunto un AUC medio di 0,82 rispetto a 0,76 per il filtro a particelle).
- Gli autori attribuiscono il degrado del filtro a particelle al compendio di errori derivanti da assunzioni di rumore gaussiano ad hoc, mentre l'approccio basato su insiemi sfrutta la cronologia delle osservazioni di affidamento attraverso l'intersezione ricorsiva senza assunzioni distribuzionali.
Computazione: Il tempo medio di computazione dell'insieme è stato compreso tra 0,033 e 0,067 secondi, ben al di sotto dell'intervallo di campionamento di 1 secondo, confermando il potenziale per un'implementazione online in tempo reale.

Significatività e Rivendicazioni
Il documento sostiene che questo framework consenta ai sistemi di automazione di essere "continuamente consapevoli di, e reattivi a, lo stato del conducente umano" senza richiedere la vasta raccolta di dati o le assunzioni distribuzionali tipiche dei metodi probabilistici. Trattando l'incertezza come limitata anziché probabilistica, l'approccio è meglio adatto alla natura sparsa, asincrona e quantizzata dei dati reali uomo-automazione. Gli autori pongono questo lavoro come un necessario precursore per lo sviluppo di veicoli automatizzati veramente adattivi e consapevoli dell'uomo, capaci di intervenire in base agli stati cognitivi personalizzati (ad es., regolando i tempi di pre-allerta per il rientro nel controllo in base ai livelli di fiducia). Il documento conclude con modestia, notando che sono necessari ulteriori lavori per implementare questo approccio in politiche di controllo a ciclo chiuso e per incorporare misurazioni aggiuntive per la stima dello stato completo.

La storia del documento: Un detective con una scatola che si restringe

Sintesi Tecnica: Un Framework Generale Basato su Insiemi per la Stima dello Stato Cognitivo

Articoli simili