Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

Guidare è una costante negoziazione tra ciò che vediamo e ciò che prevediamo. I nostri occhi scansionano la strada, controllando la segnaletica orizzontale e il tachimetro, ma non possono rimanere fissi su ogni dettaglio per sempre. Il cervello umano non è una telecamera che registra un video continuo; è un elaboratore che costruisce un'immagine mentale del mondo e aggiorna tale immagine solo quando necessario. Quando distogliamo lo sguardo per una frazione di secondo, il nostro cervello non diventa semplicemente vuoto. Al contrario, si affida a una stima interna, un miglior tentativo di capire dove si trova l'auto e a che velocità stia procedendo, basandosi sull'ultima volta che abbiamo guardato e sulle azioni che abbiamo appena compiuto. Questa immagine mentale è utile, ma è anche fragile. Con il passare del tempo senza nuove informazioni visive, la stima diventa meno certa e il rischio di errore aumenta. La domanda che ha a lungo tormentato i ricercatori non è solo per quanto tempo i conducenti possano distogliere lo sguardo, ma come decidano cosa guardare quando hanno un tempo limitato e molteplici cose da monitorare.

Per decenni, gli scienziati hanno studiato come i conducenti gestiscono l'attenzione, concentrandosi spesso su un singolo compito come mantenere la corsia. Tuttavia, la guida reale è raramente così semplice. Un conducente deve simultaneamente sterzare per rimanere nella corsia e gestire la velocità per adattarsi al traffico o ai segnali stradali. Questi due compiti sono collegati; se la strada curva bruscamente, il conducente deve rallentare, e se l'auto va troppo veloce, diventa più difficile sterzare in sicurezza. Fino ad ora, i modelli informatici che cercavano di simulare il modo in cui i conducenti pensano alla loro attenzione hanno trattato questi compiti separatamente. Potevano spiegare come un conducente decida di guardare la strada per rimanere in corsia, o come guardi il tachimetro per mantenere la velocità, ma non potevano spiegare come un conducente scelga tra i due quando entrambi sono incerti contemporaneamente. Questa lacuna nella comprensione ci lascia con un quadro incompleto di come gli esseri umani gestiscano effettivamente le decisioni complesse e istantanee richieste per guidare in sicurezza.

Un team di ricercatori dell'Università di Jyväskylä e della Kochi University of Technology ha costruito un nuovo modello informatico per colmare questa lacuna. Hanno creato un conducente digitale che impara a guidare un'auto in un ambiente simulato, ma con un colpo di scena: la vista del conducente è frequentemente bloccata, proprio come se indossasse occhiali che diventano oscuri. Il conducente digitale deve decidere quando sollevare gli occhiali per guardare la strada, quando guardare il tachimetro e quando tenerli chiusi e fare affidamento sulla propria stima interna. L'obiettivo del modello non era quello di essere programmato con regole specifiche su quando guardare, ma di imparare attraverso tentativi ed errori, proprio come fa un essere umano, cercando di rimanere nella corsia e mantenere la velocità entro un intervallo sicuro minimizzando lo sforzo di guardare. I ricercatori volevano vedere se un computer, date solo le basi del guidare e il limite di non poter vedere tutto tutto il tempo, svilupperebbe naturalmente una strategia di osservazione che assomigli al comportamento delle persone reali.

Per testare questo, i ricercatori hanno prima raccolto dati da trenta partecipanti umani in un simulatore di guida. Queste persone guidavano su una strada curva e collinare indossando occhiali speciali che potevano bloccare la loro vista. Ai partecipanti è stato chiesto di mantenere l'auto al centro della corsia e di mantenere una velocità compresa tra 100 e 110 chilometri orari. Erano autorizzati a tirare una leva per ripristinare brevemente la visione per mezzo secondo ogni volta che sentivano di dover controllare la strada o la velocità. I ricercatori hanno registrato esattamente quanto tempo i conducenti tenevano gli occhi chiusi, quanto spesso guardavano e quanto tempo passavano a guardare la strada rispetto al tachimetro. Questi dati umani hanno servito come parametro di riferimento, lo standard del mondo reale rispetto al quale il modello informatico sarebbe stato misurato.

Il modello informatico è stato progettato con una gerarchia decisionale, rispecchiando il modo in cui un cervello umano potrebbe organizzare questi compiti. Aveva tre parti distinte che lavoravano insieme. La prima parte era responsabile dello sterzo, la seconda per il controllo della velocità e la terza era un supervisore che decideva quale delle due parti inferiori avesse bisogno di nuove informazioni. Quando il supervisore decideva di guardare, sceglieva o la strada o il tachimetro, ma non entrambi contemporaneamente, simulando il fatto che lo sguardo di un conducente è focalizzato su una sola cosa alla volta. Il modello ha imparato attraverso il rinforzo, un metodo in cui riceveva premi per rimanere nella corsia e mantenere la velocità corretta, e penalità per schiantarsi o andare troppo veloci. Fondamentalmente, il modello riceveva anche una piccola penalità per ogni volta che decideva di guardare, rappresentando il costo mentale del cambio di attenzione. Questo costringeva il modello a essere efficiente, guardando solo quando l'incertezza della sua stima interna diventava troppo alta per essere ignorata.

Quando i ricercatori hanno fatto girare il modello nelle stesse condizioni di simulazione utilizzate dai conducenti umani, i risultati sono stati sorprendentemente simili. Il conducente informatico ha sviluppato un modello di osservazione che corrispondeva da vicino ai dati umani. In media, il modello guardava la strada per circa il 24 percento del tempo e il tachimetro per il 10 percento, lasciando il resto del tempo con gli occhi chiusi o guardando altrove. Questa distribuzione era molto vicina alla media umana, dove i conducenti guardavano la strada per circa il 29 percento del tempo e il tachimetro per il 12 percento. Il modello corrispondeva anche agli umani nel modo in cui tenevano gli occhi chiusi, con una media di poco inferiore a un secondo per ogni sguardo, e nella frequenza con cui controllavano, guardando circa sette volte ogni dieci secondi. Persino la velocità con cui il modello guidava e il numero di volte in cui usciva leggermente dal intervallo di velocità target erano coerenti con i partecipanti umani.

La scoperta più significativa è stata che il modello ha raggiunto questa somiglianza senza che gli venisse detto esattamente come comportarsi. Non aveva una regola pre-programmata che dicesse "guarda la strada ogni cinque secondi". Invezione, ha imparato che per stare al sicuro, doveva bilanciare il rischio di uscire fuori rotta o accelerare troppo contro il costo del guardare. Quando la strada era dritta e la velocità era stabile, il modello ha imparato a tenere gli occhi chiusi per periodi più lunghi, fidandosi della propria previsione interna. Quando la strada curvava o la velocità iniziava a deviare, il modello ha imparato a guardare più spesso per correggere la propria stima. Ciò suggerisce che il modo in cui gli esseri umani allocano l'attenzione non è un'abitudine casuale, ma una strategia adattiva che emerge dalla necessità di gestire l'incertezza in modo efficiente. Il modello ha dimostrato che i conducenti stanno essenzialmente gestendo un budget di attenzione, spendendolo solo quando il costo del non sapere diventa troppo alto.

Tuttavia, lo studio ha anche rivelato un limite nella comprensione dell'imperfezione umana. Mentre i conducenti umani occasionalmente uscivano dalla loro corsia, un evento comune nella guida reale, il modello informatico non commetteva mai questo errore. Il modello era troppo perfetto nello sterzare, probabilmente perché era stato addestrato a evitare gli errori in modo così rigoroso da non prendere mai i piccoli rischi che gli umani assumono naturalmente. Ciò suggerisce che, sebbene il modello catturi la logica di come i conducenti decidano cosa guardare, esso sovrastima ancora la stabilità del controllo umano. I veri conducenti non stanno solo gestendo l'incertezza; stanno anche affrontando limiti fisici e occasionali lapse di concentrazione che l'attuale modello non replica completamente.

Le implicazioni di questo lavoro vanno oltre la comprensione di come guidiamo. Mostrando che l'attenzione è una risorsa dinamica gestita per mantenere accurate le previsioni interne, il modello offre un nuovo modo di pensare ai sistemi di sicurezza del conducente. Gli attuali sistemi di avviso si basano spesso su regole semplici, come suonare un allarme se il conducente distoglie lo sguardo per più di due secondi. Ma questa ricerca suggerisce che il pericolo di distogliere lo sguardo dipende interamente dalla situazione. Distogliere lo sguardo per due secondi su un'autostrada dritta e deserta potrebbe essere perfettamente sicuro perché la stima interna del conducente è ancora accurata. Lo stesso sguardo di due secondi su una collina ripida e sinuosa potrebbe essere pericoloso perché la stima sta già diventando inaffidabile. Un sistema basato su questo modello potrebbe stimare l'incertezza interna del conducente e avvertirlo solo quando la sua mancanza di visione minaccia effettivamente la sicurezza, invece di contare semplicemente i secondi.

In definitiva, questo studio fornisce una spiegazione formale per un comportamento che tutti eseguiamo senza pensarci: l'arte di sapere quando guardare e quando fidarsi del proprio istinto. Dimostra che la capacità umana di guidare in sicurezza distogliendo lo sguardo non è un fallimento dell'attenzione, ma una sofisticata forma di adattamento. Trattando l'attenzione come uno strumento per aggiornare un modello mentale del mondo, i ricercatori hanno dimostrato che il cervello sta costantemente calcolando il costo dell'informazione rispetto al rischio di errore. Il modello informatico, nonostante la sua semplicità, ha ricreato con successo questo complesso equilibrio, provando che i pattern dell'attenzione umana non sono arbitrari ma sono il risultato di un impegno razionale, seppur limitato, per rimanere al sicuro in un mondo incerto.