Data-Driven Predictive Control of Mixed Vehicular Platoon with ELM-AdaBoost Enabled Human Driving Policy

Sulla strada, un pelotone è semplicemente una fila di auto che viaggiano vicine tra loro, muovendosi come un'unica unità. Per decenni, gli ingegneri hanno sognato veicoli automatizzati che potessero farlo perfettamente, mantenendo distanze e velocità esatte per risparmiare carburante e prevenire ingorghi stradali. Ma il mondo reale non è una simulazione. Per molto tempo a venire, queste auto automatizzate condivideranno l'autostrada con conducenti umani, creando un ambiente di traffico misto. Questo mix crea un problema complesso: i conducenti umani sono imprevedibili. Reagiscono in modo diverso al traffico, alcuni sono aggressivi e seguono troppo da vicino, mentre altri sono cauti e mantengono una certa distanza. Le loro reazioni non sono solo casuali; sono modellate da anni di abitudini e stile personale. Quando un'auto automatizzata cerca di seguire un essere umano, o quando un essere umano segue un'auto automatizzata, il sistema deve tenere conto di questo elemento umano. Se l'auto automatizzata ignora lo stile dell'uomo, potrebbe frenare troppo bruscamente o seguire troppo da vicino, causando un'oscillazione o un arresto improvviso di tutta la fila di auto. L'obiettivo è creare un sistema che non si limiti a costringere ogni auto a guidare nello stesso modo, ma uno che comprenda e si adatti alla personalità unica del conducente che precede.

Ricercatori di diverse università in Cina, tra cui l'Università di Jiaotong della Cina Orientale e l'Università di Tecnologia dello Zhejiang, hanno sviluppato un nuovo modo per gestire queste file miste di auto. Chiamano il loro approccio una strategia di controllo "ancorata all'uomo" (human-anchored). Invece di cercare di costruire un modello matematico perfetto di come pensa ogni essere umano — il che è quasi impossibile perché il comportamento umano è così disordinato e variabile — hanno deciso di lasciare che i dati parlino da soli. Hanno costruito un sistema che impara direttamente dai movimenti reali delle auto. Osservando come un veicolo risponde all'auto che lo precede nel tempo, il sistema crea una mappa della dinamica stradale senza bisogno di conoscere il peso specifico dell'auto o l'esatto tempo di reazione del conducente. Questo metodo basato sui dati permette al computer di prevedere cosa accadrà dopo in base a ciò che è accaduto prima, eludendo efficacementmente la necessità di formule complesse e soggette a errori sulla psicologia umana.

Il cuore della loro innovazione risiede nel modo in cui gestiscono il conducente umano. I ricercatori si sono resi conto che, sebbene ogni conducente sia diverso, spesso rientra in schemi riconoscibili. Alcuni guidano in modo aggressivo, altri moderatamente e altri ancora in modo conservativo. Per catturare questo, hanno utilizzato uno strumento di apprendimento sofisticato che agisce come un osservatore molto acuto. Questo strumento, che combina due diverse tecniche di apprendimento, osserva la velocità, l'accelerazione e la distanza del veicolo rispetto a quello che precede. Filtra il rumore causato dalle strade sconnesse o dai guasti dei sensori, proprio come si pulisce il segnale di una radio disturbata dai fruscii per ascoltare la musica chiaramente. Una volta che il dato è pulito, il sistema identifica lo stile del conducente. Non si limita a indovinare; classifica il conducente in una categoria specifica basata sul suo effettivo comportamento sulla strada.

Una volta che il sistema conosce lo stile del conducente, modifica il modo in cui si comportano le auto automatizzate. Se il conducente che precede è aggressivo e ama guidare da vicino, le auto automatizzate dietro regolano la loro distanza target per adattarsi a quella preferenza, invece di imporre una distanza standard e sicura che potrebbe sembrare innaturale o causare una frenata improvvisa all'essere umano. Se il conducente è cauto, le auto automatizzate lasciano loro più spazio. I ricercatori chiamano questo una "politica di guida flessibile". Non si tratta di far guidare le auto automatizzate in modo spericolato; si tratta di farle guidare in un modo che sembri naturale per il conducente umano, il che a sua volta rende l'intera fila di traffico più fluida. Il sistema stabilisce dei confini morbidi per quanto vicino si possa stare e quanto velocemente si può accelerare, ma questi confini cambiano a seconda di chi sta guidando.

Per testare se questa idea funziona, il team non si è limitato a eseguire simulazioni al computer; ha costruito un ambiente di test realistico. Hanno utilizzato un simulatore di guida in cui trentaquattro volontari reali, con un'età media di trentuno anni e almeno due anni di esperienza di guida, si sono messi al volante. Questi conducenti controllavano una delle auto in una fila di tre, mentre le altre due erano controllate dal nuovo software. I ricercatori hanno confrontato il loro nuovo sistema "ancorato all'uomo" con altri due metodi: un sistema di controllo automatizzato standard che tratta tutti i conducenti allo stesso modo, e un sistema basato sui dati leggermente più avanzato che però non teneva conto degli stili individuali. Il test ha coinvolto scenari di traffico complessi in cui l'auto di testa accelerava e rallentava, costringendo la fila a reagire.

I risultati hanno mostrato una chiara differenza. Il sistema standard e il sistema basato sui dati più avanzato hanno entrambi avuto difficoltà a mantenere stabile la fila. Le auto superavano la loro distanza target, andando troppo avanti per poi frenare bruscamente per recuperare, creando un effetto a catena di cambiamenti di velocità che si propagava lungo la fila. Al contrario, il nuovo sistema ancorato all'uomo manteneva la spaziatura molto vicina alla distanza desiderata di 50 metri. Le auto automatizzate seguivano la guida del conducente umano senza i movimenti scattosi e oscillanti visti negli altri test. La velocità delle auto rimaneva fluida, evitando i picchi di velocità che spesso portano a disagio o incidenti. Anche quando il conducente umano era aggressivo, il sistema si adattava, mantenendo la stabilità senza costringere l'uomo a cambiare il proprio comportamento.

Lo studio ha anche esaminato quanto bene il sistema si comportasse con diversi tipi di conducenti. Quando il conducente umano era conservativo, il sistema manteneva gli errori di spaziatura molto piccoli, garantendo una guida sicura e costante. Quando il conducente era aggressivo, il sistema manteneva comunque il controllo, sebbene gli errori di spaziatura fossero leggermente più grandi, il che è previsto quando si segue un conducente che ama accorciare le distanze. Fondamentalmente, il sistema ha impedito a questi piccoli errori di crescere man mano che si muovevano lungo la fila di auto. In ingegneria del traffico, questo è noto come "stabilità della corda" (string stability), ed è vitale per prevenire ingorghi stradali che partono da una singola frenata. Il nuovo metodo ha dimostrato che, rispettando lo stile del conducente umano, le auto automatizzate possono effettivamente rendere l'intero gruppo più sicuro e confortevole.

Questa ricerca dimostra che il futuro del controllo del traffico non richiede che gli esseri umani diventino robot. Invece, richiede che i robot diventino più consapevoli dell'uomo. Utilizzando i dati per comprendere le abitudini di guida individuali e adattando di conseguenza la risposta automatizzata, i ricercatori hanno mostrato una via verso una coesistenza più fluida e sicura tra uomo e macchina sulla strada. Il sistema ha bilanciato con successo la necessità di sicurezza con il desiderio di un'esperienza di guida personalizzata, dimostrando che un po' di comprensione aiuta molto a mantenere il flusso del traffico.