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

Technische Samenvatting: Actieve Inference als Model voor Gedrag bij het Vermijden van Aanrijdingen bij Menselijke Bestuurders

Probleemstelling
Het vermijden van aanrijdingen is een kritieke, hoog-risico cognitieve taak die snelle dreigingsdetectie en de uitvoering van passende uitwijkmanoeuvres vereist. Bestaande computationele modellen voor menselijk aanrijdingsvermijden zijn grotendeels gefragmenteerd; ze richten zich doorgaans op specifieke scenario-types (bijvoorbeeld front-naar-achter conflicten), specifieke verklarende factoren (bijvoorbeeld cognitieve belasting) of geïsoleerde gedragsmaten (bijvoorbeeld reactietijden). Hoewel machine learning-modellen die zijn getraind op grote rijdatasets veelbelovend zijn in generalisatie, hebben ze vaak moeite om veiligheidskritisch gedrag weer te geven vanwege de ondervertegenwoordiging van aanrijdingsscenario's in de trainingsdata. Bijgevolg ontbreekt het aan geünificeerde modellen die in staat zijn de belangrijkste aspecten van menselijk aanrijdingsvermijden te vatten—selectie van reactie, timing en uitvoering—over diverse scenario's heen.

Methodologie
De auteurs stellen een computationeel cognitief model voor dat is gebaseerd op actieve inference, een raamwerk dat is gegrondvest in het vrije-energieprincipe, dat stelt dat agenten handelen om "verrassing" (of verwachte vrije energie, EFE) te minimaliseren. Het model simuleert een menselijke bestuurder (de ego-agent) die in een tijd-discreet, sequentieel proces interactie heeft met andere weggebruikers.

Belangrijke mechanische componenten van het model zijn:

1. Perceptie op basis van loom: De agent waarneemt kinematische toestanden (positie/snelheid) niet direct, maar leidt ze af uit de visuele hoek ($\phi$) en de hoeksnelheid ($\dot{\phi}$, of loom). Een detectiedrempel ($\dot{\phi}_0$) wordt geïmplementeerd om het onvermogen te simuleren om kleine relatieve snelheden op grote afstanden waar te nemen, wat vertragingen verklaart bij het herkennen van gebeurtenissen zoals abrupt remmen.
2. Norm-geconditioneerde deeltjesfilter: Om het toekomstige gedrag van andere agenten te voorspellen, gebruikt het model een deeltjesfilter dat is bevooroordeeld door verkeersnormen (bijvoorbeeld in de rijbaan blijven, voorrang verlenen). Dit voorkomt te pessimistische voorspellingen in situaties zonder conflict, terwijl het model deze aannames kan loslaten en "long-tail"-trajecten die de norm schenden kan bemonsteren wanneer er bewijs van een conflict ontstaat.
3. Bewijsaccumulatie voor herplanning: De agent accumuleert continu "verrassing" (gedefinieerd als de residuele negatieve pragmatische waarde van het huidige beleid) als bewijs voor een volledige herplanning van het beleid. Als de geaccumuleerde bewijzen een drempel overschrijden, plant de agent het volledige beleid opnieuw; anders verlengt hij het huidige beleid. Dit mechanisme modelleert de dynamiek van menselijke reactietijden.
4. Beperkte bemonstering van beleid: Nieuwe beleidsplannen worden gegenereerd met de cross-entropy-methode, beperkt door een gebonden planningscapaciteit (een vast aantal geëvalueerde beleidsplannen). Cruciaal is dat versnellingsbeperkingen menselijke pedaalbediening nabootsen, inclusief een vasthoudtijd van 0,2 seconde bij bijna nulversnelling om de fysieke vertraging bij het verplaatsen van een voet tussen de pedalen te simuleren.
5. Selectie van beleid: De agent selecteert het beleid dat de Verwachte Vrije Energie (EFE) minimaliseert, waarbij een balans wordt gevonden tussen pragmatische waarde (het vermijden van aanrijdingen, het handhaven van snelheid, in de rijbaan blijven, het minimaliseren van besturingsinspanning) en epistemische waarde (het verminderen van onzekerheid). In aanrijdingsscenario's is de pragmatische waarde de primaire drijvende kracht.

Evaluatie en Resultaten
Het model werd geëvalueerd tegen empirische menselijke data over drie verschillende scenario's voor het vermijden van aanrijdingen:

1. Front-naar-achter: Een voorligger remt plotseling. Het model reproduceerde meta-analytische bevindingen over remreactietijden en remkrachten, waarbij een afhankelijkheid van scenario-kinematica werd getoond (bijvoorbeeld kortere reactietijden en harder remmen in dringender scenario's). Het voorspelde ook de selectie van manoeuvres (remmen versus uitwijken) op basis van snelheid en tijdsafstanden.
2. Laterale indringing in tegenrichting: Een tegemoetkomend voertuig dringt de rijbaan van de ego-agent binnen. Het model werd getest tegen simulatordata met variërende "steilheid" van de indringing. Het slaagde erin menselijke neigingen te reproduceren om in steile scenario's naar links te sturen, in ondiepe scenario's naar rechts, en in "medium"-scenario's te botsen vanwege hoge onzekerheid over het pad van het andere voertuig.
3. Rechtsafslag bij kruispunt in het pad: Een voertuig geeft bij een kruispunt geen voorrang. Het model, dat uitsluitend op de eerste twee scenario's was afgestemd, generaliseerde naar dit ongezane scenario, waarbij het menselijke aanrijdingspercentages en reactietijden reproduceerde (snellere reacties in kritiekere varianten waarbij "niet-gestopt" werd).

Ablatiestudies
Systematische verwijdering van modelmechanismen (bijvoorbeeld het verwijderen van bewijsaccumulatie, ruis in voorspelling of norm-conditionering) toonde aan dat elke component essentieel is voor het vatten van specifieke aspecten van menselijk gedrag. Bijvoorbeeld: het verwijderen van bewijsaccumulatie resulteerde in onrealistisch snelle reacties, terwijl het verwijderen van norm-conditionering leidde tot te conservatief gedrag of voortijdige reacties.

Betekenis en Claims
Het artikel claimt het eerste gepubliceerde computationele model te presenteren dat een gedetailleerd verslag biedt van menselijk gedrag bij het vermijden van aanrijdingen over meerdere conflictscenario's heen, gebaseerd op eerste principes. Belangrijke bijdragen zijn:

• Geünificeerd Raamwerk: Aantonen dat actieve inference kan dienen als een generaliseerbaar raamwerk voor het modelleren van menselijk gedrag in complexe, veiligheidskritische rijtaken, waarbij reactietiming, selectie van manoeuvres en uitvoering worden geünificeerd.
• Generalisatie: Aantonen dat een model dat op specifieke scenario's is afgestemd, menselijk gedrag in ongezane scenario's nauwkeurig kan voorspellen zonder herparameterisatie.
• Mechanistisch Inzicht: Verschaffen van een computationele verklaring voor waarom menselijke bestuurders soms falen in het vermijden van aanrijdingen (bijvoorbeeld in medium-indringingscenario's), waarbij deze falen worden toegeschreven aan het samenspel van gebonden planningscapaciteit, voorspellingsonzekerheid en de bias naar norm-conform gedrag.
• Gesloten-lus Dynamiek: In tegenstelling tot veel bestaande modellen die "one-shot" open-lus manoeuvres gebruiken, implementeert dit model dynamische, gesloten-lus herplanning die lijkt op menselijke besluitvorming.

De auteurs positioneren actieve inference niet louter als een computationeel hulpmiddel, maar als een theoretisch raamwerk voor het begrijpen van het gedrag van weggebruikers, waarbij de kloof wordt overbrugd tussen cognitieve theorie en praktische verkeersveiligheidstoepassingen. Ze erkennen beperkingen, zoals de aanname van niet-reactieve andere agenten en de behoefte aan toekomstig werk over culturele normvariaties en complexere perceptuele variabelen, maar stellen dat het model een robuuste basis biedt voor het simuleren van menselijke agenten in tests voor geautomatiseerde voertuigen en veiligheidsresearch.