📊 statistics

Behavioral Heterogeneity as Quantum-Inspired Representation

Dit artikel introduceert een kwantumgeïnspireerde representatie die drivers modelleren als evoluerende latent toestanden via dichtheidsmatrices, waardoor dynamisch rijgedrag effectiever wordt geanalyseerd dan met traditionele statische labels.

Oorspronkelijke auteurs: Mohammad Elayan, Wissam Kontar

Gepubliceerd 2026-03-25

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Mohammad Elayan, Wissam Kontar

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een verkeersexpert bent die probeert te begrijpen waarom mensen zich in het verkeer zo verschillend gedragen. De traditionele manier om dit te doen, is door mensen in hokjes te stoppen: "Die is agressief," "Die is voorzichtig," of "Die is een traagheids-rijder."

Maar de auteurs van dit paper, Mohammad Elayan en Wissam Kontar, zeggen: "Dat klopt niet helemaal. Mensen zijn geen statische labels. Je bent niet altijd 'agressief' of 'voorzichtig'. Je verandert continu, afhankelijk van de situatie."

Ze hebben een nieuwe manier bedacht om rijgedrag te modelleren, gebaseerd op ideeën uit de kwantummechanica (de fysica van heel kleine deeltjes). Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De "Sfeer" in plaats van een Naamplaatje

In plaats van een rijder een naam te geven, behandelen ze elke bestuurder als een dynamische sfeer (een wolk van mogelijkheden).

De oude manier: Een bestuurder is een "rode bal" (agressief) of een "blauwe bal" (voorzichtig).
De nieuwe manier: Een bestuurder is als een kleurrijk, vervormbaar glas. Soms is het glas helder en rustig (als je alleen op de snelweg rijdt), en soms wordt het donker en onrustig (als je in een drukke stad met veel voetgangers rijdt). Het glas verandert van vorm en kleur, maar het blijft hetzelfde glas.

2. De "Magische Spiegel" (De Kwantum-techniek)

Hoe meten ze deze veranderingen? Ze gebruiken een slimme wiskundige truc die ze een "Dichtheidsmatrix" noemen.

De analogie: Stel je voor dat je een spiegel hebt die niet alleen laat zien hoe je eruitziet, maar ook hoe je voelt en hoe je reageert op je omgeving.
In hun model wordt elke rijbeweging (versnellen, remmen, afstand houden) omgezet in een complexe, niet-lineaire "kaart".
De "Dichtheidsmatrix" is dan een 3D-kaart die laat zien welke patronen er in die rijbewegingen zitten. Het is alsof ze een foto van je rijgedrag nemen, maar dan niet als een statische foto, maar als een levendige film die laat zien hoe je gedrag samengesteld is uit verschillende lagen.

3. De "Regisseur" (De Context)

Een belangrijk deel van hun model is dat het gedrag niet alleen van de bestuurder zelf komt, maar ook van de omgeving.

De analogie: Stel je een acteur voor. Als hij op een leeg toneel staat, speelt hij misschien een langzaam, dromerig personage. Maar als de regisseur (de omgeving) plotseling een storm doet uitbreken en de lichten flitst, verandert de acteur van rol en wordt hij paniekerig of snel.
In dit model is de omgeving (verkeersdichtheid, voetgangers, stoplichten) de regisseur. Het model kijkt naar de situatie en zegt: "Ah, nu is het druk en zijn er veel voetgangers, dus de bestuurder schakelt over naar zijn 'drukte-rol'."
Dit gebeurt niet door de bestuurder van naam te veranderen, maar door de "sfeer" van zijn rijgedrag te verschuiven.

4. Wat hebben ze ontdekt?

Ze hebben dit getest op echte verkeersdata (van steden en snelwegen) en ontdekken vier hoofdpatronen (of "rollen") die bestuurders aannemen:

De "Vrije Vlieger": Rijdt op de snelweg, weinig drukte, houdt grote afstand, rijdt rustig.
De "Stadsdrukte-Strijder": Rijdt in de stad, veel voetgangers en stoplichten, rijdt korter achter elkaar en is alert.
De "Wisselvallige": Dit is de interessantste! Deze rijder is een mix. Soms rijdt hij rustig, soms agressief. Hij zit in een overgangsfase en past zich snel aan.
De "Opvolger": Rijdt achter iemand die langzamer is en probeert die snelheid te halen (versnellen terwijl de afstand klein is).

Waarom is dit cool?

De grootste kracht van dit model is dat het niet vastloopt in labels.

Oude modellen: "Die bestuurder is agressief." (Punt. Einde verhaal.)
Nieuw model: "Die bestuurder is normaal gesproken rustig, maar zodra de verkeersdichtheid hoog wordt, schakelt hij over naar een alerte, snelle modus."

Dit helpt bij het bouwen van autonome auto's. Als een robotauto begrijpt dat een menselijke bestuurder verandert in plaats van vaststaat, kan de robotauto veel veiliger en natuurlijker samenwerken met mensen. De robot weet: "Oké, nu is het druk, dus die mens gaat waarschijnlijk harder remmen dan normaal. Ik moet daar rekening mee houden."

Kortom: Ze hebben een wiskundig model bedacht dat rijders ziet als levende, veranderende entiteiten die reageren op hun omgeving, in plaats van als statische robots met een vaste instelling. Het is alsof ze de "ziel" van het rijgedrag hebben gevangen in een wiskundige formule.

Probleemstelling

Bestaande modellen voor rijgedrag reduceren menselijke heterogeniteit vaak tot statische labels (bijv. "agressief" of "voorzichtig") of discrete regimes. Deze benadering negeert de fundamentele dynamiek van menselijk gedrag: bestuurders bevinden zich niet in statische toestanden, maar evolueren continu tussen gedragsmodi afhankelijk van de context en interne staat.

Beperkingen huidige modellen: Fysica-gebaseerde modellen gebruiken vaak stochastische formuleringen met vooraf gedefinieerde parameters, terwijl datagedreven benaderingen vaak een "one-size-fits-all" strategie hanteren die gemiddeld gedrag leert. Beide methoden verliezen informatie over het transitieproces tussen gedragsmodi.
Noodzaak: Voor de ontwikkeling van geavanceerde systemen (zoals autonome voertuigen en ADAS) is het cruciaal om te begrijpen hoe gedragsstoestanden zich vormen en veranderen, in plaats van bestuurders in starre categorieën te plaatsen.

Methodologie: Kwantum-geïnspireerd Framework

De auteurs introduceren een model dat elke bestuurder voorstelt als een evoluerende latente staat, weergegeven als een dichtheidsmatrix (density matrix) in een niet-lineaire feature-ruimte. Het framework voldoet aan drie criteria voor kwantum-geïnspireerd leren:

Data wordt gecodeerd als genormaliseerde toestanden in een Hilbertruimte.
Voorspellingen worden berekend met kwadratische meetregels (consistent met de Born-regel).
Onzekerheid wordt weergegeven door geldige dichtheidsmatrices (symmetrisch, positief semi-definitief en spoor-genormaliseerd).

De kerncomponenten zijn:

Data Representatie en Non-lineaire Feature Mapping:
- De observaties bestaan uit kinematische variabelen: relatieve snelheid ( $\Delta v$ ), versnelling ( $a$ ) en volgafstand ( $h$ ).
- Om complexe, niet-lineaire interacties te vangen zonder handmatig features te ontwerpen, worden deze vectoren gemapt naar een hogere dimensie via Random Fourier Features (RFF).
- De mapping $\phi(x)$ wordt genormaliseerd tot $\tilde{\phi}(x)$ om een probabilistische interpretatie mogelijk te maken.
Gedragsprofielen als Dichtheidsmatrices:
- In plaats van discrete labels, worden $K$ latente gedragsprofielen geleerd, elk voorgesteld door een dichtheidsmatrix $\rho_k$ .
- De diagonaalelementen van $\rho_k$ geven het belang van individuele niet-lineaire features weer, terwijl de off-diagonale elementen de interacties (koppeling) tussen deze features coderen.
- Dit stelt het model in staat om gemengde of overgangspatronen binnen één profiel weer te geven.
Contextuele Activering en State Evolutie:
- De activering van een profiel wordt bepaald door een contextvector $c_{it}$ (bijv. verkeersdichtheid, afstand tot voetgangers, stopborden).
- Een softmax-functie bepaalt de weging $\pi_k(c_{it})$ van elk profiel op basis van de context.
- De huidige staat van een bestuurder $\rho_i(t)$ $ρ_{i} (t)$ wordt bijgewerkt via een combinatie van:
  - Persistentie: Behoud van de vorige staat.
  - Context-mix: Een gewogen som van de populatieprofielen.
  - Observatie-update: Een correctie op basis van de daadwerkelijke waarneming, gewogen met een parameter $\eta$ .
Schatting:
- De parameters worden geschat door de negatieve log-likelihood te minimaliseren, gebruikmakend van automatische differentiatie (PyTorch) voor efficiëntie.

Belangrijkste Bijdragen

Dynamische Representatie: Het overstappen van statische labels naar een continu evoluerende latente staat die de logica van overgangen tussen gedragsmodi vastlegt.
Dichtheidsmatrix Formalisme: Het toepassen van kwantum-geïnspireerde wiskunde (dichtheidsmatrices) om heterogeniteit te modelleren als een verdeling over gedragsmodi in plaats van een enkel punt.
Interpreteerbaarheid: Het framework maakt het mogelijk om zowel de interne structuur van gedragsprofielen (via eigenwaarde-decompositie) als de contextuele afhankelijkheid ervan te analyseren.
Open Source: Volledige reproduceerbaarheid via een open-source codebase.

Resultaten

Het model is geëvalueerd op het Third Generation Simulation (TGSIM) dataset, bestaande uit ongeveer 3,2 miljoen observaties van menselijk rijgedrag in zowel stedelijke (Foggy Bottom) als snelweg (I-395) omgevingen.

Optimale Aantal Profielen: Een analyse van $K \in \{3, 4, 5\}$ toonde aan dat $K=4$ de beste balans biedt tussen modelfit en complexiteit.
Spectrale Structuur:
- Drie van de vier profielen bleken effectief rank-1 te zijn (dominant door één gedragsmodus).
- Profiel 3 vertoonde een multimodale structuur (twee significante eigenwaarden), wat aangeeft dat dit profiel een mengsel van twee verschillende gedragsmodi vertegenwoordigt die niet tot één patroon kunnen worden gereduceerd.
Contextuele Activering:
- Profiel 1: Geactiveerd bij lage dichtheid en hoge snelheid (vrije stroom).
- Profiel 2: Sterk geactiveerd in dichte, interactie-rijke omgevingen (stedelijk verkeer).
- Profiel 3: Een overgangsregime met lage context-sensitiviteit.
- Profiel 4: Responsief volgen met snelheidsherstel.
Gedragsharakterisering: De geleerde profielen correleren sterk met de contextuele variabelen. Bijvoorbeeld, profielen met hoge dichtheidscoëfficiënten toonden kortere volgafstanden en meer remmen.
Geometrische Scheiding: De Frobenius-afstand tussen de profielen bevestigde dat ze distincte gebieden in de niet-lineaire feature-ruimte innemen.

Significantie en Toekomstperspectief

Deze studie biedt een fundamenteel nieuwe manier om rijgedrag te modelleren, waarbij heterogeniteit wordt gezien als een evoluerende staat in plaats van een statisch kenmerk.

Voor AV's en ADAS: Het model kan helpen bij het voorspellen van het gedrag van menselijke bestuurders in gemengd verkeer, omdat het rekening houdt met hoe context (zoals drukte of infrastructuur) de gedragsmodus van een bestuurder verandert.
Interpretatie: Het onthult niet alleen wat een bestuurder doet, maar waarom (via contextuele triggers) en hoe ze overgaan van de ene modus naar de andere.
Beperkingen en Toekomst: Het huidige model richt zich op longitudinaal gedrag (voor-achter). Toekomstig werk moet lateraal gedrag, rijkere interactiecues en bredere validatie over verschillende locaties omvatten om de voorspellende waarde voor systeemstabiliteit en capaciteit te bevestigen.