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

Rijden is een voortdurende onderhandeling tussen wat we zien en wat we voorspellen. Onze ogen scannen de weg, controleren de rijstrookmarkeringen en de snelheidsmeter, maar ze kunnen niet eeuwig op elk detail gefixeerd blijven. Het menselijk brein is geen camera die een continue video opneemt; het is een processor die een mentaal beeld van de wereld opbouwt en dat beeld alleen bijwerkt wanneer dat nodig is. Wanneer we een fractie van een seconde wegkijken, wordt ons brein niet simpelweg een zwart gat. In plaats daarvan vertrouwt het op een interne schatting, een beste gok van waar de auto zich bevindt en hoe snel deze gaat, gebaseerd op de laatste keer dat we keken en de acties die we net hebben ondernomen. Dit mentale beeld is nuttig, maar het is ook fragiel. Naarmale tijd verstrijkt zonder nieuwe visuele informatie, wordt de gok minder zeker en groeit het risico op fouten. De vraag die onderzoekers al lang bezighoudt, is niet alleen hoe lang bestuurders kunnen wegkijken, maar hoe zij beslissen waar ze naar kijken wanneer ze beperkte tijd hebben en meerdere zaken moeten monitoren.

Decennialang hebben wetenschappers bestudeerd hoe bestuurders hun aandacht beheren, waarbij de focus vaak ligt op een enkele taak zoals in een rijstrook blijven. Echter, echt rijden is zelden zo eenvoudig. Een bestuurder moet tegelijkertijd de auto sturen om in de rijstrook te blijven en de snelheid beheren om aan te sluiten bij het verkeer of verkeersborden. Deze twee taken zijn aan elkaar gekoppeld; als de weg scherp buigt, moet de bestuurder afremmen, en als de auto te hard gaat, wordt het moeilijker om veilig te sturen. Tot nu toe hebben computermodellen die probeerden te simuleren hoe bestuurders over hun aandacht nadenken, deze taken meestal apart behandeld. Ze konden uitleggen hoe een bestuurder besluit naar de weg te kijken om in een rijstrook te blijven, of hoe ze naar de snelheidsmeter kijken om de snelheid te handhaven, maar ze konden niet verklaren hoe een bestuurder tussen de twee kiest wanneer beide tegelijkertijd onzeker zijn. Deze kloof in begrip laat ons met een onvolledig beeld achter van hoe mensen daadwerkelijk de complexe, fractie-van-een-seconde beslissingen beheren die nodig zijn om veilig te rijden.

Een team van onderzoekers van de Universiteit van Jyväskylä en de Kochi University of Technology heeft een nieuw computermodel gebouwd om deze kloof te overbruggen. Ze creëerden een digitale bestuurder die leert rijden in een gesimuleerde omgeving, maar met een twist: het zicht van de bestuurder wordt regelmatig geblokkeerd, alsof ze een bril dragen die donker wordt. De digitale bestuurder moet beslissen wanneer de bril op te tillen om naar de weg te kijken, wanneer naar de snelheidsmeter te kijken, en wanneer de bril dicht te houden en te vertrouwen op de interne schatting. Het doel van het model was niet om geprogrammeerd te worden met specifieke regels over wanneer er gekeken moet worden, maar om te leren door middel van vallen en opstaan, net zoals een mens dat doet, door te proberen in de rijstrook te blijven en de snelheid binnen een veilige marge te houden, terwijl het de inspanning van het kijken minimaliseert. De onderzoekers wilden zien of een computer, gegeven alleen de basisdoelen van het rijden en de beperking dat men niet alles de hele tijd kan zien, van nature een kijkstrategie zou ontwikkelen die lijkt op hoe echte mensen zich gedragen.

Om dit te testen, verzamelden de onderzoekers eerst gegevens van dertig menselijke deelnemers in een rijsimulator. Deze mensen reden op een bochtige, heuvelachtige weg terwijl ze speciale brillen droegen die hun zicht konden blokkeren. De deelnemers kregen de opdracht om de auto in het midden van de rijstrook te houden en een snelheid tussen 100 en 110 kilometer per uur aan te houden. Ze mochten een hendel overhalen om hun zicht voor een halve seconde kortstondig te herstellen wanneer zij het gevoel hadden dat ze de weg of de snelheid moesten controleren. De onderzoekers registreerden precies hoe lang de bestuurders hun ogen gesloten hielden, hoe vaak ze keken, en hoeveel tijd ze besteedden aan het kijken naar de weg versus de snelheidsmeter. Deze menselijke data diende als de benchmark, de real-world standaard waartegen het computermodel zou worden gemeten.

Het computermodel werd ontworpen met een hiërarchie van besluitvorming, die weerspiegelt hoe een menselijk brein deze taken zou kunnen organiseren. Het bestond uit drie afzonderlijke delen die samenwerkten. Het eerste deel was verantwoordelijk voor het sturen, het tweede voor het regelen van de snelheid, en het derde was een supervisor die besliste welk van de twee lagere onderdelen nieuwe informatie nodig had. Wanneer de supervisor besloot te kijken, koos het ofwel de weg of de snelheidsmeter, maar niet beide tegelijk, wat de simulatie is van het feit dat de blik van een bestuurder op één ding tegelijk gericht is. Het model leerde via reinforcement learning, een methode waarbij het beloningen ontving voor het in de rijstrook blijven en het correct houden van de snelheid, en straffen voor crashen of te hard rijden. Cruciaal was dat het model ook een kleine straf kreeg voor elke keer dat het besloot te kijken, wat de mentale kosten van het verplaatsen van de aandacht vertegenwoordigde. Dit dwong het model om efficiënt te zijn, door alleen te kijken wanneer de onzekerheid van de interne schatting te groot werd om te negeren.

Toen de onderzoekers het model door dezelfde simulatiecondities lieten lopen als de menselijke bestuurders, waren de resultaten opvallend vergelijkbaar. De computerbestuurder ontwikkelde een kijkpatroon dat nauw aansloot bij de menselijke data. Gemiddeld keek het model ongeveer 24 procent van de tijd naar de weg en 10 procent naar de snelheidsmeter, waardoor de rest van de tijd de ogen gesloten waren of elders naar werd gekeken. Deze verdeling kwam zeer dicht in de buurt van het menselijke gemiddelde, waarbij bestuurders ongeveer 29 procent van de tijd naar de weg keken en 12 procent naar de snelheidsmeter. Het model kwam ook overeen met de mensen in hoe lang ze hun ogen gesloten hielden, met een gemiddelde van net onder één seconde per blik, en hoe frequent ze controleerden, waarbij ze ongeveer zeven keer per tien seconden keken. Zelfs de snelheid waarmee het model reed en het aantal keren dat het licht buiten het doelbereik van de snelheid dreigde te raken, waren consistent met de menselijke deelnemers.

De meest significante bevinding was dat het model deze gelijkenis bereikte zonder precies te zijn verteld hoe het zich moest gedragen. Er was geen vooraf geprogrammeerde regel die zei: "kijk elke vijf seconden naar de weg." In plaats daarvan leerde het dat het, om veilig te blijven, de risico's van het van de weg afwijken of te hard rijden moest afwegen tegen de kosten van het kijken. Wanneer de weg recht was en de snelheid stabiel, leerde het model de ogen voor langere perioden gesloten te houden en te vertrouwen op de interne voorspelling. Wanneer de weg bochtig werd of de snelheid begon af te wijken, leerde het model om vaker te kijken om de schatting te corrigeren. Dit suggereert dat de manier waarop mensen hun aandacht verdelen geen willekeurige gewoonte is, maar een adaptieve strategie die voortvloeit uit de noodzaak om onzekerheid efficiënt te beheren. Het model toonde aan dat bestuurders in essentie een budget aan aandacht beheren, dat ze alleen uitgeven wanneer de kosten van het niet weten te hoog worden.

De studie onthulde echter ook een beperking in het begrip van de menselijke imperfectie. Terwijl de menselijke bestuurders incidenteel uit hun rijstrook dreven, een veelvoorkomende gebeurtenis in het echte verkeer, maakte het computermodel deze fout nooit. Het model was te perfect in het sturen, waarschijnlijk omdat het getraind was om fouten zo strikt te vermijden dat het nooit de kleine risico's nam die mensen van nature nemen. Dit suggereert dat hoewel het model de logica begrijpt van hoe bestuurders beslissen waar ze naar kijken, het de stabiliteit van menselijke controle overschat. Echte bestuurders beheren niet alleen onzekerheid; ze hebben ook te maken met fysieke beperkingen en incidentele concentratiemomenten die het huidige model niet volledig repliceert.

De implicaties van dit werk reiken verder dan het begrijpen van hoe wij rijden. Door aan te tonen dat aandacht een dynamische hulpbron is die wordt beheerd om interne voorspellingen accuraat te houden, biedt het model een nieuwe manier om naar veiligheidssystemen voor bestuurders te kijken. Huidige waarschuwingssystemen vertrouwen vaak op eenvoudige regels, zoals een alarm laten afgaan als een bestuurder langer dan twee seconden wegkijkt. Maar dit onderzoek suggereert dat het gevaar van wegkijken volledig afhangt van de situatie. Twee seconden wegkijken op een rechte, lege snelweg kan volkomen veilig zijn omdat de interne schatting van de bestuurder nog steeds accuraat is. Diezelfde blik van twee seconden op een scherpe, bochtige heuvel kan gevaarlijk zijn omdat de schatting al onbetrouwbaar begint te worden. Een systeem gebaseerd op dit model zou de interne onzekerheid van de bestuurder kunnen inschatten en pas waarschuwen wanneer het gebrek aan zicht daadwerkelijk de veiligheid bedreigt, in plaats van alleen maar seconden te tellen.

Uiteindelijk biedt deze studie een formele verklaring voor een gedrag dat we allemaal uitvoeren zonder erbij na te denken: de kunst van het weten wanneer we moeten kijken en wanneer we op ons instinct moeten vertrouwen. Het demonstreert dat het menselijke vermogen om veilig te rijden terwijl we wegkijken, geen falen van de aandacht is, maar een verfijnde vorm van adaptatie. Door aandacht te behandelen als een instrument om een mentaal model van de wereld bij te werken, hebben de onderzoekers aangetoond dat het brein constant de kosten van informatie afweegt tegen het risico op fouten. Het computermodel, ondanks zijn eenvoud, slaagde erin dit complexe evenwicht te reproduceren, waarmee bewezen werd dat de patronen van menselijke aandacht niet willekeurig zijn, maar het resultaat zijn van een rationele, zij het begrensde, inspanning om veilig te blijven in een onzekere wereld.