Resumo Técnico: Um Modelo Hierárquico de Comportamento de Pedestres para Simulação de Tráfego

Declaração do Problema

O desenvolvimento e o teste de veículos autônomos (AVs) e sistemas de condução automatizada (ADS) exigem testes rigorosos baseados em cenários para garantir interações seguras com pedestres, os usuários da via mais vulneráveis. Os modelos microscópicos de pedestres existentes em simulações de tráfego frequentemente sofrem de limitações significativas:

• Falta de Extensibilidade: Muitos modelos focam excessivamente em cenários de interação específicos, tornando-os difíceis de adaptar a novos contextos.
• Natureza de "Caixa-Preta": Abordagens que utilizam métodos não determinísticos ou de "caixa-preta" (por exemplo, certos modelos baseados em dados ou autómatos celulares) não permitem que engenheiros derivem ou controlem ações específicas de pedestres com base em entradas de cenário.
• Inflexibilidade: Embora alguns modelos demonstrem comportamentos de alto nível (ex: formação de faixas), eles geralmente carecem da capacidade de permitir que engenheiros customizem comportamentos ou injetem ações específicas e desejadas (como manobras raras ou críticas) em um cenário de teste.
• Rigidez de Trajetória: Modelos simples baseados em trajetórias que seguem perfis de velocidade predefinidos não podem se ajustar dinamicamente para garantir resultados específicos (ex: uma colisão garantida para testes de segurança) sem reconfiguração manual constante.

Há uma necessidade de um modelo de simulação de pedestres que seja tanto altamente controlável (permitindo a injeção explícita de comportamentos para testes) quanto realista (replicando a tomada de decisão e o movimento natural humano).

Metodologia

Os autores propõem um modelo hierárquico de comportamento de pedestres integrado ao GeoScenario Server, um mecanismo de definição e execução de cenários. O modelo é estruturado em três camadas distintas:

1. Camada de Comportamento (Tomada de Decisão de Alto Nível)

• Mecanismo: Utiliza Árvores de Comportamento (Behavior Trees) para modelar processos de tomada de decisão de forma explícita.
• Função: A cada ciclo de simulação, a árvore de comportamento é "pulsada" (ticked) para selecionar uma manobra apropriada com base no estado ambiental atual (ex: status do semáforo, proximidade de veículos, destino).
• Customização: Cada pedestre recebe um arquivo de árvore de comportamento. O modelo inclui uma biblioteca de árvores reutilizáveis e um catálogo de manobras (ex: Entrar na Faixa de Pedestres, Esperar na Faixa de Pedestres, Aumentar Velocidade de Caminhada) e condições (ex: Semáforo está verde?, Veículo se aproximando).
• Níveis de Agressividade: O modelo suporta níveis variados de agressividade de pedestres (Baixa, Média, Alta) modificando as subárvores. Por exemplo, um pedestre de agressividade "Alta" pode entrar na faixa de pedestres em um sinal amarelo ou vermelho se for seguro, enquanto um pedestre de agressividade "Baixa" espera pelo sinal verde.

2. Camada de Manobra (Planejamento de Trajetória)

• Função: Traduz a manobra de alto nível selecionada pela camada de Comportamento em instruções de baixo nível.
• Saída: Gera um vetor contendo três componentes:
  1. Um waypoint (objetivo intermediário).
  2. Um vetor unitário de direção desejada.
  3. Uma velocidade desejada.
• Papel: Esta camada faz a ponte entre decisões abstratas e movimento físico, garantindo que o caminho do pedestre esteja alinhado com a manobra selecionada (ex: direcionar um pedestre para o fim de uma faixa de pedestres).

3. Camada de Planejador de Movimento (Execução de Movimento de Baixo Nível)

• Mecanismo: Emprega um Modelo de Força Social (SFM) adaptado.
• Função: Calcula a aceleração e as mudanças de velocidade do pedestre com base em forças físicas:
  • Força de Atração: Puxa o pedestre em direção ao destino ou waypoint.
  • Forças de Repulsão: Empurra o pedestre para longe de outros pedestres, veículos e limites ambientais (paredes/bordas).
• Integração: A camada recebe as instruções de trajetória da camada de Manobra e o estado em tempo real do ambiente (posições/velocidades de outros agentes). Ela itera a equação do SFM para atualizar o estado do pedestre (posição, velocidade, aceleração, direção) para o próximo passo de tempo.

Implementação

O modelo é implementado em Python e integrado ao GeoScenario Server. Ele suporta o formato de mapa Lanelet2 para representação da estrutura rodoviária. O sistema permite a criação de "Cenários de Avaliação" onde um pedestre simulado (SP) substitui um pedestre empírico (EP) de um conjunto de dados do mundo real para testar interações com outros agentes (veículos e pedestres) seguindo suas trajetórias registradas.

Principais Contribuições

O artigo descreve duas contribuições primárias:

1. Um Novo Modelo Hierárquico: Um framework de simulação de movimento de pedestres apresentando:
   • Tomada de Decisão Altamente Controlável: Alcançada via Árvores de Comportamento, fornecendo uma linguagem de domínio específico para que engenheiros customizem a lógica do pedestre e injetem comportamentos específicos (incluindo situações raras/críticas).
   • Movimento Realista: Alcançado via um Modelo de Força Social adaptado que lida com a execução de trajetória de baixo nível e interações dinâmicas.
2. Avaliação Abrangente: Uma avaliação do desempenho do modelo em dois conjuntos de dados do mundo real de Ontário, Canadá, com diferentes estruturas rodoviárias (um cruzamento de quatro vias movimentado e uma única faixa de pedestres não sinalizada).

Resultados

O modelo foi avaliado em duas métricas: Fidelidade de Trajetória de Baixo Nível e Precisão de Decisão de Alto Nível.

Fidelidade de Trajetória

A capacidade do modelo de replicar caminhos reais de pedestres foi medida usando Distância Euclidiana (ED) e Distância de Fréchet (FD).

• Conjunto de Dados de Cruzamento: O modelo alcançou uma ED média de 1,55 m (cenários segmentados) e 2,23 m (cenários completos), superando significativamente um método de aproximação de trajetória de linha de base (5,45 m).
• Conjunto de Dados de Faixa Única: O modelo alcançou uma ED média de 1,36 m.
• Observação: Embora o modelo às vezes tenha divergido geometricamente da linha de base devido a interações reativas (ex: evitar pedestres que vêm no sentido oposto em comparação com os dados empíricos), ele capturou com sucesso a natureza dinâmica do movimento do pedestre.

Precisão de Tomada de Decisão

A capacidade do modelo de replicar decisões de alto nível foi avaliada no conjunto de dados do cruzamento:

• Decisão 1 (Seleção de Faixa de Pedestres): O modelo selecionou a mesma faixa de pedestres que o pedestre empírico 100% das vezes (253/253 instâncias).
• Decisão 2 (Atravessar no Vermelho/Amarelo): O modelo coincidiu com a decisão empírica 98,0% das vezes (145/148 instâncias). As três divergências ocorreram quando pedestres empíricos esperaram por um sinal vermelho e depois atravessaram imediatamente após uma mudança específica de luz de trânsito (verde avançado de duas vias), uma nuance que pode ser endereçada ajustando os parâmetros de "agressividade".

Geração de Cenários Críticos

O artigo demonstra a utilidade do modelo na geração de um cenário de colisão garantida entre um pedestre e um veículo em uma faixa de pedestres não sinalizada. Diferente de modelos de trajetória estáticos, o modelo hierárquico permite que o pedestre ajuste dinamicamente sua velocidade com base na aproximação do veículo para garantir que uma colisão ocorra, independentemente das posições ou velocidades iniciais. Essa capacidade é crucial para testar respostas de AVs a situações críticas sem tentativa e erro manual.

Significância e Alegações

Os autores afirmam que seu trabalho fornece uma ferramenta valiosa para o teste baseado em cenários de AVs, oferecendo um nível de controle e explicitação que faltava anteriormente na literatura de simulação de pedestres.

• Representação Explícita: Ao usar Árvores de Comportamento, os processos de decisão são transparentes, permitindo que engenheiros injetem comportamentos desejados para testar as respostas de AVs a situações críticas ou perigosas de forma segura.
• Fidelidade e Precisão: O modelo replica trajetórias de pedestres do mundo real com alta fidelidade (desvio médio de 1,36 m) e precisão de tomada de decisão (98% ou superior) usando apenas informações de roteamento de alto nível.
• Extensibilidade: A arquitetura modular permite a adição fácil de novas manobras, condições e subárvores para cobrir uma ampla gama de comportamentos concebíveis, incluindo aqueles não presentes nos conjuntos de dados existentes.

O artigo conclui que esta abordagem hierárquica equilibra efetivamente a necessidade de controlabilidade (para testes de cenários específicos) com o realismo (para gerar comportamento humano naturalístico), tornando-a uma solução viável para os testes rigorosos exigidos pelo desenvolvimento da condução autônoma.