Resumo Técnico: Geração de Cenários Adversários Realistas via Modelo de Pedestre Humano para Otimização de Controle de AV

1. Definição do Problema

A implantação segura de Veículos Autônomos (AVs) requer uma interação confiável com usuários vulneráveis da via, particularmente pedestres. Embora o teste baseado em simulação seja uma alternativa prática aos testes em mundo real, que são dispendiosos e inseguros, as metodologias atuais enfrentam duas limitações primárias:

1. Falta de Realismo nos Modelos de Pedestres: A maioria das estruturas de simulação baseia-se em modelos de pedestres baseados em regras ou determinísticos (ex: pedestres padrão do CARLA) que simplificam excessivamente o comportamento humano. Esses modelos falham em capturar a variabilidade natural interindividual (diferenças entre pessoas) e intraindividual (variabilidade dentro da mesma pessoa), levando a dinâmicas de interação irreais.
2. Desconexão Entre Teste Adversário e Realismo: A geração de cenários adversários, usada para sondar limites de segurança, frequentemente prioriza a dificuldade em detrimento da plausibilidade. Métodos existentes (ex: modelos de pedestre "suicida" ou pedestre imprudente agressivo) geram comportamentos exagerados que podem forçar os controladores de AV a se tornarem excessivamente conservadores, resultando em controladores que não generalizam bem para interações humanas do mundo real.

Existe uma lacuna metodológica: modelos de pedestres humanizados e testes adversários têm se desenvolvido, em grande parte, de forma paralela. Este estudo aborda a necessidade de integrar modelos de pedestres inspirados cognitivamente e humanizados ao teste adversário para gerar cenários comportamentalmente plausíveis, porém desafiadores, para a otimização do controle de AV.

2. Metodologia

O estudo propõe um framework implementado dentro do ambiente de simulação CARLA, integrando o modelo de pedestre COMMOTIONS (Markkula et al., 2023) com a otimização do controle de AV. A metodologia consiste em três componentes principais:

2.1. Avaliação do Impacto do Modelo de Pedestre

Os autores realizaram um estudo comparativo usando um design 2×2:

• Modelos de Pedestres: O pedestre padrão baseado em regras do CARLA (WalkerAIController) vs. o modelo COMMOTIONS inspirado cognitivamente (integrando mecanismos sensoriais, motores e cognitivos com variabilidade estocástica).
• Controladores de AV: O planejador baseado em regras nativo do CARLA vs. a stack de direção autônoma de código aberto Autoware.
• Cenário: Uma travessia de faixa de pedestres sem semáforo simplificada, onde um pedestre aguarda no meio-fio e inicia a travessia com base em valores de Tempo de Chegada (TTA) (6, 10, 14, 18 s).
• Métricas: Taxa de colisão, taxa de aceitação de brecha (gap acceptance), Tempo de Pós-Encroamento (PET) e taxa de mudança súbita de velocidade (desaceleração > 2,5 m/s²).

2.2. Geração de Cenários Adversários

Para identificar interações críticas de segurança sem recorrer a comportamentos irreais, os autores empregaram uma busca de parâmetro-TTA usando otimização Bayesiana:

• Objetivo: Minimizar o PET para conjuntos específicos de parâmetros de pedestres (representando indivíduos distintos) variando o tempo de gatilho TTA dentro de [6, 18] s.
• Processo: 100 conjuntos distintos de parâmetros de pedestres foram amostrados do modelo COMMOTIONS. Para cada indivíduo, a otimização Bayesiana identificou o TTA que produziu o menor PET.
• Definição de Adversário: Cenários onde o PET mínimo caiu abaixo de 1,5 s foram classificados como adversários. Estes representam interações críticas de segurança que surgem naturalmente da variabilidade humana, em vez de um comportamento "suicida" forçado.

2.3. Otimização do Controle de AV

Os cenários adversários gerados foram usados para otimizar um único parâmetro de controle de AV: distância de frenagem (o limiar para iniciar uma parada de emergência).

• Objetivo de Otimização: Minimizar o tempo perdido pelo veículo (eficiência) enquanto satisfaz as restrições de segurança: PET ≥ 1,5 s e desaceleração máxima ≤ 2,5 m/s².
• Baselines de Comparação: A otimização foi testada contra três conjuntos de cenários:
  1. COMMOTIONS Low-PET: Os cenários críticos de segurança identificados com características humanas (conjunto Low-PET).
  2. COMMOTIONS Random: Valores de TTA amostrados aleatoriamente para os mesmos indivíduos (realismo não direcionado).
  3. Modelo Jaywalker: Um baseline adversário baseado em regras (Muktadir e Whitehead, 2022) conhecido por comportamentos agressivos e menos plausíveis.

3. Principais Resultados

3.1. Impacto dos Modelos Humanizados na Interação

• Segurança: O modelo COMMOTIONS produziu zero colisões em todas as condições testadas com ambos os controladores de AV, enquanto o pedestre baseado em regras do CARLA resultou em múltiplas colisões, particularmente em TTAs intermediários.
• Realismo Comportamental: Os pedestres COMMOTIONS exibiram padrões de aceitação de brecha que aumentavam com o TTA, consistentes com dados humanos. Em contraste, os pedestres do CARLA não mostraram uma tendência clara e aceitaram brechas de forma irrealista cedo demais.
• Conforto: As interações com o COMMOTIONS resultaram em significativamente menos mudanças súbitas de velocidade (<20% vs. >80% para pedestres CARLA) e desacelerações de veículos mais suaves.
• Variabilidade: O modelo COMMOTIONS demonstrou que interações inseguras (baixo PET) ocorrem apenas para indivíduos específicos sob condições de tempo específicas, destacando a importância da variabilidade tanto inter quanto intraindividual.

3.2. Eficácia da Otimização Adversária

• Otimização Low-PET: O ajuste da distância de frenagem usando os cenários adversários humanizados (conjunto Low-PET) melhorou significativamente o desempenho:
  • O PET médio aumentou de 2,48 s para 4,96 s.
  • O PET mínimo aumentou de 1,05 s para 1,80 s (eliminando interações críticas de segurança).
  • As mudanças súbitas de velocidade caíram de 83% para 17%.
  • O tempo médio perdido pelo veículo diminuiu de 0,12 s para 0,05 s.
• Random vs. Low-PET: Embora a amostragem aleatória tenha melhorado a eficiência, ela falhou em eliminar interações críticas de segurança (PET mínimo permaneceu em 1,23 s), demonstrando que o direcionamento para casos específicos de segurança é necessário para uma otimização robusta.
• Comparação com Jaywalker: A otimização contra o modelo agressivo Jaywalker aumentou o PET médio (5,52 s), mas com um alto custo: as mudanças súbitas de velocidade permaneceram altas (38%) e o tempo perdido mais que dobrou (0,25 s). Isso indica que o AV tornou-se excessivamente defensivo devido à natureza não realista do agente adversário.

4. Significância e Alegações

O artigo afirma fornecer uma prova de conceito, demonstrando que a integração de modelos de usuários da via humanizados em testes adversários baseados em simulação aumenta a credibilidade da avaliação de AV e fornece uma base prática para a otimização de controladores.

• Unindo Realismo e Testes de Estresse: O estudo demonstra que cenários críticos de segurança podem ser gerados através da variabilidade humana natural (inter e intraindividual) em vez de exagero artificial. Isso permite testes de estresse que são simultaneamente desafiadores e comportamentalmente plausíveis.
• Valor da Otimização: Ao contrário de agentes adversários que induzem comportamentos de AV excessivamente conservadores (ineficientes), os cenários adversários humanizados permitem a otimização dos parâmetros de controle de AV para alcançar um melhor equilíbrio entre segurança, conforto e eficiência.
• Contribuição Metodológica: O trabalho unifica a modelagem de pedestres inspirada cognitivamente com a geração de cenários adversários, oferecendo um pipeline de avaliação de ponta a ponta onde modelos de pedestres e controladores de AV são simulados conjuntamente.

5. Limitações e Escopo

Os autores explicitamente observam as seguintes limitações:

• Complexidade do Cenário: O estudo está restrito a uma travessia de faixa de pedestres simplificada de um para um, carecendo da complexidade de ambientes urbanos multiagentes, oclusões e sinais de trânsito.
• Diversidade de Controladores: A avaliação limitou-se a dois controladores (CARLA e Autoware) e não testou stacks baseadas em Deep RL ou proprietárias comerciais.
• Escopo de Parâmetros: A otimização focou em um único parâmetro (distância de frenagem), em vez de uma abordagem de múltiplos parâmetros envolvendo aceleração, jerk e controle lateral.
• Escopo do Modelo: Embora o COMMOTIONS capture variabilidade perceptual, motora e cognitiva, ele omite fatores sociais como dinâmica de grupo, normas culturais e comunicação explícita (ex: contato visual).

O artigo conclui que, embora o framework seja um passo fundamental, trabalhos futuros são necessários para estender esses métodos a ambientes mais complexos e diversas arquiteturas de controle para garantir a generalização.