Resumo Técnico: DRIFT – Inferência de Risco de Direção via Transmissão de Campo

1. Declaração do Problema

Os Sistemas Inteligentes de Transporte (ITS) modernos enfrentam desafios significativos na modelagem de risco em ambientes de tráfego misto, particularmente em cenários interativos como fusão em rodovias e mudança de faixa. Métricas de segurança tradicionais, como Tempo até a Colisão (TTC) e Tempo Pós-Invasão (PET), são tipicamente pares, instantâneas e escalares. Embora úteis, essas métricas falham em capturar a estrutura espacial das interações multiagente e carecem da capacidade de raciocinar sobre as intenções e incertezas dos agentes circundantes além de locais discretos.

Além disso, as representações de risco baseadas em campo existentes (campos potenciais) sofrem com três limitações primárias:

1. Natureza Estática: Muitos campos de risco são quadro a quadro ou estáticos, carecendo de uma lei de transmissão compartilhada para antecipação temporal.
2. Tratamento Inadequado de Oclusão: A oclusão é frequentemente gerenciada via mascaramento simples ou preenchimento heurístico, em vez de propagação explícita de risco latente e mecanismos de limpeza.
3. Lacunas de Avaliação: As avaliações atuais dependem fortemente de Medidas de Segurança Substitutas (SSMs) escalares, que não podem diagnosticar plenamente se a estrutura espacial e o comportamento de propagação de um campo de risco estão corretos, especialmente em regiões ocluídas ou distantes.

2. Metodologia: O Framework DRIFT

Os autores propõem o DRIFT (Inferência de Risco de Direção via Transmissão de Campo), um campo de risco espaço-temporal governado por uma equação diferencial parcial (EDP) de advecção–difusão–reação. O framework opera dentro de um domínio de Visão de Pássaro centrado no ego (BEV) $\Omega$.

A. EDP Governante

O potencial de risco $R(x, t)$ evolui ao longo do tempo de acordo com a seguinte equação:
$$\frac{\partial R}{\partial t} = \underbrace{\nabla \cdot (D \nabla R)}_{\text{Difusão}} - \underbrace{\nabla \cdot (vR)}_{\text{Advecção}} + \underbrace{Q(x, t)}_{\text{Fonte}} - \underbrace{\lambda(x, t)R}_{\text{Decaimento}}$$

• Advecção: Transmite perigos injetados ao longo do fluxo de tráfego efetivo ($v$), permitindo que o risco surja antes que uma interação alcance fisicamente o veículo ego.
• Difusão: Suaviza picos agudos e espalha a incerteza posicional, o que é crítico dentro de regiões de oclusão onde as distribuições de agentes ocultos são amplas.
• Decaimento: Remove perigos obsoletos e impede que "esteiras" persistentes dominem o mapa após o término das interações ou o retorno da visibilidade.
• Termo do Telégrafo: Um termo inercial opcional ($\tau \frac{\partial^2 R}{\partial t^2}$) é incluído na formulação do modelo para impor velocidade de propagação finita, embora seja definido como zero nos experimentos para eficiência computacional.

B. Termos de Fonte ($Q$)

O campo de fonte total é uma composição aditiva de três componentes:

1. Risco Induzido por Veículo ($Q_{veh}$): Modelado usando kernels gaussianos anisotrópicos posicionados em agentes observados para capturar risco induzido por velocidade e primitivas de interação.
2. Perigos Latentes de Oclusão ($Q_{occ}$): Um mecanismo acoplado à geometria que injeta risco latente na região de sombra da visão do ego ($\Omega_{occ}$) causada por veículos grandes (ex.: caminhões). A taxa de decaimento $\lambda$ é dinamicamente acoplada à máscara de sombra; o decaimento é reduzido quando as sombras se expandem (permitindo acúmulo de risco) e aumentado quando as sombras recuam (limpando risco não suportado).
3. Pressão de Fusão ($Q_{merge}$): Codifica pressão de conflito impulsionada pela topologia perto de zonas de fusão com base na geometria da faixa e em priores de zona de conflito.

C. Protocolo de Avaliação

Para abordar as limitações das SSMs escalares, os autores introduzem métricas de avaliação nativas de campo:

• Diferencial de Risco de Mudança de Faixa (LCRD): Mede a fração de mudanças de faixa registradas movendo-se para células de menor risco.
• Índice de Antecipação Temporal (TAI): Quantifica o quão cedo o limiar do campo é cruzado em relação a um evento perigoso, normalizado pelo tempo de reação humana.
• Razão de Persistência de Risco (RPR): Quantifica a memória de risco pós-evento.
• Índice de Sensibilidade à Oclusão (OSI): Mede a sensibilidade do risco à taxa de oclusão.
• Latência de Resposta à Oclusão (ORL): Mede o atraso de tempo na resposta a mudanças de sombra.
• $\Delta$Col.: O aumento relativo em eventos de quase-colisão sob oclusão versus visibilidade total.

3. Contribuições Principais

1. Modelo de Transmissão PDE Unificado: Um substrato principiado para risco que preserva memória temporal (via decaimento), propaga perigos a jusante (via advecção) e espalha incerteza espacial (via difusão).
2. Decaimento de Oclusão Acoplado à Geometria: Um mecanismo novel onde a taxa de decaimento local do campo responde diretamente à taxa de mudança da máscara de sombra, permitindo acúmulo e limpeza dinâmica de perigos latentes.
3. Avaliação Nativa de Campo: Um protocolo abrangente composto por métricas comportamentais, de propagação e de resposta à oclusão que complementam as SSMs existentes.

4. Resultados Experimentais

O framework foi avaliado em conjuntos de dados de tráfego do mundo real (exiD, rounD, inD) contra baselines estáticas informadas por física (TPF, APF, DPDRF) e baselines dinâmicas orientadas a dados (EDRF, RiskNet).

• Consistência Comportamental: O DRIFT alcançou o maior alinhamento com as ações observadas dos motoristas, com um LCRD de 89% (comparado a 82% para o RiskNet e 78% para o EDRF). Também demonstrou a maior retenção de risco pós-evento (RPR 0,74).
• Vantagem de Propagação: O DRIFT forneceu a maior margem de antecipação, alcançando um TAI de 0,41 (aproximadamente 0,62s de tempo de antecedência), superando significativamente as baselines dinâmicas (RiskNet: 0,24, EDRF: 0,18). As baselines estáticas não puderam ser avaliadas no TAI devido à falta de memória temporal.
• Robustez à Oclusão: Sob oclusão, o DRIFT reduziu o aumento da taxa de quase-colisão para +1,4% (vs. +3,5% para o RiskNet e +4,7% para o EDRF). Alcançou a menor latência de resposta à oclusão (0,31 s) e a maior estabilidade temporal (Temp. 0,91).
• Estudos de Ablação: Os resultados confirmaram que a advecção impulsiona a antecipação temporal, a difusão melhora o conservadorismo na oclusão e o decaimento acoplado à geometria é o principal motor para resposta rápida à visibilidade e consistência temporal.

5. Significado e Alegações

O artigo afirma que o DRIFT oferece uma alternativa estruturada espacialmente às métricas de segurança escalares, permitindo que módulos a jusante raciocinem além das localizações discretas dos agentes. Ao tratar o risco como informação propagada em vez de um potencial estático, o DRIFT com sucesso:

• Reduz a latência de resposta à oclusão em 52% em comparação com baselines selecionadas.
• Diminui a taxa de quase-colisão sob oclusão em 2,1% em cenários sintéticos.
• Fornece alertas mais precoces e melhor alinhamento com as decisões de motoristas humanos em cenários de fusão e mudança de faixa.

Os autores concluem que a formulação baseada em EDP produz estruturas de risco espaciais interpretáveis e dinâmicas temporais estáveis. Eles notam que, embora os parâmetros atuais sejam ajustáveis, trabalhos futuros visam estender o framework para modelagem de risco universal para geometrias de interseção mais ricas e planejamento de movimento multiagente. O código é disponibilizado para facilitar pesquisas futuras.