Resumo Técnico: NOVA – Regressão Simbólica para Descoberta de Modelos Interpretáveis de Seguimento de Veículo e Mudança de Faixa

1. Definição do Problema

O artigo aborda o desafio de descobrir estruturas matemáticas interpretáveis e compactas que descrevam o comportamento de condução humana a partir de dados brutos de trajetória. Enquanto os modelos clássicos de seguimento de veículo (ex: IDM, Krauss) impõem formas funcionais fixas determinadas por pesquisadores em vez de dados, e as abordagens de aprendizagem profunda oferecem alta precisão preditiva, mas carecem de interpretabilidade (atuando como "caixas pretas"), permanece uma lacuna para um método que recupere autonomamente equações simbólicas sem vieses estruturais prévios.

O problema científico específico é determinar se os comportamentos humanos de seguimento de veículo e mudança de faixa contêm uma estrutura simbólica de baixa complexidade que possa ser recuperada de dados de trajetória ruidosos e de alta dimensão (especificamente o conjunto de dados NGSIM) sem assumir antecipadamente formas funcionais específicas (ex: lineares, polinomiais ou funções de saturação específicas).

2. Metodologia

2.1. O Framework NOVA

O NOVA é um framework de regressão simbólica autônomo implementado em Rust para execução de alto desempenho e determinística. Diferente das abordagens estocásticas de programação genética, o NOVA emprega uma busca combinatória exaustiva determinística sobre uma biblioteca limitada de estruturas algébricas.

• Espaço de Busca: O motor avalia mais de 10.000 estruturas algébricas candidatas derivadas de um conjunto fundamental de átomos cinemáticos primitivos (velocidade $v$, velocidade do líder $v_l$, aceleração $a_l$, velocidade relativa $\Delta v$, distância/gap) e seus equivalentes temporais defasados.
• Restrições: A busca é restrita a graus polinomiais $\le 2$ para evitar o sobreajuste (overfitting) ao ruído dos sensores e para alinhar-se com princípios cinemáticos físicos. Crucialmente, nenhuma estrutura de modelo legado (ex: o termo de estrada livre do IDM) é injetada como prior. Métricas cognitivas de ordem superior como o Tempo de Seguimento (THW) ou Tempo para Colisão (TTC) não são incluídas previamente; o motor deve sintetizá-las a partir de primitivos (ex: descobrir $gap/v$).
• Otimização: Os coeficientes são computados via Mínimos Quadrados Ordinários (OLS) de forma fechada, utilizando Decomposição de Valores Singulares (SVD) pré-fatorada para estabilidade.

2.2. Dados e Pré-processamento

O estudo utiliza 4.765.788 observações de condução ativa dos conjuntos de dados NGSIM I-80 e US-101.

• Filtragem: Filtros de qualidade rigorosos removem comportamentos de deslizamento/marcha lenta ($|a| < 0,2$ m/s²) e cinemática fora dos limites.
• Suavização: Para mitigar o jitter de rastreamento de 10 Hz (que causa picos de aceleração não físicos após diferenciação dupla), dois pipelines de pré-processamento complementares são usados:
  1. Pipeline R: Média móvel (centrada em 15 quadros) com um alvo deslocado para frente de 0,8 s.
  2. Pipeline S: Filtro Savitzky–Golay (ordem 3, janela 15) com um alvo de média de 1,0 s.
• Protocolo de Avaliação: Uma retenção (holdout) rigorosa de 80/20 por ID de veículo é aplicada para garantir a generalização para motoristas não vistos, em vez da memorização de trajetórias específicas.

2.3. Processo de Descoberta

A descoberta segue uma "cascata de resíduos" de múltiplos estágios:

1. Fase 1 (Lei Global): Descoberta da estrutura primária a partir de dados brutos.
2. Fase 2 (Heterogeneidade): Modelagem da personalidade do motorista (agressividade) e regimes de velocidade (parada e partida, transição, fluxo livre).
3. Fase 3 (Resíduos): Uma segunda busca nos resíduos da Fase 2 para identificar sinais estruturais restantes (ex: desvio de colisão).

3. Contribuições Principais e Descobertas

3.1. Seguimento de Veículo: O Núcleo Invariante

A principal descoberta é que a tangente hiperbólica da velocidade relativa, $\tanh(\Delta v)$, é o termo dominante e invariante no seguimento de veículo humano.

• A Lei de Rank-4: O modelo de classificação superior é uma equação de dois termos: $\hat{a} = -0,468 + 1,266 \tanh(\Delta v) + 0,194 \text{THW}$.
• Interpretação: O termo $\tanh(\Delta v)$ captura uma resposta limitada e saturada à velocidade relativa. Para velocidades relativas pequenas, a resposta é linear; para velocidades altas, a aceleração satura em $\approx \pm 1,266$ m/s², consistente com os princípios psicofísicos de Weber–Fechner. Esta estrutura não estava presente em modelos anteriores (ex: o OVM aplica saturação ao espaçamento, não à velocidade de aproximação).
• Robustez: Este núcleo foi recuperado independentemente em oito configurações experimentais diferentes (variando pipelines, horizontes, populações de motoristas e tempos de características), confirmando que não é um artefato de pré-processamento.
• Heterogeneidade do Motorista: Um índice de agressividade contínuo ($\kappa$), derivado de um Modelo de Mistura Gaussiana (GMM), modula o coeficiente de $\tanh(\Delta v)$. Motoristas agressivos mostram uma resposta mais forte à velocidade relativa, particularmente no regime de velocidade de "transição".
• Descoberta de Resíduos (TTC): Uma segunda busca nos resíduos identificou $\tanh(\text{TTC})$ como o termo dominante restante. Isso conecta a descoberta baseada em dados à teoria $\tau$ de Lee sobre o looming óptico, fornecendo uma formulação limitada do risco de colisão sem fornecer explicitamente modelos de fluxo óptico como priors.

3.2. Modelagem de Mudança de Faixa

O NOVA foi estendido para um framework de Logit Multinomial (MNL) para descobrir funções de utilidade de mudança de faixa.

• Desempenho: O modelo descoberto de 16 características alcançou 67,4% de acurácia balanceada em 502 motoristas não vistos sob retenção rigorosa de ID de veículo. Isso supera a linha de base padrão do MOBIL (37,6%) em +29,8 pontos percentuais e a linha de base MNL projetada manualmente em cerca de 17 pp.
• Estrutura: As funções de utilidade são desconectadas direcionalmente. Características chave incluem inverso do gap ($1/gap$) e inverso do tempo para colisão ($1/\text{TTC}$), confirmando que o looming óptico é um sinal de segurança compartilhado tanto para decisões longitudinais (frenagem) quanto laterais (mudança de faixa).
• Limites: Aumentos de características (adicionando física de aceitação de gap mais complexa) e o reforço de resíduos falharam em melhorar a acurácia fora do motorista. O artigo identifica um teto estrutural para características cinemáticas de instantâneo único na distinção entre decisões de "Permanecer" vs. "Mudar", sugerindo que trabalhos futuros exigirão características de histórico temporal.

3.3. Transferência entre Localidades

As operações simbólicas descobertas demonstraram transferibilidade zero-shot entre os locais I-80 e US-101.

• Transferir o modelo treinado em um local para o outro resultou em uma perda de apenas 2,5–2,8 pontos percentuais em $R^2$, recuperando 97–99% do desempenho do oráculo local. Isso indica que as estruturas descobertas são propriedades da condução em rodovias e não ajustes específicos de um conjunto de dados.

4. Resultados e Benchmarks

• Acurácia de Seguimento de Veículo: Sob o Pipeline S (Savitzky–Golay), o NOVA alcançou RMSE = 1,376 m/s² ($R^2 = 15,57\%$), superando a melhor linha de base de regressão simbólica recalibrada (SR-LLM) em 0,135 m/s² de RMSE sob um protocolo idêntico.
• Comparação com Modelos Clássicos: Modelos clássicos como IDM e Krauss performaram mal em instantâneos empíricos (IDM $R^2 = -68\%$ no Pipeline R) porque suas formas funcionais fixas não correspondem à dinâmica de aceleração instantânea dos dados do NGSIM.
• Estabilidade de Simulação:
  • Malha Aberta (Open-Loop): Com uma sobreposição de segurança (TTC < 1,5s), a lei de 3 passagens alcançou uma taxa de colisão de 2,5% em horizontes de 30 segundos, superando o IDM calibrado em erro de velocidade de longo horizonte.
  • Estabilidade de Comboio (String Stability): Uma simulação de pelotão de 13 veículos rendeu uma razão de estabilidade $\Lambda = 1,064$ e uma velocidade de onda retroativa de 35,4 m/s, correspondendo às observações empíricas de ondas de parada e partida do NGSIM. Esta é uma propriedade emergente, não uma restrição de design.

5. Significância e Alegações

O artigo afirma que o NOVA demonstra com sucesso que a regressão simbólica autônoma pode recuperar regularidades estruturais interpretáveis de dados de comportamento humano ruidosos.

• Descoberta Científica: O framework identificou autonomamente a não-linearidade $\tanh(\Delta v)$ e o sinal de looming $\tanh(\text{TTC})$ sem que essas formas funcionais fossem fornecidas como priors. Isso sugere que o comportamento de condução humana contém uma estrutura simbólica de baixa complexidade que era anteriormente obscurecida pelas suposições fixas dos modelos clássicos.
• Convergência de Teoria e Dados: A descoberta baseada em dados do looming óptico (TTC) tanto no contexto de seguimento de veículo quanto de mudança de faixa fornece evidência empírica de grande escala apoiando a teoria $\tau$ de Lee, unificando os sinais de segurança longitudinais e laterais.
• Rigor Metodológico: Ao aplicar retenções rigorosas de ID de veículo, múltiplos pipelines de pré-processamento e testes de transferência zero-shot, o artigo argumenta que as estruturas descobertas são invariantes comportamentais robustas e não artefatos estatísticos ou sobreajustes a conjuntos de dados específicos.
• Limitações Reconhecidas: Os autores notam modestamente que o modelo é específico para seguimento de gap em rodovias (falhando em dados de interseções urbanas), que a discriminação de mudança de faixa é limitada pelas limitações de características de instantâneo único, e que os resultados são atualmente limitados a dados de rodovias dos EUA de 2005.

Em conclusão, o NOVA apresenta uma mudança de paradigma: passar da calibragem de modelos fixos para a descoberta de equações interpretáveis, revelando que o comportamento de condução humana é governado por respostas limitadas e saturadas à velocidade relativa e ao looming óptico, que podem ser matematicamente recuperadas a partir de dados brutos.