From Correlation to Causation in Lane Change Prediction for Automated Driving: A Causal Explanation Framework

Resumo Técnico: Da Correlação à Causalidade na Predição de Mudança de Faixa para Direção Automatizada

Definição do Problema
A predição de mudança de faixa é uma tarefa crítica para a direção automatizada, permitindo tomadas de decisão mais seguras e suaves ao antecipar as manobras de veículos ao redor. Embora as abordagens existentes que utilizam aprendizado de máquina e aprendizado profundo tenham alcançado alta precisão, elas dependem predominantemente de correlações estatísticas entre variáveis de entrada (ex: velocidade, espaçamento, Tempo-Para-Colisão) e classes de manobra. Uma limitação significativa desses modelos baseados em correlação é a falha em modelar explicitamente as dependências físicas e causais entre as próprias variáveis de entrada. No mundo real, variáveis como o espaçamento longitudinal, velocidade relativa e o Tempo-Para-Colisão (TTC) não são independentes; elas estão fisicamente ligadas (ex: o TTC é derivado do espaçamento e da velocidade relativa). Consequentemente, modelos padrão podem prever manobras corretamente, mas falham em distinguir se uma variável é um contribuidor direto, uma causa ascendente (upstream), um mediador ou apenas uma característica correlacionada. Essa falta de estrutura causal limita a interpretabilidade e impede que o sistema compreenda por que uma manobra específica é favorecida em relação às alternativas.

Metodologia
Os autores propõem um framework baseado em inferência causal que vai além da classificação plana para um raciocínio consciente de mecanismos. A metodologia consiste em quatro estágios primários:

1. Construção de Características Linguísticas: Dados numéricos de condução do dataset highD (trajetórias de rodovias alemãs) são convertidos em categorias linguísticas interpretáveis (ex: "crítico", "seguro", "rápido", "lento") usando discretização baseada em limiares. Isso transforma variáveis contínuas em 47 características categóricas abrangendo cinemática, contexto de faixa, ocupação de veículos circundantes, medidas de interação e densidade de tráfego.
2. Descoberta Causal Restrita por Especialistas: Uma matriz de restrições é construída utilizando conhecimento especializado de condução e revisão assistida por LLM (via PyWhy-LLM) para definir o espaço de busca para direções causais. Esta matriz bloqueia relações causais fisicamente implausíveis (ex: impedir que a manobra futura cause a densidade de tráfego atual ou o TTC) enquanto deixa disponíveis direções plausíveis para o aprendizado orientado por dados.
3. Modelagem Estrutural Causal Profunda (SCM): O framework emprega Inferência Causal de Ponta a Ponta Profunda (DECI) para aprender um Modelo Causal Estrutural (SCM) representado como um Grafo Acíclico Dirigido (DAG) a partir dos dados observacionais sob as restrições dos especialistas. O DECI aprende conjuntamente a estrutura do grafo causal e os mecanismos estruturais (funções não lineares) que conectam as variáveis, incorporando termos de ruído para lidar com a incerteza nos dados categóricos.
4. Análise Causal e Explicação:
   • Análise de Efeito Baseada em Intervenção: Usando o cálculo do, o framework estima o Efeito de Tratamento Médio (ATE) de alterar estados de características específicas (ex: mudar o TTC de "seguro" para "crítico") sobre as probabilidades de manobra. Isso distingue variáveis influentes de variáveis fracamente influentes.
   • Teste de Refutação: A biblioteca DoWhy é utilizada para validar a robustez dos efeitos estimados através de tratamentos placebo, causas comuns aleatórias e testes de subconjunto de dados.
   • Explicação de Cadeia Causal Contrastiva: O SCM aprendido é rastreado recursivamente para gerar explicações. O sistema identifica contribuintes diretos para a manobra prevista, rastreia causas ascendentes e mediadores, e explica por que manobras alternativas são menos suportadas ao identificar os estados observados que reduzem sua probabilidade.

Principais Contribuições

• Pipeline de Predição Consciente de Mecanismos: O artigo introduz um framework que integra descoberta causal restrita por especialistas com aprendizado profundo para modelar a predição de mudança de faixa como uma cadeia causal, em vez de uma tarefa de correlação plana.
• Aprendizado Restrito por Especialistas: Propõe um método para incorporar conhecimento de domínio via uma matriz de restrições que evita o aprendizado de direções causais fisicamente impossíveis sem forçar um grafo totalmente manual, permitindo que o modelo permaneça adaptável aos dados.
• Análise de Intervenção e Robustez: A abordagem utiliza análise de intervenção para quantificar a influência das características e emprega testes de refutação para garantir a estabilidade dessas estimativas causais, indo além de simples pontuações de importância de características.
• Explicações Contrastivas: O framework gera explicações de cadeia causal recursivas que esclarecem não apenas por que uma manobra é prevista, mas também por que manobras alternativas são suprimidas, distinguindo entre contribuintes diretos, mediadores e confundidores.

Resultados

• Desempenho de Predição: O SCM baseado em DECI atinge F1-scores macro acima de 95% (especificamente 96,3%, 96,0% e 95,4%) nos três segundos imediatamente anteriores ao evento de travessia da marcação de faixa. Mantém a capacidade preditiva (F1 > 59%) até 7–8 segundos antes do evento, demonstrando uma antecipação eficaz.
• Validade da Estrutura Causal: O grafo aprendido respeita restrições temporais e físicas (ex: nós de manobra não possuem arestas de saída). Ele identifica corretamente que variáveis de contexto (ex: hora do rush) influenciam as manobras indiretamente através de mediadores como densidade de tráfego e espaçamento, enquanto variáveis de interação (ex: velocidade relativa, TTC) atuam como contribuintes diretos.
• Análise de Intervenção: Variáveis de movimento lateral (velocidade, aceleração) e variáveis de interação (velocidade relativa, TTC, espaçamento) produziram os efeitos de intervenção mais fortes nas probabilidades de manobra. Variáveis de contexto mostraram efeitos diretos menores, consistentes com seu papel de causas ascendentes.
• Robustez: Testes de refutação (placebo, causa comum aleatória, subconjunto de dados) confirmaram que os efeitos de intervenção estimados para variáveis chave (ex: velocidade lateral, TTC) permaneceram estáveis e próximos de zero para tratamentos placebo, indicando que os efeitos não são espúrios.
• Validação Diagnóstica: Um estudo de ablação mostrou que remover variáveis estimadas com efeitos de intervenção fracos (velocidade lateral e aceleração em um cenário específico de pré-movimento lateral) resultou em uma degradação negligenciável do desempenho de predição, validando a utilidade da análise de intervenção para seleção de características.

Significância e Alegações
Os autores alegam que este trabalho representa um passo significativo em direção a sistemas de direção autônoma interpretáveis, ao mudar da classificação baseada em correlação para o raciocínio causal. O framework não pretende descobrir a causalidade definitiva do mundo real, mas visa fornecer um "framework de predição consciente de mecanismos" que pode distinguir contribuintes diretos, variáveis mediadoras e causas ascendentes sob uma estrutura causal aprendida. A significância reside na capacidade de gerar explicações de cadeia causal contrastivas que esclarecem a lógica física por trás de uma predição (ex: explicar uma mudança de faixa para a esquerda como resultado de um diferencial de velocidade levando a um TTC crítico) e identificar quais variáveis são verdadeiramente influentes versus aquelas que são meramente correlacionadas. Esta abordagem aumenta a confiança e a segurança ao garantir que as predições sejam fundamentadas em uma compreensão estruturada da dinâmica de condução, em vez de coincidências estatísticas.