Urban Deceleration Behavior Modes Under Scene Context: An Early-Kinematic Classifier from Argoverse 2 Multi-Agent Trajectories

Resumo Técnico: Modos de Comportamento de Desaceleração Urbana sob Contexto de Cena

Definição do Problema
A desaceleração urbana permanece como um dos comportamentos mais empiricamente estudados, porém taxonomicamente desorganizados, na pesquisa de seguimento de veículos (car-following). Embora a literatura existente tenha estabelecido estruturas conceituais para perfis de desaceleração (desdobramento temporal) e mecanismos (desaceleração por inércia/coasting vs. frenagem), e embora conjuntos de dados de larga escala de veículos autônomos (AV) equipados com percepção agora ofereçam trajetórias de verdade fundamental (ground-truth) multiagente, esses blocos analíticos específicos não foram reunidos em um pipeline unificado para ambientes urbanos. O estudo aborda a lacuna na caracterização da desaceleração urbana através de um pequeno conjunto de modos cinemáticos estáveis, quantificando como o contexto da cena modula esses modos e determinando a previsibilidade da adesão ao modo a partir de janelas de observação de início de evento, sem recorrer a sensores de pedal ou dados de olhar (gaze).

Metodologia
O estudo utiliza o conjunto de dados de sensores Argoverse 2, extraindo 1.219 eventos de desaceleração sustentada de 234 registros de condução urbana. A metodologia segue um pipeline de oito fases:

1. Processamento de Dados: As trajetórias são reconstruídas a partir de anotações de cuboides (10 Hz) usando filtragem Savitzky–Golay. Pares líder–seguidor são identificados dentro de um corredor longitudinal de 50 m, e eventos de desaceleração sustentada são detectados com base em um limiar de $a_{long} \le -0,5$ m/s².
2. Engenharia de Atributos (Feature Engineering): Cada evento é codificado em um vetor de atributos cinemáticos de 19 dimensões (Famílias A e B) e um conjunto separado de variáveis de contexto de cena (Família C).
   • Família A (Intensidade/Tempo): Inclui desaceleração de pico/média, jerk (variação da aceleração), duração do evento, lacuna inicial/tempo de seguimento (time-headway), looming visual ($\lambda = \dot{g}/g$), DRAC e MTTC.
   • Família B (Perfil/Mecanismo): Inclui Componentes Principais Funcionais do perfil de desaceleração e um proxy de mecanismo ($m = |j_{peak}|/|a_{peak}|$) para distinguir a inércia (coasting) da frenagem sem sensores de pedal.
   • Família C (Contexto): Inclui idade do par (tempo desde a formação do líder-seguidor), proximidade de VRUs (usuários vulneráveis da via), densidade de veículos e geometria da cena.
3. Descoberta de Modos: O agrupamento não supervisionado é realizado utilizando K-means, HDBSCAN e Modelos de Mistura Gaussiana (Gaussian Mixture Models). A estabilidade é avaliada via Índice de Rand Ajustado (Adjusto Rand Index - ARI) por bootstrap através de 50 reamostragens. As variáveis da Família C são mantidas isoladas durante o agrupamento para garantir que a taxonomia seja puramente cinemática.
4. Modulação de Contexto: A associação entre a adesão ao grupo (cluster) e o contexto da cena é testada usando testes Qui-quadrado (para variáveis categóricas) e testes de Kruskal–Wallis (para variáveis contínuas), com tamanhos de efeito medidos por Cramér's V e epsilon-quadrado ($\varepsilon^2$).
5. Estratificação de Regime: Os eventos são estratificados por velocidade inicial (Baixa: <5 m/s, Média: 5–15 m/s, Alta: $\ge$15 m/s) para testar a invariância de regime.
6. Classificação de Evento Precoce: Um classificador HistGradientBoosting prevê a adesão ao modo usando janelas de observação de 0,5 s, 1,0 s e 1,5 s. Três variantes de modelos são comparadas: apenas cinemática (M1), cinemática + contexto (M2) e apenas contexto (M3).

Resultos Principais

• Modos Estáveis: O K-means com $K=4$ produz a solução mais estável (Bootstrap ARI = 0,897). O HDBSCAN falhou em identificar grupos separáveis por densidade, sugerindo uma estrutura de gradiente contínuo. Os quatro modos são:
  1. Antecipação Suave (Anticipatory Soft) (62,8%): Desaceleração leve, baixa taxa de fechamento de lacuna, baixo DRAC.
  2. Fechamento Reativo (Reactive Closing) (30,6%): Dinâmicas de fechamento de lacuna fortes, alto looming, DRAC mais elevado.
  3. Jerk de Frenagem (Brake-like Jerk) (4,8%): Magnitude de jerk extrema com um proxy de mecanismo indicando aplicações de frenagem bruscas.
  4. Outlier (1,8%): Estatísticas extremas em múltiplas variáveis.
• Modulação de Contexto: Entre onze variáveis de contexto de cena, apenas a idade do par mostra um efeito médio ($\varepsilon^2 = 0,085$). O Grupo 0 (Reactive Closing) corresponde aos pares mais jovens (mediana de 1,0 s), apoiando a interpretação de "entrada (cut-in)", enquanto o Grupo 3 (Brake-like Jerk) corresponde aos pares mais antigos (mediana de 4,7 s). Geometria da cena, proximidade de VRU e distâncias de interseção mostram efeitos negligenciáveis.
• Dependência de Regime: Os modos são invariantes de regime em condução de velocidade média (MSR, ARI = 0,817), mas dependentes de regime em condução de baixa velocidade (LSR, ARI = 0,166), onde a taxonomia de todo o conjunto de dados falha em alinhar-se com padrões específicos de baixa velocidade.
• Desempenho de Classificação: Em um horizonte de observação de 1,0 s, o modelo combinado (M2) atinge um macro-F1 de 0,758, comparado a 0,699 para apenas cinemática (M1). O ganho marginal ao adicionar o contexto da cena é de +0,059 F1. O jerk de janela precoce (RMS e pico) é o atributo preditivo dominante, superando amplamente as variáveis de contexto em importância de permutação.

Significância e Alegações
O artigo afirma reunir ferramentas conceituais estabelecidas (looming, distinção entre coasting e frenagem, cut-in vs. seguimento contínuo, agrupamento de pequena cardinalidade e interpretabilidade baseada em atribuição) em um único pipeline coerente aplicado a dados de percepção-AV urbana pela primeira vez.

O estudo conclui que a desaceleração urbana é estruturada por um pequeno conjunto de modos cinemáticos estáveis. Ele demonstra que:

1. A inferência de mecanismo é possível apenas pela trajetória: A distinção entre coasting e frenagem pode ser recuperada via um proxy de mecanismo baseado em jerk sem dados instrumentados de pedal.
2. A idade do par é o principal modulador de contexto: Diferente da geometria da cena ou proximidade de VRU, a duração do relacionamento líder-seguidor estrutura significativamente o comportamento de desaceleração.
3. A previsão precoce é viável: A adesão ao modo é previsível a partir do primeiro 1,0 segundo de um evento, com o jerk da janela precoce fornecendo o principal sinal.
4. A especificidade de regime importa: Um modelo único treinado em velocidades mistas pode falhar em cenários urbanos de baixa velocidade, necessitando de abordagens estratificadas por regime.

Os autores posicionam este trabalho como uma metodologia transferível que estende a descoberta de modos de desaceleração dos regimes anteriores de rodovia baseados em NGSIM para o regime de percepção-AV urbana, oferecendo uma base para melhor avaliação de ADAS e modelagem de imitação comportamental.