⚡ electrical engineering

A General Set-Based Framework for Cognitive State Estimation: Theory and Application to Conditionally Automated Driving

Este artigo introduz um framework baseado em conjuntos que estima estados cognitivos humanos (confiança, risco percebido e carga de trabalho) na condução condicionalmente automatizada, tratando incertezas como desconhecidas, porém limitadas, demonstrando através de um experimento em simulador que supera baselines probabilísticos na previsão da dependência humana sem exigir grandes conjuntos de dados ou suposições de distribuição.

Autores originais: Sibibalan Jeevanandam, Neera Jain

Publicado 2026-08-04

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Sibibalan Jeevanandam, Neera Jain

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando dirigir um carro que pode dirigir sozinho, mas apenas se você estiver prestando atenção. Este é o mundo da direção automatizada de "Nível 3": o carro faz o trabalho pesado, mas o motorista humano é a rede de segurança, pronto para assumir o volante se algo ficar estranho. O grande problema? Os humanos são complicados. Às vezes confiamos demais no carro e nos distraímos; outras vezes, entramos em pânico e assumimos o controle cedo demais. Para tornar esses carros seguros, o computador precisa saber o que está acontecendo dentro da cabeça do motorista — especificamente, quanta confiança eles têm no carro, o quanto acham que a situação é arriscada e o quão estressados se sentem. Este campo de estudo é chamado de Interação Humano-Automação. Por muito tempo, cientistas tentaram adivinhar esses estados mentais usando matemática que assume que o comportamento humano segue uma "curva de sino" previsível de aleatoriedade, como lançar dados. Mas os humanos não são dados; somos desordenados e nem sempre temos dados suficientes para lançar os dados vezes o bastante para conhecer o padrão.

Este artigo apresenta uma nova e inteligente maneira de adivinhar o que um motorista está pensando sem precisar conhecer as "regras dos dados". Em vez de adivinhar probabilidades, os pesquisadores usam uma abordagem "baseada em conjuntos" (set-based). Pense nisso como um jogo de "Quente ou Frio" jogado com uma caixa que encolhe. Em vez de dizer: "O motorista tem 70% de chance de estar estressado", o sistema diz: "O nível de estresse do motorista está definitivamente em algum lugar dentro desta caixa específica". Conforme o motorista interage com o carro, a caixa fica menor e mais precisa. Os pesquisadores testaram isso em um simulador de direção com 20 voluntários, pedindo que dirigissem enquanto o carro assumia o controle. Eles descobriram que este método da "caixa que encolhe" foi melhor para prever quando um motorista assumiria o volante do que os métodos tradicionais de "lançamento de dados", especialmente ao olhar mais para o futuro.

A História do Artigo: Um Detetive com uma Caixa que Encolhe

O Problema: Os "Dados" Não Rolam Corretamente
A maioria das tentativas anteriores de ler a mente de um motorista baseia-se em probabilidade. Elas assumem que, se um motorista está estressado, é como lançar um dado onde o "estresse" aparece 30% das vezes. Para fazer isso funcionar, você precisa de uma quantidade massiva de dados para descobrir exatamente como o dado está pesado. Mas, na vida real, você não tem milhões de testes de condução para cada pessoa. Além disso, os pensamentos humanos nem sempre seguem curvas suaves e organizadas. Às vezes, um motorista pode estar perfeitamente calmo até que uma zona de construção apareça e, de repente, ele esteja em alerta máximo. Os métodos antigos têm dificuldade com esses saltos repentinos e com a falta de dados.

A Nova Ideia: Delimitar o Desconhecido
Os autores, Sibibalan Jeevanandam e Neera Jain, propõem uma estratégia diferente. Em vez de perguntar: "Qual é a chance de o motorista estar estressado?", eles perguntam: "Qual é o intervalo de possibilidades que se ajusta ao que vemos?".

Imagine que você está tentando encontrar um gato perdido em uma casa escura.

O Jeito Antigo (Probabilístico): Você adivinha que o gato tem 80% de chance de estar na cozinha, 15% no quarto e 5% na garagem. Você precisa de muitos dados passados sobre onde os gatos costumam se esconder para fazer essas suposições.
O Novo Jeito (Baseado em Conjuntos): Você não adivinha probabilidades. Em vez disso, você desenha uma caixa ao redor da cozinha. Você diz: "Sabemos com certeza que o gato está em algum lugar dentro desta caixa". Conforme você ouve um miado ou vê uma pata, você encolhe a caixa. Se o gato está definitivamente na cozinha, a caixa encolhe para apenas a cozinha. Se você ouve um miado no corredor, a caixa se expande para incluir o corredor. Você nunca precisa saber a "probabilidade" de o gato estar lá; você só precisa saber que a caixa é grande o suficiente para pegar o gato, mas pequena o suficiente para ser útil.

Neste artigo, o "gato" é o estado mental do motorista (Confiança, Risco Percebido e Carga de Trabalho). A "caixa" é um conjunto matemático que contém todos os valores possíveis para esses estados. Os pesquisadores tratam os fatores desconhecidos (como distrações repentinas ou pensamentos não medidos) como "desconhecidos, mas limitados". Eles não sabem exatamente o quanto a mente do motorista divaga, mas sabem que ela não vai vagar para fora do planeta. Então, eles desenham uma caixa grande o suficiente para cobrir essa divagação e, então, a encolhem conforme obtêm mais pistas.

Como o Detetive Funciona
O sistema age como um detetive resolvendo um mistério de duas maneiras:

A Pista do "Autorrelato": De vez em quando, o motorista é questionado: "Quanto você confia no carro?" ou "Quão arriscado isso parece?". O motorista responde em uma escala (como 0 a 100). Isso é um pouco impreciso porque o motorista pode arredondar sua resposta ou ser ligeiramente tendencioso. O sistema pega essa resposta e desenha um "conjunto viável" (uma caixa) ao redor dela.
A Pista da "Dependência": A pista mais importante é o que o motorista faz. Ele deixou o carro dirigir (dependência = 1) ou assumiu o volante (dependência = 0)? Esta é uma pista binária: sim ou não. O sistema usa um mapa especial (uma árvore de decisão) para descobrir quais estados mentais levam a qual ação. Por exemplo, o mapa pode dizer: "Se a Confiança for alta E o Risco for baixo, o motorista confiará no carro".

Ao combinar essas pistas, o sistema atualiza sua caixa. Se o motorista diz "Eu confio muito no carro" (Autorrelato), mas imediatamente assume o volante (Dependência), o sistema sabe que algo está errado com sua caixa atual. Ele encolhe a caixa para encontrar um novo ponto onde ambas as pistas façam sentido. Se a caixa se tornar vazia (significando que nenhum estado mental possível se ajusta às pistas), o sistema percebe que seu mapa está errado e redesenha todo o mapa usando os novos dados.

O Experimento: O Teste no Simulador
Para testar isso, os pesquisadores colocaram 20 pessoas em um simulador de direção. O carro foi configurado com automação de Nível 3, o que significa que ele podia dirigir sozinho, mas o motorista tinha que estar pronto para assumir o controle. A rota tinha "zonas de construção" (alta complexidade) e estradas normais (baixa complexidade).

Os motoristas tiveram que decidir se deixavam o carro dirigir ou se dirigiam eles mesmos.
A cada poucos minutos, eles paravam em um semáforo vermelho e respondiam perguntas sobre sua confiança, risco e carga de trabalho.
Os pesquisadores usaram a primeira metade da condução para "treinar" o sistema (desenhar os mapas e caixas iniciais) e a segunda metade para testar se o sistema conseguia adivinhar o estado do motorista em tempo real.

O Que Eles Descobriram
Os resultados foram promissores. O método da "caixa que encolhe" funcionou bem para a maioria das pessoas:

Consistência: Para cerca de 80% dos participantes, a caixa do sistema conseguiu conter o estado mental real do motorista pelo menos 75% das vezes. Para quatro participantes, foi 100% consistente.
Velocidade: O sistema foi rápido, calculando novas caixas em cerca de 0,03 a 0,07 segundos, o que é muito mais rápido do que os intervalos de 1 segundo entre os pontos de dados. Isso significa que ele poderia rodar em tempo real em um carro real.
Poder de Previsão: A maior vitória foi prever o futuro. Os pesquisadores perguntaram: "Podemos adivinhar se o motorista assumirá o volante daqui a 15, 30, 45 ou 60 segundos?".
- O novo método baseado em conjuntos foi o melhor preditor.
- Conforme o tempo de previsão aumentava (por exemplo, 60 segundos à frente), o novo método tornava-se melhor em relação aos métodos antigos.
- O "filtro de partículas" tradicional (o método probabilístico) piorava com o tempo. Os autores sugerem que isso ocorre porque as suposições do método antigo sobre o "ruído" (aleatoriedade) acumulavam erros ao longo do tempo, enquanto as "caixas" do método baseado em conjuntos permaneciam apertadas e precisas ao usar o histórico das ações do motorista para restringir as possibilidades.

Por Que Isso Importa
Este artigo sugere que não precisamos saber a "probabilidade" exata dos pensamentos de um ser humano para construir carros automatizados seguros. Só precisamos conhecer os limites desses pensamentos. Ao usar uma estrutura baseada em conjuntos, o sistema pode se adaptar a motoristas individuais, lidar com dados desordenados e prever o comportamento futuro com mais precisão do que os métodos atuais. É um passo em direção a carros que não apenas dirigem sozinhos, mas que realmente entendem o humano sentado ao lado deles, ajustando seu comportamento para manter todos seguros. Os autores observam que, embora isso funcione bem em um simulador, o próximo passo é ver se pode lidar com o caos da condução no mundo real e ser usado para ajustar automaticamente o nível de automação do carro para manter o motorista engajado.

Resumo Técnico: Uma Estrutura Geral Baseada em Conjuntos para Estimativa de Estado Cognitivo

Definição do Problema
O artigo aborda o desafio de estimar estados cognitivos humanos em contextos de Interação Humano-Automação (HAI), especificamente na condução com automação condicional (SAE Nível 3). A automação atual de segurança crítica exige que os motoristas supervisionem o sistema, mas os motoristas frequentemente sofrem tanto de monitoramento excessivo (carga de trabalho alta) quanto de confiança excessiva (negligência da atenção). As soluções existentes para automação adaptativa dependem da estimativa de estado cognitivo em tempo real, mas as abordagens dominantes na literatura são probabilísticas (ex: filtros de Kalman, filtros de partículas, POMDPs). Esses métodos exigem:

Conjuntos de dados grandes e estruturados para identificar distribuições de ruído (tipicamente Gaussianas).
Medições frequentes e periódicas, enquanto a condução no mundo real envolve interação contínua com autorrelatos esparsos e assíncronos.
Frequentemente focam apenas na "confiança", negligenciando outros fatores críticos como o risco percebido e a carga de trabalho.

Os autores argumentam que a cognição humana é influenciada por inúmeros fatores não medidos, tornando a caracterização probabilística da incerteza menos apropriada do que uma caracterização baseada em conjuntos limitados.

Metodologia
Os autores propõem uma estrutura baseada em conjuntos que trata as incertezas de processo e medição como "desconhecidas, mas limitadas" em vez de probabilísticas. A estrutura opera em duas fases: Identificação de Sistema e Estimativa de Estado Baseada em Conjuntos.

Modelagem:
- Espaço de Estados: O vetor de estado cognitivo $x$ inclui Confiança ( $T$ ), Risco Percebido ( $R$ ) e Carga de Trabalho ( $W$ ), todos com valores contínuos no intervalo $[0, 1]$ .
- Modelo de Processo: Uma equação de diferença afim limitada descreve a evolução do estado: $x^+(k) = Ax(k) + Bu(k) + C + w(k)$ , onde $u$ representa a complexidade da tarefa e $w$ é o ruído de processo desconhecido, porém limitado.
- Modelos de Medição:
  - Autorrelatos: Medições intermitentes e quantizadas (ex: escala de 0–100) modeladas como $y(k) = Q(x(k) + z(k))$ , onde $z$ é o ruído de medição limitado.
  - Dependência (Reliance): Observações binárias ( $q \in \{0, 1\}$ ) indicando se o motorista utiliza a automação, modeladas via uma função constante por partes $h(x)$ .
Identificação de Sistema (Fase de Treinamento):
- Usando um segmento de treinamento de dados, os autores estimam as matrizes do sistema ( $A, B, C$ ) minimizando os erros de previsão contra os autorrelatos.
- Limites de Ruído: Em vez de assumir uma distribuição, os limites de ruído ( $\epsilon_w, \epsilon_v$ ) são estimados impondo a conformidade do conjunto de alcance (reachset conformance). Isso garante que o conjunto de estados alcançáveis pelo modelo sob ruído limitado contenha todos os autorrelatos observados.
- Regiões de Dependência: Uma árvore de decisão binária é ajustada para identificar quais estados cognitivos influenciam a dependência e para particionar o espaço de estados em regiões ( $S_i$ ) com probabilidades associadas.
- Identificação de Subespaço: As divisões da árvore de decisão identificam um subespaço específico de estados cognitivos que realmente influenciam o comportamento de dependência de um indivíduo, permitindo a redução de dimensionalidade.
Estimativa de Estado Baseada em Conjuntos (Fase de Teste):
- O estimador mantém uma estimativa de estado baseada em conjuntos $X(k|k)$ dos estados cognitivos.
- Predição: O conjunto é propagado um passo à frente usando o modelo identificado e o ruído limitado.
- Atualização via Dependência: Ao observar a dependência binária ( $q$ ), o conjunto previsto é intersectado com o conjunto de estados viáveis para aquela observação de dependência ( $X^R_q$ ). Para melhorar a robustez, o estimador pode processar um bloco de observações de dependência passadas.
- Atualização via Autorrelatos: Quando um autorrelato quantizado chega, o conjunto é intersectado com o conjunto viável derivado do relatório.
- Adaptação Online: Se a interseção dos conjuntos tornar-se vazia (indicando que o modelo falhou em conter o estado real), o sistema aciona uma reestimativa de parâmetros usando os dados até aquele ponto.

Principais Contribuições

Primeira Abordagem Baseada em Conjuntos: Esta é a primeira estrutura que aplica a estimativa de estado baseada em conjuntos aos estados cognitivos humanos em uma interação HAI contínua e não baseada em tentativas (trials).
Robustez à Escassez de Dados: A estrutura evita a necessidade de grandes conjuntos de dados para caracterizar distribuições de ruído, baseando-se em incerteza limitada e conformidade de conjunto de alcance.
Estimativa de Múltiplos Estados: Estima simultaneamente Confiança, Risco Percebido e Carga de Trabalho, enquanto trabalhos anteriores focaram frequentemente apenas na confiança.
Identificação de Subespaço Individualizada: O método identifica quais estados cognitivos específicos impulsionam o comportamento de dependência de um indivíduo, permitindo uma estimativa direcionada.
Adaptabilidade Online: A inclusão de um mecanismo de atualização de modelo online permite que o sistema se adapte quando as estimativas iniciais de parâmetros falham em capturar novos comportamentos.

Resultados Experimentais
A estrutura foi avaliada utilizando dados de 20 participantes em um simulador de condução de média fidelidade com automação SAE Nível 3.

Consistência: Para 11 dos 15 participantes analisados, o estimador baseado em conjuntos alcançou pelo menos 75% de consistência (o conjunto estimado sobrepôs-se ao estado real implicado pelos autorrelatos). Quatro participantes atingiram 100% de consistência.
Incerteza: A incerteza média (volume do conjunto estimado em relação ao espaço de estados) variou de 0,42% a 38,37%, com 10 participantes atingindo incerteza abaixo de 15%.
Desempenho de Predição: Os autores avaliaram previsões de dependência com $N_p$ $N_{p}$ passos à frente ( $N_p \in \{15, 30, 45, 60\}$ $N_{p} \in {15, 30, 45, 60}$ passos de tempo). O estimador baseado em conjuntos superou consistentemente tanto o baseline de malha aberta quanto um filtro de partículas (usando suposições Gaussianas) em termos de Área Sob a Curva ROC (AUC-ROC).
- A lacuna de desempenho aumentou em horizontes mais longos (ex: em $N_p=60$ , o estimador baseado em conjuntos alcançou um AUC médio de 0,82 vs. 0,76 para o filtro de partículas).
- Os autores atribuem a degradação do filtro de partículas à acumulação de erros provenientes de suposições Gaussianas ad hoc, enquanto a abordagem baseada em conjuntos aproveita o histórico de observações de dependência através da interseção recursiva sem suposições de distribuição.
Computação: O tempo médio de computação do conjunto ficou entre 0,033 e 0,067 segundos, bem abaixo do intervalo de amostragem de 1 segundo, confirmando o potencial para implementação online em tempo real.

Significância e Alegações
O artigo afirma que esta estrutura permite que sistemas de automação sejam "continuamente conscientes de, e responsivos ao, estado do motorista humano" sem exigir a extensa coleta de dados ou as suposições de distribuição típicas de métodos probabilísticos. Ao tratar a incerteza como limitada em vez de probabilística, a abordagem é mais adequada para a natureza esparsa, assíncrona e quantizada dos dados de interação humano-automação do mundo real. Os autores posicionam este trabalho como um precursor necessário para o desenvolvimento de veículos automatizados verdadeiramente adaptáveis e conscientes do humano, que podem intervir com base em estados cognitivos personalizados (ex: ajustando tempos de antecedência de retomada de controle baseados nos níveis de confiança). O artigo conclui de forma modesta, observando que trabalhos futuros são necessários para implementar isso em políticas de controle de malha fechada e para incorporar medições adicionais para a estimativa do estado completo.

A História do Artigo: Um Detetive com uma Caixa que Encolhe

Resumo Técnico: Uma Estrutura Geral Baseada em Conjuntos para Estimativa de Estado Cognitivo

Mais como este