🤖 AI

Emotion in an active inference model of human driving

Este artigo propõe um framework de inferência ativa expandido para a condução humana que integra estados afetivos contínuos (valência e excitação) condicionados tanto por resultados atuais quanto por resultados futuros previstos, demonstrando que os sinais emocionais resultantes se alinham com os padrões afetivos relatados em cenários de condução interativa.

Autores originais: Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

Publicado 2026-08-11

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Julian F. Schumann, Johan Engström, Ran Wei, Jens Kober, Martijn Wisse, Arkady Zgonnikov

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 dirigindo por uma rodovia e, de repente, o carro à sua frente desvia sem sinalizar. Seu coração acelera, seu estômago dá um nó e você pode até sentir um lampejo de raiva. Mas você já se perguntou por que seu cérebro reage dessa forma? Cientistas que estudam como máquinas e cérebros tomam decisões têm uma teoria chamada "inferência ativa". Pense nisso como um detetive superinteligente dentro da sua cabeça que está constantemente tentando adivinhar o que acontecerá a seguir. Ele tenta prever o futuro para evitar ser surpreendido. Se o mundo corresponde às suas previsões, ele se sente calmo. Se o mundo lança um imprevisto, o detetive fica confuso e tenta entender o que está acontecendo. Por muito tempo, esses modelos de detetive foram ótimos em explicar como dirigimos ou freamos, mas lhes faltava uma peça crucial do quebra-cabeça: os sentimentos. Eles não sabiam como calcular a "raiva" ou o "alívio". Isso é importante porque, se quisermos construir carros autônomos que possam compartilhar a estrada com segurança com os humanos, esses carros precisam entender não apenas a física de uma colisão, mas a montanha-russa emocional que leva a ela.

Neste artigo, uma equipe de pesquisadores decidiu ensinar o seu detetive de direção a sentir. Eles pegaram um modelo existente que já sabia dirigir um carro usando a inferência ativa e deram a ele um novo conjunto de "óculos emocionais". Esses óculos permitiram que o modelo visse o mundo através de duas lentes específicas: valência (o quão boa ou ruim uma situação parece ser) e excitação (o quão alerta ou em pânico se sente). Em vez de apenas olhar para o carro logo à frente, o modelo começou a olhar adiante, prevendo o que poderia acontecer nos próximos segundos. Eles testaram esse motorista emocional em duas situações complicadas: uma em que um carro no lado oposto da estrada cortou subitamente o seu caminho, e outra em que um carro em um cruzamento ignorou uma placa de "pare".

Os resultados foram surpreendentemente humanos. Quando o outro motorista seguia as regras, o modelo permanecia calmo e relaxado, com seu nível de "excitação" mantendo-se baixo. Mas quando o outro motorista quebrava as regras — como desviar para a sua faixa ou ignorar uma placa de pare — as emoções do modelo disparavam. Sua "excitação" aumentava, simulando aquela sensação de estar em estado de alerta, e sua "valência" tornava-se negativa, mimetizando o sentimento de raiva ou frustração. O modelo não reagiu apenas ao perigo imediato; ele reagiu à surpresa do comportamento ruim. Por exemplo, no cenário do cruzamento, quando o outro carro continuou vindo apesar das regras, a "raiva" do modelo cresceu até que ele decidiu frear bruscamente para evitar uma colisão. Curiosamente, o modelo mostrou que, se uma colisão se tornasse inevitável, sua "excitação" na verdade caía porque a incerteza havia acabado — ele sabia exatamente o que ia acontecer, mesmo que fosse algo ruim. Isso sugere que o modelo capturou com sucesso a ligação entre a violação de normas de trânsito e o sentimento de emoções negativas.

Os pesquisadores descobriram que, ao observar a diferença entre o que o motorista esperava que acontecesse e o que realmente aconteceu (ou o que era provável que acontecesse), eles podiam gerar esses sinais emocionais. Eles descobriram que a "raiva" do modelo estava diretamente ligada ao outro motorista violar normas sociais, exatamente como um motorista humano real sentiria. No entanto, os autores ressaltam cautelosamente que tudo isso está ocorrendo dentro de uma simulação de computador. Eles ainda não testaram isso em pessoas reais, portanto, embora os resultados pareçam muito promissores e correspondam ao que sabemos sobre a psicologia humana, são ainda apenas um palpite muito sofisticado baseado em matemática. O modelo também tem um ponto cego: ele ainda não entende como as emoções podem mudar o comportamento do motorista (como a raiva poder fazer um motorista assumir mais riscos). Mas, como um primeiro passo, este trabalho sugere que podemos construir carros autônomos que não apenas calculam a física, mas também entendem o peso emocional da estrada, potencialmente tornando-os melhores parceiros para os motoristas humanos.

Resumo Técnico: Emoção em um Modelo de Inferência Ativa de Direção Humana

Definição do Problema
A inferência ativa emergiu como uma estrutura principista para modelar o comportamento adaptativo ao equilibrar a ação direcionada a objetivos com a redução da incerteza. Embora aplicada com sucesso a cenários de direção humana (ex: seguimento de veículo, manutenção de faixa, evasão de colisão), os modelos existentes negligenciam amplamente o estado afetivo (emoção), um determinante crítico da tomada de decisão humana no tráfito. Tentativas anteriores de integrar emoções na inferência ativa limitaram-se a "problemas de brinquedo" (toy problems) simplificados de espaço de estados discretos, que carecem da capacidade de planejamento realista necessária para cenários de condução complexos. Há uma necessidade de estender essas capacidades de modelagem emocional para modelos de espaço de estados contínuos de direção que deem conta de planejamento de políticas de múltiplos passos.

Metodologia
Os autores estendem um modelo de inferência ativa existente de evasão de colisão na direção humana (Schumann et al.) para incorporar um modelo de emoção do condutor baseado no modelo circunplexo de afeto de Russell (valência e excitação/arousal). A estrutura central opera da seguinte forma:

Modelo Generativo: O agente mantém uma crença estocástica $q(s)$ (via filtros de partículas) sobre o ambiente, aproximando um processo generativo externo. O modelo de transição combina uma verossimilhança cinemática (modelo de bicicleta) e uma verossimilhança normativa (conformidade com as regras de trânsito).
Seleção de Política: O agente avalia políticas candidatas $\pi_t$ (sequências de ações ao longo de um horizonte $H$ ) minimizando a Energia Livre Esperada (EFE). A EFE equilibra o valor pragmático (alcançar resultados preferidos) e o valor epistêmico (reduzir a incerteza).
Formulação da Emoção:
- Valência ( $V$ ): Definida como a diferença entre o valor pragmático atual e o esperado. Para adaptar isso ao tempo contínuo e ao planejamento de múltiplos passos, os autores propõem:
  - Dividir pelo passo de tempo $\Delta t$ para garantir a independência de frequência.
  - Calcular o Valor Esperado ( $V(E)$ ) como a média do valor pragmático sobre os estados previstos das últimas $N=5$ políticas para garantir estabilidade contra a seleção estocástica de políticas.
  - Calcular o Valor Atual ( $V(A)$ ) com base na política de referência atual (a que está em vigor no momento) em vez de contrafatuais, refletindo as interações contínuas organismo-ambiente.
  - $V_t = V(A)_t - V(E)_t$ .
- Excitação/Arousal ( $A$ ): Definida como a entropia da crença posterior do agente. Os autores argumentam que usar a incerteza cinemática bruta é contraintuitivo (ex: agentes distantes podem induzir alta incerteza/excitação, enquanto colisões iminentes podem induzir baixa incerteza devido ao rastreamento preciso). Em vez disso, eles mapeiam a excitação para a incerteza de um estado abstrato significativo: a probabilidade de colisão ( $p_{coll}$ $p_{co l l}$ ).
  - $p_{coll}$ é a probabilidade máxima esperada de colisão ao longo do horizonte de predição, derivada de um classificador binário de colisão.
  - A excitação é calculada como a entropia binária desta probabilidade de colisão: $A_t = -[p_{coll} \ln(p_{coll}) + (1-p_{coll}) \ln(1-p_{coll})]$ .

Principais Contribuições

Extensão para Estado Contínuo: O artigo generaliza a formulação de emoção de estado discreto de Pattisapu et al. para um modelo de inferência ativa de direção de espaço de estados contínuos.
Avaliação Orientada ao Futuro: A proposta de formulação condiciona as estimativas afetivas não apenas aos estados atuais, mas também aos resultados futuros previstos (sobre um horizonte de múltiplos passos), alinhando-se com as teorias de avaliação (appraisal theories) da emoção.
Estimativa de Valência Estável: Ao calcular a média dos valores esperados sobre múltiplas políticas passadas, o modelo reduz a variabilidade causada pela seleção estocástica de políticas, gerando sinais afetivos mais estáveis.
Excitação Semântica: Os autores introduzem um método para derivar a excitação da incerteza de estados semânticos de alto nível (probabilidade de colisão) em vez da incerteza cinemática de baixo nível, evitando respostas de excitação irracionais a agentes distantes e não ameaçadores.

Resultados
A abordagem foi avaliada em dois cenários de direção interativa envolvendo 128 simulações cada: um cenário de incursão lateral e um de interseção com violação de prioridade. O agente interagiu com um agente complacente ou um agente não complacente (adversário).

Incursão Lateral:
- Agente Complacente: A excitação aumentou inicialmente conforme a probabilidade de colisão subiu, mas diminuiu conforme o outro agente se comportava de forma benigna. A valência tornou-se positiva à medida que o valor pragmático melhorou.
- Agente Não Complacente: Ao violar as normas pelo outro agente, o agente modelado perdeu a confiança, levando ao aumento da incerteza (excitação) e valência negativa. O agente evitou com sucesso uma colisão, causando uma queda subsequente na excitação e aumento na valência.
Interseção:
- Agente Complacente: As emoções permaneceram neutras/calmas enquanto o outro agente cedia a preferência.
- Agente Não Complacente: O agente experimentou valência negativa e aumento de excitação conforme o outro agente ignorava as regras de trânsito. Em casos de evasão bem-sucedida, o agente cedeu a preferência, levando ao alívio (valência positiva). Em casos de colisão, a excitação diminuiu apenas quando a colisão se tornou inevitável (certeza do resultado), e a valência permaneceu inferior aos casos de evasão.
Mapeamento Circunplexo: Quando mapeadas para o modelo circunplexo, as emoções do agente alinharam-se com padrões humanos: violações de normas induziram raiva (valência negativa, alta excitação), enquanto a evasão bem-sucedida levou ao relaxamento. Resultados de colisão transitaram da tristeza para a depressão.

Significância e Alegações
O artigo alega que a inferência ativa fornece uma estrutura viável e principista para modelar os componentes afetivos do comportamento de direção humana. A principal significância reside em:

Interpretabilidade Mecanística: O modelo oferece uma explicação estruturada de como os estados emocionais surgem de processos cognitivos (ex: desvios de resultados esperados induzem valência negativa; incerteza sobre violações de normas induz excitação).
Alinhamento com a Teoria da Avaliação: Os resultados apoiam as teorias de avaliação ao demonstrar que as respostas afetivas são impulsionadas por resultados antecipados e pela violação de expectativas sociais/normativas.
Estrutura Unificada: O trabalho apoia a visão da inferência ativa como um relato unificado de percepção, ação e afeto, mostrando que os estados afetivos podem ser inferidos a partir da mesma estrutura generativa usada para a modelagem do comportamento.

Limitações
Os autores observam algumas limitações:

O modelo captura erros de predição de curto prazo, mas negligencia expectativas de nível superior ou de longo prazo (ex: um motorista em um congestionamento pode ainda sentir valência negativa apesar de predições de curto prazo estáveis).
A avaliação é limitada à simulação; nenhuma comparação direta com dados humanos (ex: expressões faciais) foi realizada.
O modelo é unidirecional (o comportamento afeta a emoção) e ainda não considera como as emoções podem modular o comportamento (ex: a raiva aumentando a propensão ao risco).

Mais como este