Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

Dirigir é uma negociação constante entre o que vemos e o que prevemos. Nossos olhos varrem a estrada, verificando as marcações da faixa e o velocímetro, mas não podem permanecer fixos em cada detalhe para sempre. O cérebro humano não é uma câmera que grava um vídeo contínuo; é um processador que constrói uma imagem mental do mundo e atualiza essa imagem apenas quando necessário. Quando desviamos o olhar por uma fração de segundo, nosso cérebro não fica simplesmente em branco. Em vez disso, ele depende de uma estimativa interna, um palpite sobre onde o carro está e quão rápido ele está indo, baseado na última vez que olhamos e nas ações que acabamos de realizar. Essa imagem mental é útil, mas também é frágil. À medida que o tempo passa sem novas informações visuais, o palpite torna-se menos certo e o risco de erro aumenta. A questão que há muito intriga os pesquisadores não é apenas quanto tempo os motoristas conseguem desviar o olhar, mas como eles decidem o que olhar quando têm tempo limitado e múltiplas coisas para monitorar.

Por décadas, cientistas estudaram como os motoristas gerenciam sua atenção, focando frequentemente em uma única tarefa, como manter-se em uma faixa. No entanto, dirigir na vida real raramente é tão simples. Um motorista deve simultaneamente dirigir o carro para permanecer na faixa e gerenciar a velocidade para acompanhar o tráfego ou as placas de sinalização. Essas duas tarefas estão interligadas; se a estrada faz uma curva acentuada, o motorista deve diminuir a velocidade e, se o carro estiver indo rápido demais, torna-se mais difícil dirigir com segurança. Até agora, modelos computacionais que tentavam simular como os motoristas pensam sobre sua atenção tratavam majoritariamente essas tarefas separadamente. Eles podiam explicar como um motorista decide olhar para a estrada para permanecer em uma faixa, ou como olha para o velocímetro para manter a velocidade, mas não podiam explicar como um motorista escolhe entre as duas quando ambas estão incertas ao mesmo tempo. Essa lacuna de compreensão nos deixa com um quadro incompleto de como os seres humanos realmente gerenciam as decisões complexas de frações de segundo necessárias para dirigir com segurança.

Uma equipe de pesquisadores da Universidade de Jyväskylä e da Universidade de Tecnologia de Kochi construiu um novo modelo computacional para preencher essa lacuna. Eles criaram um motorista digital que aprende a dirigir um carro em um ambiente simulado, mas com um detalhe: a visão do motorista é frequentemente bloqueada, como se estivesse usando óculos que escurecem. O motorista digital deve decidir quando levantar os óculos para olhar para a estrada, quando olhar para o velocímetro e quando mantê-los fechados e confiar em seu palpite interno. O objetivo do modelo não era ser programado com regras específicas sobre quando olhar, mas aprender através de tentativa e erro, tal como um ser humano faz, ao tentar permanecer na faixa e manter a velocidade dentro de uma faixa segura enquanto minimiza o esforço de olhar. Os pesquisadores queriam ver se um computador, dado apenas os objetivos básicos de dirigir e a limitação de não poder ver tudo o tempo todo, desenvolveria naturalmente uma estratégia de olhar que se assemelha ao comportamento humano real.

Para testar isso, os pesquisadores primeiro coletaram dados de trinta participantes humanos em um simulador de direção. Essas pessoas dirigiram em uma estrada curva e montanhosa usando óculos especiais que podiam bloquear sua visão. Os participantes foram instruídos a manter o carro no centro da faixa e manter uma velocidade entre 100 e 110 quilômetros por hora. Eles podiam puxar uma alavanca para restaurar brevemente a visão por meio segundo sempre que sentissem que precisavam verificar a estrada ou a velocidade. Os pesquisadores registraram exatamente quanto tempo os motoristas mantiveram os olhos fechados, com que frequência olharam e quanto tempo passaram olhando para a estrada versus o velocímetro. Esses dados humanos serviram como o ponto de referência, o padrão do mundo real contra o qual o modelo computacional seria medido.

O modelo computacional foi projetado com uma hierarquia de tomada de decisão, espelhando a forma como um cérebro humano poderia organizar essas tarefas. Ele possuía três partes distintas trabalhando juntas. A primeira parte era responsável pela direção, a segunda pelo controle da velocidade e a terceira era um supervisor que decidia qual das duas partes inferiores precisava de novas informações. Quando o supervisor decidia olhar, ele escolhia ou a estrada ou o velocímetro, mas não ambos ao mesmo tempo, simulando o fato de que o olhar de um motorista é focado em uma coisa de cada vez. O modelo aprendeu através de reforço, um método onde recebia recompensas por permanecer na faixa e manter a velocidade correta, e penalidades por bater ou exceder a velocidade. Crucialmente, o modelo também recebia uma pequena penalidade por cada vez que decidia olhar, representando o custo mental de mudar a atenção. Isso forçou o modelo a ser eficiente, olhando apenas quando a incerteza de seu palpite interno se tornava alta demais para ser ignorada.

Quando os pesquisadores rodaram o modelo sob as mesmas condições de simulação usadas pelos motoristas humanos, os resultados foram surpreendentemente semelhantes. O motorista do computador desenvolveu um padrão de olhar que correspondia de perto aos dados humanos. Em média, o modelo olhou para a estrada durante cerca de 24 por cento do tempo e para o velocímetro durante cerca de 10 por cento, deixando o restante do tempo com os olhos fechados ou olhando para outro lugar. Essa distribuição foi muito próxima da média humana, onde os motoristas olharam para a estrada durante aproximadamente 29 por cento do tempo e para o velocímetro durante 12 por cento. O modelo também coincidiu com os humanos na duração de quanto tempo mantinham os olhos fechados, com uma média de pouco menos de um segundo por olhar, e na frequência com que verificavam, olhando cerca de sete vezes a cada dez segundos. Até mesmo a velocidade com que o modelo dirigia e o número de vezes que ele se desviava ligeiramente da faixa de velocidade alvo foram consistentes com os participantes humanos.

A descoberta mais significativa foi que o modelo alcançou essa semelhança sem ser instruído sobre exatamente como se comportar. Não havia uma regra pré-programada dizendo "olhe para a estrada a cada cinco segundos". Em vez disso, ele aprendeu que, para permanecer seguro, precisava equilibrar o risco de sair do curso ou aumentar a velocidade contra o custo de olhar. Quando a estrada estava reta e a velocidade estava estável, o modelo aprendeu a manter os olhos fechados por períodos mais longos, confiando em sua previsão interna. Quando a estrada fazia curvas ou a velocidade começava a oscilar, o modelo aprend via aprender a olhar com mais frequência para corrigir seu palpite. Isso sugere que a forma como os humanos alocam sua atenção não é um hábito aleatório, mas uma estratégia adaptativa que emerge da necessidade de gerenciar a incerteza de forma eficiente. O modelo mostrou que os motoristas estão essencialmente gerenciando um orçamento de atenção, gastando-o apenas quando o custo de não saber se torna alto demais.

No entanto, o estudo também revelou uma limitação na compreensão da imperfeição humana. Embora os motoristas humanos ocasionalmente desviassem de sua faixa, algo comum na condução real, o modelo computacional nunca cometeu esse erro. O modelo era perfeito demais ao dirigir, provavelmente porque foi treinado para evitar erros de forma tão estrita que nunca assumiu os pequenos riscos que os humanos naturalmente assumem. Isso sugere que, embora o modelo capture a lógica de como os motoristas decidem o que olhar, ele ainda superestima a estabilidade do controle humano. Motoristas reais não estão apenas gerenciando a incerteza; eles também estão lidando com limitações físicas e lapsos ocasionais de foco que o modelo atual não replica totalmente.

As implicações deste trabalho estendem-se além da compreensão de como dirigimos. Ao mostrar que a atenção é um recurso dinâmico gerenciado para manter as previsões internas precisas, o modelo oferece uma nova maneira de pensar sobre sistemas de segurança do motorista. Os sistemas de aviso atuais frequentemente dependem de regras simples, como soar um alarme se o motorista desviar o olhar por mais de dois segundos. Mas esta pesquisa sugere que o perigo de desviar o olhar depende inteiramente da situação. Desviar o olhar por dois segundos em uma rodovia reta e vazia pode ser perfeitamente seguro porque o palpite interno do motorista ainda é preciso. Esse mesmo olhar de dois segundos em uma colina íngreme e sinuosa pode ser perigoso porque o palpite já está se tornando pouco confiável. Um sistema baseado neste modelo poderia estimar a incerteza interna do motorista e alertá-lo apenas quando a falta de visão realmente ameaçasse a segurança, em vez de apenas contar segundos.

Em última análise, este estudo fornece uma explicação formal para um comportamento que todos realizamos sem pensar: a arte de saber quando olhar e quando confiar no instinto. Demonstra que a habilidade humana de dirigir com segurança enquanto desvia o olhar não é uma falha de atenção, mas uma forma sofisticada de adaptação. Ao tratar a atenção como uma ferramenta para atualizar um modelo mental do mundo, os pesquisadores mostraram que o cérebro está constantemente calculando o custo da informação contra o risco de erro. O modelo computacional, apesar de sua simplicidade, recriou com sucesso esse equilíbrio complexo, provando que os padrões da atenção humana não são arbitrários, mas o resultado de um esforço racional, embora limitado, para permanecer seguro em um mundo incerto.