Predicción de la Conciencia del Conductor en Vehículos Automatizados

Entender cómo los conductores se mantienen al tanto de su entorno es importante, especialmente en vehículos automatizados (AVs). En la automatización de nivel 3, el coche puede conducir solo la mayor parte del tiempo, pero el conductor debe estar listo para tomar el control si algo sale mal. Esto se conoce como una solicitud de toma de control (TOR). Si los conductores no tienen una comprensión clara de su entorno, puede que no respondan lo suficientemente rápido cuando necesiten hacerse cargo.

Este estudio tuvo como objetivo crear un modelo que prediga cuán consciente está un conductor en tiempo real usando diferentes tipos de datos. Esto incluye información del cuerpo del conductor, como la frecuencia cardíaca y la respuesta de la piel, junto con cómo se mueven sus ojos mientras conducen. Al analizar datos de 67 participantes que condujeron en un simulador, pudimos identificar factores que afectan la Conciencia Situacional (SA) durante la conducción automatizada.

#Importancia de la conciencia situacional

La conciencia situacional (SA) se refiere a la capacidad de una persona para percibir lo que está sucediendo a su alrededor, entender la importancia de esos eventos y anticipar lo que podría suceder a continuación. En la conducción, mantener una buena SA es crucial. Ayuda a los conductores a reconocer peligros y responder adecuadamente, especialmente cuando deben recuperar el control del vehículo.

En vehículos automatizados de manera condicional, varios factores pueden afectar la SA. Por ejemplo, si un conductor está distraído por algo no relacionado con la conducción, su SA puede verse afectada. Esto puede llevar a situaciones peligrosas donde un conductor no responde correctamente a un TOR.

#Percepción del riesgo y sus efectos

Otro aspecto importante de la SA es la percepción del riesgo. La percepción del riesgo es cómo un conductor evalúa los peligros potenciales mientras conduce. Los conductores que ven un riesgo mayor tienden a estar más alertas y concentrados. Esto significa que tienen una mejor comprensión de su entorno y pueden actuar de manera más efectiva cuando es necesario.

Sin embargo, la percepción del riesgo de un conductor puede cambiar según varios factores:

• Confiabilidad de la automatización: Si los conductores piensan que el sistema automatizado es confiable, pueden bajar la guardia. Pero los encuentros con fallas pueden hacer que sean más cautelosos y estén más atentos.

• Transparencia del sistema: Cuando los conductores entienden cómo funciona el sistema, pueden evaluar mejor los riesgos. La falta de transparencia puede llevar a la desconfianza y a una menor SA.

• Peligros ambientales: La presencia de peligros, como mal tiempo u obstáculos, puede aumentar la conciencia de un conductor.

• Diferencias individuales: Factores como la edad y la experiencia de conducción también influyen en cómo los conductores perciben el riesgo y su SA resultante.

#Medición de la conciencia situacional

Para entender cuán conscientes están los conductores, los investigadores han confiado tradicionalmente en medidas autoinformadas o calificaciones de observadores. Técnicas como la Técnica de Evaluación Global de Conciencia Situacional (SAGAT) se centran en congelar un escenario y hacer preguntas al respecto. Otros métodos, como la Técnica de Calificación de Conciencia Situacional (SART), implican que observadores entrenados evalúen el comportamiento de un conductor.

Si bien estas técnicas proporcionan información, tienen limitaciones. Pueden pasar por alto la naturaleza dinámica de la SA, depender de la memoria e introducir sesgos. Por lo tanto, capturar datos en tiempo real es crucial.

Se están explorando métodos más nuevos que recopilan datos objetivos. Estos incluyen:

• Frecuencia cardíaca (HR): Los cambios en la frecuencia cardíaca pueden indicar cuán comprometido o estresado se siente un conductor.

• Respuesta Galvánica de la Piel (GSR): Esto mide la conductancia de la piel y puede revelar la excitación emocional.

• Seguimiento ocular: Al monitorear dónde y cuánto tiempo mira un conductor, podemos entender sus niveles de enfoque y atención.

Estas medidas objetivas ofrecen una imagen más clara que los autoinformes subjetivos y proporcionan datos continuos en varios escenarios de conducción.

#El papel del aprendizaje automático

Los avances recientes en el aprendizaje automático ofrecen formas prometedoras de predecir la SA en tiempo real. Al analizar varias fuentes de datos, los modelos de aprendizaje automático pueden estimar el nivel de conciencia de un conductor, ayudando a identificar posibles fallos.

Sin embargo, la mayoría de los estudios se han centrado en tipos únicos de datos. Un enfoque más amplio que combine múltiples fuentes de datos, como señales fisiológicas y monitoreo ocular, podría ofrecer mejores predicciones e ideas.

#Diseño de investigación

Para llenar los vacíos existentes, este estudio reunió un conjunto de datos completo. Incorporamos datos fisiológicos, métricas de seguimiento ocular y características del conductor para crear un modelo predictivo de SA durante la conducción automatizada.

#Participantes

Un total de 67 participantes participaron en el estudio, con una edad promedio de 27.6 años. Todos tenían licencias de conducir válidas y experiencia en conducción. Los participantes recibieron compensación por el tiempo que pasaron en el estudio.

#Configuración del experimento

Utilizamos un simulador de conducción para crear escenarios de conducción del mundo real. Los participantes condujeron en modo automatizado y realizaron tareas no relacionadas con la conducción, como jugar un juego en una tablet, mientras el simulador registraba sus respuestas a los eventos de TOR.

Durante el experimento, se registraron datos fisiológicos como GSR y HR, y los movimientos oculares fueron monitoreados para entender con qué frecuencia y dónde miraban los participantes.

#Condiciones del estudio

El diseño del estudio incluyó variaciones en la percepción del riesgo y la ocurrencia de errores de automatización. Los participantes experimentaron dos condiciones: escenarios de alto riesgo con información negativa sobre el sistema automatizado y escenarios de bajo riesgo que proporcionaban retroalimentación positiva.

#Recolección de datos

A lo largo de las simulaciones, los participantes informaron su SA cada 30 segundos. Proporcionaron información sobre su nivel de conciencia, que sirvió como base para el entrenamiento y la validación del modelo.

#Desarrollo del modelo predictivo

El objetivo principal era crear un modelo capaz de predecir la SA de un conductor utilizando los datos recolectados. Se eligió la Máquina de Impulsión de Gradiente Ligero (LightGBM) por su eficacia en el manejo de grandes conjuntos de datos.

#Importancia de las características

Al analizar los datos, identificamos cuáles características eran más importantes para predecir la SA. Las características clave incluyeron:

• Factores demográficos: Edad, experiencia de conducción y familiaridad con sistemas de automatización.

• Medidas fisiológicas: GSR, frecuencia cardíaca y variabilidad de la frecuencia cardíaca.

• Métricas de seguimiento ocular: Cantidades de fijaciones, duraciones y dispersión (qué tan ampliamente se mueven los ojos a través de diferentes áreas).

Usar características seleccionadas según su importancia mejoró la precisión de la predicción.

#Desempeño del modelo

El desempeño del modelo se evaluó utilizando varias medidas. Al centrarse en las características más influyentes, pudimos predecir la SA del conductor con un error cuadrático medio (RMSE) de 0.90.

#Entendiendo los resultados

El estudio proporcionó valiosas ideas sobre la relación entre la percepción del riesgo, los errores de automatización y la SA:

1. Edad y SA: Los conductores más jóvenes mostraron una influencia mínima de la edad en sus niveles de SA, mientras que los conductores de mediana edad tuvieron predicciones de SA más bajas.

2. Conocimiento de AV: Los conductores con mayor conocimiento de la tecnología AV tendieron a tener predicciones de SA más bajas.

3. Señales fisiológicas: Un mayor GSR se vinculó a una mejor SA, sugiriendo que las respuestas emocionales aumentadas pueden mejorar la conciencia.

4. Observaciones de seguimiento ocular: Más fijaciones en tareas no relacionadas con la conducción se correlacionaron con una menor SA, indicando que las distracciones impactan negativamente la conciencia.

5. Errores de automatización: Los participantes mostraron niveles de SA más altos cuando ocurrían errores, ya que se concentraron más en la tarea de conducción.

#Explorando efectos de riesgo y errores de automatización

Al manipular la percepción del riesgo y la confiabilidad de la automatización, observamos que los conductores ajustaron su conciencia según la información que recibían. El contenido de alto riesgo resultó en una mejor SA.

Además, cuando ocurrieron errores con el AV, los conductores se volvieron más vigilantes, lo que llevó a una mejor conciencia. Los datos de seguimiento ocular confirmaron que los participantes miraban más a la carretera cuando había errores, indicando un cambio de enfoque de las tareas no relacionadas con la conducción al entorno de conducción.

#Conclusión

El desarrollo de un modelo predictivo para la SA usando aprendizaje automático ofrece posibilidades emocionantes para mejorar la seguridad y el rendimiento de los conductores en vehículos automatizados. Al integrar diversas fuentes de datos, podemos crear una comprensión más completa de los factores que influyen en la SA.

Este enfoque permite intervenciones oportunas y sistemas de apoyo que se adaptan a las necesidades individuales de los conductores. La investigación futura debería seguir explorando estas relaciones y refinar modelos para mejorar la efectividad de los sistemas de apoyo al conductor en entornos automatizados.

#Direcciones futuras

Abordar las limitaciones de este estudio es esencial para la investigación futura. Realizar estudios en entornos más realistas y utilizar una gama más amplia de escenarios de conducción mejorará la comprensión. Explorar diferentes métodos de evaluación para la SA ayudará a crear evaluaciones más confiables.

Además, se necesitan técnicas avanzadas de fusión de datos para mejorar la confiabilidad del modelo. La evaluación continua en entornos del mundo real asegurará que el modelo pueda adaptarse a diversas situaciones, fomentando finalmente interacciones más seguras entre los conductores y los sistemas automatizados.