Entendiendo la Percepción del Conductor en Vehículos Automatizados

Los accidentes de tráfico son una de las principales causas de lesiones y muertes a nivel global, con alrededor de 1.35 millones de muertes y millones de lesiones no fatales cada año. Muchos de estos accidentes ocurren por errores de juicio humano. Un factor importante que contribuye a estos accidentes es cómo los conductores perciben el riesgo mientras manejan.

Cuando los conductores se sienten seguros, tienden a manejar con más comodidad, mientras que una alta percepción de riesgo los hace más cautelosos. Esta percepción puede cambiar según cómo los conductores vean la automatización en sus vehículos. Si un vehículo muestra un comportamiento de conducción deficiente, un conductor puede sentir un aumento en la sensación de riesgo, llevando a desconfiar de la automatización y potencialmente rechazando su uso por completo.

Para mejorar la seguridad vial, es esencial entender cómo los conductores perciben el riesgo al usar sistemas automatizados. Los investigadores han desarrollado modelos para estimar el Riesgo percibido basado en el riesgo real y otros factores, pero muchos de estos modelos son limitados en sus explicaciones y validaciones a través de diferentes escenarios de conducción. Este documento presenta un nuevo modelo computacional que tiene como objetivo entender mejor el riesgo percibido en los conductores de vehículos automatizados.

#La Necesidad de Modelos de Riesgo Percibido

Los modelos de riesgo percibido son necesarios para cuantificar cómo los conductores sienten los riesgos mientras manejan, especialmente en vehículos automatizados. Actualmente, hay dos tipos principales de modelos. Un tipo se basa en datos para producir estimaciones, mientras que el otro se basa en reglas derivadas de principios fundamentales.

Los modelos empíricos analizan datos del mundo real para derivar calificaciones de riesgo basadas en las acciones y percepciones de los conductores. A menudo se basan en datos de comportamiento recogidos de conductores durante diversos escenarios de conducción. Los modelos mecanicistas, por otro lado, se enfocan en entender el riesgo basado en las relaciones entre diferentes parámetros de conducción, utilizando ecuaciones para describir cómo interactúan esos parámetros.

A pesar de los esfuerzos de desarrollo, muchos modelos existentes no logran representar con precisión el riesgo percibido en una variedad de situaciones de conducción. Existe la necesidad de un nuevo modelo que capture efectivamente la naturaleza dinámica del riesgo percibido, particularmente en escenarios complejos que involucran otros vehículos y peligros potenciales.

#Introduciendo un Nuevo Modelo

El nuevo modelo computacional presentado en este estudio está diseñado para estimar el riesgo percibido para conductores de vehículos automatizados, específicamente en automatización de Nivel 2 de SAE. Este nivel permite a los conductores tomar el control del vehículo mientras utilizan algunas funciones automatizadas. El modelo se enfoca en la dificultad de evitar colisiones potenciales, denominada dificultad de evitar colisiones potenciales (PCAD).

PCAD incorpora el espacio de velocidad segura, que representa la diferencia entre la velocidad actual de un vehículo y la velocidad segura que permite un frenado y dirección efectivos. Este espacio toma en cuenta las incertidumbres en cómo se comportan otros vehículos y el control que el conductor tiene sobre el vehículo. La salida de este modelo proporciona una predicción del riesgo percibido a lo largo del tiempo y durante eventos específicos.

Los autores compararon el modelo PCAD contra tres modelos existentes utilizando dos conjuntos de datos distintos compuestos por eventos de conducción. Los hallazgos indicaron que PCAD generalmente superó a los otros modelos en términos de precisión y capacidad para reflejar la percepción del riesgo de los conductores humanos, aunque requiere más tiempo de cálculo.

#Entendiendo el Riesgo Percibido

El riesgo percibido es la evaluación subjetiva que hacen los conductores sobre los peligros potenciales que pueden enfrentar mientras están en la carretera. Esta percepción puede diferir enormemente del riesgo real presente en una situación de conducción. Un conductor podría sentirse seguro incluso cuando el riesgo real de un accidente es alto, o viceversa.

Cuando un conductor opera un vehículo en modo automatizado, su percepción del riesgo puede cambiar, especialmente si las acciones del vehículo parecen erráticas o inseguras. Este desajuste entre el riesgo real y el riesgo percibido puede llevar a comportamientos no deseados, como que los conductores reaccionen exageradamente a situaciones o no reaccionen cuando es necesario.

Varios factores pueden influir en cómo los conductores perciben el riesgo. Por ejemplo, las condiciones de conducción, la proximidad a otros vehículos y las acciones de los conductores circundantes pueden contribuir a la sensación de seguridad de un conductor. Los sistemas de conducción automatizada que responden bien a estos factores pueden ayudar a mejorar la confianza y aceptación de los conductores hacia la automatización.

#Resumen de Modelos de Riesgo Percibido

Hay dos categorías principales de modelos desarrollados para evaluar el riesgo percibido: modelos empíricos y modelos mecanicistas.

1. Modelos Empíricos: Estos modelos utilizan datos recogidos de situaciones de conducción del mundo real para entender y cuantificar el riesgo percibido. A menudo se basan en análisis estadísticos del comportamiento del conductor para crear marcos de evaluación de riesgo. Aunque son efectivos en ciertos contextos, muchos modelos empíricos carecen de validación en diversos escenarios de conducción, lo que dificulta su aplicación universal.

2. Modelos Mecanicistas: Estos modelos se basan en principios fundamentales de movimiento y seguridad. Tienen como objetivo crear una representación matemática de cómo interactúan varios factores para producir riesgo percibido. Si bien estos modelos pueden ofrecer ideas explicables sobre la dinámica del riesgo, a menudo tienen dificultades para mapear con precisión la relación entre riesgos reales y riesgos percibidos.

Este documento tiene como objetivo cerrar la brecha entre estos dos tipos de modelos al introducir un nuevo marco (PCAD) que se enfoca en la dinámica de conducción mientras toma en cuenta diversas incertidumbres durante la operación del vehículo.

#Fundamentos del Modelo

El nuevo modelo se formula utilizando varios principios clave, que incluyen:

• La importancia de evaluar la dificultad de evitar colisiones potenciales basándose en la interacción de varios parámetros de conducción.
• El reconocimiento de que la percepción del riesgo por parte del conductor está influenciada por las condiciones de conducción dinámicas y las incertidumbres relacionadas con el comportamiento de otros usuarios de la carretera.
• Un reconocimiento de que el riesgo percibido no es estático, sino que puede cambiar rápidamente según las interacciones inmediatas de conducción.

#Componentes Clave de PCAD

1. Espacio de Velocidad Segura: Esta métrica evalúa la distancia entre la velocidad actual del vehículo y la velocidad segura requerida para evitar una colisión potencial. La velocidad segura considera a otros usuarios de la carretera y sus posibles movimientos, lo que permite una visión más completa del riesgo durante la conducción.

2. Factores de Incertidumbre: El modelo incorpora incertidumbres en el movimiento y comportamiento del vehículo, que reflejan la naturaleza impredecible de los entornos de conducción. Esto incluye variaciones en la aceleración y cambios en la velocidad que pueden afectar significativamente el riesgo percibido.

3. Velocidad Percibida: El modelo considera cómo los conductores perciben la velocidad de su vehículo y de los vehículos circundantes, la cual está influenciada tanto por la velocidad real como por el comportamiento anticipado de otros usuarios de la carretera.

4. Dificultad de Evitar Colisiones: El núcleo del modelo se estructura en torno a la dificultad que enfrentan los conductores para evitar colisiones según su velocidad actual y el comportamiento de los vehículos cercanos.

#Aplicación y Validación

Para asegurar la efectividad del modelo PCAD, fue validado utilizando dos conjuntos de datos separados: uno enfocado en eventos de fusión y el otro en situaciones de evasión de obstáculos. Este proceso de validación involucró comparar las predicciones hechas por el modelo contra las calificaciones de riesgo percibido proporcionadas por conductores humanos.

Durante la fase de validación, el modelo demostró un alto grado de correlación con los datos de riesgo percibido basados en eventos, lo que indica que captura efectivamente cómo los conductores perciben riesgos en escenarios en tiempo real. El modelo también mostró una fuerte tasa de detección de eventos riesgosos en comparación con modelos tradicionales.

#Hallazgos Clave

La introducción del modelo PCAD revela varios insights importantes sobre cómo el riesgo percibido puede ser mejor comprendido y cuantificado en situaciones de conducción automatizada:

1. Naturaleza Dinámica del Riesgo Percibido: El modelo confirma que el riesgo percibido no es un valor estático, sino que cambia continuamente según las interacciones del conductor con el entorno.

2. Importancia de la Información del Movimiento: Al incorporar información de movimiento detallada en la evaluación del riesgo, el modelo puede proporcionar una reflección más precisa del riesgo percibido, que se alinea con las experiencias de los conductores humanos.

3. Efecto de las Incertidumbres: El reconocimiento de las incertidumbres en el comportamiento de conducción es crucial para entender el riesgo percibido. El modelo captura cómo cambios inesperados en el movimiento del vehículo pueden elevar el riesgo percibido para los conductores.

4. Evaluación de Riesgo 2D: El modelo PCAD resalta la necesidad de considerar tanto aspectos longitudinales como laterales del riesgo de conducción, abordando cómo los conductores perciben amenazas desde múltiples direcciones.

#Limitaciones y Direcciones Futuras

Si bien el modelo PCAD representa un avance significativo en la comprensión del riesgo percibido, todavía hay limitaciones a considerar:

• El marco actual se enfoca principalmente en vehículos individuales y no toma en cuenta las interacciones entre múltiples vehículos. La investigación futura podría expandir el modelo para incluir múltiples vehículos y sus interacciones en escenarios de tráfico complejos.

• Los conjuntos de datos utilizados para la validación involucraron escenarios específicos. Reunir más datos diversos en varias condiciones de conducción ayudará a mejorar la robustez y generalidad del modelo.

• El modelo no aborda completamente el impacto de diferentes tipos de usuarios de la carretera, como peatones y ciclistas. Incluir estos elementos en futuras iteraciones podría proporcionar una comprensión más integral del riesgo percibido.

#Conclusión

Este estudio ofrece una nueva perspectiva sobre cómo se puede cuantificar el riesgo percibido en contextos de conducción automatizada. Al desarrollar un modelo basado en la dinámica de la dificultad de evitar colisiones potenciales, la investigación avanza nuestra comprensión de cómo los conductores perciben el riesgo en escenarios en tiempo real.

Los hallazgos sugieren que un modelo integral que incorpore tanto elementos empíricos como mecanicistas puede conducir a una mayor seguridad en vehículos automatizados. A medida que la industria automotriz continúa avanzando hacia niveles más altos de automatización, entender las complejidades del riesgo percibido se vuelve cada vez más vital para asegurar la confianza y aceptación del conductor.

La investigación continua en esta área tiene el potencial de mejorar los procesos de evaluación de riesgos, informar el desarrollo de sistemas de automatización de conducción más seguros y, en última instancia, contribuir a reducir los accidentes de tráfico y mejorar la seguridad en las carreteras en general.