Modellare il Comportamento dei Pedoni per Strade più Sicure
Esaminando come la gente attraversa le strade per migliorare la sicurezza con veicoli autonomi.
Yueyang Wang, Aravinda Ramakrishnan Srinivasan, Yee Mun Lee, Gustav Markkula
― 6 leggere min
Indice
- Approcci Attuali per Modellare il Comportamento dei Pedoni
- Modelli Meccanistici
- Modelli di Apprendimento Automatico
- Lavori Precedenti
- Fattori Chiave nel Comportamento di Attraversamento dei Pedoni
- Meccanismi Sensori-Motori
- Sviluppo del Modello
- Raccolta Dati
- Risultati Chiave dell'Esperimento
- Accettazione del Gap
- Tempo di Inizio dell'Attraversamento (CIT)
- Velocità Media di Camminata
- Varianti del Modello
- Modello SM
- Modello S
- Modello M
- Conclusioni e Implicazioni
- Applicazioni Pratiche
- Limitazioni
- Fonte originale
- Link di riferimento
Capire come si comportano i pedoni quando attraversano la strada è molto importante, soprattutto mentre sviluppiamo veicoli autonomi (AV) che condivideranno le strade con le persone. I pedoni possono agire in modi complessi e imprevedibili. Quindi, è essenziale creare modelli che possano prevedere come le persone si comporteranno in queste situazioni.
Approcci Attuali per Modellare il Comportamento dei Pedoni
Ci sono principalmente due tipi di modelli usati per studiare il comportamento dei pedoni: modelli meccanistici e modelli di apprendimento automatico.
Modelli Meccanistici
I modelli meccanistici cercano di spiegare come le persone prendono decisioni basate sulla loro comprensione e percezione dell'ambiente circostante. Questi modelli spesso si concentrano sui processi cognitivi, il che significa che guardano a come le persone pensano e fanno scelte. Tuttavia, non sempre funzionano bene nella vita reale perché possono essere troppo semplicistici e faticano ad adattarsi a diversi ambienti.
Modelli di Apprendimento Automatico
I modelli di apprendimento automatico, invece, imparano da grandi set di dati per prevedere come potrebbero comportarsi i pedoni. Possono essere molto accurati ma presentano le loro sfide. Ad esempio, spesso hanno bisogno di molti dati etichettati su cui allenarsi. Inoltre, possono comportarsi come "scatole nere", il che significa che è difficile sapere perché fanno previsioni specifiche. Potrebbero anche non funzionare bene al di fuori degli scenari su cui sono stati addestrati.
Lavori Precedenti
Nelle ricerche precedenti, si è cercato di combinare i punti di forza di entrambi gli approcci, meccanistici e di apprendimento automatico. L'obiettivo era creare modelli che potessero prevedere le decisioni dei pedoni in modo più accurato includendo intuizioni dalla scienza cognitiva.
In questo nuovo studio, i ricercatori miravano a costruire su lavori precedenti aggiungendo più dettagli su come i pedoni percepiscono l'ambiente e lo sforzo fisico coinvolto nel camminare. Volevano creare un modello che non solo prendesse decisioni, ma mostrasse anche come una persona si muove quando attraversa la strada.
Fattori Chiave nel Comportamento di Attraversamento dei Pedoni
Quando si studia come le persone attraversano la strada, diversi elementi chiave giocano un ruolo nel loro processo decisionale:
Meccanismi Sensori-Motori
Questi meccanismi riguardano come le persone percepiscono il loro ambiente e come ciò influisce sulle loro scelte.
Percezione Rumorosa
La percezione delle persone dell'ambiente può essere poco chiara o rumorosa per vari motivi, come differenze individuali nella vista o cattive condizioni atmosferiche. Questo può influenzare la loro capacità di giudicare quando è sicuro attraversare la strada.
Avversione al Rischio
L'avversione al rischio si riferisce a come gli individui tendono a reagire più fortemente a oggetti che sembrano avvicinarsi rapidamente. Questa percezione può influenzare quando un pedone decide di attraversare la strada.
Pressione del Tempo
Quando c'è pressione per agire velocemente, come quando un'auto si avvicina rapidamente, i pedoni possono decidere di attraversare la strada più rapidamente.
Sforzo di Camminata
Le persone considerano anche quanta energia spenderanno camminando quando decidono quanto velocemente attraversare. Questo aspetto non ha ricevuto molta attenzione nei precedenti studi.
Controllo della Velocità Balistica
Gli esseri umani regolano il loro movimento in un modo non continuo ma piuttosto fatto di passi distinti. Questo significa che le persone potrebbero non regolare la loro velocità in modo fluido, ma invece fare cambiamenti rapidi in base alla situazione.
Sviluppo del Modello
Per testare il loro modello aggiornato, i ricercatori hanno condotto un esperimento in cui le persone dovevano attraversare in sicurezza la strada tra due veicoli in avvicinamento. Diversi fattori sono stati variati durante l'esperimento, come la velocità dei veicoli, il tempo di intervallo tra di essi e se venivano dati segnali per indicare che un veicolo si stava fermando per i pedoni.
Raccolta Dati
I dati sono stati raccolti dalle azioni dei partecipanti, comprese le loro decisioni di attraversare, il tempo impiegato per iniziare ad attraversare e le loro velocità di camminata. L'obiettivo era comprendere meglio i diversi modi in cui i pedoni si comportano in vari scenari.
Risultati Chiave dell'Esperimento
I risultati hanno evidenziato diversi comportamenti importanti associati all'attraversamento dei pedoni:
Accettazione del Gap
L'accettazione del gap si riferisce a quanto un pedone è disposto ad attraversare la strada in base a quanto è vicino un veicolo e quanto velocemente si sta avvicinando. Lo studio ha trovato che i pedoni erano più propensi ad attraversare quando i veicoli viaggiavano a velocità più elevate e quando c'era un gap più ampio tra i veicoli.
CIT)
Tempo di Inizio dell'Attraversamento (Il CIT è il tempo che impiega un pedone per iniziare ad attraversare una volta che vede un gap. I risultati hanno indicato che i pedoni in genere iniziavano ad attraversare prima quando i veicoli si avvicinavano rapidamente e quando avevano un gap di tempo più ampio.
Velocità Media di Camminata
I partecipanti hanno mostrato che spesso camminavano più velocemente quando affrontavano un gap di tempo più piccolo, specialmente in scenari di cedimento. Lo studio ha trovato che i pedoni tendevano a camminare più lentamente quando erano incerti sulla loro decisione di attraversamento.
Varianti del Modello
I ricercatori hanno testato diverse versioni del loro modello per vedere quanto bene prevedevano il comportamento dei pedoni basandosi su questi risultati:
Modello SM
Questo modello includeva tutti gli elementi sensoriali e motori precedentemente discussi e ha performato meglio nel catturare il comportamento dei pedoni.
Modello S
Questa versione si concentrava solo sugli aspetti sensoriali e non considerava quelli motori. Anche se ha catturato alcuni comportamenti, non ha performato bene come il modello SM.
Modello M
Questo modello includeva aspetti motori ma escludeva quelli sensoriali. Era limitato nella sua capacità di prevedere il comportamento dei pedoni rispetto al modello SM.
Conclusioni e Implicazioni
Lo studio ha concluso che incorporare sia meccanismi sensoriali che motori nei modelli di attraversamento dei pedoni è fondamentale per simulare accuratamente come le persone si comportano in situazioni reali.
Applicazioni Pratiche
Ci sono diverse applicazioni potenziali per questo modello migliorato:
Sicurezza degli AV: Il modello può aiutare a progettare AV che possano interagire meglio con i pedoni, migliorando la sicurezza stradale.
Gestione del Traffico: Il modello può assistere nella creazione di progetti stradali e sistemi di gestione del traffico più sicuri, prevedendo accuratamente i comportamenti dei pedoni.
Ambienti di Test: Il modello può essere integrato in ambienti di test virtuali per le tecnologie AV, fornendo un modo più sicuro per valutare come gli AV potrebbero coesistere con i pedoni.
Limitazioni
Sebbene il modello abbia catturato molti comportamenti osservati, alcuni fenomeni non sono stati rappresentati completamente. Ad esempio, le differenze nel comportamento tra pedoni giovani e anziani non erano così chiare. Le future ricerche mirano a colmare queste lacune per creare un modello ancora più completo.
Concentrandosi su come i fattori sensoriali e motori interagiscono nel comportamento dei pedoni, questa ricerca contribuisce a una migliore comprensione di come garantire interazioni sicure tra pedoni e veicoli in spazi condivisi.
Titolo: Modeling Pedestrian Crossing Behavior: A Reinforcement Learning Approach with Sensory Motor Constraints
Estratto: Understanding pedestrian behavior is crucial for the safe deployment of Autonomous Vehicles (AVs) in urban environments. Traditional pedestrian behavior models often fall into two categories: mechanistic models, which do not generalize well to complex environments, and machine-learned models, which generally overlook sensory-motor constraints influencing human behavior and thus prone to fail in untrained scenarios. We hypothesize that sensory-motor constraints, fundamental to how humans perceive and interact with their surroundings, are essential for realistic simulations. Thus, we introduce a constrained reinforcement learning (RL) model that simulates the crossing decision and locomotion of pedestrians. It was constrained to emulate human sensory mechanisms with noisy visual perception and looming aversion. Additionally, human motor constraint was incorporated through a bio-mechanical model of walking. We gathered data from a human-in-the-loop experiment to understand pedestrian behavior. The findings reveal several phenomena not addressed by existing pedestrian models, regarding how pedestrians adapt their walking speed to the kinematics and behavior of the approaching vehicle. Our model successfully captures these human-like walking speed patterns, enabling us to understand these patterns as a trade-off between time pressure and walking effort. Importantly, the model retains the ability to reproduce various phenomena previously captured by a simpler version of the model. Additionally, phenomena related to external human-machine interfaces and light conditions were also included. Overall, our results not only demonstrate the potential of constrained RL in modeling pedestrian behaviors but also highlight the importance of sensory-motor mechanisms in modeling pedestrian-vehicle interactions.
Autori: Yueyang Wang, Aravinda Ramakrishnan Srinivasan, Yee Mun Lee, Gustav Markkula
Ultimo aggiornamento: 2024-09-22 00:00:00
Lingua: English
URL di origine: https://arxiv.org/abs/2409.14522
Fonte PDF: https://arxiv.org/pdf/2409.14522
Licenza: https://creativecommons.org/licenses/by/4.0/
Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.
Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.
Link di riferimento
- https://www.michaelshell.org/
- https://www.michaelshell.org/tex/ieeetran/
- https://www.ctan.org/pkg/ieeetran
- https://www.ieee.org/
- https://www.latex-project.org/
- https://www.michaelshell.org/tex/testflow/
- https://www.ctan.org/pkg/ifpdf
- https://www.ctan.org/pkg/cite
- https://www.ctan.org/pkg/graphicx
- https://www.ctan.org/pkg/epslatex
- https://www.tug.org/applications/pdftex
- https://www.ctan.org/pkg/amsmath
- https://www.ctan.org/pkg/algorithms
- https://www.ctan.org/pkg/algorithmicx
- https://www.ctan.org/pkg/array
- https://www.ctan.org/pkg/subfig
- https://www.ctan.org/pkg/fixltx2e
- https://www.ctan.org/pkg/stfloats
- https://www.ctan.org/pkg/dblfloatfix
- https://www.ctan.org/pkg/endfloat
- https://www.ctan.org/pkg/url
- https://mirror.ctan.org/biblio/bibtex/contrib/doc/
- https://www.michaelshell.org/tex/ieeetran/bibtex/