Structural Equation Modelling

Estos trabajos son realizados sobre individuos en entornos reales (por ejemplo, dentro de un vehículo) para obtener información directa del comportamiento de los mismos. De esta manera se pueden obtener clasificaciones de tipos de personas e identificar sus patrones de comportamiento. Estos patrones son útiles por ejemplo para predecir el próximo movimiento del individuo (como la realización de un cambio de carril sin indicarlo previamente) o para poder señalar a las personas más propensas a sufrir algún tipo de percance en el tráfico.

La Sección 2.2.1.1 introduce la observación e interpretación de las señales físicas de los individuos. Estas interpretaciones permiten realizar las clasificaciones de los mismos. Por su parte, la Sección 2.2.1.2 aborda la inferencia del comportamiento de las personas involucradas en el tráfico, identificando los patrones que denotan una futura acción de la persona sin que ésta la indique explícitamente.

2.2.1.1 Observación e interpretación del comportamiento

Para la interpretación de los gestos y las decisiones de los individuos se utilizan múltiples instrumentos que recogen la información de las actuaciones y las señales físicas. Existen diferentes posibilidades según el tipo de individuo observado y los instrumentos que se utilicen.

En los conductores, una primera opción consiste en medir la presión ejercida sobre los pedales del freno y el acelerador del vehículo, consiguiendo reconocer el tipo de maniobras realizadas por cada conductor. Hay varios ejemplos de este tipo de aproximaciones, como [46, 94].

En [94] se desarrolla un Controlador de Articulación de Modelo Cerebelar (CMAC,

Cerebellar Model Articulation Controller) con el objetivo de considerar los datos

procedentes de los sensores colocados en los pedales de los vehículos. Se trata de obtener información específica sobre el estrés o agresividad del individuo que está al

volante. Clasificando y evaluando estos datos se elabora un perfil de comportamiento que permite determinar el estado de ánimo del conductor: los individuos que presionan con más fuerza y frecuencia los pedales se identifican como más agresivos, mientras que los que realizan presiones menos enérgicas y repetitivas sobre estos se les reconoce como más moderados. Recientemente se está desarrollando un método para no sólo identificar de manera precisa la emoción del conductor, sino también poder predecir con cierta exactitud sus emociones. Esta información emocional sobre los conductores resulta relevante en el modelado y simulación de su comportamiento, ya que la toma de decisiones durante la conducción se ve afectada.

Por su parte, [46] añade a la información sobre el uso de los frenos la gesticulación y los movimientos que realiza el conductor durante la conducción. La información obtenida al recoger y depurar estos datos permite a los autores inferir el tipo de comportamiento del conductor e identificar situaciones potencialmente peligrosas. Los resultados obtenidos en esta aproximación muestran una relación directa entre el comportamiento de los conductores y los factores externos que deben afrontar, como pueden ser congestiones y tráfico lento, vías con poca visibilidad o la influencia de otros conductores próximos.

Existen otras opciones de información de entrada en este tipo de estudios. Por ejemplo, en [36] el análisis se basa en el estudio del diálogo del conductor. A partir de él se trata de establecer las emociones que experimenta, ya que estas afectan a su modo de conducir. Este sistema se apoya en una serie de funciones matemáticas lineales. Además, utiliza una base de datos que contiene un conjunto de datos relacionados con experimentos que analizan el comportamiento de los conductores basándose en el estado de ánimo de los mismos. Estos datos junto a las funciones diseñadas sirven para desarrollar reglas de entrenamiento para una red neuronal borrosa, la cual identifica los distintos tipos de emociones en los conductores.

El comportamiento de las personas también puede verse afectado por los otros individuos que les acompañan en el trayecto. Por ello hay trabajos que consideran las relaciones de los conductores con los acompañantes o la influencia de otros peatones sobre un individuo desplazándose a pie.

En [17] se tiene en cuenta la presencia de los pasajeros junto a otras características en el aumento del riesgo de colisión entre vehículos. Se evalúa la facilidad de los pasajeros para distraer a los conductores e incluso modificar algunas de sus características individuales como pueden ser el carácter o el nivel de estrés. Estas modificaciones son causadas por el rol que toman los pasajeros, pudiendo ser beneficioso o perjudicial para el conductor.

En [19] se estudia la influencia de los grupos de peatones sobre los individuos. Se consideran los datos obtenidos de múltiples observaciones realizadas sobre un entorno que presenta riesgos para los peatones. Se trata de un cruce donde interactúan peatones y conductores. Se elabora una simulación basada en datos reales con la intención de obtener estadísticas y conclusiones relevantes basadas en la probabilidad de las acciones de los individuos. Además, se introduce el concepto grupo de peatones. Éste se basa en la siguiente suposición: un peatón que está al frente de un grupo tiene influencia sobre el resto de individuos que le siguen. Por ejemplo, si este primer individuo comienza a atravesar una vía, el resto de individuos comenzarán a hacerlo también suponiendo que el peligro representado en este caso por los vehículos es suficientemente bajo como para poder cruzar con seguridad. Esto muestra como el

2.2.1.1 Observación e interpretación del comportamiento

comportamiento de los peatones se ve modificado por las personas a su alrededor, dejándose llevar por las decisiones de otros en ciertas ocasiones.

Las conclusiones obtenidas en este grupo de estudios señalan algunos de los aspectos a considerar en el LMT y en el modelado de escenarios concretos. Estos trabajos indican que el comportamiento de las personas involucradas en el tráfico no se ve afectado sólo por los elementos externos, sino que también depende de su estado de ánimo y su actitud al enfrentarse a estos elementos y situaciones. Además, se muestra la influencia de la componente social.

2.2.1.2 Inferencia del comportamiento

Este tipo de estudios intentan inferir el comportamiento de las personas para predecir con un cierto nivel de certidumbre algunas de las maniobras más simples que llevan a cabo. Las maniobras concretas y cómo se realiza dicha predicción cambian en función de cómo está enfocado cada uno de los trabajos.

Así, en [87] se presenta un sistema capaz de anticipar con una probabilidad elevada cuando un conductor va a realizar un cambio de carril. Para ello, aplica un modelo Gaussiano [70] de tipo estático condicional a una red Bayesiana [55]. En cuanto a las maniobras de cambio de carril, estas se clasifican en tres tipos según la influencia de los factores externos en los conductores:

• Permanencia en el carril actual. • Cambio normal al carril más próximo. • Cambio de emergencia al carril más próximo.

Además, este trabajo define perfiles de comportamiento para los conductores mediante una clasificación jerárquica en cuatro niveles:

• Nivel 1: Dominio de las maniobras del vehículo. Función ejecutiva.

• Nivel 2: Manejo de las situaciones del tráfico. Función específica de la situación. • Nivel 3: Objetivos y contexto de la conducción. Función específica del dominio

del tráfico.

• Nivel 4: Objetivos durante la vida y habilidades desarrolladas. Función independiente del dominio del tráfico.

Este tipo de trabajo permite comprender mejor las interacciones entre los individuos involucrados en el tráfico. En concreto, es útil para saber cómo los conductores interpretan las señales externas para anticipar cambios en el entorno y planificar así sus propias acciones.

Otro trabajo similar que analiza e infiere el comportamiento es [77]. En este caso se emplean sensores para medir la presión sobre los pedales de manera similar a los trabajos de la sección anterior (ver Sección 2.2.1.1) y algoritmos probabilísticos mediante modelos ocultos de Markov [67]. Al igual que el caso anterior, se anticipan los cambios de carril, aunque también se consiguen inferir los giros, la posición del vehículo y el estado de ánimo del conductor mediante las señales biométricas obtenidas por los sensores.

Por otra parte, el trabajo también muestra una clasificación precisa del estado del conductor (por ejemplo, neutral, agresivo, distraído y adormilado). Esta clasificación proporciona un punto inicial a considerar en aproximaciones que modelen el

comportamiento de los conductores, ya que permite la obtención de perfiles temporales de comportamiento.

Una aproximación distinta a las dos anteriores es la de [42]. En este caso se infiere el comportamiento de los conductores al llegar a un cruce. La dificultad radica en la influencia mutua entre los vehículos: se considera que los conductores tienen otros vehículos delante de ellos, por lo que la velocidad de todos ellos es similar y se ve afectada por los cambios en la de los demás. Para llevar a cabo esta inferencia se utilizan redes Bayesianas [55] basadas en un Modelo Inteligente del Conductor (IDM,

Intelligent Driver Model), mientras que los datos a evaluar son obtenidos mediante el

Sistema de Posicionamiento Global (GPS, Global Positioning System). En cuanto a los tipos de acciones evaluadas por este trabajo son:

• Continuar de frente. • Parar en línea de stop. • Girar a la derecha.

• Girar a la derecha y parar en un paso de peatones.

Las maniobras y perfiles utilizados en este tipo de trabajos son importantes para la realización del LMT, ya que indican información a considerar por el mismo. Además, muestran que el comportamiento de las personas es predecible en base a ciertos indicadores, y que entre estos indicadores se ha de considerar la influencia del resto de individuos.