La integración de vehículos automatizados promete varios beneficios para la movilidad urbana, incluida una mayor seguridad, una reducción de la congestión del tráfico y una mejor accesibilidad. Los vehículos autónomos también permiten a los conductores realizar tareas no relacionadas con la conducción (NDRT), como descansar, trabajar o mirar multimedia en el camino. Sin embargo, la adopción generalizada se ve obstaculizada por la limitada confianza de los pasajeros. Para abordar esto, explicar las decisiones de los vehículos automatizados puede promover la confianza al proporcionar control y reducir las experiencias negativas. Para ser efectivas, estas explicaciones deben ser informativas, comprensibles y concisas.
Los enfoques actuales de inteligencia artificial explicable (XAI) atienden en gran medida a los desarrolladores, centrándose en escenarios de alto riesgo o explicaciones complejas, potencialmente inadecuadas para los viajeros. Para llenar este vacío, los modelos XAI centrados en el pasajero deben comprender el tipo y el momento de la información necesaria en escenarios de conducción del mundo real.
Para abordar esta brecha, un equipo de investigación dirigido por el profesor Seung Joon Kim del Instituto Gwangju de Ciencia y Tecnología (GIST) en Corea del Sur investigó las demandas descriptivas de los pasajeros en vehículos automatizados en condiciones reales de la carretera. Luego introdujeron un conjunto de datos multimodal, llamado TimelyTale, que incorpora datos de sensores específicos de los pasajeros para descripciones oportunas y contextuales. “Nuestra investigación traslada el enfoque de XAI en la conducción autónoma de los desarrolladores a los pasajeros. Hemos creado un punto para recopilar la demanda real de los pasajeros sobre claridad en el vehículo y crear explicaciones situacionales oportunas para los pasajeros. Lo que se ha desarrollado es la apariencia”, explica el profesor Kim .
Sus hallazgos están disponibles en dos estudios publicados el 27 de septiembre de 2023 y el 9 de septiembre de 2024 en las Actas de tecnologías interactivas, móviles, portátiles y ubicuas de la ACM. Los autores recibieron el ‘Premio al artículo distinguido’ en UbiComp 2024. Un estudio histórico titulado ‘¿Qué y cuándo explicar?: Evaluación en carretera de explicaciones en vehículos altamente automatizados’.
Los investigadores primero estudiaron los efectos de diferentes tipos de descriptores visuales, incluida la percepción, la atención y una combinación de ambos, y su tiempo en la experiencia de los pasajeros en situaciones de conducción reales utilizando realidad aumentada. Descubrieron que el estado de conciencia del vehículo mejoraba la confianza, la seguridad percibida y la conciencia situacional sin abrumar a los pasajeros. También descubrieron que la probabilidad de un peligro de tráfico era el factor más influyente a la hora de decidir cuándo dar una explicación, especialmente cuando los pasajeros sentían una sobrecarga de información.
Con base en estos hallazgos, los investigadores desarrollaron el conjunto de datos TimelyTale. Este enfoque incluye datos exteroceptivos (sobre el entorno externo, como imágenes, sonidos, etc.), propioceptivos (sobre posiciones y movimientos corporales) e interoceptivos (sobre sensaciones corporales, como dolor, etc.) que se recopilan de los pasajeros. . Diferentes tipos de sensores en escenarios naturales de conducción, como elementos clave para predecir sus demandas descriptivas. En particular, este trabajo también incluye el concepto de distracción, que se refiere a la atención de los pasajeros desde los NDRT a la información relacionada con la conducción. Este método identificó eficazmente tanto el momento como la frecuencia de las demandas de aclaración de los pasajeros, así como las explicaciones específicas que buscan durante las situaciones de conducción.
Utilizando este enfoque, los investigadores desarrollaron un modelo de aprendizaje automático que predice el mejor momento para dar una explicación. Además, como prueba de concepto, los investigadores realizaron modelos en toda la ciudad para generar descripciones de texto basadas en diferentes lugares de conducción.
“Nuestra investigación sienta las bases para la creciente aceptación y adopción de vehículos autónomos, que probablemente remodelarán el transporte urbano y la movilidad personal en los próximos años”, comentó el profesor Kim.
