Uno studio dimostra che monitorare stress ed emozioni dei passeggeri migliora le decisioni dei veicoli autonomi nelle situazioni di rischio
Quando le auto a guida autonoma diventeranno una realtà diffusa, quanti di noi si sentiranno a proprio agio ad essere seduti senza mettere le proprie mani sul volante? Non è un mistero, infatti, che si sono verificati incidenti stradali che hanno messo in evidenza problemi di sicurezza nelle tecnologie di self driving car. Uno studio pubblicato su Cyborg and Bionic Systems, evidenzia un nesso interessante tra auto a guida autonoma e attività cerebrale. Il monitoraggio dell’attività cerebrale dei passeggeri potrebbe aiutare i sistemi di guida autonoma a prendere decisioni più sicure in situazioni rischiose.
Cosa dice lo studio
Insomma lo studio cinese sostiene che un algoritmo decisionale intelligente per la sicurezza, possa essere migliorato e sviluppato grazie all’analisi dei segnali cerebrali di chi è seduto come passeggero nell’auto che si guida da sola. In pratica, l’algoritmo basato sulla valutazione del rischio dei passeggeri, analizza gli stati fisiologici tramite una tecnologia non invasiva chiamata spettroscopia funzionale nel vicino infrarosso (fNIRS), che monitora in tempo reale l’attività cerebrale collegata allo stress, alle emozioni e alla percezione del rischio.
“La spettroscopia funzionale nel vicino infrarosso può fornire informazioni cognitive relative alla percezione del rischio umano e agli stati emotivi, ed è quindi considerata uno strumento in grado di migliorare i sistemi di guida autonoma“, ha affermato l’autore Xiaofei Zhang, professore presso l’Università Tsinghua di Pechino.
Come funziona l’algoritmo intelligente
I ricercatori hanno creato un nuovo sistema che combina i dati cerebrali dei passeggeri con il software di guida di un veicolo autonomo. Quando il sistema rileva che i passeggeri sono esposti a livelli di rischio o stress più elevati, il veicolo passa automaticamente a una strategia di guida più prudente. Questo perché l’algoritmo è progettato per apprendere più velocemente e prendere decisioni più sicure tenendo conto delle reazioni umane, migliorando un approccio già esistente chiamato TD3 – Twin Delayed Deep Deterministic Policy Gradient – una tecnica di apprendimento per rinforzo profondo usata per prendere decisioni ottimali in ambienti complessi. Il nuovo algoritmo rispetto all’esistente supera alcune carenze funzionali tipiche, come:
- difficoltà nel gestire situazioni ad alto rischio
- ottimizzazione focalizzata solo sul veicolo e non sull’esperienza del passeggero
- mancanza di una valutazione diretta del comfort e della sicurezza percepita
Cosa cambia rispetto al TD3 tradizionale
La vera innovazione è che l’algoritmo integra la valutazione del rischio dei passeggeri all’interno del processo decisionale. Il veicolo non decide solo come evitare un possibile incidente, ma come farlo riducendo stress e disagio per chi è a bordo. L’algoritmo è stato valutato in tre scenari critici tipici della guida autonoma, in cui deve bilanciare sicurezza, comfort e rapidità di risposta:
- Frenata autonoma di emergenza
- Intervento improvviso di un veicolo che precede
- Attraversamento improvviso di un pedone
Lo studio dimostra che i segnali fisiologici umani possono essere integrati con successo nei sistemi di guida autonoma, mentre la tecnologia fNIRS è una soluzione concreta per rendere i veicoli autonomi più “umani”, cioè capaci di adattare il proprio comportamento allo stato emotivo e cognitivo dei passeggeri. Il nuovo algoritmo converge più rapidamente, cioè impara soluzioni efficaci in meno tempo, migliora le prestazioni di sicurezza, aumenta il comfort dei passeggeri (manovre meno brusche, minore stress).
Tuttavia, i ricercatori hanno notato alcuni limiti. Gli scenari di guida testati erano relativamente semplici e i partecipanti provenivano da una fascia d’età ristretta e da contesti simili. Per questo motivo, i risultati potrebbero non essere applicabili a tutte le situazioni di guida reali. Serve un ulteriore step. “La ricerca futura avrà come obiettivo quello di convalidare l’algoritmo in scenari di guida più complessi e realistici e di migliorare ulteriormente l’accuratezza e la robustezza della valutazione del rischio di guida integrando le informazioni provenienti dai sensori del veicolo“, ha affermato Zhang.
