Resumen: Modelar las interacciones peatón-conductor es fundamental para comprender el comportamiento humano de los usuarios de la vía y desarrollar sistemas seguros de vehículos autónomos. Los enfoques existentes a menudo se basan en lógica basada en reglas, modelos de teoría de juegos o métodos de aprendizaje automático de “caja negra”. Sin embargo, estos modelos suelen carecer de flexibilidad o pasar por alto los mecanismos subyacentes, como las limitaciones sensoriales y motoras, que dan forma a la forma en que los peatones y los conductores perciben y actúan en escenarios interactivos. En este estudio, proponemos un marco de aprendizaje por refuerzo (RL) de múltiples agentes que integra restricciones visuales y motoras de agentes peatones y conductores. Utilizando un conjunto de datos del mundo real de un paso de peatones no señalizado, evaluamos cuatro variantes del modelo, una sin restricciones, dos con restricciones motoras o visuales, y una con ambas, a través de métricas de comportamiento de realismo de interacción. Los resultados muestran que el modelo combinado con restricciones visuales y motoras funciona mejor. Las limitaciones motoras conducen a movimientos más suaves que se asemejan a los ajustes de velocidad humanos durante las interacciones de cruce. La adición de restricciones visuales introduce incertidumbre perceptual y limitaciones en el campo de visión, lo que lleva a los agentes a exhibir un comportamiento más cauteloso y variable, como una desaceleración menos abrupta. En este entorno de datos limitados, nuestro modelo supera a un modelo de clonación conductual supervisada, lo que demuestra que nuestro enfoque puede ser eficaz sin grandes conjuntos de datos de entrenamiento. Finalmente, nuestro marco tiene en cuenta las diferencias individuales modelando parámetros que controlan las limitaciones humanas como distribuciones a nivel de población, una perspectiva que no ha sido explorada en trabajos anteriores sobre modelado de interacción peatón-vehículo. En general, nuestro trabajo demuestra que la RL multiagente con restricciones humanas es un enfoque de modelado prometedor para simular interacciones realistas de los usuarios de la carretera.
Publicado originalmente en export.arxiv.org el 2 de noviembre de 2025.
Ver fuente original
