Come guidiamo? Scopri come l'IA legge lo stile di guida

Quando sei in auto con un altro veicolo, noti subito se il conducente è prudente, aggressivo o tranquillo. Capire questi dettagli in modo automatico è un grande passo per le auto autonome. I ricercatori hanno creato un sistema che impara a riconoscere lo stile di guida senza bisogno di etichettare ogni guida manualmente. Usano una rete neurale chiamata VAE (variational autoencoder) con due decoder: uno per il comportamento del conducente e uno per il veicolo che precede. In questo modo, la rete impara a separare ciò che fai tu da ciò che fa l’altro veicolo, e un meccanismo di attenzione misura quanto influisci sulla distanza di sicurezza. I risultati? Un’accuratezza del 98,88% nell’identificare il conducente e una scoperta interessante: una variabile nascosta chiamata z22 è legata alla distanza minima di seguito e all’efficienza. Aumentando z22, i margini di sicurezza migliorano del 18% ma l’efficienza cala del 23%, mostrando un compromesso naturale tra prudenza e velocità. Questo approccio apre la strada a sistemi in grado di trasferire lo stile di guida in modo controllato, rendendo le auto più consapevoli delle scelte umane.

Il framework proposto adotta un'architettura VAE a doppio decoder, dove il primo decoder ricostruisce la traiettoria del veicolo che segue e il secondo ricostruisce l’identità del conducente come proxy label. La perdita combinata include un termine di ricostruzione, un termine di classificazione dell’identità e un regularizzatore KL per garantire uno spazio latente disentangled. Le caratteristiche self-dynamics (accelerazione, velocità del veicolo che segue) sono separate dalle caratteristiche interaction-dynamics (distanza, decelerazione indotta dal veicolo davanti) tramite un meccanismo di attenzione che pesa l’impatto del veicolo lead. La verifica bidirezionale di interpretabilità utilizza mappe di salienza basate su gradienti per correlare ogni dimensione latente con metriche comportamentali come distanza di sicurezza, tasso di cambio di velocità e efficienza del car‑following. L’analisi delle informazioni mutue mostra che la dimensione z22 codifica il compromesso safety‑efficiency, con una correlazione di 0,71 con la distanza minima e −0,68 con il consumo di carburante. La traversata unidimensionale conferma che manipolando z22 si può spostare il conducente verso uno stile più sicuro o più efficiente. Il dataset comprende 25 conducenti su autostrada, con 10 000 traiettorie registrate tramite sensori LiDAR e GPS. Future estensioni potrebbero applicare il modello a scenari di guida più complessi, come incroci e manovre di cambio corsia, e integrare moduli di ricompensa basati su regole per una guida ancora più sicura.