| Tesis Doctorales de la Universidad de Alcalá |
| EXPLAINABLE FEATURES AND MODELS FOR ROAD USER’S BEHAVIOUR UNDERSTANDING AND PREDICTION | | Autor/a | Melo Castillo, Angie Nataly | | Departamento | Automática | | Director/a | Sotelo Vázquez, Miguel Ángel | | Codirector/a | Salinas Maldonado, Carlota | | Fecha de depósito | 20-10-2025 | | Periodo de exposición pública | 21 de octubre a 3 de noviembre de 2025 | | Fecha de defensa | Sin especificar | | Modalidad | Presencial | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | Hoy en día, lograr transparencia y explicabilidad en la inteligencia artificial es uno de los principales desafíos en el contexto de los vehículos autónomos. Comprender los procesos de toma de decisiones es esencial para iterar y mejorar el comportamiento de estos vehículos, especialmente cuando dichas decisiones impactan en sistemas diseñados para proteger a los usuarios más vulnerables de las vías, enfatizando la importancia de detectar peatones en la vía y anticipar su comportamiento.
Esta tesis se centra en la investigación de características explicables y enfoques interpretables dentro del dominio del comportamiento de los peatones y la predicción de la presencia de peatones ocluidos.
Antes de diseñar e implementar enfoques explicables, se analizó el estado actual de la detección de peatones ocluidos y de la predicción del comportamiento de los peatones, considerando ambas tareas desde una perspectiva de explicabilidad. A partir de ello, se realizó la definición e implementación de características explicables, planteando como hipótesis cinco esenciales: orientación del peatón, acción del peatón, atención del peatón, distancia entre el peatón y el vehículo autonomo, y la distancia del peatón a la acera. Con esta definición, se desarrollaron dos enfoques explicables.
El primer enfoque explicable se basa en una arquitectura neuro-simbólica que integra lógica difusa y redes neuronales. Esta técnica fue aplicada para predecir el comportamiento peatonal un segundo en el futuro.
El segundo enfoque explicable se basa en grafos de conocimiento, inferencia bayesiana y técnicas de técnicas de inteligencia artificial generativa, proporcionando un método basado en conocimiento aplicado tanto a la predicción del comportamiento de peatones como a la predicción de peatones ocluidos. Para este último caso de uso, se creó y utilizó el conjunto de datos OccluRoads. Este dataset incluye colecciones de escenas viales de entornos reales y de realidad virtual, enriquecidas con información contextual que refleja la percepción humana y proporciona pistas para la detección de peatones completamente ocluidos.
Ambos modelos fueron evaluados utilizando el conjunto de datos JAAD. El primer enfoque también fue probado en un entorno de co-simulación en realidad virtual, mientras que el segundo fue evaluado en escenarios de realidad virtual que incorporan un agente basado en conocimiento para la predicción de colisiones con peatones ocluidos en el simulador CARLA. Los resultados demuestran que los enfoques propuestos superan el estado del arte a la vez que incorporan explicabilidad e interpretabilidad en sus resultados. |
|
