| Tesis Doctorales de la Universidad de Alcalá |
| VEHICLE LANE CHANGE PREDICTION BASED ON KNOWLEDGE GRAPH EMBEDDINGS AND BAYESIAN INFERENCE | | Autor/a | Hussien, Mohamed Ahmed Abdelaziz Manzour | | Departamento | Automática | | Director/a | Sotelo Vázquez, Miguel Ángel | | Codirector/a | Izquierdo Gonzalo, Rubén | | Fecha de depósito | 26-11-2025 | | Periodo de exposición pública | 27 de noviembre a 11 de diciembre de 2025 | | Fecha de defensa | Sin especificar | | Programa | Tecnologías de la Información y las Comunicaciones (RD 99/2011) | | Mención internacional | Solicitada | | Resumen | La predicción de cambios de carril ha adquirido un notable impulso en los últimos años;
sin embargo, la mayoría de los estudios existentes se centran exclusivamente en maniobras
seguras y ofrecen una validación limitada más allá de la simulación. Esta tesis aborda
dichas limitaciones mediante el desarrollo de un marco unificado basado en Knowledge
Graph Embeddings (KGE) y la inferencia bayesiana para predecir tanto comportamientos
de cambio de carril seguros como arriesgados. El enfoque propuesto modela las relaciones
semánticas entre las características cinemáticas y contextuales del tráfico, representadas
de forma lingüística, con el fin de capturar la dinámica de la escena circundante de manera
más efectiva que los métodos numéricos tradicionales. Este diseño mejora tanto la
interpretabilidad como la transparencia del proceso de predicción. Entrenado con los conjuntos
de datos HighD y CARLA Risky-lane-change Anticipation in Simulated Highways
(CRASH), el modelo alcanza hasta un 90% de F1-score para maniobras seguras y un
91.5% para maniobras arriesgadas, anticipando los cambios de carril hasta cuatro segundos
antes de que ocurran. La eficiencia de la predicción se valida primero en simulación
mediante su integración con una estrategia de toma de decisiones, confirmando que la anticipación
temprana mejora la seguridad en la conducción y la suavidad de las maniobras.
Posteriormente, la arquitectura se implementa en hardware embebido, demostrando un
rendimiento fiable en tiempo real y la capacidad del vehículo ego para responder a las
maniobras predichas mediante acciones de frenado longitudinal, cerrando así la brecha
entre la validación en simulación y la validación en hardware. Finalmente, para mejorar
la explicabilidad del modelo, se emplea Retrieval-Augmented Generation (RAG) con el
fin de proporcionar explicaciones claras y en lenguaje natural sobre la maniobra predicha. |
|
