La integración de vehículos automatizados promete varios beneficios para la movilidad urbana, incluida una mayor seguridad, una reducción de la congestión del tráfico y una mejor accesibilidad. Los vehículos automatizados también permiten a los conductores realizar tareas no relacionadas con la conducción (NDRT), como relajarse, trabajar o mirar multimedia en el camino. Sin embargo, la adopción generalizada se ve obstaculizada por la confianza limitada de los pasajeros. Para abordar esto, las explicaciones sobre las decisiones de los vehículos automatizados pueden fomentar la confianza al proporcionar control y reducir las experiencias negativas. Estas explicaciones deben ser informativas, comprensibles y concisas para que sean efectivas.
Los enfoques existentes de inteligencia artificial explicable (XAI) atienden principalmente a los desarrolladores, centrándose en escenarios de alto riesgo o explicaciones integrales, potencialmente inadecuadas para los pasajeros. Para llenar este vacío, los modelos XAI centrados en el pasajero deben comprender el tipo y el momento de la información necesaria en escenarios de conducción del mundo real.
Para abordar esta brecha, un equipo de investigación, dirigido por el profesor SeungJun Kim del Instituto Gwangju de Ciencia y Tecnología (GIST), Corea del Sur , investigó las demandas de explicación de los pasajeros de vehículos automatizados en condiciones reales de la carretera. Luego introdujeron un conjunto de datos multimodal, llamado TimelyTale, que incluye datos de sensores específicos de los pasajeros para explicaciones oportunas y relevantes para el contexto. " Nuestra investigación traslada el enfoque de XAI en la conducción autónoma de los desarrolladores a los pasajeros. Hemos desarrollado un enfoque para recopilar la demanda real de los pasajeros de explicaciones dentro del vehículo y métodos para generar explicaciones oportunas y relevantes para la situación para los pasajeros", explica el profesor Kim.
Sus hallazgos están disponibles en dos estudios publicados en Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies el 27 de septiembre de 2023 y el 9 de septiembre de 2024 . Los autores recibieron el 'Premio al artículo distinguido' en UbiComp 2024 por su estudio pionero titulado '¿Qué y cuándo explicar?: Evaluación en carretera de explicaciones en vehículos altamente automatizados'.
Los investigadores primero estudiaron el impacto de varios tipos de explicaciones visuales, incluida la percepción, la atención y una combinación de ambas, y su sincronización en la experiencia de los pasajeros en condiciones de conducción reales mediante la utilización de realidad aumentada. Descubrieron que el estado de percepción del vehículo por sí solo mejoraba la confianza, la seguridad percibida y la conciencia situacional sin abrumar a los pasajeros. También descubrieron que la probabilidad de riesgo de tráfico era más eficaz para decidir cuándo dar explicaciones, especialmente cuando los pasajeros se sentían sobrecargados de información.
A partir de estos hallazgos, los investigadores desarrollaron el conjunto de datos TimelyTale. Este enfoque incluye datos exteroceptivos (sobre el entorno externo, como imágenes, sonidos, etc.), propioceptivos (sobre las posiciones y movimientos del cuerpo) e interoceptivos (sobre las sensaciones del cuerpo, como el dolor, etc.), recopilados de los pasajeros mediante un variedad de sensores en escenarios de conducción naturalistas, como características clave para predecir sus demandas de explicación. En particular, este trabajo también incorpora el concepto de interrumpibilidad, que se refiere al cambio de enfoque de los pasajeros de los NDRT a la información relacionada con la conducción. El método identificó eficazmente tanto el momento como la frecuencia de las demandas de explicaciones de los pasajeros, así como las explicaciones específicas que los pasajeros desean durante las situaciones de conducción.
Utilizando este enfoque, los investigadores desarrollaron un modelo de aprendizaje automático que predice el mejor momento para dar una explicación. Además, como prueba de concepto, los investigadores realizaron modelos en toda la ciudad para generar explicaciones textuales basadas en diferentes lugares de conducción.
"Nuestra investigación sienta las bases para una mayor aceptación y adopción de vehículos autónomos, lo que podría remodelar el transporte urbano y la movilidad personal en los próximos años", señala el profesor Kim.
Referencia 1
Título del artículo original: TimelyTale: un enfoque de conjunto de datos multimodal para evaluar las demandas de explicación de los pasajeros en vehículos altamente automatizados
Revista: Actas de la ACM sobre tecnologías interactivas, móviles, portátiles y ubicuas
DOI: 10.1145/3678544
Referencia 2
Título del artículo original: ¿Qué y cuándo explicar?: Evaluación en carretera de explicaciones en vehículos altamente automatizados
Revista: Actas de la ACM sobre tecnologías interactivas, móviles, portátiles y ubicuas
DOI: 10.1145/3610886
Compartiendo este artículo usted puede ayudar a difundir valor a otros que están buscando este tipo de información. Si valora el trabajo que hacemos en Valenciacars para usted y le resulta útil, le queremos pedir un gran favor: por favor comparta el artículo en WhatsApp, en Facebook , en Twitter y sus demás redes Así,que Los científicos de GIST revelan estrategias para hacer que los vehículos autónomos sean amigables para los pasajeros
Puzzle Bobble
Karate Blazers
Puzzle De Bloques
Magical Cat Adventure