DriveEmo-FL: detección de emociones en el habitáculo basada en radar para respuestas inteligentes de vehículos autónomos

Automóviles que pueden percibir cómo te sientes

A medida que los coches autónomos se acercan a la vida cotidiana, sigue planteándose una pregunta clave: ¿cómo sabrán cómo se sienten sus ocupantes? Un viaje que sea técnicamente seguro pero deje a las personas ansiosas, enfadadas o con mareo no inspirará confianza. Este artículo presenta DriveEmo-FL, un sistema que permite a los vehículos autónomos detectar las emociones de los pasajeros a partir de movimientos corporales sutiles —sin cámaras ni dispositivos portátiles— y luego ajustar la conducción y las condiciones del habitáculo en consecuencia.

Leer el estado de ánimo sin mirar tu rostro

Muchos sistemas actuales de detección emocional dependen de cámaras que siguen las expresiones faciales o de dispositivos portátiles que miden la frecuencia cardíaca y la conductancia de la piel. Dentro de un coche, ambos enfoques tienen inconvenientes: los rostros pueden ocultarse con gafas de sol o por mala iluminación, y la mayoría de los pasajeros no quiere colocarse sensores adicionales. DriveEmo-FL, en cambio, emplea radar de ondas milimétricas, un pequeño dispositivo que emite ondas de radio y mide cómo rebotan en la parte superior del cuerpo del pasajero. Estas reflexiones contienen cambios diminutos en el movimiento que desplazan la frecuencia de las ondas reflejadas, un patrón conocido como micro-Doppler. Al centrarse en los movimientos de hombros, brazos y cabeza, el sistema puede captar diferencias reveladoras entre, por ejemplo, un aplauso entusiasta, un encogimiento de hombros por miedo o la quietud de la tristeza, todo ello preservando la privacidad visual.

De los ecos de radar crudos a los patrones emocionales

Los autores construyen una canalización completa que transforma ecos de radar crudos en estimaciones emocionales en unas decenas de milisegundos. Primero, la señal se limpia: se eliminan las reflexiones fuertes de asientos y salpicaderos, y un proceso matemático aísla el movimiento vinculado al pasajero en lugar del vehículo en movimiento. Los datos limpiados se transforman luego en imágenes tiempo–frecuencia —las “firmas” micro-Doppler— que muestran cómo la energía del movimiento se distribuye a distintas velocidades a lo largo del tiempo. En paralelo, el sistema extrae estadísticas simples del movimiento, como la rapidez con que cambia el movimiento de una persona (agilidad), la máxima velocidad observada (velocidad pico) y la energía total del movimiento en una ventana corta. Estas dos corrientes —imágenes de movimiento ricas y resúmenes compactos de movimiento— capturan tanto la forma como la intensidad de los gestos emocionales.

Un cerebro ligero para el coche

En el corazón de DriveEmo-FL está EmoNet, un modelo compacto de aprendizaje profundo diseñado para ejecutarse de forma eficiente en pequeños ordenadores a bordo. Una rama de EmoNet procesa las imágenes micro-Doppler de manera similar a una red de visión, aprendiendo patrones recurrentes ligados a gestos como aplaudir, negar con la cabeza o mirar lentamente alrededor. La otra rama procesa las tres estadísticas de movimiento, ayudando a distinguir, por ejemplo, una alegría enérgica de una ira igualmente enérgica. Las dos corrientes se fusionan y alimentan capas de decisión compartidas que producen tanto la actividad detectada como el grupo emocional subyacente (feliz, triste, enfadado o asustado). Un paso final convierte estas pistas emocionales en puntuaciones que un sistema de conducción autónoma podría usar para adaptar la velocidad, la suavidad de las maniobras, la iluminación e incluso el tono de los asistentes de voz dentro del coche.

Aprender de muchos coches sin compartir secretos

Para que el sistema sea robusto, debe aprender de personas de distintas edades, culturas y tipos de cuerpo, viajando en diferentes coches y condiciones. Sin embargo, enviar los datos de movimiento crudos de todos a la nube levantaría problemas de privacidad. DriveEmo-FL resuelve esto con aprendizaje federado: cada vehículo entrena EmoNet localmente usando solo sus propios datos de radar y luego comparte únicamente actualizaciones de modelo cifradas con un servidor central. El servidor combina estas actualizaciones en un modelo global más fuerte y lo envía de vuelta a todos los coches. En pruebas con 50 participantes realizando 12 gestos distintos de la parte superior del cuerpo, el sistema alcanzó un 94,5 % de precisión mientras funcionaba en tiempo real, y se mantuvo fiable en escenarios desafiantes como conducción en ciudad, luz solar intensa, poca luz y gestos solapados.

Qué significa esto para los viajes del futuro

En conjunto, los resultados muestran que los coches autónomos pueden percibir y responder a los estados emocionales de los pasajeros usando un radar pequeño y respetuoso con la privacidad y un modelo de aprendizaje eficiente. Sin grabar nunca una cara ni una voz, un vehículo autónomo podría notar si un pasajero parece tenso, asustado o especialmente alegre y adaptar con suavidad su estilo de conducción y el entorno del habitáculo en consecuencia. Si se perfeccionan y se combinan con otras señales no intrusivas, sistemas como DriveEmo-FL podrían hacer que los viajes futuros no solo se sientan más seguros en la carretera, sino también más cómodos, comprendidos y centrados en las personas dentro del habitáculo.

Cita: Imran, N., Alnafisah, K.H., Zhang, J. et al. DriveEmo-FL: in-cabin radar-based emotion sensing for autonomous vehicles smart response. Sci Rep 16, 13600 (2026). https://doi.org/10.1038/s41598-026-43662-x

Palabras clave: vehículos autónomos, reconocimiento de emociones, radar mmWave, detección en el habitáculo, aprendizaje federado