Fusão de regras de trânsito e comportamentos de movimento diversos para predição de trajetórias em cruzamentos

Por que interseções mais inteligentes importam

Cruzamentos movimentados estão entre os locais mais desafiadores para carros autônomos. Carros, ônibus, bicicletas e pedestres se movem em várias direções, frequentemente reagindo a semáforos e uns aos outros em frações de segundo. Este estudo apresenta uma nova forma de os computadores anteciparem como todos esses usuários da via se moverão por uma interseção, com o objetivo de tornar a condução automatizada mais segura e fluida no tráfego urbano real.

Como veículos e pessoas se movem no mundo real

Em uma interseção típica, os motoristas não observam apenas o carro imediatamente à sua frente. Eles também monitoram veículos em outras faixas que podem cruzar seu caminho, enquanto os semáforos indicam quando iniciar, parar ou virar. Ciclistas e motociclistas às vezes passam por semáforos de maneiras diferentes dos carros, e pedestres se deslocam mais devagar e em várias direções. Sistemas de predição padrão tendem a tratar todos os usuários próximos da mesma forma e muitas vezes ignoram o tempo dos sinais, o que dificulta prever a rica mistura de ações que realmente ocorre.

Transformando faixas e sinais em um mapa de atenção

Os autores propõem um modelo chamado TITP que busca corresponder a como motoristas humanos organizam mentalmente uma interseção. Eles começam com um grafo dirigido que codifica as regras de faixa: quais faixas alimentam quais outras e quais veículos têm maior probabilidade de afetar uns aos outros. Nesse esquema, um carro parado no sinal vermelho presta forte atenção ao primeiro veículo que avançará à sua frente quando o semáforo ficar verde, e menos atenção a veículos distantes em faixas não relacionadas. Esse "grafo de regras de faixa" ajuda o sistema a focar nos vizinhos mais relevantes e a capturar influências assimétricas, como um carro rápido vindo em sentido contrário que afeta fortemente um veículo que vira, mesmo que não estejam lado a lado.

Lendo semáforos como ações futuras

Em seguida, o modelo converte os estados dos semáforos em prováveis ações de movimento. Em vez de tratar vermelho ou verde como um sinal simples ligado/desligado, o TITP mapeia cada estado para um conjunto de movimentos legais: seguir em frente, parar, virar à esquerda ou virar à direita. Por exemplo, sob um sinal vermelho no cenário estudado, um carro pode legalmente parar ou fazer uma conversão à direita, enquanto um sinal verde permite as quatro ações. O sistema compara essas ações modelo com o movimento recente de cada veículo e usa um módulo de aprendizado para escolher qual ação é mais provável. Dessa forma, as mudanças de cor dos semáforos são traduzidas em uma sequência que sugere o que cada motorista fará em breve.

Capturando muitos estilos de movimento simultaneamente

Mesmo com regras de faixa e sinais, nenhum dois usuários da via se movem exatamente da mesma forma. Para lidar com essa variedade, o TITP não depende de um padrão único para todo movimento. Em vez disso, usa várias formas estatísticas, conhecidas como distribuições t, cada uma ajustada a um comportamento específico: parar, seguir em frente, virar à esquerda, virar à direita ou caminhar como pedestre. Alguns desses comportamentos, como carros limitados por direção, se agrupam de forma estreita ao redor de um caminho principal, enquanto outros, como pedestres errantes, se espalham por muitas direções possíveis. Ao ajustar a dispersão de cada distribuição, o modelo pode descrever tanto uma condução estável e previsível quanto movimentos mais erráticos.

Testando o modelo em dados reais de cidades

Os pesquisadores avaliaram o TITP em duas grandes coleções de tráfego real, incluindo um conjunto de interseções gravado por drone na China e um conjunto comercial de dirigibilidade urbana dos Estados Unidos. Eles compararam seu sistema com duas dezenas de métodos recentes de predição que usam ferramentas como redes recorrentes, grafos e modelos generativos. Em previsões de curto e longo prazo e para muitos tipos de usuários da via, o TITP produziu erros de posição menores do que abordagens rivais. Estudos de caso visuais mostraram que o novo modelo capturou melhor acelerações súbitas quando o semáforo ficava verde, movimentos sutis de conversão e manobras evasivas ao redor de pedestres, enquanto modelos anteriores muitas vezes supunham velocidades menores ou trajetórias mais retas do que as realmente observadas.

O que isso significa para futuros carros autônomos

Para o leitor em geral, a mensagem-chave é que máquinas podem aprender a "pensar" sobre interseções de forma mais parecida com motoristas humanos, ao prestar atenção aos veículos mais relevantes, cumprir a lógica dos sinais e permitir muitos estilos de movimento distintos. O TITP mostra que combinar regras de trânsito com padrões de movimento flexíveis leva a estimativas mais precisas sobre para onde carros, ciclistas e pedestres irão a seguir. Tais avanços na predição de trajetórias são um passo importante rumo a veículos automatizados que possam se mover com segurança e fluidez por ruas urbanas complexas.

Citação: Su, Y., Pei, C. Fusing transportation rules and diverse motion behaviors for trajectory prediction in traffic intersections. Sci Rep 16, 15915 (2026). https://doi.org/10.1038/s41598-026-46123-7

Palavras-chave: condução autônoma, predição de trajetória, interseções de trânsito, sinais de trânsito, regras de faixa