Novità in vista per le auto a guida autonoma: una ricerca porta alla luce un dato che fa riflettere
La diffusione delle auto a guida autonoma continua a suscitare dibattiti sulla sicurezza e il comfort dei passeggeri. Recenti sviluppi scientifici provenienti dalla Cina aprono nuove prospettive interessanti: monitorare l’attività cerebrale dei passeggeri potrebbe diventare una chiave per rendere questi veicoli più sicuri e sensibili alle esigenze umane. Grazie all’integrazione di dati neurofisiologici con l’intelligenza artificiale, infatti, le decisioni di guida autonoma potrebbero adattarsi al livello di stress e alle emozioni di chi si trova a bordo.
L’innovazione nell’intelligenza artificiale per la guida autonoma
Uno studio pubblicato su Cyborg and Bionic Systems dall’Università Tsinghua di Pechino ha messo a punto un algoritmo decisionale intelligente che incorpora dati fisiologici raccolti tramite la spettroscopia funzionale nel vicino infrarosso (fNIRS). Questa tecnologia non invasiva consente di monitorare in tempo reale l’attività cerebrale legata a stress, emozioni e percezione del rischio, offrendo un quadro cognitivo immediato dello stato dei passeggeri.
Uno studio migliora l’auto a guida autonoma (Tuttomoto.it)
Il professor Xiaofei Zhang, autore principale della ricerca, ha spiegato che “la spettroscopia funzionale nel vicino infrarosso può fornire informazioni cognitive relative alla percezione del rischio umano e agli stati emotivi, e rappresenta uno strumento promettente per migliorare i sistemi di guida autonoma”. In pratica, l’auto non si limita più a evitare incidenti basandosi solo su sensori esterni e algoritmi tradizionali, ma integra anche la valutazione soggettiva della sicurezza percepita dai passeggeri.
L’algoritmo sviluppato combina i dati cerebrali raccolti dai passeggeri con il software di controllo del veicolo autonomo. Quando il sistema rileva un aumento del livello di stress o percezione di pericolo, modifica automaticamente la strategia di guida, adottando uno stile più prudente e meno brusco. Questo approccio migliora l’efficacia del modello di apprendimento automatico TD3 (Twin Delayed Deep Deterministic Policy Gradient), una tecnica avanzata di deep reinforcement learning utilizzata per ottimizzare decisioni complesse in situazioni dinamiche.
Le carenze del TD3 tradizionale, come la difficoltà nel gestire situazioni ad alto rischio o la mancanza di considerazione del comfort del passeggero, vengono quindi superate grazie all’integrazione dei segnali fisiologici, che permettono una valutazione diretta dello stato emotivo e cognitivo degli occupanti del veicolo.
L’algoritmo è stato testato in tre situazioni critiche che rappresentano sfide tipiche per la guida autonoma: la frenata autonoma di emergenza, l’intervento improvviso di un veicolo che precede, l’attraversamento improvviso di un pedone. Nei test, il sistema ha mostrato una maggiore rapidità nell’apprendere soluzioni di guida efficaci, migliorando la sicurezza complessiva e riducendo lo stress percepito dai passeggeri attraverso manovre più fluide e meno aggressive.
Nonostante i risultati promettenti, i ricercatori tengono a precisare che la ricerca si è fondata su scenari semplici che coinvolgevano partecipanti appartenenti a una fascia d’età limitata e contesti omogenei. Per questo motivo, l’applicabilità dell’algoritmo a condizioni di guida reali e più complesse richiede ulteriori verifiche.
