Tráfego denso não é apenas a movimentação de carros, mas um diálogo constante e não dito. O motorista lê as intenções dos outros por leves deslocamentos da carroceria, acelerações e pausas. Para o piloto automático, esse diálogo é mais difícil: redes neurais clássicas preveem bem trajetórias individuais, mas explicam mal por que determinado comportamento foi escolhido. O método MPCFormer tenta combinar previsão e segurança para que o carro não apenas adivinhe a trajetória, mas também entenda a lógica das interações sociais na estrada.
Por que faltam modelos comuns no tráfego denso
Quando os carros andam colados e mudam de faixa constantemente, o comportamento de um participante depende diretamente das ações dos outros. Um erro na avaliação dessa interação leva a dois extremos: o piloto automático age com cautela excessiva e atrapalha o fluxo, ou tenta realizar a manobra no momento inadequado.
Planejadores puramente treináveis conseguem copiar o estilo de direção dos dados, mas sua lógica interna frequentemente permanece uma "caixa-preta". Em situações comuns, isso é aceitável, mas no tráfego denso em uma saída de rodovia, o preço de uma decisão imprevisível é alto demais. Métodos clássicos de controle, por outro lado, entendem bem a física do movimento, mas nem sempre consideram que outros motoristas também têm objetivos, reagem e cedem.
O compromisso entre física e dados
Os autores da abordagem propõem não escolher entre modelagem física e aprendizado de máquina, mas combiná-las. No centro do método MPCFormer está a dinâmica acoplada das interações sociais: os estados dos carros são descritos não individualmente, mas como um sistema único, onde a ação de um participante altera as condições para todos os outros.
A dinâmica é construída em um espaço de estados discreto, e os priors físicos são incorporados ao modelo. Graças a isso, as representações intermediárias permanecem explicáveis: um especialista pode rastrear com base em quais restrições o sistema toma decisões. Os coeficientes da dinâmica não são atribuídos manualmente — eles são treinados por uma arquitetura Transformer encoder-decoder em gravações de direção natural.
Segundo os pesquisadores, esta é a primeira abordagem que modela explicitamente a dinâmica conjunta de vários veículos simultaneamente, em vez de se limitar a previsões independentes.
Por que exatamente MPC
A dinâmica treinada dá ao planejador a capacidade de gerar diversos cenários de comportamento semelhantes aos humanos: o piloto automático pode agir com mais confiança ou de forma mais complacente, dependendo da situação. Mas a rede neural por si só não garante segurança.
É aqui que entra o model predictive control — o MPC. Ele verifica os candidatos gerados quanto à conformidade com as restrições e rejeita opções perigosas antes que cheguem à execução. Isso reduz os riscos característicos de métodos que dependem totalmente da inferência da rede neural.
O que os testes mostraram
Os desenvolvedores avaliaram o MPCFormer no conjunto de dados aberto NGSIM, que contém gravações de tráfego real em rodovias. Com um horizonte de previsão de 5 segundos, o erro médio de previsão de trajetória foi de 0,86 metros — o melhor resultado entre as abordagens modernas consideradas.
Separadamente, foram testados cenários de malha fechada com interações intensas: o carro precisava executar várias mudanças de faixa consecutivas para conseguir sair no off-ramp. Aqui, o modelo híbrido também mostrou uma vantagem notável sobre o planejador baseado em Reinforcement Learning:
- 94,67% — proporção de manobras concluídas com sucesso;
- +15,75% — aumento na eficiência de direção;
- 0,5% — frequência de colisões, em vez de 21,25% do planejador RL básico.
A redução de situações de acidente em quase 40 vezes é o principal argumento de que restrições físicas explicáveis, combinadas com modelos sociais treinados, tornam o piloto automático mais seguro e seu comportamento mais próximo das ações de um motorista experiente.
