Aplicación del protocolo de pensamiento en voz alta para el modelado del comportamiento del conductor en la aproximación a rotondas

Abstract

La presente tesis explora la aplicación del Protocolo de Pensamiento en Voz Alta (en inglés, Think Aloud Protocol) en entornos de conducción naturalista para modelar el comportamiento del conductor. Comprender este comportamiento puede ayudar a mejorar el desarrollo de Sistemas Avanzados de Asistencia al Conductor (ADAS) y la Conducción Autónoma, tecnologías que están transformando la movilidad urbana. En este contexto, el protocolo de pensamiento en voz alta permite analizar los procesos cognitivos y de toma de decisiones de los conductores, ofreciendo una visión más profunda de su comportamiento al volante. El objetivo principal de esta investigación es diseñar una metodología que aplique este protocolo en un entorno de conducción naturalista, con el fin de generar reglas inteligibles que puedan integrarse en sistemas inteligentes relacionados con la conducción. La tesis pretende demostrar la validez de esta metodología, aplicándola a un escenario de conducción concreto: la negociación de entrada en rotondas. En este estudio, se propone modelar el comportamiento del conductor a partir de datos objetivos, como la velocidad del vehículo y la distancia a la entrada de la rotonda, junto con datos circunstanciales, como la presencia o ausencia de vehículos, que interfieren en el acceso a la rotonda y las acciones realizadas por el propio conductor. Estos datos circunstanciales se obtienen mediante la aplicación del Protocolo de Pensamiento en Voz Alta, es decir, a través de la verbalización de eventos por parte del conductor. Por tanto, el modelado del comportamiento del conductor, que se asemeja a la búsqueda de patrones de conducción, puede abordarse como un problema de clasificación, donde se intenta predecir las acciones que realizará el conductor en determinadas circunstancias. El estudio se divide en dos grandes partes. La primera consiste en la presentación del marco conceptual de aplicación del protocolo de pensamiento en voz alta, incluyendo la verbalización de eventos para la recopilación de datos circunstanciales, la definición del escenario de conducción y su aplicación en la conducción naturalista. Este proceso se resume en la grabación de audios y videos de un conductor, que verbaliza las percepciones y acciones realizadas durante la conducción. El preprocesamiento y análisis de estas grabaciones culmina con la generación de un dataset estructurado. La segunda parte consiste en la aplicación de árboles de decisión como algoritmos de aprendizaje automático, utilizados para la clasificación de patrones de decisión en relación con la negociación de entrada a las rotondas. La selección de este tipo de algoritmo de aprendizaje automático frente a otros, se debe principalmente a ventajas como su interpretabilidad, visualización, sencilla conversión a código, y el hecho de no necesitar grandes volúmenes de datos para el entrenamiento de modelos. Esta parte incluye una fase de entrenamiento y otra de validación, llevadas a cabo mediante la herramienta RapidMiner Studio. En conclusión, esta tesis demuestra que el protocolo de pensamiento en voz alta es un paradigma aplicable al modelado del comportamiento del conductor en escenarios complejos de conducción, lo que puede contribuir a la mejora de la seguridad vial y la eficiencia en la conducción.This thesis explores the application of the Think Aloud Protocol in naturalistic driving environments to model driver behavior. Understanding this behavior can help improve the development of Advanced Driver Assistance Systems (ADAS) and Autonomous Driving, technologies that are transforming urban mobility. In this context, the Think Aloud Protocol enables the analysis of drivers’ cognitive and decision-making processes, offering deeper insight into their behavior behind the wheel. The main objective of this research is to design a methodology that applies this protocol in a naturalistic driving environment, in order to generate intelligible rules that can be integrated into intelligent driving-related systems. The thesis aims to demonstrate the validity of this methodology by applying it to a specific driving scenario: negotiating entry into roundabouts. In this study, driver behavior is modeled using objective data, such as vehicle speed and distance to the roundabout entrance, along with circumstantial data, such as the presence or absence of vehicles that interfere with roundabout access and the actions taken by the driver. These circumstantial data are obtained through the application of the Think Aloud Protocol, that is, through the verbalization of events by the driver. Therefore, modeling driver behavior, which resembles the search for driving patterns, can be approached as a classification problem, where the goal is to predict the actions a driver will take under certain circumstances. The study is divided into two main parts. The first consists of presenting the conceptual framework for applying the Think Aloud Protocol, including the verbalization of events for collecting circumstantial data, defining the driving scenario, and applying it in naturalistic driving. This process involves recording audio and video of a driver verbalizing perceptions and actions taken while driving. The preprocessing and analysis of these recordings culminate in the generation of a structured dataset. The second part involves the application of Decision Trees as machine learning algorithms used to classify decision patterns related to roundabout entry negotiation. The choice of this type of machine learning algorithm over others is mainly due to advantages such as interpretability, visualization, easy conversion to code, and the fact that it does not require large volumes of data for model training. This part includes a training phase and a validation phase, carried out using the RapidMiner Studio tool. In conclusion, this thesis demonstrates that the Think Aloud Protocol is a viable paradigm for modeling driver behavior in complex driving scenarios, which can contribute to improving road safety and driving efficiency.