Validation of a cognitive model on a naturalistic dataset

The interaction between human drivers and Vulnerable Road Users (VRUs), particularly cyclists, represents a critical area in road safety research, as human error remains the primary factor in the majority of traffic accidents. Current safety frameworks, such as Advanced Driver Assistance Systems (ADAS), often lack a deep understanding of the driver’s cognitive state, failing to prevent "decision errors" where a driver successfully detects an obstacle but misjudges its future trajectory or intent. This thesis proposes a mathematical framework to simulate the driver’s internal estimation process using an Extended Kalman Filter (EKF). The architecture integrates a perceptive model, representing human visual inaccuracies and systematic biases, with a mental model that encodes prior knowledge of vehicle dynamics. To identify and evaluate the model’s parameters, an experimental campaign was conducted in an immersive Virtual Reality (VR) environment involving 54 participants. The study utilizes "naturalistic" trajectories extracted from real-world drone observations to capture complex velocity and acceleration profiles that influence human motion perception. A central part of the research involves a comparative analysis between the parameters derived from this new dataset and the reference parameters found in previous literature. Specifically, the parameter set obtained in previous studies was applied to the new naturalistic trajectories to evaluate its validity and generalizability. The analysis highlights variations in key structural parameters, such as speed perception and gaze distance, and reveals that the model’s predictive accuracy is dependent on the maneuver topology, show- ing different performance levels between longitudinal and lateral interactions.

L’interazione tra i conducenti e gli utenti vulnerabili della strada (VRU), in particolare i ciclisti, rappresenta un’area critica nella ricerca sulla sicurezza stradale, poiché l’errore umano rimane il fattore principale nella maggior parte degli incidenti. Gli attuali sistemi di assistenza alla guida (ADAS) spesso mancano di una comprensione profonda dello stato cognitivo del conducente, non riuscendo a prevenire gli "errori di decisione" in cui il guidatore rileva correttamente un ostacolo ma ne valuta erroneamente la traiettoria futura o l’intenzione. Questa tesi propone un framework matematico per simulare il processo di stima interna del conducente utilizzando un Filtro di Kalman Esteso (EKF). L’architettura integra un modello percettivo, che rappresenta le imprecisioni visive e i bias sistematici umani, con un modello mentale che codifica la conoscenza pregressa della dinamica del veicolo. Per identificare e valutare i parametri del modello, è stata condotta una campagna sperimentale in un ambiente di Realtà Virtuale (VR) immersiva con 54 partecipanti. Lo studio utilizza traiettorie "naturalistiche" estratte da osservazioni reali tramite droni per catturare profili complessi di velocità e accelerazione che influenzano la percezione umana del movimento. Una parte centrale della ricerca riguarda l’analisi comparativa tra i parametri derivati da questo nuovo dataset e i parametri di riferimento trovati nella letteratura precedente. Nello specifico, il set di parametri ottenuto in studi precedenti è stato applicato alle nuove traiettorie naturalistiche per valutarne la validità e la generalizzabilità. L’analisi evidenzia variazioni nei parametri strutturali chiave, come la percezione della velocità e la distanza dello sguardo, e rivela che l’accuratezza predittiva del modello dipende dalla topologia della manovra, mostrando diversi livelli di performance tra interazioni longitudinali e laterali.