🚗 Estimación de la intención de los usuarios de la vía mediante redes neuronales basadas en grafos

Trabajo Fin de Grado – Ingeniería de Computadores
Universidad de Alcalá

Rol	Nombre
Autor	Adrián Rodríguez Hurtado
Tutor	Augusto Luis Ballardini
Cotutor	Angie Nataly Melo Castillo

---

📌 Descripción del proyecto

Este repositorio contiene la implementación completa del TFG centrado en la predicción de la intención de usuarios de la vía utilizando modelos Graph Neural Networks (GNN).

El objetivo principal es modelar escenas viales complejas utilizando grafos para capturar:

• Relaciones espaciales entre agentes.
• Dependencias temporales.
• Interacciones multipeatón.
• Influencia contextual en la intención de cruce.

Se evalúan distintas arquitecturas GNN y configuraciones de diseño del grafo para analizar su impacto en rendimiento y robustez.

---

🧠 Motivación del proyecto

En los Sistemas de Conducción Automatizada (SCA), predecir correctamente la intención de los peatones es crítico para la seguridad vial. La intención de cruce no depende únicamente de la posición, velocidad o trayectoria, sino también de:

• Interacción con vehículos.
• Contexto urbano.
• Evolución temporal.
• Comportamiento colectivo.

El problema: Los enfoques tradicionales de Machine Learning modelan entidades de forma independiente. Sin embargo, los entornos viales son inherentemente relacionales.

Los grafos permiten representar explícitamente a peatones como nodos, interacciones como aristas y la evolución temporal como conexiones entre instantes. Sobre esta representación, las GNN permiten aprender patrones estructurales complejos.

---

🏗️ Arquitectura del proyecto

🔹 Representación mediante grafos

Se diseñaron distintas estructuras para representar la escena:

1. Grafos espaciales: Capturan relaciones entre características en un mismo instante.
2. Grafos temporales: Conexiones entre nodos a lo largo del tiempo.
3. Grafos espaciotemporales: Combinan estructura espacial + evolución temporal.

Se implementaron tres variantes principales de conexión temporal:

• Conexión temporal básica.
• Conexión temporal completa.
• Sliding Window.

Modelado multipeatón: Se incorporan múltiples peatones en un mismo grafo para modelar comportamiento colectivo e interacciones sociales en una misma escena.

---

🤖 Modelos evaluados

Implementados con PyTorch y PyTorch Geometric.

Arquitecturas utilizadas

• GCN (Graph Convolutional Networks): Cada nodo puede actualizar su representación combinando las características propias con la de los vecinos inmediatos.
• GAT (Graph Attention Networks): Aprende coeficientes de atención que permiten ponderar dinámicamente la contribución de cada nodo vecino durante la agregación.
• GraphConv: Permite separar explícitamente la contribución del nodo central de la agregación de información de los vecinos.

Métricas de comparación

• Accuracy.
• Estabilidad frente a semillas aleatorias.
• Sensibilidad al diseño del grafo.
• Impacto del modelado temporal y multipeatón.

---

📊 Datasets utilizados

🔹 JAAD (Joint Attention in Autonomous Driving)

Dataset real de escenas urbanas con peatones. Se trabajó con una versión adaptada y preprocesada para el modelado en grafos. Se construyeron dos tipos de representaciones:

• Dataset numérico.
• Dataset lingüístico.

🔹 MUTAG

Dataset clásico de clasificación de grafos utilizado para la validación preliminar de las arquitecturas.

---

🔬 Pipeline experimental

1. Construcción del grafo a partir de anotaciones.
2. Conversión a formato torch_geometric.data.Data.
3. División Train / Validation / Test.
4. Entrenamiento con múltiples semillas.
5. Seguimiento experimental con Weights & Biases.
6. Comparativa estadística.

---

📈 Resultados observados

• El diseño del grafo impacta significativamente en el rendimiento.
• La incorporación de modelado temporal mejora la capacidad predictiva.
• El enfoque multipeatón permite capturar interacciones sociales relevantes.

---

⚙️ Tecnologías utilizadas

• 🐍 Python – Lenguaje principal del desarrollo.
• 🔥 PyTorch – Framework de Deep Learning.
  https://pytorch.org/
• 📈 PyTorch Geometric – Librería especializada en Graph Neural Networks.
  https://pytorch-geometric.readthedocs.io/
• 📊 Weights & Biases – Seguimiento experimental y control de métricas.
• ⚙️ KNIME – Herramienta utilizada para análisis y procesamiento complementario.
  https://www.knime.com/
• 🐙 GitHub – Control de versiones y gestión del repositorio.

---

📚 Recursos de apoyo y referencia

Durante el desarrollo del proyecto se utilizaron los siguientes recursos formativos y técnicos:

• 🎥 Antonio Longa – PyTorch Geometric Tutorial (YouTube Playlist)
  https://www.youtube.com/playlist?list=PLIFCDJ0AZD7ecKcrrC1m8Jb-0Bfkn0PdK

• 💻 Repositorio oficial de tutoriales de Antonio Longa
  https://github.com/AntonioLonga/PytorchGeometricTutorial

• 📘 UVA Deep Learning Course – GNN Overview Notebook
  https://uvadlc-notebooks.readthedocs.io/en/latest/tutorial_notebooks/tutorial7/GNN_overview.html

---

📂 Estructura del repositorio (orientativa)

├── src/
│   ├── JAAD.py                #Script principal del pipeline
│   ├── annotations.py         #Transformación visual de las anotaciones a los frames
├── tests/
│   ├── mutagtest.py           #Validación de GNN con el dataset MUTAG
│   ├── test_pyg.py            #Creación manual de un grafo simple. Pruebas de funciones básicas de PyG
│   ├── test_pyg2.py           #Uso del dataset TUDataset (ENZYMES) y división manual en Train/Test
│   ├── test_pyg3.py           #Uso del dataset Planetoid (Cora) y análisis de entrenamiento/validación/test
│   ├── test_pyg4.py           #Ejemplo de batching con DataLoader y agregación por grafo usando scatter
│   ├── test_pyg5.py           #Implementación y entrenamiento de una GCN básica sobre el dataset Cora
│   ├── traingat.py            #Pruebas del modelo GAT
│   ├── traingcn.py            #Pruebas del modelo GCN
│   └── traingraphconv.py      #Pruebas del modelo GraphConv

---

🚀 Cómo ejecutar el proyecto

1️⃣ Instalar dependencias

pip install -r requirements.txt

2️⃣ Ejecutar el archivo JAAD

python JAAD.py

📌 Contribuciones del trabajo

• Comparativa sistemática de arquitecturas GNN en un contexto vial
• Análisis del impacto del diseño estructural del grafo
• Estudio de robustez frente a semillas aleatorias
• Implementación de modelado multipeatón
• Análisis crítico de limitaciones del dataset

---

🔮 Líneas futuras

• Enriquecimiento del contexto del dataset: Incorporar nuevas variables relevantes como señales del entorno, velocidad de los vehículos, geometría y distribución de la vía. Una mayor cantidad de información contextual permitiría reducir ambigüedades y mejorar la capacidad predictiva del modelo.

• Arquitecturas más expresivas para modelado multipeatón: Explorar modelos más avanzados como Graph Transformers o arquitecturas híbridas GNN capaces de capturar interacciones sociales complejas y dependencias a largo plazo entre peatones.

• Generalización a nuevos datasets y escenarios: Aprovechar el diseño modular del pipeline para aplicarlo a otras fuentes de datos más allá del dataset JAAD, manteniendo la estructura general del sistema.

• Consolidación dentro de una línea de investigación amplia: Reforzar la reutilización y adaptación del pipeline en trabajos futuros relacionados con la estimación de intención de usuarios de la vía mediante modelos basados en grafos.

---

📜 Referencia académica

Rodríguez Hurtado, A. (2026). Estimación de la intención de los usuarios de la vía mediante redes neuronales basadas en grafos. Trabajo Fin de Grado, Universidad de Alcalá.