Emoção entra em modelo de IA de direção humana

O pesquisador Julian Frederik Schumann submeteu ao arXiv um estudo que incorpora emoção a um modelo de inferência ativa (active inference) usado para simular direção humana. O trabalho propõe uma formulação de valência e excitação para estados contínuos e a testa em dois cenários interativos de trânsito. Os sinais emocionais produzidos correspondem a padrões afetivos já descritos em situações semelhantes, segundo o resumo do estudo.

O que aconteceu

O artigo "Emotion in an active inference model of human driving" foi submetido em 9 de junho de 2026 ao arXiv, na seção de inteligência artificial (cs.AI), sob o identificador 2608.07480 (arXiv). O estudo expande modelos anteriores de inferência ativa para direção ao adicionar o estado afetivo do motorista, representado pelas dimensões de valência e excitação do circumplex model. A abordagem condiciona as estimativas emocionais não apenas ao estado atual do veículo, mas também a resultados futuros previstos. A avaliação foi feita em dois cenários interativos de direção, e os autores relatam que os sinais emocionais resultantes se alinham a padrões afetivos descritos na literatura para situações similares.

Contexto

A inferência ativa é uma estrutura teórica que modela comportamento adaptativo a partir do equilíbrio entre ação orientada a objetivos e redução de incerteza. Ela já havia sido aplicada a sistemas biológicos e artificiais, inclusive em trabalhos com direção humana. O que faltava era a dimensão afetiva, que influencia a tomada de decisão no trânsito e, segundo os autores, não era tratada nos modelos de direção existentes. Em outros domínios, agentes baseados em inferência ativa já representavam emoção por valência e excitação, mas apenas em ambientes simplificados, com espaços de estados discretos. O novo trabalho leva essa representação a um modelo de direção com estados contínuos, mais próximo de um cenário real de tráfego.

Por que importa

Simular e prever o comportamento humano no trânsito é um ponto crítico para sistemas de assistência ao motorista e para veículos autônomos. Motoristas em estados emocionais diferentes — estresse, ansiedade, irritação — tomam decisões distintas, e modelos que ignoram o afeto tendem a falhar em situações de maior risco. No Brasil, onde acidentes de trânsito pressionam o sistema de saúde, modelos mais realistas de comportamento humano podem ajudar a calibrar alertas, avaliar cenários e treinar sistemas automatizados antes de qualquer implementação em larga escala.

Impacto

No curto prazo, a principal contribuição é metodológica: demonstrar que é possível extrair sinais emocionais coerentes de um modelo de inferência ativa contínuo, condicionados a desfechos futuros. No médio prazo, estimativas de estado afetivo podem tornar as simulações de trânsito mais fiéis e abrir caminho para assistentes que adaptem seu comportamento ao estado emocional do motorista. O mesmo raciocínio pode ser transportado para outros domínios em que estados contínuos e decisões sob incerteza importam.

O que muda

Até aqui, emoção em agentes de inferência ativa estava restrita a configurações simplificadas, com espaços discretos. O novo modelo calcula valência e excitação como parte da dinâmica contínua de direção, considerando onde o veículo pode estar no futuro — e não apenas onde está agora. Isso altera a forma como um agente simulado pode responder a riscos e incertezas no trânsito.

O que vem agora

O texto é uma versão preliminar, disponível como preprint no arXiv, e ainda não descreve testes em campo ou integração com sistemas comerciais. O caminho esperado, a partir do que o estudo apresenta, inclui a validação do modelo em um leque maior de cenários de direção e o avanço em direção a aplicações que reaproveitem essas estimativas afetivas em sistemas de assistência ou simulação.

Fontes

• arXiv cs.AI — "Emotion in an active inference model of human driving" (arXiv:2608.07480): https://arxiv.org/abs/2608.07480