Hacia una inteligencia artificial explicable en tiempo real: uso del mapeo de activación de clases para la predicción del frenado en sistemas basados en YOLO Autores: Amil Dar - University of Kotli, Azad Jammu and Kashmir, Kotli (PK) Faisal Riaz - Mirpur University of Science & Technology, Mirpur; National Centre of Robotics and Automation (PK) Resumen La predicción de la activación de las luces de freno en vehículos semiautónomos (SAV) es fundamental para mejorar la seguridad vial y optimizar los sistemas de control de crucero adaptativo (ACC). A pesar del notable rendimiento de los detectores de objetos basados en aprendizaje profundo, como YOLOv8, su opacidad inherente en los procesos de toma de decisiones limita la transparencia, la interpretabilidad y la confianza de los usuarios, factores esenciales para la implementación de sistemas críticos para la seguridad. Este estudio presenta un marco novedoso y explicable que integra técnicas de explicabilidad de última generación basadas en atribución, entre ellas EigenCAM, EigenGrad-CAM, LayerCAM y HiResCAM, dentro de la arquitectura YOLOv8. El marco propuesto analiza sistemáticamente los patrones de activación dentro del modelo y genera mapas de saliencia detallados que destacan las regiones espaciales con mayor influencia en la detección de las luces de freno. Utilizando un conjunto de datos de vehículos del mundo real que incluye diversas condiciones de iluminación y ambientales, el modelo se ajusta para predecir estados binarios de las luces de freno (car_BrakeOn y car_BrakeOff). Los experimentos comparativos demuestran la capacidad de estos métodos basados en CAM para proporcionar explicaciones visuales interpretables manteniendo al mismo tiempo la precisión de detección. Este estudio es el primero en explorar la integración de técnicas de explicabilidad en sistemas de detección de luces de freno basados en YOLO para vehículos semiautónomos (niveles SAE 2 y 3), abordando una carencia importante de la literatura. Al reducir la brecha entre los modelos de IA de caja negra y un razonamiento comprensible para los seres humanos, esta investigación promueve la transparencia, la responsabilidad y la confianza de los usuarios en los sistemas de percepción impulsados por IA para el transporte inteligente. Los hallazgos constituyen un paso fundamental hacia una adopción más amplia de una inteligencia artificial explicable y fiable en aplicaciones de vehículos semiautónomos críticas para la seguridad.