Umělá inteligence pomůže předvídat dopravní nehody dříve, než k nim dojde

Dnešní svět je jedno velké bludiště propojené vrstvami betonového asfaltu, které nám umožňují cestovat autem. Pokud jde o většinu našich pokroků souvisejících s dopravou – GPS nám umožňuje používat méně neuronů díky mapovacím aplikacím, kamery nás varují před potenciálně drahými škrábanci a elektrická autonomní auta mají nižší spotřebu paliva – a co bezpečnostní opatření? Stále spoléháme na naši stálou závislost na semaforech, důvěře a oceli kolem nás, abychom se bezpečně dostali z bodu A do bodu B.

Aby se vyhnuli nejistotě spojené s nehodami, vyvinuli vědci z Laboratoře počítačových věd a umělé inteligence (CSAIL) MIT a Katarského centra pro umělou inteligenci (QCAI) model hlubokého učení, který vytváří mapy rizik nehod s velmi vysokým rozlišením. Na základě kombinace historických údajů o nehodách, silničních map, satelitních snímků a stop GPS popisují rizikové mapy očekávaný počet nehod za určité časové období v budoucnosti, aby bylo možné identifikovat vysoce rizikové oblasti a předpovídat budoucí nehody.

Typicky jsou rizikové mapy tohoto typu zaznamenávány s mnohem nižším rozlišením, pohybujícím se ve stovkách metrů, což znamená, že důležité detaily nejsou vidět. Tyto mapy však mají buňky mřížky o rozměrech pět krát pět metrů a vyšší rozlišení poskytuje nově objevenou jasnost: Vědci zjistili, že například dálnice představuje vyšší riziko než nedaleké obytné silnice.

Přestože dopravní nehody nejsou příliš časté, stojí asi 3 % celosvětového HDP a jsou hlavní příčinou úmrtí dětí a mladých lidí. Díky této vzácnosti je vytváření map ve vysokém rozlišení náročným úkolem. Přístup týmu však rozšiřuje síť, aby shromáždil potřebná data. Identifikuje vysoce riziková místa pomocí vzorů trajektorie GPS, které poskytují informace o hustotě provozu, rychlosti a směru, a také pomocí satelitních snímků, které popisují silniční struktury, jako je počet jízdních pruhů, přítomnost krajnic nebo počet chodců. Poté, i když oblast s vysokým rizikem nemá žádné poruchy, může být stále identifikována jako oblast s vysokým rizikem pouze na základě vzorců provozu a topologie.

„Náš model lze zobecnit z jednoho města do druhého kombinací několika vodítek ze zdánlivě nesouvisejících zdrojů dat. Je to krok směrem ke kolaborativní umělé inteligenci, protože náš model dokáže předpovídat mapy nehod v neprobádaných územích,“ říká Amin Sadeghi, vedoucí výzkumník z Qatar Computing Research Institute (QCRI) a autor článku.

Testovaný soubor dat pokrýval 7 500 mXNUMX. km od Los Angeles, New Yorku, Chicaga a Bostonu. Mezi čtyřmi městy bylo kvůli nejvyšší hustotě nehod nejnebezpečnější Los Angeles, následované New Yorkem, Chicagem a Bostonem.

„Pokud lidé mohou použít mapu rizik k identifikaci potenciálně vysoce rizikových oblastí na silnici, mohou předem podniknout kroky ke snížení rizika cest, které podnikají. V aplikacích, jako je Waze a Apple Mapy, existují nástroje pro práci s incidenty, ale snažíme se předvídat selhání - dříve, než k nim dojde," - oni říkají vědci

Přečtěte si také:

• Video: Recenze Queclink GL300 – Jak funguje GPS Tracker?
• Co je to GPS: Typy systémů určování polohy, jak funguje a jaká je budoucnost