El aprendizaje profundo ayuda a predecir los accidentes de tráfico antes de que ocurran

El mundo de hoy es un gran laberinto, conectado por capas de hormigón y asfalto que nos permiten el lujo de la navegación en automóvil. Para muchos de nuestros avances relacionados con las carreteras, el GPS nos permite disparar menos neuronas gracias a las aplicaciones de mapas, las cámaras nos advierten de raspaduras y raspaduras potencialmente costosas y los autos eléctricos autónomos tienen costos de combustible más bajos, nuestras medidas de seguridad no eran completamente adecuadas. Seguimos confiando en una dieta constante de señales de tráfico, confianza y acero que nos rodea para llegar con seguridad del punto A al punto B.

Para superar la incertidumbre inherente a los accidentes, los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) y el Centro de Inteligencia Artificial de Qatar han desarrollado un modelo de aprendizaje profundo que predice mapas de riesgo de accidentes de ultra alta resolución. Impulsados ​​por una combinación de datos históricos de accidentes, mapas de carreteras, imágenes satelitales y pistas de GPS, los mapas de peligro describen el número esperado de accidentes durante un período de tiempo futuro, para identificar áreas de alto riesgo y predecir accidentes futuros.

Por lo general, estos tipos de mapas de peligro se capturan a resoluciones mucho más bajas, que se mueven alrededor de cientos de metros, lo que significa pasar por alto detalles cruciales a medida que las carreteras se vuelven borrosas juntas. Estos mapas, sin embargo, son celdas de cuadrícula de 5 × 5 metros, y la resolución más alta aporta una nueva claridad: los científicos han descubierto que una carretera, por ejemplo, tiene un riesgo mayor que las calles residenciales cercanas y las rampas que se unen y salen de la carretera tienen un efecto uniforme. mayor riesgo que otras carreteras.

«Al capturar la distribución del riesgo subyacente que determina la probabilidad de accidentes futuros en todos los lugares y sin datos históricos, podemos encontrar rutas más seguras, permitir que las compañías de seguros de automóviles brinden planes de seguro personalizados basados ​​en las trayectorias de conducción de los clientes, ayudar a los planificadores urbanos a diseñar carreteras más seguras e incluso predecir accidentes futuros ”, dice Songtao He, estudiante graduado del MIT CSAIL, autor principal de un nuevo artículo sobre la investigación.

Aunque los accidentes de tráfico son raros, cuestan alrededor del 3% del PIB mundial y son la principal causa de muerte en niños y adultos jóvenes. Esta escasez hace que la inferencia de mapas a una resolución tan alta sea una tarea difícil. Los choques en este nivel son poco comunes (la probabilidad anual promedio de un choque en una celda de cuadrícula de 5 × 5 es aproximadamente uno en 1,000) y rara vez ocurren dos veces en la misma ubicación. Los intentos anteriores de predecir el riesgo de accidentes han sido en gran medida «históricos», ya que un área solo se consideraría de alto riesgo si hubiera ocurrido un accidente en las cercanías.

El enfoque del equipo proyecta una red más grande para capturar datos críticos. Identificar ubicaciones de alto riesgo utilizando modelos de trayectoria de GPS, que brindan información sobre la densidad del tráfico, la velocidad y la dirección, e imágenes de satélite que describen las estructuras de la carretera, como el número de carriles, si hay un arcén o si hay una gran cantidad de peatones. . Entonces, incluso si un área de alto riesgo no tiene incidentes registrados, aún se puede identificar como de alto riesgo, basándose únicamente en sus patrones de tráfico y topología.

Para evaluar el modelo, los científicos utilizaron choques y datos de 2017 y 2018 y probaron su desempeño en la predicción de incidentes en 2019 y 2020. Se identificaron muchas ubicaciones como de alto riesgo, a pesar de que no tenían incidentes registrados y también sufrieron accidentes durante los siguientes años.

“Nuestro modelo puede generalizarse de una ciudad a otra al combinar múltiples pistas de fuentes de datos aparentemente no relacionadas. Este es un paso hacia la IA general, porque nuestro modelo puede predecir mapas de accidentes en territorios inexplorados «, dice Amin Sadeghi, científico jefe del Instituto de Investigación de Computación de Qatar (QCRI) y autor del artículo.» El modelo puede usarse para deducir un mapa de accidentes útil incluso en ausencia de datos históricos de accidentes, que podría traducirse en un uso positivo para la planificación urbana y la formulación de políticas al comparar escenarios imaginarios «.

El conjunto de datos cubrió 7.500 kilómetros cuadrados de Los Ángeles, Nueva York, Chicago y Boston. De las cuatro ciudades, Los Ángeles fue la más peligrosa, con la mayor densidad de accidentes, seguida de Nueva York, Chicago y Boston.

“Si las personas pueden utilizar el mapa de riesgos para identificar los tramos de carreteras potencialmente de alto riesgo, pueden actuar con anticipación para reducir el riesgo de los viajes que realizan. Aplicaciones como Waze y Apple Maps tienen herramientas para la funcionalidad de fallas, pero estamos tratando de anticiparlas antes de que ocurran ”, dice.

Él y Sadeghi escribieron el artículo junto con Sanjay Chawla, director de investigación de QCRI, y los profesores de ingeniería eléctrica e informática del MIT Mohammad Alizadeh, Hari Balakrishnan y Sam Madden. Presentarán el documento en la Conferencia Internacional 2021 sobre Visión por Computador.