Hoe kunstmatige intelligentie verkeersongevallen in steden kan helpen beteugelen

Ondanks pandemische bewegingsbeperkingen waren er in 2020 meer dan 12.000 ongevallen in Madrid, met 31 doden tot gevolg. In Barcelona waren er meer dan 5700 botsingen, waarbij 14 doden vielen. De veiligheid van voetgangers en voertuigen is een prioriteit.Daarom maakt een onderzoeksproject aan de Universitat Oberta de Catalunya (UOC) gebruik van kunstmatige intelligentie (AI) om beslissingen te nemen die steden veiliger maken. De onderzoekers hebben gekeken naar de samenhang tussen de complexiteit van bepaalde stedelijke gebieden en de kans op een ongeval daar.

Volgens de onderzoekers kunnen de gegevens die ze hebben verzameld worden gebruikt om neurale netwerken te trainen om waarschijnlijke gevaren in een gebied te detecteren en om patronen uit te werken die verband houden met dit hoge risicopotentieel. De onderzoekers, onder leiding van Cristina Bustos en Javier Borge, werken met algoritmen die verkeersautoriteiten helpen de kans op ongevallen in stedelijke omgevingen te verkleinen.

De interdisciplinaire studie werd uitgevoerd door twee UOC-onderzoeksgroepen – Complex Systems @ IN3 (CoSIN3), van het Internet Interdisciplinary Institute (IN3), en het Scene Understanding and Artificial Intelligence Lab (SUNAI), van de Faculteit Computerwetenschappen, Multimedia en Telecommunicatie, in samenwerking met de Spaanse Nationale Verkeersautoriteit (DGT), de gemeenteraden van Madrid en Barcelona, ​​academische filialen van het Massachusetts Institute of Technology (MIT) en onderzoeker Àlex Arenas van de afdeling Computer Engineering and Mathematics aan de Universitat Rovira i Virgili ( URV).

Ongevallen en de stadscène: wat is het verband?

Volgens de onderzoekers beïnvloedt de visuele indeling van wat zij de “stedelijke scène” noemen, de kans op een ongeval. Cristina Bustos, een lid van CoSIN3 en eerste auteur van een recentelijk gepubliceerd wetenschappelijk artikel over het project, zei: “Onze bevindingen tonen aan dat er bepaalde patronen in de scène-indeling zitten die het aantal ongevallen kunnen beïnvloeden.”

Voor de onderzoeker zorgen sleutelfactoren zoals de opstelling van straatmeubilair, de locatie van geparkeerde auto’s, advertenties en gevels voor meer afleiding van de bestuurder. “Onze bevindingen suggereren dat we meer hebben dan alleen een hypothese”, zegt Javier Borge, hoofdonderzoeker van CoSIN3. “Wat duidelijk lijkt, is dat het aantal verschillende elementen in een scène correleert met het aantal ongevallen dat daar heeft plaatsgevonden.”

Het begrijpen van de reden achter deze correlatie is de kern van de zaak. Borge zei: “De AI lokaliseert plaatsen die potentieel gevaarlijk zijn, maar het vertelt ons niet waarom. Daarom kijken we naar bepaalde interpretatietechnieken, zoals die in deze studie worden gebruikt, die ons dichter bij een antwoord brengen. om deze onderzoekslijn verder voort te zetten, lijdt het geen twijfel dat verkeersongelukken gebeuren om vele redenen en een combinatie daarvan. Ons onderzoek toont aan dat de indeling van scènes een factor is om in gedachten te houden. “

Volgens Borge veronderstellen hij en zijn collega-onderzoekers dat menselijke cognitieve beperkingen worden beïnvloed door de complexiteit van de scène. Hij zei: “Als een scène erg complex is, wordt mijn cognitieve systeem zwaarder belast, waardoor mijn vermogen om onverwachte gebeurtenissen te vermijden mogelijk wordt getemperd.” Dit is waar de externe hulp van kunstmatige intelligentie binnenkomt, waarbij algoritmen worden toegepast om complexe stedelijke patronen te identificeren.

Algoritmen gebruiken om de kans op ongevallen te verkleinen

Kunstmatige intelligentie heeft zijn mogelijkheden vergroot, vooral sinds de opkomst van technologieën zoals neurale netwerken en machine learning. Het eerste is een computationeel model dat is geëvolueerd uit kennis van de plasticiteit van de hersenen, terwijl het laatste een tak van AI is die machines in staat stelt te leren zonder specifiek daarvoor te zijn geprogrammeerd. De technologie van de onderzoeksgroep UOC is precies op deze concepten gebaseerd.

Cristina Bustos zei: “We gebruiken deep learning [a type of machine learning based on a set of machine learning algorithms] toegepast op computerbeeldverwerking. “Volgens de onderzoeker” is het doel van deze algoritmen om patronen in foto’s of video’s te identificeren om een ​​specifieke taak uit te voeren, bijvoorbeeld het herkennen van de objecten die verschijnen en waar ze zich bevinden of het identificeren van de algemene context van het beeld, of zelfs complexere taken, zoals het herkennen van de emotie die een afbeelding of video bij een persoon oproept. “

De onderzoekers gebruiken convolutionele neurale netwerken, zo genoemd omdat ze een operatie genaamd “convolutie” toepassen op het invoerbeeld en door de netwerklagen heen. ‘Door deze bewerking toe te passen’, zei Bustos, ‘leert het netwerk eenvoudige patronen in de bovenste lagen te onderscheiden, zoals lijnen, randen, texturen, kleuren en hoeken, en wordt het complexer naarmate het dieper gaat. in staat om complexe patronen te identificeren, zoals het gezicht van een persoon of een auto.

Dit type netwerk moet worden getraind om een ​​taak uit te voeren, waarbij de processen keer op keer worden herhaald terwijl de onderzoekers aangeven of het goed heeft gepresteerd of niet. Cristina zei: “We trainen het netwerk niet helemaal opnieuw, maar gebruiken een netwerk dat al is geïnstrueerd voor een andere taak, zoals het herkennen van mensen of dieren, en we gebruiken deze kennis om het te leren gevaarlijke objecten en patronen te herkennen. dat kan leiden tot ongelukken. “

AI, de grootste bondgenoot van een stedenbouwkundige

“Een van de uitdagingen van neurale netwerken is dat we, gezien hun diepe, niet-lineaire en complexe aard, geen controle hebben over welke patronen ze leren”, aldus Bustos. “Daarom zijn we overgestapt op andere deep learning-technieken, zoals beeldsegmentatie en het in kaart brengen van klassenactivering.” De eerste, zo verduidelijkte ze, lokaliseert objecten in een afbeelding door middel van hun pixels, terwijl de laatste de gebieden in de afbeelding in kaart brengt waarnaar het netwerk moet kijken om resultaten te verkrijgen.

Javier Borge wees erop dat “kunstmatige intelligentie ons een zeer krachtig hulpmiddel lijkt om uit te zoeken waar problemen kunnen optreden, maar dat het ze niet op eigen kracht zal oplossen.” Zo heeft het team een ​​heuristische methode ontwikkeld om stedelijke scènes te verbeteren die volgens Borge ‘waardeloos zijn zonder een mens erachter’, zoals een stedenbouwkundige, een architect of een ingenieur die in staat is om veranderingen te valideren en door te voeren op basis van de algoritme-gestuurde gegevens.

Met kunstmatige intelligentie aan hun zijde kijken de onderzoekers naar meerdere gevaarlijke stedelijke patronen. Bustos zei: “Op dit moment analyseren we hoe de visuele scène de stress van bestuurders beïnvloedt.” Dienovereenkomstig zijn de onderzoekers van mening dat dit type technologie van groot nut kan zijn voor instanties als de DGT, met het oog op het ontwerpen van veiligere steden voor voertuigen en voetgangers. Tot slot zei Borge: “Onze grootste hindernis is de beschikbaarheid van gegevens: de analyse vereist een rijke verzameling van Street View-beelden en open, geolokaliseerde gegevens over ongevalspercentages met details van de betrokkenen, die momenteel niet gemakkelijk te verkrijgen zijn.”