E se a tecnologia ajudasse a prever — e impedir — acidentes de trânsito?

Pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial do MIT, nos EUA, e do Centro de Inteligência Artificial do Qatar, desenvolveram um modelo de aprendizado profundo capaz de prever acidentes de trânsito antes que eles aconteçam com base em situações ocorridas no passado.

O sistema é treinado com dados históricos de acidentes, mapas de estradas, imagens geradas por satélite e rastreamentos antigos de GPS. Com essas informações, é possível antecipar o número esperado de acidentes para um determinado local, identificando áreas de alto risco.

“Ao capturar a distribuição do risco que determina a probabilidade de futuras colisões, podemos encontrar rotas mais seguras, permitindo que seguradoras de automóveis forneçam planos personalizados com base nos trajetos usados pelos clientes ou ajudar no planejamento das cidades”, explica o doutorando em engenharia Songtao He, autor principal do estudo.

Alta resolução

Os mapas de risco utilizados atualmente, são produzidos com imagens em baixa resolução captadas com centenas de metros de distância umas das outras. Esse sistema de captura encobre detalhes importantes para uma análise mais precisa, já que as estradas aparecem juntas e completamente borradas.

Nesta nova abordagem, os cientistas usam células de grade de 5 x 5 metros que garantem imagens com uma resolução muito maior. Com isso, eles descobriram que as rodovias têm um risco mais alto de acidentes do que as estradas vicinais e que as rampas de acesso são mais propensas às colisões.

“Nós usamos uma rede mais ampla para capturar dados críticos, identificando locais de alto risco com padrões de trajetória por GPS, que fornecem informações sobre densidade, velocidade e direção do tráfego. Além disso, utilizamos imagens de satélite que descrevem estruturas rodoviárias, como o número de pistas, se há acostamento ou um grande número de pedestres”, acrescenta He.

Histórico de acidentes

Para avaliar a eficácia do modelo de aprendizado profundo, os pesquisadores usaram dados de acidentes computados em 2017 e 2018, e testaram seu desempenho na previsão de ocorrências em 2019 e 2020. Mesmo sem um histórico completo de acidentes desses locais, foi possível determinar quais áreas tinham mais risco de novas colisões.

As informações foram obtidas em uma região com 7.500 quilômetros quadrados entre as cidades de Los Angeles, Nova York, Chicago e Boston. Entre essas quatro metrópoles, Los Angeles foi considerada a mais insegura com uma densidade de acidentes muito maior em suas principais rodovias.

“Nosso modelo pode generalizar de uma cidade para outra, combinando várias pistas de fontes de dados aparentemente não relacionadas. Este é um passo em direção à IA geral, porque nosso modelo pode prever mapas de acidentes em territórios desconhecidos ”, diz Amin Sadeghi, cientista-chefe do Qatar Computing Research Institute (QCRI) e autor do artigo. “O modelo pode ser usado para inferir um mapa de acidentes útil, mesmo na ausência de dados históricos de acidentes, o que pode se traduzir em um uso positivo para o planejamento da cidade e a formulação de políticas, comparando cenários imaginários.” 

O conjunto de dados cobriu 7.500 quilômetros quadrados de Los Angeles, Nova York, Chicago e Boston. Entre as quatro cidades, LA foi a mais insegura, pois teve a maior densidade de acidentes, seguida por Nova York, Chicago e Boston. 

“Se as pessoas puderem usar o mapa de risco para identificar segmentos de estradas de alto risco, elas podem agir com antecedência para reduzir o risco das viagens que fazem. Aplicativos como Waze e Apple Maps têm ferramentas de recurso de incidentes, mas estamos tentando nos antecipar aos travamentos – antes que aconteçam ”, disse He. 

Ele e Sadeghi escreveram o artigo ao lado de Sanjay Chawla, diretor de pesquisa da QCRI, e dos professores de engenharia elétrica e ciência da computação do MIT, Mohammad Alizadeh, Hari Balakrishnan e Sam Madden. Eles apresentarão o artigo na Conferência Internacional de Visão Computacional de 2021.

Fonte: MIT 

Fonte: Canal Tech