Kunstig intelligens vil bidra til å forutsi trafikkulykker før de inntreffer

Dagens verden er én stor labyrint forbundet med lag av betongsfalt som lar oss reise med bil. Som for de fleste av våre trafikkrelaterte fremskritt – GPS lar oss bruke færre nevroner takket være kartleggingsapper, kameraer advarer oss om potensielt dyre riper, og elektriske autonome biler har lavere drivstofforbruk – hva med sikkerhetstiltak? Vi er fortsatt avhengige av vår konstante avhengighet av trafikklys, tillit og stål rundt oss for å komme oss fra punkt A til punkt B trygt.

For å unngå usikkerheten knyttet til ulykker, har forskere fra MITs Computer Science and Artificial Intelligence Laboratory (CSAIL) og Qatar Center for Artificial Intelligence (QCAI) utviklet en dyp læringsmodell som lager svært høyoppløselige ulykkesrisikokart. Basert på en kombinasjon av historiske krasjdata, veikart, satellittbilder og GPS-spor, beskriver risikokart forventet antall krasj over en tidsperiode i fremtiden for å identifisere høyrisikoområder og forutsi fremtidige krasj.

Vanligvis blir risikokart av denne typen registrert med en mye lavere oppløsning, som strekker seg i hundrevis av meter, noe som betyr at viktige detaljer ikke kan sees. Disse kartene har imidlertid fem ganger fem meter rutenettceller, og den høyere oppløsningen gir nyvunnet klarhet: Forskere har oppdaget at for eksempel en motorvei har høyere risiko enn nærliggende boligveier.

Selv om bilulykker ikke er veldig vanlige, koster de omtrent 3 % av globalt BNP og er den viktigste dødsårsaken for barn og unge. Denne sparsomheten gjør å lage slike høyoppløselige kart til en utfordrende oppgave. Men teamets tilnærming utvider nettet for å samle de nødvendige dataene. Den identifiserer høyrisikoplasseringer ved hjelp av GPS-banemønstre som gir informasjon om trafikktetthet, hastighet og retning, samt satellittbilder som beskriver veistrukturer som antall kjørefelt, tilstedeværelse av skuldre eller antall fotgjengere. Selv om et høyrisikoområde ikke har noen feil, kan det likevel identifiseres som et høyrisikoområde basert på trafikkmønstre og topologi alene.

"Vår modell kan generaliseres fra en by til en annen ved å kombinere flere ledetråder fra tilsynelatende urelaterte datakilder. Dette er et skritt mot samarbeidende kunstig intelligens fordi modellen vår kan forutsi ulykkeskart i ukjente territorier, sier Amin Sadeghi, hovedforsker ved Qatar Computing Research Institute (QCRI) og forfatter av artikkelen.

Det testede datasettet dekket 7 kvm. km fra Los Angeles, New York, Chicago og Boston. Blant de fire byene var Los Angeles farligst på grunn av den høyeste ulykkestettheten, etterfulgt av New York, Chicago og Boston.

«Hvis folk kan bruke et risikokart for å identifisere potensielt høyrisikoområder på veien, kan de ta skritt på forhånd for å redusere risikoen for reisene de foretar. I applikasjoner som Waze og Apple Kart, det er verktøy for å jobbe med hendelser, men vi prøver å forutse feil - før de skjer," - de sier forskere

Les også:

• Video: Queclink GL300 gjennomgang - Hvordan fungerer GPS Tracker?
• Hva er GPS: Typer posisjoneringssystemer, hvordan det fungerer og hva fremtiden bringer