Dnešný svet je jedno veľké bludisko spojené vrstvami betónového asfaltu, ktoré nám umožňujú cestovať autom. Čo sa týka väčšiny našich pokrokov súvisiacich s dopravou – GPS nám umožňuje používať menej neurónov vďaka mapovacím aplikáciám, kamery nás upozorňujú na potenciálne drahé škrabance a elektrické autonómne autá majú nižšiu spotrebu paliva – a čo bezpečnostné opatrenia? Stále sa spoliehame na to, že sa neustále spoliehame na semafory, dôveru a oceľ okolo nás, aby sme sa bezpečne dostali z bodu A do bodu B.
Aby sa predišlo neistote spojenej s nehodami, vedci z Laboratória počítačovej vedy a umelej inteligencie MIT (CSAIL) a Katarského centra pre umelú inteligenciu (QCAI) vyvinuli model hlbokého učenia, ktorý vytvára mapy rizika nehôd s veľmi vysokým rozlíšením. Na základe kombinácie historických údajov o nehodách, cestných máp, satelitných snímok a stôp GPS popisujú rizikové mapy očakávaný počet nehôd za určité časové obdobie v budúcnosti s cieľom identifikovať vysoko rizikové oblasti a predpovedať budúce nehody.
Typicky sa rizikové mapy tohto typu zaznamenávajú v oveľa nižšom rozlíšení, ktoré sa pohybuje v stovkách metrov, čo znamená, že nie je možné vidieť dôležité detaily. Tieto mapy však majú bunky mriežky XNUMX x XNUMX metrov a vyššie rozlíšenie poskytuje novoobjavenú jasnosť: vedci zistili, že napríklad diaľnica má vyššie riziko ako blízke obytné cesty.
Hoci autonehody nie sú veľmi časté, stoja približne 3 % svetového HDP a sú hlavnou príčinou úmrtí detí a mladých ľudí. Táto vzácnosť robí z vytvárania máp s takým vysokým rozlíšením náročnú úlohu. Prístup tímu však rozširuje sieť na zhromažďovanie potrebných údajov. Identifikuje vysoko rizikové miesta pomocou vzorov trajektórie GPS, ktoré poskytujú informácie o hustote premávky, rýchlosti a smere, ako aj satelitných snímok, ktoré popisujú štruktúry ciest, ako je počet jazdných pruhov, prítomnosť krajníc alebo počet chodcov. Potom, aj keď oblasť s vysokým rizikom nemá žiadne poruchy, stále ju možno identifikovať ako oblasť s vysokým rizikom na základe vzorov premávky a topológie.
„Náš model možno zovšeobecniť z jedného mesta do druhého kombináciou viacerých indícií zo zdanlivo nesúvisiacich zdrojov údajov. Toto je krok smerom k kolaboratívnej umelej inteligencii, pretože náš model dokáže predpovedať mapy nehôd na neprebádaných územiach,“ hovorí Amin Sadeghi, vedúci výskumník v Qatar Computing Research Institute (QCRI) a autor článku.
Testovaný súbor údajov pokrýval 7 500 mXNUMX. km od Los Angeles, New Yorku, Chicaga a Bostonu. Spomedzi štyroch miest bolo najnebezpečnejšie Los Angeles kvôli najvyššej hustote nehôd, nasledované New Yorkom, Chicagom a Bostonom.
„Ak ľudia dokážu pomocou mapy rizík identifikovať potenciálne vysoko rizikové oblasti na ceste, môžu vopred podniknúť kroky na zníženie rizika ciest, ktoré absolvujú. V aplikáciách ako Waze a Apple Mapy, existujú nástroje na prácu s incidentmi, ale snažíme sa predvídať zlyhania - skôr, ako k nim dôjde," - hovoria vedci
Prečítajte si tiež:
- Video: Recenzia Queclink GL300 – Ako funguje GPS Tracker?
- Čo je to GPS: Typy systémov určovania polohy, ako funguje a čo prinesie budúcnosť