O mundo de hoje é um grande labirinto, conectado por camadas de concreto e asfalto que nos proporcionam o luxo da navegação por veículo. Para muitos de nossos avanços relacionados às estradas – o GPS nos permite disparar menos neurônios graças aos aplicativos de mapas, as câmeras nos alertam sobre arranhões e arranhões potencialmente caros e os carros elétricos autônomos têm custos de combustível mais baixos – nossas medidas de segurança ainda não foram alcançadas. Ainda contamos com uma dieta constante de semáforos, confiança e o aço que nos cerca para ir com segurança do ponto A ao ponto B.
Para se antecipar à incerteza inerente às falhas, os cientistas do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) e do Centro de Inteligência Artificial do Qatar desenvolveram um modelo de Deep Learning que prevê mapas de risco de acidentes de altíssima resolução. Com base em uma combinação de dados históricos de acidentes, mapas rodoviários, imagens de satélite e rastreamentos de GPS, os mapas de risco descrevem o número esperado de acidentes em um período de tempo no futuro, para identificar áreas de alto risco e prever acidentes futuros.
Normalmente, esses tipos de mapas de risco são capturados em resoluções muito mais baixas que flutuam em torno de centenas de metros, o que significa encobrir detalhes cruciais, uma vez que as estradas ficam borradas juntas. Esses mapas, no entanto, são células de grade de 5×5 metros, e a resolução mais alta traz uma clareza recém-descoberta: os cientistas descobriram que uma estrada rodoviária, por exemplo, tem um risco maior do que estradas residenciais próximas, e rampas que se fundem e saem da rodovia têm um risco ainda maior risco do que outras estradas.
“Ao capturar a distribuição de risco subjacente que determina a probabilidade de futuras colisões em todos os lugares, e sem quaisquer dados históricos, podemos encontrar rotas mais seguras, permitir que as seguradoras de automóveis forneçam planos de seguro personalizados com base nas trajetórias de direção dos clientes, ajudar os planejadores da cidade a projetar estradas mais seguras e até mesmo prever acidentes futuros “, diz estudante Songtao He, do Ph.D. do MIT CSAIL, autor principal de um novo artigo sobre a pesquisa.
Embora os acidentes de carro sejam esparsos, eles custam cerca de 3% do PIB mundial e são a principal causa de morte em crianças e jovens. Essa dispersão torna a inferência de mapas em alta resolução uma tarefa complicada. As falhas neste nível são dispersas – a probabilidade média anual de uma falha em uma célula da grade 5×5 é de cerca de uma em 1.000 – e raramente acontecem duas vezes no mesmo local. As tentativas anteriores de prever o risco de colisões foram em grande parte “históricas”, já que uma área só seria considerada de alto risco se houvesse um acidente anterior nas proximidades.
A abordagem da equipe lança uma rede mais ampla para capturar dados críticos. Ele identifica locais de alto risco usando padrões de trajetória GPS, que fornecem informações sobre densidade, velocidade e direção do tráfego, e imagens de satélite que descrevem estruturas rodoviárias, como o número de pistas, se há um acostamento ou se há um grande número de pedestres. Então, mesmo que uma área de alto risco não tenha travamentos registrados, ela ainda pode ser identificada como de alto risco, com base apenas em seus padrões de tráfego e topologia.
Para avaliar o modelo, os cientistas usaram falhas e dados de 2017 e 2018 e testaram seu desempenho na previsão de falhas em 2019 e 2020. Muitos locais foram identificados como de alto risco, embora não tivessem falhas registradas, e também sofreram falhas durante os anos de acompanhamento.
“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”, disse Amin Sadeghi, cientista-chefe da Qatar Computing Instituto de Pesquisa (QCRI) e um 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 poderia 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, L.A. foi a mais insegura, uma vez que 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 potencialmente 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 obter antes das falhas – antes que elas aconteçam “, diz He.
Publicado em 14/10/2021 13h08
Artigo original:
Estudo original: