Un modèle approfondi a été formé sur les données d’accidents historiques, les cartes routières, les images satellite et le GPS pour permettre des cartes d’accidents haute résolution qui pourraient conduire à des routes plus sûres.
Le monde d’aujourd’hui est un grand labyrinthe, relié par des couches de béton et d’asphalte qui nous offrent le luxe de la navigation en véhicule. Pour bon nombre de nos avancées liées à la route – le GPS nous permet de déclencher moins de neurones grâce aux applications cartographiques, les caméras nous alertent sur les éraflures et les rayures potentiellement coûteuses et les voitures électriques autonomes ont des coûts de carburant inférieurs – nos mesures de sécurité n’ont pas tout à fait rattrapé leur retard. Nous comptons toujours sur un régime constant de feux de circulation, de confiance et de l’acier qui nous entoure pour nous rendre en toute sécurité d’un point A à un point B.
Pour devancer l’incertitude inhérente aux accidents, les scientifiques de AVECLe Laboratoire d’informatique et d’intelligence artificielle (CSAIL) et le Centre d’intelligence artificielle du Qatar ont développé un modèle d’apprentissage en profondeur qui prédit des cartes de risque d’accident à très haute résolution. Alimentées à partir d’une combinaison de données historiques sur les accidents, de cartes routières, d’images satellite et de traces GPS, les cartes des risques décrivent le nombre prévu d’accidents sur une période de temps future, afin d’identifier les zones à haut risque et de prévoir les futurs accidents.
Un ensemble de données utilisé pour créer des cartes des risques d’accident couvrait 7 500 kilomètres carrés de Los Angeles, New York, Chicago et Boston. Parmi les quatre villes, LA était la plus dangereuse, car elle avait la densité d’accidents la plus élevée, suivie de New York, Chicago et Boston. Crédit : Image reproduite avec l’aimable autorisation du MIT CSAIL.
En règle générale, ces types de cartes des risques sont capturés à des résolutions bien inférieures qui oscillent autour de centaines de mètres, ce qui signifie qu’il faut passer sous silence des détails cruciaux car les routes deviennent floues ensemble. Ces cartes, cependant, sont des cellules de grille de 5 × 5 mètres, et la résolution plus élevée apporte une nouvelle clarté : les scientifiques ont découvert qu’une route d’autoroute, par exemple, présente un risque plus élevé que les routes résidentielles voisines, et les rampes qui fusionnent et sortent de l’autoroute ont un risque encore plus élevé que les autres routes.
“En capturant la distribution des risques sous-jacents qui détermine la probabilité de futurs accidents à tous les endroits, et sans aucune donnée historique, nous pouvons trouver des itinéraires plus sûrs, permettre aux compagnies d’assurance automobile de proposer des plans d’assurance personnalisés basés sur les trajectoires de conduite des clients, aider les urbanistes à concevoir des routes plus sûres et même prédire de futurs accidents », a déclaré Songtao He, doctorant au MIT CSAIL, auteur principal d’un nouvel article sur la recherche.
Même si les accidents de voiture sont rares, ils coûtent environ 3 % du PIB mondial et sont la principale cause de décès chez les enfants et les jeunes adultes. Cette rareté rend la déduction de cartes à une résolution aussi élevée une tâche délicate. Les accidents à ce niveau sont peu dispersés – la probabilité annuelle moyenne d’un accident dans une cellule de grille 5 × 5 est d’environ un sur 1 000 – et ils se produisent rarement deux fois au même endroit. Les tentatives précédentes pour prédire le risque d’accident ont été en grande partie «historiques», car une zone ne serait considérée à haut risque que s’il y avait eu un accident à proximité.
Pour évaluer le modèle, les scientifiques ont utilisé des accidents et des données de 2017 et 2018, et ont testé ses performances pour prédire les accidents en 2019 et 2020. De nombreux endroits ont été identifiés comme à haut risque, même s’ils n’avaient enregistré aucun accident, et ont également connu des accidents pendant les années de suivi. Crédit : Image reproduite avec l’aimable autorisation du MIT CSAIL.
L’approche de l’équipe jette un filet plus large pour capturer des données critiques. Il identifie les emplacements à haut risque à l’aide de modèles de trajectoire GPS, qui donnent des informations sur la densité, la vitesse et la direction du trafic, et des images satellite décrivant les structures routières, telles que le nombre de voies, s’il y a un accotement ou s’il y en a un grand nombre. des piétons. Ensuite, même si une zone à haut risque n’a enregistré aucun accident, elle peut toujours être identifiée comme à haut risque, en se basant uniquement sur ses modèles de trafic et sa topologie.
Pour évaluer le modèle, les scientifiques ont utilisé des accidents et des données de 2017 et 2018, et ont testé ses performances pour prédire les accidents en 2019 et 2020. De nombreux endroits ont été identifiés comme à haut risque, même s’ils n’avaient enregistré aucun accident, et ont également connu des accidents pendant les années de suivi.
« Notre modèle peut se généraliser d’une ville à l’autre en combinant plusieurs indices provenant de sources de données apparemment sans rapport. C’est un pas vers l’IA générale, car notre modèle peut prédire des cartes de crash dans des territoires inexplorés », explique Amin Sadeghi, scientifique principal au Qatar Computing Research Institute (QCRI) et auteur de l’article. “Le modèle peut être utilisé pour déduire une carte des accidents utile même en l’absence de données historiques sur les accidents, ce qui pourrait se traduire par une utilisation positive pour la planification urbaine et l’élaboration des politiques en comparant des scénarios imaginaires.”
L’ensemble de données couvrait 7 500 kilomètres carrés de Los Angeles, New York, Chicago et Boston. Parmi les quatre villes, LA était la plus dangereuse, car elle avait la densité d’accidents la plus élevée, suivie de New York, Chicago et Boston.
« Si les gens peuvent utiliser la carte des risques pour identifier les segments de route potentiellement à haut risque, ils peuvent prendre des mesures à l’avance pour réduire le risque des déplacements qu’ils entreprennent. Des applications comme Waze et Apple Maps disposent d’outils de fonctionnalité d’incident, mais nous essayons d’anticiper les plantages – avant qu’ils ne se produisent », déclare He.
Référence : « Déduire des cartes de risques d’accidents de la route à haute résolution basées sur des images satellite et des trajectoires GPS » par Songtao He, Mohammad Amin Sadeghi, Sanjay Chawla, Mohammad Alizadeh, Hari Balakrishnan et Samuel Madden, ICCV.
PDF
Lui et Sadeghi ont écrit l’article aux côtés de Sanjay Chawla, directeur de recherche au QCRI, et des professeurs de génie électrique et d’informatique du MIT Mohammad Alizadeh, Hari Balakrishnan et Sam Madden. Ils présenteront l’article à la Conférence internationale 2021 sur la vision par ordinateur.
