L’algoritme que aspira a reduir les morts a la carretera

El CIDAI lidera un projecte d’intel·ligència artificial per identificar situacions de risc urbà i monitorar les congestions del trànsit

Categories:

Redacció

La iniciativa ha monitorat fins a nou tipus d'escenaris de risc en vies urbanes i interurbanes de Catalunya
La iniciativa ha monitorat fins a nou tipus d'escenaris de risc en vies urbanes i interurbanes de Catalunya | Steven Arenas (Pexels)

Un total de 115 persones han mort per accidents de trànsit a Catalunya fins al 31 d’agost, d’acord amb les dades del Servei Català de Trànsit (SCT). Malgrat que s’adopten constantment mesures per evitar aquestes situacions, Lleida és l’única demarcació que ha reduït el nombre de sinistres respecte al 2021. És en aquest context que el Centre of Innovation for Data tech and Artificial Intelligence (CIDAI) ha desenvolupat un sistema d’intel·ligència artificial que analitza automàticament els vídeos en temps real de les carreteres catalanes i n’identifica els patrons més habituals de comportaments perillosos, amb la voluntat de generar un volum de dades vàlid per poder entrenar futurs algoritmes de prevenció de riscos.

El projecte, que ha tingut un any de durada, ha comptat amb la participació de la Fundació i2CAT, del Barcelona Supercomputing Center (BSC), del centre tecnològic Eurecat i del Centre de Telecomunicacions i Tecnologies de la Informació (CTTI), raó per la qual s’ha desenvolupat en una infraestructura híbrida, parcialment allotjada al núvol. La iniciativa té un doble objectiu: detectar situacions de risc a la carretera i analitzar els fluxos de trànsit per, posteriorment, prendre decisions.

El projecte del CIDAI busca detectar situacions de risc a la carretera i analitzar els fluxos de trànsit

El primer cas és el que més feina ha comportat, ja que s’han estudiat un total de nou escenaris dividits en dos entorns diferents. Així, per les vies interurbanes s’han analitzat els canvis de carril no permesos, els vehicles aturats a la via, els automòbils circulant en direcció contrària, els que condueixen pel voral i els que no respecten la distància de seguretat. D’altra banda, en les vies urbanes s’han monitorat els vianants que creuen fora del pas de vianants; els que ho fan per allà, però amb el semàfor en vermell; els cotxes que, quan giren, s’acosten a un vianant mentre creua i aquells que s’aproximen a una bicicleta que es desplaça pel carril bici. Pel que respecta a l’anàlisi de fluxos, s’han tingut en compte només dues classes d’esdeveniments en vies interurbanes: la formació de congestions i la circulació de vehicles a velocitats anormalment altes o baixes.

Totes aquestes accions s’han revisat a partir del metratge enregistrat per dues càmeres en vies interurbanes i una instal·lada en un carrer de Barcelona durant 15 dies. L’equip ha treballat amb vídeos d’entre una i tres hores per dia, atès que la qualitat de les gravacions, el moviment de les càmeres de trànsit i el temps de durada del projecte els limitava a l’hora de quadrar les imatges. “Fem servir algoritmes de detecció i tracking sobre els vídeos. El primer detecta el nombre vehicles i vianants i també la seva posició, que transformem amb coordenades GPS. El tracking permet seguir objectes i vehicles en frames consecutius. Això ens permet detectar esdeveniments com el canvi de carril i calcular dades com la seva velocitat”, ha explicat la investigadora del BSC Elli Kartsakli.

La importància del context urbanístic

Amb tot el material audiovisual a la seva disposició, l’equip ha desenvolupat una plataforma en línia que els permet analitzar tota mena de paràmetres gràcies als mecanismes de detecció, com són la velocitat mitjana o la classificació dels objectes localitzats. És a partir d’aquestes mesures que han desenvolupat els algoritmes que monitoren les diverses infraccions possibles: en el cas dels vianants que creuen en vermell, la intel·ligència artificial identifica la figura com a vianant, els límits del pas de zebra i el color del semàfor, i en el moment en què creua el límit, reconeix la infracció. Tanmateix, per poder dur a terme aquest procés primer cal crear el que han anomenat camps semàntics, que és la delimitació física de les imatges on s’especifiquen els carrils, les voreres, els encreuaments i tots els elements necessaris per interpretar les situacions.

Per poder identificar correctament els riscos, primer calia delimitar els espais de la carretera i atorgar-los un significat | Imatge: CIDAI

El següent pas del projecte ha consistit en l’elaboració d’uns taulells de visualització que permetessin controlar totes les mètriques rellevants d’una manera més còmoda. Fent servir el programari lliure Kibana, l’equip ha desenvolupat un total de cinc dashboards, que serveixen per controlar el nombre de deteccions, les congestions de trànsit, la velocitat, els riscos interurbans i els riscos urbans, respectivament. Aquestes taules transformen els milers de dades captades en gràfics i histogrames que permeten entendre molt millor què està passant: quines són les hores on circulen més cotxes, la velocitat mitjana o màxima a les carreteres o el tipus d’infracció més habitual, per exemple.

Amb la informació ja ordenada, les conclusions s’extreuen més fàcilment. Això ha permès als investigadors adonar-se que el fet de no respectar la distància de seguretat entre vehicles és la falta més recurrent a les carreteres, amb més de 118.000 casos detectats en el període d’estudi, pels gairebé 3.000 canvis de carril no permesos, o els 1.200 automòbils que circulaven pel voral. Pel que fa als entorns urbans, els vianants acumulen la gran majoria d’infraccions, repartides entre els encreuaments fora del pas de zebra i la circulació amb el semàfor en vermell.

Herrando: “Hem obtingut una base molt sòlida de coneixements que ens proporciona un ‘know how’ que ens permet prendre decisions proactives per evitar accidents i millorar la seguretat viària i el flux del trànsit”

La recerca liderada pel CIDAI és una primera aproximació a l’ús de la intel·ligència artificial en el món de la mobilitat, i això ha implicat haver de pensar des del principi les metodologies a emprar. Així i tot, la precisió de les deteccions va del 75% al 100% en funció de la situació, i l’exercici els ha servit per acumular una sèrie d’aprenentatges que es podran utilitzar en el futur per replicar el model o crear-ne de derivats. “Hem obtingut una base molt sòlida de coneixements que ens proporciona un know how que ens permet avançar i prendre decisions proactives per evitar accidents i millorar la seguretat viària i el flux del trànsit”, ha assegurat l’especialista en ciència de dades del CTTI Albert Herrando, qui considera que l’anàlisi de vídeos és “vital”. Un cop finalitzat aquest projecte, l’equip del CIDAI ha extret diverses conclusions de valor, com la importància de valorar amb precisió la localització, el tipus de via i la classe i el nombre de càmeres utilitzades. “També s’ha de tenir en compte el clima, la il·luminació i la possibilitat de fer servir càmeres aèries amb drons o càmeres mòbils”, ha afegit l’investigador del CTTI.