Inteligencia Artificial: el aprendizaje profundo podría predecir los accidentes de tráfico

A pesar de ser muchos los avances actuales relacionados con la circulación vial  -el GPS ayuda a seguir rutas gracias a las aplicaciones de mapas, las cámaras nos alertan de los rasguños y arañazos potencialmente costosos, y los coches autónomos eléctricos tienen menores costes de combustible-, nuestras medidas de seguridad no se han puesto al día. Seguimos dependiendo de las señales de tráfico, de la confianza y del acero que nos rodea para ir con seguridad del punto A al punto B, refiere el Instituto de Tecnología deMassachusett en su sitio web. 

Para adelantarse a la incertidumbre inherente a los accidentes, científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y del Centro de Inteligencia Artificial de Qatar desarrollaron un modelo de aprendizaje profundo que predice mapas de riesgo de accidentes de muy alta resolución. Basados en una combinación de datos históricos de colisiones, mapas de carreteras, imágenes por satélite y rastros de GPS, los mapas de riesgo describen el número esperado de colisiones durante un periodo de tiempo en el futuro, para identificar las zonas de alto riesgo y predecir las colisiones futuras.

Normalmente, estos tipos de mapas de riesgo se capturan con resoluciones mucho más bajas, que rondan los cientos de metros, lo que supone pasar por alto detalles cruciales, ya que las carreteras se difuminan. Estos mapas, sin embargo, tienen cuadrículas de 5x5 metros, y la mayor resolución aporta una nueva claridad: Los científicos descubrieron que, por ejemplo, la carretera de una autopista tiene un riesgo mayor que las carreteras residenciales cercanas, y que las rampas de entrada y salida de la autopista tienen un riesgo aún mayor que otras carreteras.

Aunque los accidentes de tráfico son escasos, cuestan alrededor del 3% del PIB mundial y son la principal causa de muerte en niños y jóvenes. Esta escasez hace que inferir mapas a tan alta resolución sea una tarea complicada. Las colisiones a este nivel están muy dispersas -la probabilidad media anual de una colisión en una cuadrícula de 5x5 es de una entre 1.000- y rara vez ocurren dos veces en el mismo lugar. Los intentos anteriores de predecir el riesgo de colisión han sido en gran medida "históricos", ya que una zona sólo se consideraba de alto riesgo si había un accidente anterior en las proximidades.

El enfoque del equipo lanza una red más amplia para captar datos críticos. Así, aunque una zona de alto riesgo no tenga accidentes registrados, puede identificarse como de alto riesgo, basándose únicamente en sus patrones de tráfico y su topología.

Para evaluar el modelo, los científicos utilizaron choques y datos de 2017 y 2018, y probaron su rendimiento en la predicción de choques en 2019 y 2020. Muchos lugares fueron identificados como de alto riesgo, a pesar de que no tenían choques registrados, y también experimentaron choques durante los años siguientes.

«Nuestro modelo puede generalizar de una ciudad a otra combinando múltiples pistas de fuentes de datos aparentemente no relacionadas. Se trata de un paso hacia la IA general, ya que nuestro modelo puede predecir mapas de colisiones en territorios inexplorados», afirma Amin Sadeghi, científico principal del Qatar Computing Research Institute (QCRI) y autor del artículo.  

El conjunto de datos abarcó 7.500 kilómetros cuadrados de Los Ángeles, Nueva York, Chicago y Boston. De las cuatro ciudades, Los Ángeles era la más insegura, ya que tenía la mayor densidad de accidentes, seguida de Nueva York, Chicago y Boston.

«Si la gente puede utilizar el mapa de riesgo para identificar los segmentos de carretera potencialmente de alto riesgo, pueden tomar medidas por adelantado para reducir el riesgo de los viajes que realizan. Aplicaciones como Waze y Apple Maps cuentan con herramientas de detección de incidentes, pero nosotros intentamos adelantarnos a los choques, antes de que se produzcan», dice He.