La Universitat Oberta de Catalunya (UOC) ha realizado una investigación en materia de seguridad vial en la que ha empleado inteligencia artificial para ayudar a las ciudades en la toma de decisiones a fin de reducir los accidentes de tráfico. Los resultados muestran que hay ciertos patrones en la composición de la escena que pueden afectar la tasa de accidentes.
La investigación sobre seguridad vial de la UOC, liderada por Cristina Bustos y Javier Borge, ha trabajado con algoritmos que ayudan a las autoridades responsables a reducir la posibilidad de sufrir un siniestro en entornos urbanos. Según los investigadores, la información obtenida puede servir para entrenar redes neuronales capaces de detectar el probable peligro de un espacio y los patrones asociados a este mayor riesgo.
Este estudio interdisciplinario ha sido desarrollado por los grupos de investigación de la UOC Complex Systems (CoSIN3), del Internet Interdisciplinary Institute (IN3) y Scene Understanding and Artificial Intelligence Lab (SUNAI), de los Estudios de Informática, Multimedia y Telecomunicación, en colaboración con la Dirección General de Tráfico (DGT), los ayuntamientos de Madrid y Barcelona, académicos del Instituto Tecnológico de Massachusetts (MIT) y el investigador Àlex Arenas, del Departamento de Ingeniería Informática y Matemáticas de la Universitat Rovira i Virgili.
Deep learning y redes neuronales
El artículo científico publicado sobre este proyecto recoge que la configuración visual de la escena urbana afecta a la probabilidad de que ocurra un accidente. En este sentido, hay factores clave, como la ubicación del mobiliario urbano, la situación de los vehículos aparcados, los anuncios o las fachadas, que aumentan la distracción de los conductores.
“La IA nos indica el sitio potencialmente peligroso, pero no nos dice el porqué. Por esos utilizamos ciertas técnicas de interpretación”, explica Javier Borge, quien añade que siguen investigando en esta línea, aunque la hipótesis que barajan es que las limitaciones cognitivas humanas se ven afectadas por la complejidad de la escena.
Así, se ha utilizado deep learning aplicado al tratamiento de imágenes por ordenador con el objetivo de identificar patrones en fotos o vídeos para reconocer qué objetos están presentes y dónde, identificar el contexto general, así como reconocer qué emoción genera en una persona. Mediante redes neuronales convolucionales, la red aprende a distinguir patrones sencillos en las primeras capas, como líneas, bordes, texturas, colores o esquinas; y al final, es capaz de identificar patrones complejos, como la cara de una persona o un vehículo.
Este tipo de redes deben entrenarse para realizar una tarea a base de repetir los procesos, mientras los investigadores les indican si lo han hecho bien o mal. En esta investigación se utiliza «una red que ya ha sido instruida para otra tarea, como reconocer personas o animales, y aprovechamos su conocimiento para que aprenda a reconocer objetos y patrones peligrosos que pueden ser causa de accidentes”, aclara Cristina Bustos.
Patrones urbanos peligrosos
El equipo ha utilizado también otras técnicas de deep learning, como la image segmentation para señalar exactamente los objetos dentro de una imagen a través de sus píxeles; y el class activation mapping, que indica las regiones de la imagen en la que la red se fija para obtener resultados.
Para ayudar a resolver los problemas de seguridad vial una vez identificados, los investigadores han desarrollado una heurística de mejora de la escena urbana, para que un planificador urbano, un arquitecto o un ingeniero implemente los cambios obtenidos a partir de los datos encontrados por los algoritmos.
En definitiva, mediante la inteligencia artificial los investigadores estudian distintos patrones urbanos peligrosos. En estos momentos, están analizando cómo la escena visual afecta al estrés del conductor.