15/03/2021

Estudian cómo la inteligencia artificial puede ayudar a reducir los accidentes de tráfico en las ciudades

El investigador de la URV Àlex Arenas participa en este estudio liderado por la UOC, que apunta a que la complejidad urbana disminuye la capacidad de atención para evitar imprevistos y proporciona pautas sobre cómo diseñar espacios públicos más seguros

A pesar de las limitaciones de movilidad durante la pandemia, en 2020 hubo en Madrid más de 12.000 accidentes, con 31 víctimas mortales, y en Barcelona, ​​más de 5.700 siniestros, con 14 muertos. La seguridad vial es una prioridad, por lo que un estudio de la Universitat Oberta de Catalunya (UOC) en el que ha participado el catedrático del Departamento de Ingeniería Informática de la URV Àlex Arenas emplea inteligencia artificial (IA) para ayudar en la toma de decisiones que hagan que las ciudades sean espacios más seguros. El grupo investigador ha comprobado la relación que existe entre la complejidad de determinadas zonas de las ciudades y la probabilidad de sufrir un accidente.

Según afirman, la información obtenida puede servir para entrenar redes neuronales capaces de detectar el peligro probable de un espacio, y también los patrones asociados a esta peligrosidad más elevada. De este modo, el estudio ha trabajado con algoritmos que ayudan a las autoridades responsables a reducir la posibilidad de tener un accidente en entornos urbanos.

Esta investigación intercisciplinaria ha sido desarrollada por los grupos de investigación de la UOC Complex Systems (CoSIN3), del Internet Interdisciplinary Institute (IN3), y Scene Understanding and Artificial Intelligence Lab (SUNAI), 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 (URV).

La importancia de la escena urbana en los accidentes

Para el equipo investigador, la configuración visual de lo que llaman «escena urbana» afecta a la probabilidad de que haya un accidente. «Los resultados demuestran que hay determinados patrones en la composición de la escena que pueden afectar la tasa de accidentes», explica Cristina Bustos, investigadora del grupo CoSIN3 y autora principal de un artículo científico reciente sobre este proyecto.

Según la investigadora, existen factores clave -como la ubicación del mobiliario urbano, la situación de los coches aparcados, los anuncios o las fachadas- que aumentan la distracción de los conductores. «Nuestros resultados indican que es más que una hipótesis», explica Javier Borge, investigador líder del grupo CoSIN3. «Lo que parece evidente es que una escena con más elementos diferentes está correlacionada con el número de accidentes que se han producido», afirma.

El quid de la cuestión es entender por qué pasa. «La IA nos indica el lugar potencialmente peligroso, pero no nos dice el porqué de esta peligrosidad, por lo que utilizamos determinadas técnicas de interpretación, como las de este estudio, que nos dan algún indicio. Aunque hemos de continuar investigando en esta línea, no hay duda de que los accidentes de tráfico se producen por la combinación de muchos factores. nuestro estudio muestra que la configuración de la escena puede ser un factor que se debe tener en cuenta».

Según Borge, la hipótesis que estudian es que las limitaciones cognitivas humanas se ven afectadas por la complejidad de la escena. «Si la escena es muy compleja, la presión sobre el sistema cognitivo es más elevada y, posiblemente, esto disminuye nuestra capacidad de evitar imprevistos». Aquí es donde entra la ayuda externa en forma de inteligencia artificial, gracias a algoritmos que identifican patrones complejos de la ciudad.

Algoritmos para reducir la probabilidad de accidentes

Las posibilidades de la inteligencia artificial han aumentado, especialmente desde la aparición de tecnologías como las redes neuronales y el aprendizaje automático (machine learning). Mientras que las primeras consisten en un modelo computacional que ha evolucionado a partir de los conocimientos adquiridos sobre el funcionamiento plástico del cerebro, el segundo es una rama de la IA que permite que las máquinas aprendan sin estar expresamente programadas para hacerlo. La tecnología empleada por el equipo investigador de la UOC se basa precisamente en estos conceptos.

«Utilizamos deep learning -un conjunto de algoritmos de aprendizaje automático dentro del machine learning– aplicado al tratamiento de imágenes por ordenador», explica Cristina Bustos. «El objetivo de estos algoritmos es identificar patrones en fotos o vídeos para llevar a cabo una tarea concreta, como reconocer qué objetos están presentes, donde son estos objetos o identificar el contexto general de la imagen, entre otras tareas que pueden ser más complejas, tales como reconocer qué emoción genera una imagen o un vídeo a una persona».

El equipo investigador utiliza redes neuronales convolucionales (convolutional neural networks). El nombre de estas redes neuronales se debe a que aplican una operación llamada «convolución» a la imagen de entrada  y a lo largo de las capas de la red. «Con esta operación», aclara Bustos, «la red aprende a distinguir patrones sencillos en las primeras capas, tales como líneas, bordes, texturas, colores o esquinas, y se hace más compleja a medida que gana profundidad». Finalmente, la red es capaz de identificar patrones complejos, como la cara de una persona o un coche.

Este tipo de redes se deben entrenar para hacer una tarea concreta, a base de repetir los procesos una y otra vez, mientras el grupo investigador le indica si lo han hecho bien o mal. «No entrenamos la red desde cero», comenta Bustos, «sino que usamos una que ya ha sido instruida para hacer otra tarea, como reconocer personas o animales, y aprovechamos los conocimientos que tiene que aprenda a reconocer objetos y patrones peligrosos que pueden ser causa de accidentes».

Inteligencia artificial aliada de los urbanistas

«Uno de los retos de las redes neuronales es que -dado que son profundas, no lineales y complejas- no controlamos los patrones que aprenden», comenta Bustos. «Por ello, hemos utilizado otras técnicas de deep learning, como la imagen segmentation y el class activación mapping«. La primera, aclara, señala exactamente los objetos que hay en una imagen mediante los píxeles; la segunda es una técnica que indica las regiones de la imagen en la que la red se fija para obtener resultados. «Parece que la inteligencia artificial es una herramienta muy potente para señalar donde puede haber problemas, si bien no los podrá resolver sola», incide Javier Borge. Así, el equipo ha desarrollado una heurística de mejora de la escena urbana, «que tampoco tendría valor si detrás no hubiera un ser humano», como un planificador urbano, un arquitecto o un ingeniero, que valide e implemente los cambios obtenidos a partir de los datos encontrados por los algoritmos, afirma el investigador.

Gracias a la inteligencia artificial, los investigadores estudian varios patrones urbanos peligrosos. «En este momento, estamos analizando como la escena visual afecta el estrés del conductor», confirma Bustos. Así, los investigadores consideran que este tipo de tecnología puede ser muy útil para organismos como la DGT y para diseñar ciudades más seguras en cuanto al tráfico. «El problema principal es la disponibilidad de datos: el análisis necesita una colección rica de imágenes street view y de datos abiertos precisas de accidentalidad, geolocalizadas y con detalles sobre las personas implicadas, que actualmente no son fáciles de obtener», concluye Javier Borge.

Esta investigación favorece el objetivo de desarrollo sostenible (ODS) 11, para conseguir que las ciudades sean más inclusivas, seguras, resilientes y sostenibles.

Referencia bibliográfica: Bustos, C.; Rhoads, D.; Solé-Ribalta, A.; Masip, D.; Arenas, A.; Lapedriza, A.; Borge-Holthoefer, J. (2021). «Explainable, automated urban interventions to improve pedestrian and vehicle safety». Transportation Research Part C: Emerging Technologies, vol. 125, 103018, ISSN 0968-090X. https://doi.org/10.1016/j.trc.2021.103018.


Deja una respuesta

Tu dirección de correo electrónico no será publicada.

*