L'investigador de la URV Àlex Arenas participa en aquesta recerca liderada per la UOC, que apunta que la complexitat urbana disminueix la capacitat d'atenció per evitar imprevistos i dona pautes sobre com dissenyar espais públics més segurs

Tot i les limitacions de mobilitat durant la pandèmia, el 2020 hi va haver a Madrid més de 12.000 accidents, amb 31 víctimes mortals, i a Barcelona, més de 5.700 sinistres, amb 14 morts. La seguretat viària és una prioritat, de manera que un estudi de la Universitat Oberta de Catalunya (UOC) en el què ha participat el catedràtic del Departament d’Enginyeria Informàtica de la URV Àlex Arenas empra intel·ligència artificial (IA) per ajudar en la presa de decisions que facin que les ciutats siguin espais més segurs. El grup investigador ha comprovat la relació que hi ha entre la complexitat de determinades zones de les ciutats i la probabilitat de patir un accident. Segons afirmen, la informació obtinguda pot servir per entrenar xarxes neuronals capaces de detectar el perill probable d’un espai, i també els patrons associats a aquesta perillositat més elevada. D’aquesta manera, l’estudi ha treballat amb algorismes que ajuden les autoritats responsables a reduir la possibilitat de tenir un accident en entorns urbans.

Aquesta recerca intercisciplinària ha estat desenvolupada pels grups de recerca de la UOC Complex Systems (CoSIN3), de l’Internet Interdisciplinary Institute (IN3), i Scene Understanding and Artificial Intelligence Lab (SUNAI), dels Estudis d’Informàtica, Multimèdia i Telecomunicació, en col·laboració amb la Direcció General de Trànsit (DGT), els ajuntaments de Madrid i Barcelona, acadèmics de l’Institut Tecnològic de Massachusetts (MIT) i l’investigador Àlex Arenas (URV).

La importància de l’escena urbana en els accidents

Per l’equip investigador, la configuració visual del que anomenen «escena urbana» afecta la probabilitat que hi hagi un accident. “Els resultats demostren que hi ha determinats patrons en la composició de l’escena que poden afectar la taxa d’accidents”, explica Cristina Bustos, investigadora del grup CoSIN3 i autora principal d’un article científic recent sobre aquest projecte. Segons la investigadora, hi ha factors clau —com ara la ubicació del mobiliari urbà, la situació dels cotxes aparcats, els anuncis o les façanes— que augmenten la distracció dels conductors. “Els nostres resultats indiquen que és més que una hipòtesi”, explica Javier Borge, investigador líder del grup CoSIN3. “El que sembla evident és que una escena amb més elements diferents està correlacionada amb el nombre d’accidents que s’hi han produït”, afirma.

El quid de la qüestió és entendre per què passa. “La IA ens indica el lloc potencialment perillós, però no ens en diu el perquè d’aquesta perillositat; per això fem servir determinades tècniques d’interpretació, com les d’aquest estudi, que ens en donen algun indici. Tot i que hem de continuar investigant en aquesta línia, no hi ha dubte que els accidents de trànsit es produeixen per la combinació de molts factors. El nostre estudi mostra que la configuració de l’escena pot ser un factor que s’ha de tenir en compte”.

Segons Borge, la hipòtesi que estudien és que les limitacions cognitives humanes es veuen afectades per la complexitat de l’escena. “Si l’escena és molt complexa, la pressió sobre el sistema cognitiu és més elevada i, possiblement, això disminueix la nostra capacitat d’evitar imprevistos”. Aquí és on entra l’ajuda externa en forma d’intel·ligència artificial, gràcies a algorismes que identifiquen patrons complexos de la ciutat.

Algorismes per reduir la probabilitat d’accidents

Les possibilitats de la intel·ligència artificial han augmentat, especialment des de l’aparició de tecnologies com ara les xarxes neuronals i l’aprenentatge automàtic (machine learning). Mentre que les primeres consisteixen en un model computacional que ha evolucionat a partir dels coneixements adquirits sobre el funcionament plàstic del cervell, el segon és una branca de la IA que permet que les màquines aprenguin sense estar expressament programades per fer-ho. La tecnologia emprada per l’equip investigador de la UOC es basa precisament en aquests conceptes.

“Fem servir deep learning —un conjunt d’algorismes d’aprenentatge automàtic dins del machine learning— aplicat al tractament d’imatges per ordinador”, explica Cristina Bustos. “L’objectiu d’aquests algorismes és identificar patrons en fotos o vídeos per dur a terme una tasca concreta, com ara reconèixer quins objectes són presents, on són aquests objectes o identificar el context general de la imatge, entre altres tasques que poden ser més complexes, com ara reconèixer quina emoció genera una imatge o un vídeo a una persona”.

L’equip investigador fa servir xarxes neuronals convolucionals (convolutional neural networks). El nom d’aquestes xarxes neuronals es deu al fet que apliquen una operació anomenada «convolució» a la imatge d’entrada i al llarg de les capes de la xarxa. “Amb aquesta operació”, aclareix Bustos, “la xarxa aprèn a distingir patrons senzills en les primeres capes, com ara línies, vores, textures, colors o cantons, i esdevé més complexa a mesura que guanya profunditat”. Finalment, la xarxa és capaç d’identificar patrons complexos, com ara la cara d’una persona o un cotxe.

Aquesta mena de xarxes s’han d’entrenar per fer una tasca concreta, a força de repetir els processos una vegada i una altra, mentre el grup investigador l’indica si ho han fet bé o malament. “No entrenem la xarxa des de zero”, comenta Bustos, “sinó que en fem servir una que ja ha estat instruïda per fer una altra tasca, com ara reconèixer persones o animals, i aprofitem els coneixements que té perquè aprengui a reconèixer objectes i patrons perillosos que poden ser causa d’accidents”.

Intel·ligència artificial aliada dels urbanistes

“Un dels reptes de les xarxes neuronals és que —atès que són profundes, no lineals i complexes— no controlem els patrons que aprenen”, comenta Bustos. “Per això, hem emprat altres tècniques de deep learning, com la image segmentation i el class activation mapping“. La primera, aclareix, assenyala exactament els objectes que hi ha en una imatge mitjançant els píxels; la segona és una tècnica que indica les regions de la imatge en què la xarxa es fixa per obtenir resultats. “Sembla que la intel·ligència artificial és una eina molt potent per assenyalar on hi pot haver problemes, si bé no els podrà resoldre tota sola”, incideix Javier Borge. Així, l’equip ha desenvolupat una heurística de millora de l’escena urbana, «que tampoc no tindria valor si darrere no hi hagués un ésser humà», com ara un planificador urbà, un arquitecte o un enginyer, que validi i implementi els canvis obtinguts a partir de les dades trobades pels algorismes, afirma l’investigador.

Gràcies a la intel·ligència artificial, els investigadors estudien diversos patrons urbans perillosos. “En aquest moment, estem analitzant com l’escena visual afecta l’estrès del conductor”, confirma Bustos. Així, els investigadors consideren que aquesta mena de tecnologia pot ser molt útil per a organismes com la DGT i per dissenyar ciutats més segures pel que fa al trànsit. “El problema principal és la disponibilitat de dades: l’anàlisi necessita una col·lecció rica d’imatges street view i de dades obertes precises d’accidentalitat, geolocalitzades i amb detalls sobre les persones implicades, que actualment no són fàcils d’obtenir”, conclou Javier Borge.

Aquesta recerca afavoreix l’objectiu de desenvolupament sostenible (ODS) 11, per aconseguir que les ciutats siguin més inclusives, segures, resilients i sostenibles.

Referència bibliogràfica: 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.