Umetna inteligenca in superračunalniki lahko pomagajo ublažiti prometne težave v urbanem okolju

Verjetno ste v kakšnem razmeroma prometnem križišču že zasledili kamero, ki je bila nameščena na vrh semaforja. Te naprave so tam prvenstveno zato, da z njimi spremljamo prometne razmere in na podlagi posnetkov odkrivamo vzroke za nastale prometne nesreče. Toda ali zmorejo še kaj več, brez da bi se morali posamezniki mukotrpno prebijati skozi več ur dolge posnetke? Lahko načrtovalcem pomagajo pri optimiziranju pretočnosti prometa ali prepoznavanju lokacij, ki so potencialna prizorišča prometnih nesreč?

Center za raziskave prometa na Univerzi v Teksasu skupaj z mestom Austin s pomočjo podatkovnega rudarjenja in globokega učenja razvija orodje za sofisticirane raziskovalne analize prometa. Ta mesec so na mednarodni konferenci IEEE predstavili novo orodje za globoko učenje, ki uporablja posnetke prometnih kamer mesta Austin, in na njih prepoznava objekte – ljudi, avtomobile, avtobuse, tovornjake, kolesa, motorje in semaforje – ter njihovo gibanje in interakcijo. Podatke, kot so, npr. koliko avtomobilov v enosmerni ulici vozi v napačno smer, nato analizirajo prometni inženirji in uradniki. Znanstveniki upajo, da bodo s tem lahko razvili fleksibilen in učinkovit sistem, ki bo raziskovalcem prometa in političnim odločevalcem, pomagal pri analizah dejanskega stanja. Njihov namen pa seveda ni ponuditi rešitve na ključ za specifičen problem, temveč način, ki bo zadostil potrebam po številnih analizah, celo takšnim, ki se bodo eventualno pokazale šele v prihodnosti.

Algoritem, ki so ga razvili za analize prometa, iz neobdelanih posnetkov avtomatično označuje vse potencialne objekte, jih spremlja na osnovi primerjave z že prepoznanimi objekti in s primerjavo rezultatov sleherne slike odkriva povezave med njimi. Ko so raziskovalci razvili sistem za kategoriziranje, spremljanje in analizo prometa, so ga uporabili na dveh praktičnih primerih, in sicer: pri štetju števila premikajočih vozil na ulici in pri prepoznavanju bližnjih srečanj med vozili in pešci. Sistem je avtomatično preštel vozila v 10-minutnem video posnetku in prvotni rezultati so pokazali, da je bilo njihovo orodje natančno v 95 odstotkih. Razumevanje količine prometa in njegovega vpliva je ključnega pomena za validacijo transportnih modelov in oceno delovanja transportnega omrežja. Trenutna praksa se pogosto zanaša na uporabo dragih senzorjev za neprekinjeno zbiranje podatkov ali na študije prometa, ki raziskujejo koncentracijo prometa v določenem obdobju. Z uporabo umetne inteligence, ki bo z obstoječih kamer omogočala avtomatske podatke o količini prometa, pa bo omogočena širša prostorska in časovna pokritost transportnega omrežja, lažje zbiranje podatkovnih nizov za podporo inovativnim raziskavam ter razumevanje učinkov upravljanja prometa in odločitev o njegovem delovanju. V primerih potencialnih bližnjih srečanj so raziskovalci lahko avtomatično identificirali število primerov, kjer so bila vozila in pešci v neposredni bližini, medtem ko noben od primerov sicer ni predstavljal dejanske nevarnosti, temveč zgolj demonstracijo, kako je sistem zmožen odkrivati nevarne lokacije brez človekovega posega.

Sodelavci na projektu so prepričani, da bo tovrstna analiza posnetkov učinkovito preventivno orodje, ki bo pomagalo določiti potencialno nevarne lokacije in posledično zmanjšati število smrtnih žrtev v prometu. V prihodnosti načrtujejo avtomatizacijo, ki bo omogočala tudi druge analize, povezane z varnostjo, kot je npr. odkrivanje lokacij, kjer pešci prečkajo prometno cesto izven označenih pešpoti, razumevanje odzivov voznikov na različne signale pešcev in merjenje razdalje pešcev, ki so jo pripravljeni prehoditi, da bi uporabili cesto, rezervirano za njih. Projekt dokazuje, kako lahko inteligentna video analitika olajša način obdelave podatkov in odločevalcem zagotovi učinkovite informacije.

»Težko pričakovana uvedba samovozečih in povezanih vozil bo bistveno spremenila vedenje vozil in pešcev ter zmogljivost cest. Video analitika bo tako bistveno pripomogla k lažjemu razumevanju teh sprememb, umetna inteligenca pa bo osrednjega pomena pri zagotavljanju poglobljenih in obširnih študij, ki bodo zajemale učinkovanje omenjenih novih tehnologij,« poudarja Natalia Ruiz Juri, strokovni vodja centra za raziskovanje prometa na Univerzi v Teksasu.

Skupina raziskovalcev je v ta namen postavila tudi spletno stran (http://soda.tacc.utexas.edu), kjer lahko vidite posamezne konkretne primere prepoznavanja, sledenja in analize prometa.

Vir: www.tacc.utexas.edu

Slikovno gradivo: General Motors