Prevedere un incidente stradale poco prima che accada: sembra fantascienza ma invece è realtà. Ogni anno circa 1,35 milioni di persone muoiono a causa di incidenti stradali. Tra i 20 e i 50 milioni, invece, subiscono danni gravi ma non fatali. Gli incidenti stradali hanno anche un impatto economico non da poco: il loro costo sia aggira intorno al 3% dell’intero Prodotto Interno lordo (PIL) mondiale. Per questo, al Computer Science and Artificial Intelligence Laboratory (CSAIL) del Massachusetts Institute of Technology (MIT) hanno sviluppato un modello basato sull’intelligenza artificiale in grado di prevedere gli incidenti in una certa zona.
Il lavoro, condotto in collaborazione con il Qatar Centre for Artificial Intelligence, è stato appena presentato in occasione della International Conference on Computer Vision 2021. L’obiettivo dei ricercatori era quello di ottenere un sistema di intelligenza artificiale per prevedere con precisione quanti incidenti stradali si verificano su una certa strada.
“Sia acquisendo la distribuzione del rischio, che determina la probabilità di incidenti futuri in tutti i luoghi, anche senza dati storici, possiamo trovare percorsi più sicuri, consentire alle compagnie di assicurazione auto di fornire piani assicurativi personalizzati in base ai percorsi di guida dei clienti, aiutare gli ingegneri a progettare strade più sicure, e addirittura prevedere incidenti futuri.”
Songtao He, dottorando del CSAIL
Sostiene Songtao He, dottorando del CSAIL e primo autore dello studio.
In realtà esistono già moltissimi esempi di modelli di questo tipo, come sottolineano gli autori stessi della ricerca. Questo sistema però, a differenza di quelli precedenti, si basa su un algoritmo di deep learning che utilizza ben cinque diverse informazioni come input. Deep learning letteralmente significa “apprendimento profondo”. Esso rappresenta quel campo del machine learning che utilizza tecniche di apprendimento basate sulla realizzazione di reti neurali artificiali complesse. Per il loro modello, gli scienziati del MIT hanno utilizzato delle immagini RGB satellitari di alcune città statunitensi e una banca dati. Nel database erano contenute sia le traiettorie GPS percorse dagli automobilisti che gli incidenti avvenuti nelle città tra il 2017 e il 2018.
Le città considerate nello studio sono Los Angeles, New York, Chicago e Boston. Per ognuna di queste città hanno realizzato una mappa di rischio basata su algoritmi di intelligenza artificiale, prevendo la presenza di incidenti stradali. La griglia che realizza la mappa ha delle celle grandi solamente 10 metri quadrati. Questo vuol dire che il sistema di previsione presenta un’accuratezza molto elevata, che i modelli precedenti non erano riusciti ad ottenere. Un tale risultato è ottenibile solo se si ricorre a modelli basati su architetture complesse, come quella sviluppata dai ricercatori del MIT.
Come si può vedere dall’architettura in figura, i dati in ingresso vengono prima elaborati per renderli confrontabili tra di loro, provenendo da più fonti. La rete neurale implementata è del tipo CNN (ossia, una rete neurale a convoluzione) a 6 strati. Al suo interno è presente un codificatore che riduce la dimensione dell’ingresso ed aumenta la larghezza del canale da 4 (tre canali RGB più una mappa) a 32. Un altro codificatore a due strati porta le dimensioni dell’ingresso della funzione GPS da 13 a 30. Dopodiché, tutte le mappe delle caratteristiche ottenute dopo ogni blocco residuo vengono analizzate e utilizzare per realizzare la mappa finale.
A differenza di altri modelli utilizzati per la previsione di incidenti stradali, quello dei ricercatori del MIT non dà molto peso alla storia passata. Solitamente, algoritmi di questo tipo erano basati su classificatori binari in grado di assegnare una certa probabilità al verificarsi di un incidente, basandosi esclusivamente sul numero di incidenti accaduti in quella stessa area. L’algoritmo di intelligenza artificiale alla base di questo sistema, invece, utilizza una serie complessa di informazioni per predire l’eventualità di incidenti stradali. Le traiettorie GPS forniscono informazioni sul traffico, mentre le immagini satellitari descrivono le strutture stradali: in questo modo si individuano le zone ad alto rischio. Così facendo, anche se in un’area non sono mai stati registrati incidenti, essa viene identificata come ad alto rischio in base ai suoi modelli di traffico e topologia.
Questo risultato si configura come un passo da gigante per i sistemi basati sull’intelligenza artificiale, nella previsione di zone ad elevato rischio di incidenti stradali. Sistemi di questo tipo potranno essere impiegati per migliorare la pianificazione urbana, riducendo al minimo la probabilità di incidenti in una data area. Il dataset del modello copre, al momento, circa 7.500 km quadrati delle città di LA, NYC, Chicago e Boston. Esso, però -sostengono i ricercatori del MIT- può essere anche esteso con altri tipi di input ed essere utilizzato per altre città.