Спутниковая навигация помогает прогнозировать дорожно-транспортные происшествия до того, как они произойдут
Современный мир – это, по сути, один большой лабиринт, соединённый слоями бетона и асфальта, которые позволяют нам передвигаться между его кусками на автомобиле. Что касается многих достижений, связанных с дорогами, глобальные навигационные спутниковые системы (ГНСС), такие как ГЛОНАСС, BeiDou, Galileo и GPS, позволяет человеку задействовать меньше нейронов благодаря картографическим приложениям, камеры предупреждают о потенциально дорогостоящих царапинах и вмятинах, а электрические автономные автомобили снижают нам затраты на топливо. Многие по-прежнему полагаются на постоянную «диету», состоящую из светофоров, доверия и окружающего железа, чтобы безопасно добраться из пункта А в пункт Б.
Чтобы избежать неопределённости, связанной с авариями, учёные из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института в США (CSAIL) и Катарского центра искусственного интеллекта разработали модель глубокого обучения, которая предсказывает риски аварий в виде карты с высоким разрешением. Основанные на сочетании исторических данных о ДТП, дорожных карт, спутниковых снимков и следов ГНСС, карты риска описывают ожидаемое количество ДТП в течение определённого периода времени в будущем, чтобы определить зоны повышенного риска и спрогнозировать будущие ДТП.
Как правило, карты риска такого типа снимаются с гораздо более низким разрешением, которое колеблется в пределах сотен метров, что означает, что важные детали не видны, поскольку дороги становятся размытыми. Эти карты, тем не менее, представляют собой ячейки сетки 5 × 5 метров, и более высокое разрешение даёт вновь обретенную ясность: ученые обнаружили, что, например, автомобильная дорога имеет более высокий риск, чем близлежащие жилые дороги, а съезды с шоссе имеют ещё более высокий риск, чем другие дороги.
«Захватив базовое распределение рисков, которое определяет вероятность будущих аварий во всех местах, и без каких-либо исторических данных, мы можем найти более безопасные маршруты, позволить компаниям автострахования предоставлять индивидуальные планы страхования, основанные на траекториях движения клиентов, помочь городским планировщикам спроектировать более безопасные дороги и даже прогнозирование будущих аварий», – говорит аспирант MIT CSAIL Сунтао Хэ, ведущий автор статьи об исследовании.
Несмотря на то, что автокатастрофы редки, они обходятся примерно в 3 процента мирового ВВП и являются основной причиной смерти детей и молодых людей. Такая разреженность делает вывод карт с таким высоким разрешением сложной задачей. Сбои на этом уровне разбросаны слабо – среднегодовая вероятность сбоя в ячейке сетки 5 × 5 составляет примерно один к 1000 – и они редко случаются в одном и том же месте дважды. Предыдущие попытки предсказать риск аварии были в значительной степени «историческими», так как область считалась бы высокорисковой только в том случае, если поблизости уже происходило предыдущее крушение.
Подход команды расширяет сеть для сбора критически важных данных. Он определяет места с повышенным риском, используя шаблоны траектории ГНСС, которые дают информацию о плотности, скорости и направлении движения, а также спутниковые снимки, которые описывают дорожные конструкции, такие как количество полос, наличие обочины или большое количество пешеходов. Тогда, даже если в зоне высокого риска не зарегистрировано сбоев, её всё равно можно будет идентифицировать как зону высокого риска, основываясь только на её схемах трафика и топологии.
Для оценки модели учёные использовали данные о сбоях и данные за 2017 и 2018 годы и протестировали её производительность при прогнозировании сбоев в 2019 и 2020 годах. Многие места были определены как места с высоким риском, хотя в них не было зарегистрировано сбоев, а также сбои во время последующие годы.
«Наша модель может быть обобщена от одного города к другому, комбинируя несколько подсказок из, казалось бы, несвязанных источников данных. Она может предсказывать карты аварий на неизведанных территориях, - говорит Амин Садеги, ведущий научный сотрудник Катарского исследовательского института вычислительной техники (QCRI) и автор статьи. – Модель может выводить полезные карты аварий даже при отсутствии исторических данных о авариях, что может быть положительно использовано для городского планирования и выработки политики путём сравнения воображаемых сценариев».
«Если люди могут использовать карту рисков для определения участков дороги с потенциально высоким риском, они могут заранее принять меры для снижения риска поездок, которые они совершают. В таких приложениях, как Waze и Apple Maps, есть инструменты для работы с инцидентами, но мы стараемся опережать сбои – до того, как они произойдут », - говорит он.
Подписывайтесь на журнал «Вестник ГЛОНАСС» и навигационный канал на TamTam