, яка створює карти ризику аварій з дуже високою роздільною здатністю.){kind=link}
Сьогоднішній світ – це один великий лабіринт, з’єднаний шарами бетонного асфальту, які дозволяють нам подорожувати на автомобілі. Що стосується більшої частини наших досягнень, пов’язаних з дорожнім рухом – GPS дозволяє нам задіяти менше нейронів завдяки картографічним застосункам, камери попереджають нас про потенційно дорогі подряпини, а електричні автономні автомобілі мають нижчі витрати на паливо – а що ж до заходів безпеки? Ми як і раніше сподіваємося на постійну залежність від сигналів світлофора, довіри і оточуючої нас сталі, щоб безпечно дістатися з пункту А в пункт Б.
Щоб уникнути невизначеності, пов’язаної з аваріями, вчені з Лабораторії комп’ютерних наук і штучного інтелекту Массачусетського технологічного інституту (CSAIL) і Катарського центру штучного інтелекту (QCAI) розробили модель глибокого навчання, яка створює карти ризику аварій з дуже високою роздільною здатністю. Засновані на поєднанні історичних даних про ДТП, дорожніх карт, супутникових знімків і слідів GPS, карти ризику описують очікувану кількість ДТП протягом певного проміжку часу в майбутньому, щоб визначити зони підвищеного ризику і спрогнозувати ДТП в майбутньому.
Як правило, карти ризику такого типу записуються з набагато нижчою роздільною здатністю, яка коливається в межах сотень метрів, що означає, що важливі деталі не видно. Ці карти, проте, мають осередки сітки розміром п’ять на п’ять метрів, і вища роздільна здатність дає новознайдену ясність: вчені виявили, що, наприклад, автострада має вищий ризик, ніж прилеглі житлові дороги.
Попри те, що автокатастрофи не дуже часте явище, вони обходяться приблизно в 3% світового ВВП і є основною причиною смерті дітей і молодих людей. Така розрідженість робить створення карт з такою високою роздільною здатністю складним завданням. Але підхід команди розширює мережу для збору необхідних даних. Він визначає місця з високим ступенем ризику, використовуючи шаблони траєкторії GPS, які дають інформацію про щільність, швидкість і напрямку руху, а також супутникові знімки, які описують дорожні конструкції, такі як кількість смуг руху, наявність узбіччя або велика кількість пішоходів. Тоді, навіть якщо в зоні високого ризику не зареєстровано збоїв, вона все одно може бути ідентифікована як зона високого ризику тільки на основі схем трафіку і топології.
«Наша модель може бути узагальнена від одного міста до іншого, комбінуючи кілька підказок з, здавалося б, незв’язаних джерел даних. Це крок до спільного штучного інтелекту, тому що наша модель може передбачати карти аварій на незвіданих територіях», – говорить Амін Садегі, провідний науковий співробітник Катарського дослідного інституту обчислювальної техніки (QCRI) і автор статті.
Набір протестованих даних охоплював 7 500 кв. км від Лос-Анджелеса, Нью-Йорка, Чикаго і Бостона. Серед чотирьох міст Лос-Анджелес був найнебезпечнішим через найвищу щільність аварій, за ним слідують Нью-Йорк, Чикаго і Бостон.
«Якщо люди можуть використовувати карту ризиків для визначення ділянок дороги з потенційно високим ризиком, вони можуть заздалегідь вжити заходів для зниження ризику поїздок, які вони здійснюють. У таких застосунках, як Waze і Apple Maps, є інструменти для роботи з інцидентами, але ми намагаємося випереджати збої – до того, як вони відбудуться», – кажуть вчені.
Читайте також:
- Відео: Огляд Queclink GL300 – Як працює GPS-трекер?
- Що таке GPS: Типи систем позиціонування, як працює та яке майбутнє