Mire por encima del semáforo en una intersección concurrida en su ciudad y probablemente verá una cámara. Estos dispositivos pueden haber sido instalados para monitorear las condiciones del tráfico y proporcionar imágenes en caso de una colisión. Pero, ¿pueden hacer más?ayudar a los planificadores a optimizar el flujo de tráfico o identificar los sitios que tienen más probabilidades de tener accidentes? ¿Y pueden hacerlo sin requerir que las personas trabajen horas y horas?
Los investigadores del Centro de Computación Avanzada de Texas TACC, el Centro de Investigación de Transporte de la Universidad de Texas y la Ciudad de Austin creen que sí. Juntos, están trabajando para desarrollar herramientas que permitan análisis de tráfico sofisticados y buscables mediante el aprendizaje profundo y la minería de datos.
En la Conferencia Internacional de IEEE sobre Big Data de este mes, presentarán una nueva herramienta de aprendizaje profundo que utiliza imágenes de cámara de tráfico sin procesar de las cámaras de la Ciudad de Austin para reconocer objetos: personas, automóviles, autobuses, camiones, bicicletas, motocicletas y tráficoluces y caracterizar cómo se mueven e interactúan esos objetos. Esta información puede ser analizada y consultada por ingenieros de tránsito y funcionarios para determinar, por ejemplo, cuántos automóviles circulan en sentido contrario por una calle de un solo sentido.
"Esperamos desarrollar un sistema flexible y eficiente para ayudar a los investigadores de tráfico y a los encargados de la toma de decisiones para las necesidades dinámicas de análisis de la vida real", dijo Weijia Xu, un científico investigador que dirige el Grupo de Minería de Datos y Estadísticas en TACC ".No queremos crear una solución llave en mano para un problema único y específico. Queremos explorar los medios que pueden ser útiles para una serie de necesidades analíticas, incluso aquellas que puedan surgir en el futuro ".
El algoritmo que desarrollaron para el análisis de tráfico etiqueta automáticamente todos los objetos potenciales de los datos sin procesar, rastrea los objetos comparándolos con otros objetos previamente reconocidos y compara las salidas de cada cuadro para descubrir relaciones entre los objetos.
Una vez que los investigadores desarrollaron un sistema capaz de etiquetar, rastrear y analizar el tráfico, lo aplicaron a dos ejemplos prácticos: contar cuántos vehículos en movimiento viajaban por una carretera e identificar encuentros cercanos entre vehículos y peatones.
El sistema contaba automáticamente los vehículos en un video clip de 10 minutos, y los resultados preliminares mostraron que su herramienta era 95 por ciento precisa en general.
Comprender los volúmenes de tráfico y su distribución a lo largo del tiempo es fundamental para validar los modelos de transporte y evaluar el rendimiento de la red de transporte, dijo Natalia Ruiz Juri, investigadora asociada y directora del Centro de Modelado de Redes en el Centro de Investigación de Transporte de UT.
"La práctica actual a menudo se basa en el uso de sensores caros para la recopilación continua de datos o en estudios de tráfico que muestren volúmenes de tráfico durante unos días durante períodos de tiempo seleccionados", dijo. "El uso de inteligencia artificial para generar automáticamente volúmenes de tráfico a partir delas cámaras existentes proporcionarían una cobertura espacial y temporal mucho más amplia de la red de transporte, facilitando la generación de conjuntos de datos valiosos para respaldar investigaciones innovadoras y comprender el impacto de la gestión del tráfico y las decisiones de operación ".
En el caso de posibles encuentros cercanos, los investigadores pudieron identificar automáticamente una serie de casos en los que vehículos y peatones estaban cerca. Ninguno de estos representaba peligros de la vida real, pero demostraron cómo el sistema descubre ubicaciones peligrosas sin intervención humana.
"La ciudad de Austin se compromete a terminar con las muertes por accidentes de tránsito, y la analítica de video será una herramienta poderosa para ayudarnos a identificar ubicaciones potencialmente peligrosas", dijo Jen Duthie, ingeniera consultora de la ciudad de Austin y colaboradora en el proyecto."Podemos dirigir nuestros recursos hacia la localización de problemas antes de que ocurra una lesión o fatalidad".
Los investigadores planean explorar cómo la automatización puede facilitar otros análisis relacionados con la seguridad, como identificar ubicaciones donde los peatones cruzan calles concurridas fuera de las pasarelas designadas, comprender cómo reaccionan los conductores a los diferentes tipos de señalización de rendimiento de peatones y cuantificar cuán lejos están dispuestos los peatonescaminar para usar una pasarela.
El proyecto muestra cómo las tecnologías de inteligencia artificial pueden reducir en gran medida el esfuerzo involucrado en el análisis de datos de video y proporcionar información procesable para los tomadores de decisiones.
"La introducción muy esperada de automóviles autónomos y conectados puede conducir a cambios significativos en el comportamiento de los vehículos y peatones y en el rendimiento de las carreteras", dijo Ruiz Juri. "Los datos de video jugarán un papel clave en la comprensión de dichos cambios, y la inteligencia artificial puede ser fundamental para permitir estudios integrales a gran escala que realmente capturen el impacto de las nuevas tecnologías ".
El equipo creó un sitio web donde el público puede ver ejemplos de su herramienta de detección, seguimiento y consulta para el análisis del tráfico.
Fuente de la historia :
Materiales proporcionado por Universidad de Texas en Austin, Centro de Computación Avanzada de Texas . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :