Análisis del comportamiento a partir de datos de conducción aprovechados por la inteligencia artificial para conseguir coches más seguros
Cada año, más de ochenta mil personas pierden la vida a causa de accidentes de tráfico en la UE. Afortunadamente, la era de los datos masivos nos ofrece la oportunidad de aprender de los errores humanos que causan tales tragedias. Ahora es posible controlar el comportamiento del conductor a través de teléfonos inteligentes, relojes inteligentes y sensores presentes en los vehículos modernos. Estos dispositivos proporcionan una gran cantidad de información que los nuevos y potentes ordenadores pueden analizar. Por ejemplo, con métodos como el aprendizaje automático, podemos identificar patrones de conducción. Yendo un paso más allá con la inteligencia artificial (IA), podemos aprender del comportamiento humano al volante e «imitarlo». Eso resulta especialmente útil si se integran patrones de conducción óptimos en los algoritmos que permiten funcionar los vehículos automatizados.
Definir la conducción óptima como clave de la seguridad
Dicha combinación de datos y metodología fue el principio rector del proyecto RHAPSODY, que cuenta con el apoyo de las acciones Marie Skłodowska-Curie. El proyecto ha sido coordinado por Eleonora Papadimitriou, profesora adjunta de Seguridad en el Transporte de la Universidad Tecnológica de Delft (Países Bajos). La investigación se llevó a cabo junto con Dimitrios Tselentis, investigador posdoctoral del mismo equipo. Papadimitriou y Tselentis exploraron una idea sencilla, pero que se había ignorado: la clave para prevenir los accidentes de coche reside en el estudio de los comportamientos de conducción satisfactorios y no peligrosos. Ese es el tipo de información de la que carecen urgentemente los vehículos automatizados y autónomos en desarrollo, según Papadimitriou. «Debemos entender el comportamiento “óptimo” no necesariamente como un comportamiento perfecto, sino como un comportamiento que minimiza el riesgo a la vez que maximiza una conducción tranquila y cómoda», explica.
Gigabytes de datos transformados en un marco de comportamiento
Para definir concretamente los patrones de conducción segura, el equipo del proyecto RHAPSODY recopiló nada menos que 26 000 desplazamientos de 124 conductores en 4 países europeos. La investigación se llevó a cabo con la colaboración del proyecto de investigación iDreams de Horizonte 2020 y el Departamento de Seguridad Integrada de Vehículos de la Organización Neerlandesa para la Investigación Científica Aplicada. Proporcionaron al equipo de RHAPSODY datos de conducción naturales, recogidos a lo largo de muchos años de experiencias de conducción en tiempo real. El análisis de estos datos, que ascendían a varios gigabytes, proporcionó nueva información. Inicialmente, el equipo identificó y categorizó varios tipos de conductores y determinó patrones de conducción repetitivos en los comportamientos diarios al volante. También exploraron las horas del día y las condiciones ambientales que pueden desencadenar dichos comportamientos. De este modo, el equipo de RHAPSODY logró su principal objetivo: comprender cómo los conductores afrontan las interacciones cotidianas con el tráfico. En términos generales, a través del proyecto RHAPSODY se proporcionó un marco sólido para el análisis del comportamiento de los conductores y la seguridad del transporte. Los investigadores pueden ahora aplicar los conocimientos adquiridos a la mejora de las tecnologías personalizadas para coches autónomos. Como señala Papadimitriou: «Con el tiempo podremos desarrollar vehículos automatizados predecibles y fiables, con beneficios esenciales para la seguridad en términos de prevención de colisiones». ¿Hemos terminado de explotar estos datos? Aparentemente no para Tselentis, quien prevé explorar «más técnicas de IA, como la visión por ordenador y las redes neuronales, para consolidar (y posiblemente patentar) los hallazgos del proyecto». En otras palabras, una rapsodia de seguridad que debe continuar.
Palabras clave
RHAPSODY, vehículo automatizado, inteligencia artificial, patrones de conducción, seguridad vial, análisis del comportamiento
