Sztuczna inteligencja zwiększy bezpieczeństwo jazdy dzięki analizie zachowań na bazie danych dotyczących jazdy
Każdego roku na terenie Unii Europejskiej przeszło 80 000 osób traci życie z powodu obrażeń i urazów odniesionych w wypadkach drogowych. Pewnym pocieszeniem w tej sytuacji jest fakt, że żyjemy w erze analizy dużych zbiorów danych, dzięki którym możemy uczyć się na błędach i wyciągać wnioski z takich tragicznych zdarzeń. Nowe technologie, w tym smartfony, inteligentne zegarki czy czujniki znajdujące się we współczesnych pojazdach poruszających się po drogach, umożliwiają monitorowanie zachowań kierowców. W ten sposób dają nam dostęp do wielu danych, które mogą być analizowane przez nowe, wydajne komputery. Co więcej, nowe rozwiązania, takie jak uczenie maszynowe, pozwalają nam na określanie na ich podstawie modeli jazdy. Inne rozwiązania, w tym sztuczna inteligencja, pozwalają na wykorzystanie tych danych w celu treningu, by umożliwić technologii odwzorowanie zachowań ludzi na drogach. Takie metody są szczególnie istotne, gdy połączymy zoptymalizowane modele jazdy z algorytmami odpowiedzialnymi za działanie autonomicznych pojazdów.
Optymalna jazda kluczem do bezpieczeństwa
Połączenie danych i nowatorskich metodologii stanowiło fundament projektu RHAPSODY, finansowanego ze środków działania „Maria Skłodowska-Curie”. Koordynatorką projektu była Eleonora Papadimitriou, adiunkta ds. bezpieczeństwa transportu na Uniwersytecie Technicznym w niderlandzkim Delfcie, która realizowała badania we współpracy z Dimitriosem Tselentisem, pracownikiem naukowym w stopniu doktora. Papadimitriou i Tselentis skupili się na pozornie prostym rozwiązaniu, często pomijanym przez badaczy, wychodząc z założenia, że kluczem do zapobiegania wypadkom samochodowym jest badanie prawidłowych zachowań kierowców, nie zaś koncentrowanie się na niebezpiecznych i ryzykownych sposobach jazdy. Zdaniem Papadimitriou brak takich danych stanowi duży problem z punktu widzenia zautomatyzowanych i autonomicznych pojazdów, nad którymi pracuje obecnie przemysł. „W tym wypadku mowa o zachowaniach optymalnych, które nie mają być wbrew pozorom idealne – mają minimalizować poziom ryzyka, jednocześnie maksymalizując płynność jazdy oraz jej wygodę”, wyjaśnia badaczka.
Ramy zachowań oparte na gigabajtach danych
Opracowanie dokładnych modeli bezpiecznej jazdy w ramach projektu RHAPSODY wymagało zgromadzenia danych dotyczących 26 000 przejazdów przekazanych przez 124 kierowców z czterech krajów europejskich. Badania zostały przeprowadzone we współpracy z zespołem projektu badawczego iDreams realizowanego w ramach inicjatywy „Horyzont 2020” i Katedrą Bezpieczeństwa Pojazdów Niderlandzkiej Organizacji Badań Stosowanych (TNO). Ich wkładem w realizację projektu RHAPSODY były rzeczywiste dane dotyczące jazdy, zgromadzone na przestrzeni wielu lat na podstawie przejazdów w rzeczywistych warunkach. Analiza tych wielogigabajtowych zbiorów umożliwiła badaczom wyciągnięcie nowych wniosków. Początkowo zespół zajął się określeniem na postawie danych szeregu typów kierowców, a następnie podzielił analizowane dane na kategorie i wskazał powtarzające się modele codziennych przejazdów oraz powiązane z nimi zachowania. Zespół przyjrzał się także porom dnia i warunkom środowiskowym, które mogły mieć wpływ na poszczególne zachowania. Te badania przyczyniły się do realizacji głównego celu projektu RHAPSODY, jakim było zrozumienie, w jaki sposób kierowcy radzą sobie z codziennymi interakcjami w ruchu drogowym. W wyniku prac powstały kompleksowe ramy umożliwiające analizę zachowań kierowców i bezpieczeństwa transportu. Naukowcy mogą teraz wykorzystać zdobytą wiedzę w ramach kolejnych działań mających na celu dopracowanie spersonalizowanych technologii na potrzeby pojazdów autonomicznych. Jak wyjaśnia Papadimitriou: „Możemy w końcu opracować przewidywalne i zaufane pojazdy autonomiczne, które będą wyposażone w ważne z punktu widzenia bezpieczeństwa mechanizmy umożliwiające zapobieganie kolizjom”. Czy zgromadzone dane mogą dostarczyć kolejnych wniosków? Wszystko wskazuje na to, że tak jest w rzeczywistości. Tselents planuje dalsze prace mające na celu „przyjrzenie się modelom sztucznej inteligencji, rozpoznawaniu obrazów i sieciom neuronowym, aby docelowo połączyć (i być może opatentować) rezultaty prac”. Możemy więc zakładać, że to dopiero początek.
Słowa kluczowe
RHAPSODY, autonomiczny pojazd, sztuczna inteligencja, modele jazdy, bezpieczeństwo na drogach, analiza zachowań