蓋世汽車訊 人類在道路方面取得很多成就，例如憑借地圖應(yīng)用，我們可以使用GPS發(fā)射更少的神經(jīng)元，而攝像頭還可以發(fā)出提醒以避免剮蹭，降低自動駕駛汽車的燃料成本。但相應(yīng)的安全措施卻還不到位，我們?nèi)匀灰揽糠€(wěn)定的交通信號和周圍建筑才能實現(xiàn)安全出行。

據(jù)外媒報道，為了避免碰撞，麻省理工學院計算機科學與人工智能實驗室（CSAIL）和卡塔爾人工智能中心（Qatar Center for Artificial Intelligence）的科學家們開發(fā)一種深度學習模型，可以生成超高分辨率的碰撞風險圖。結(jié)合歷史碰撞數(shù)據(jù)、路線圖、衛(wèi)星圖像和GPS軌跡，該風險圖可以預測未來一段時間內(nèi)的預期碰撞次數(shù)，以識別高風險區(qū)域并預測碰撞。

（圖片來源：麻省理工學院）

通常，此類風險地圖通常分辨率較低，約為數(shù)百米，因此道路顯示很模糊，很容易忽略關(guān)鍵細節(jié)。但網(wǎng)格單元為5×5米地圖的分辨率超高，清晰度也更高，例如科學家發(fā)現(xiàn)高速公路比住宅區(qū)附近道路的風險更高，并且與其他道路相比，高速公路入口匝道匯合和出口的風險也更高。

麻省理工學院CSAIL博士生Songtao He表示：“通過捕捉所有地區(qū)未來發(fā)生碰撞概率的潛在風險分布，無需任何歷史數(shù)據(jù)，我們就可以找到更安全的路線，使車險公司能夠根據(jù)客戶的駕駛軌跡定制保險計劃，幫助城市規(guī)劃者設(shè)計更安全的道路，甚至預測未來碰撞?！?/p>

該研究團隊通過部署更廣的網(wǎng)絡(luò)獲取關(guān)鍵數(shù)據(jù)，并使用GPS軌跡模式識別高風險位置，提供有關(guān)密度、速度和交通方向的信息，以及描述道路結(jié)構(gòu)的衛(wèi)星圖像，例如車道數(shù)量、是否有路肩或大量行人。然后，即使高風險區(qū)域沒有碰撞事故記錄，僅根據(jù)其交通模式和拓撲結(jié)構(gòu)，該方法仍然可以將其識別為高風險區(qū)域。

為評估該模型，科學家們使用了2017年和2018年的撞車事故和數(shù)據(jù)，并進行測試，以預測2019年和2020年撞車事故。許多地點即使沒有事故記錄，也被標記為高風險區(qū)域，而且之后這些區(qū)域確實發(fā)生了撞車事故。

卡塔爾計算研究所（QCRI）的首席科學家、該論文的作者Amin Sadeghi表示：“通過結(jié)合來自看似無關(guān)的數(shù)據(jù)源的多個線索，我們的模型可以從一個城市推廣到另一個城市。這是邁向通用人工智能的一步，因為我們的模型可以預測未知領(lǐng)域的碰撞地圖。即使沒有歷史碰撞數(shù)據(jù)，該模型也可用于推斷有用的碰撞地圖，通過比較虛擬場景，可用于城市規(guī)劃和政策制定。”

該數(shù)據(jù)集覆蓋了來自洛杉磯、紐約市、芝加哥和波士頓約7,500平方公里的區(qū)域。在這四個城市中，洛杉磯最不安全，因為它的碰撞密度最高，其次是紐約市、芝加哥和波士頓。

He表示：“如果人們可以使用風險地圖來識別潛在的高風險路段，他們就可以提前采取措施來降低出行風險。雖然Waze和Apple Maps等應(yīng)用程序具有事件功能工具，但我們致力于在碰撞發(fā)生前做好準備?！?/p>

返回第一電動網(wǎng)首頁 >