L'intelligence artificielle aidera à prévoir les accidents de la route avant qu'ils ne surviennent

Le monde d'aujourd'hui est un grand labyrinthe relié par des couches d'asphalte en béton qui nous permettent de nous déplacer en voiture. Comme pour la plupart de nos avancées liées au trafic – le GPS nous permet d'utiliser moins de neurones grâce aux applications de cartographie, les caméras nous avertissent des rayures potentiellement coûteuses et les voitures électriques autonomes consomment moins de carburant – qu'en est-il des mesures de sécurité ? Nous comptons toujours sur notre dépendance constante aux feux de circulation, à la confiance et à l'acier autour de nous pour nous rendre d'un point A à un point B en toute sécurité.

Pour éviter l'incertitude associée aux accidents, des scientifiques du Laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT et du Centre d'intelligence artificielle du Qatar (QCAI) ont développé un modèle d'apprentissage en profondeur qui crée des cartes de risque d'accident à très haute résolution. Sur la base d'une combinaison de données d'accidents historiques, de cartes routières, d'images satellite et de traces GPS, les cartes de risque décrivent le nombre d'accidents attendus sur une période de temps dans le futur pour identifier les zones à haut risque et prévoir les accidents futurs.

En règle générale, les cartes de risque de ce type sont enregistrées à une résolution beaucoup plus faible, allant de l'ordre de centaines de mètres, ce qui signifie que des détails importants ne peuvent pas être vus. Ces cartes, cependant, ont des cellules de grille de cinq mètres sur cinq, et la résolution plus élevée offre une nouvelle clarté : les scientifiques ont découvert que, par exemple, une autoroute présente un risque plus élevé que les routes résidentielles à proximité.

Bien que les accidents de voiture ne soient pas très courants, ils coûtent environ 3 % du PIB mondial et sont la principale cause de décès chez les enfants et les jeunes. Cette rareté rend la création de telles cartes à haute résolution une tâche difficile. Mais l'approche de l'équipe élargit le filet pour recueillir les données nécessaires. Il identifie les emplacements à haut risque à l'aide de modèles de trajectoire GPS qui fournissent des informations sur la densité, la vitesse et la direction du trafic, ainsi que des images satellites qui décrivent les structures routières telles que le nombre de voies de circulation, la présence d'accotements ou le nombre de piétons. Ensuite, même si une zone à haut risque ne présente aucune défaillance, elle peut toujours être identifiée comme une zone à haut risque en se basant uniquement sur les modèles de trafic et la topologie.

"Notre modèle peut être généralisé d'une ville à l'autre en combinant plusieurs indices provenant de sources de données apparemment sans rapport. Il s'agit d'un pas vers l'intelligence artificielle collaborative, car notre modèle peut prédire des cartes d'accidents dans des territoires inexplorés », déclare Amin Sadeghi, chercheur principal au Qatar Computing Research Institute (QCRI) et auteur de l'article.

L'ensemble de données testé couvrait 7 500 m². km de Los Angeles, New York, Chicago et Boston. Parmi les quatre villes, Los Angeles était la plus dangereuse en raison de la plus forte densité d'accidents, suivie de New York, Chicago et Boston.

"Si les gens peuvent utiliser une carte des risques pour identifier les zones potentiellement à haut risque de la route, ils peuvent prendre des mesures à l'avance pour réduire le risque des trajets qu'ils effectuent. Dans des applications telles que Waze et Apple Maps, il existe des outils pour travailler avec les incidents, mais nous essayons d'anticiper les pannes - avant qu'elles ne surviennent", - ils disent scientifiques

Lisez aussi:

• Vidéo : Queclink GL300 Review - Comment fonctionne le traqueur GPS ?
• Qu'est-ce que le GPS : types de systèmes de positionnement, comment cela fonctionne et ce que l'avenir nous réserve