(Created page with " ==Intel·ligència Artificial i Big Data per reduir els accidents de trànsit i millorar la mobilitat== El passat mes de juliol es van presentar els resultats del projecte...") |
(Tag: Visual edit) |
||
| (6 intermediate revisions by 2 users not shown) | |||
| Line 1: | Line 1: | ||
| − | + | El passat mes de juliol es van presentar els resultats del projecte d’alt impacte en l’àmbit de la mobilitat '<nowiki/>'''Avaluació de riscs d’accidents de trànsit en vies urbanes i interurbanes de Catalunya'''', liderat pel Centre of Innovation for Data tech and Artificial Intelligence ([https://cidai.eu/ CIDAI]). El projecte basat en intel·ligència artificial (IA) i en analítica b''ig data'' havia d’assolir dos objectius relacionats amb la mobilitat intel·ligent. D’una banda, es tractava de detectar les situacions de risc que es donen a la xarxa viària, tant urbana com interurbana, per reduir-ne el nombre d’accidents, i de l’altra, analitzar el flux del trànsit per tal de millorar-ne la mobilitat. Els principals participants en el projecte són: [https://i2cat.net/ Fundació i2CAT,] el Barcelona Supercomputing Centre ([https://www.bsc.es/ca BSC]), [https://eurecat.org/ el centre tecnòlogic Eurecat], i el Centre de Telecomunicacions i Tecnologies de la Informació ([https://ctti.gencat.cat/ca/inici/ CTTI]), a més de la contribució del Servei Català de Trànsit, dels Mossos d'Esquadra i de l'Ajuntament de Barcelona. | |
| − | |||
| − | El passat mes de juliol es van presentar els resultats del projecte d’alt impacte en l’àmbit de la mobilitat | ||
Per assolir aquests objectius, el projecte en primer lloc va recollir les dades necessàries, consistents en enregistraments de vídeos que cobreixen tres llocs de la xarxa viària catalana. Dues de les ubicacions representen un escenari interurbà (diferents trams de la C-31), i la tercera correspon a una cruïlla dins de la ciutat de Barcelona. S'han identificat un conjunt de casos d'ús representatius per als escenaris urbans i interurbans, cobrint situacions de risc típiques altament correlacionades amb els accidents de trànsit, com per exemple, vehicles que canvien de carril on hi ha línia contínua o vianants que creuen amb vermell. | Per assolir aquests objectius, el projecte en primer lloc va recollir les dades necessàries, consistents en enregistraments de vídeos que cobreixen tres llocs de la xarxa viària catalana. Dues de les ubicacions representen un escenari interurbà (diferents trams de la C-31), i la tercera correspon a una cruïlla dins de la ciutat de Barcelona. S'han identificat un conjunt de casos d'ús representatius per als escenaris urbans i interurbans, cobrint situacions de risc típiques altament correlacionades amb els accidents de trànsit, com per exemple, vehicles que canvien de carril on hi ha línia contínua o vianants que creuen amb vermell. | ||
| − | [[Image:Draft_Gil Riba_567102498-image1.png| | + | [[Image:Draft_Gil Riba_567102498-image1.png|623x623px]] |
A partir d’aquests escenaris de referència i dels vídeos gravats, s’han desenvolupat i optimitzat els mòduls d'IA i d'anàlisi de dades necessaris per a la detecció de riscos i l’anàlisi del flux de trànsit. Els mòduls d'anàlisi es van organitzar en dos blocs principals, que es van executar en una plataforma prototip desplegada amb aquesta finalitat del projecte. | A partir d’aquests escenaris de referència i dels vídeos gravats, s’han desenvolupat i optimitzat els mòduls d'IA i d'anàlisi de dades necessaris per a la detecció de riscos i l’anàlisi del flux de trànsit. Els mòduls d'anàlisi es van organitzar en dos blocs principals, que es van executar en una plataforma prototip desplegada amb aquesta finalitat del projecte. | ||
| Line 17: | Line 15: | ||
''Detecció, seguiment, velocitat i geoposició dels elements de la seqüència. En aquest cas, es detecta que la moto dins el requadre taronja crea una situació de risc per traspassar la línia contínua i en el requadre blau es detecta una altra situació de risc per manca de distància de seguretat.'' | ''Detecció, seguiment, velocitat i geoposició dels elements de la seqüència. En aquest cas, es detecta que la moto dins el requadre taronja crea una situació de risc per traspassar la línia contínua i en el requadre blau es detecta una altra situació de risc per manca de distància de seguretat.'' | ||
| − | En segon lloc, es van definir els mapes i les regles semàntiques adients, permetent la detecció de risc específic i esdeveniments de trànsit, tal com exigeixen els casos d'ús. | + | |
| + | En segon lloc, es van definir els mapes i les regles semàntiques adients, permetent la detecció de risc específic i esdeveniments de trànsit, tal com exigeixen els casos d'ús. Finalment, la sortida dels mòduls d'anàlisi es va processar posteriorment, filtrat i visualitzat, habilitant l’extracció de coneixements i les observacions útils de les dades analitzades. | ||
El cas de canvi il·legal de carril es va detectar amb una precisió del 89%, mentre que el cas del pas de vianants amb el semàfor en vermell es va detectar en un 75% dels casos. El que és important és el baix nombre de deteccions de falsos negatius. El sistema va identificar correctament el 93,75% de les situacions de risc i fins i tot va permetre detectar situacions de risc alt que no estaven contemplades a l’inici del projecte com, per exemple, la circulació de bicicletes i de vianants pels laterals dels carrils de la carretera. | El cas de canvi il·legal de carril es va detectar amb una precisió del 89%, mentre que el cas del pas de vianants amb el semàfor en vermell es va detectar en un 75% dels casos. El que és important és el baix nombre de deteccions de falsos negatius. El sistema va identificar correctament el 93,75% de les situacions de risc i fins i tot va permetre detectar situacions de risc alt que no estaven contemplades a l’inici del projecte com, per exemple, la circulació de bicicletes i de vianants pels laterals dels carrils de la carretera. | ||
| − | + | En relació amb els tipus de risc, el sistema ha posat en evidència la diferència entre els entorns interurbans, que involucren principalment a automòbils i vehicles més grans com a camions i autobusos, i els entorns urbans, on són els vianants els que corren un risc major en la majoria d’escenaris. | |
Els investigadors conclouen que les administracions i autoritats de trànsit hauran d’adoptar solucions com aquesta, basada en la transformació digital i en l’explotació de dades procedents de diferents fonts, per millorar la gestió del trànsit i reduir els accidents. Finalment, s’ha dut a terme un estudi de replicabilitat per tal de poder aplicar aquesta solució a altres escenaris i obtenir major impacte, introduint potencials millores que s’han detectat. | Els investigadors conclouen que les administracions i autoritats de trànsit hauran d’adoptar solucions com aquesta, basada en la transformació digital i en l’explotació de dades procedents de diferents fonts, per millorar la gestió del trànsit i reduir els accidents. Finalment, s’ha dut a terme un estudi de replicabilitat per tal de poder aplicar aquesta solució a altres escenaris i obtenir major impacte, introduint potencials millores que s’han detectat. | ||
| − | + | ==Enllaços d’interès== | |
[https://cdn.eurecat.org/PDF/CIDAI/PAI/Lliurable_final_Mobilitat.pdf Projecte Alt impacte Mobilitat] | [https://cdn.eurecat.org/PDF/CIDAI/PAI/Lliurable_final_Mobilitat.pdf Projecte Alt impacte Mobilitat] | ||
| − | + | [https://cdn.eurecat.org/PDF/CIDAI/PAI/AI-Mobilitat.pdf Presentació de resultats del projecte (06/07/2022)] | |
| + | |||
| + | <span id="_GoBack"></span><span id="_GoBack"></span> | ||
Latest revision as of 06:51, 11 October 2022
El passat mes de juliol es van presentar els resultats del projecte d’alt impacte en l’àmbit de la mobilitat 'Avaluació de riscs d’accidents de trànsit en vies urbanes i interurbanes de Catalunya', liderat pel Centre of Innovation for Data tech and Artificial Intelligence (CIDAI). El projecte basat en intel·ligència artificial (IA) i en analítica big data havia d’assolir dos objectius relacionats amb la mobilitat intel·ligent. D’una banda, es tractava de detectar les situacions de risc que es donen a la xarxa viària, tant urbana com interurbana, per reduir-ne el nombre d’accidents, i de l’altra, analitzar el flux del trànsit per tal de millorar-ne la mobilitat. Els principals participants en el projecte són: Fundació i2CAT, el Barcelona Supercomputing Centre (BSC), el centre tecnòlogic Eurecat, i el Centre de Telecomunicacions i Tecnologies de la Informació (CTTI), a més de la contribució del Servei Català de Trànsit, dels Mossos d'Esquadra i de l'Ajuntament de Barcelona.
Per assolir aquests objectius, el projecte en primer lloc va recollir les dades necessàries, consistents en enregistraments de vídeos que cobreixen tres llocs de la xarxa viària catalana. Dues de les ubicacions representen un escenari interurbà (diferents trams de la C-31), i la tercera correspon a una cruïlla dins de la ciutat de Barcelona. S'han identificat un conjunt de casos d'ús representatius per als escenaris urbans i interurbans, cobrint situacions de risc típiques altament correlacionades amb els accidents de trànsit, com per exemple, vehicles que canvien de carril on hi ha línia contínua o vianants que creuen amb vermell.
A partir d’aquests escenaris de referència i dels vídeos gravats, s’han desenvolupat i optimitzat els mòduls d'IA i d'anàlisi de dades necessaris per a la detecció de riscos i l’anàlisi del flux de trànsit. Els mòduls d'anàlisi es van organitzar en dos blocs principals, que es van executar en una plataforma prototip desplegada amb aquesta finalitat del projecte.
En primer lloc, el bloc de detecció i seguiment d'objectes va ser responsable de detectar els diferents tipus de carreteres i usuaris (cotxes, camions, motos, vianants, etc.), seguint-los a través de fotogrames consecutius i extraient-los informació útil com ara la seva geogràfica posició i velocitat. A més, es va elaborar un mòdul de detecció de semàfors, per derivar l'estat de semàfors a escenaris urbans.
Detecció, seguiment, velocitat i geoposició dels elements de la seqüència. En aquest cas, es detecta que la moto dins el requadre taronja crea una situació de risc per traspassar la línia contínua i en el requadre blau es detecta una altra situació de risc per manca de distància de seguretat.
En segon lloc, es van definir els mapes i les regles semàntiques adients, permetent la detecció de risc específic i esdeveniments de trànsit, tal com exigeixen els casos d'ús. Finalment, la sortida dels mòduls d'anàlisi es va processar posteriorment, filtrat i visualitzat, habilitant l’extracció de coneixements i les observacions útils de les dades analitzades.
El cas de canvi il·legal de carril es va detectar amb una precisió del 89%, mentre que el cas del pas de vianants amb el semàfor en vermell es va detectar en un 75% dels casos. El que és important és el baix nombre de deteccions de falsos negatius. El sistema va identificar correctament el 93,75% de les situacions de risc i fins i tot va permetre detectar situacions de risc alt que no estaven contemplades a l’inici del projecte com, per exemple, la circulació de bicicletes i de vianants pels laterals dels carrils de la carretera.
En relació amb els tipus de risc, el sistema ha posat en evidència la diferència entre els entorns interurbans, que involucren principalment a automòbils i vehicles més grans com a camions i autobusos, i els entorns urbans, on són els vianants els que corren un risc major en la majoria d’escenaris.
Els investigadors conclouen que les administracions i autoritats de trànsit hauran d’adoptar solucions com aquesta, basada en la transformació digital i en l’explotació de dades procedents de diferents fonts, per millorar la gestió del trànsit i reduir els accidents. Finalment, s’ha dut a terme un estudi de replicabilitat per tal de poder aplicar aquesta solució a altres escenaris i obtenir major impacte, introduint potencials millores que s’han detectat.
Enllaços d’interès
Projecte Alt impacte Mobilitat
Presentació de resultats del projecte (06/07/2022)
