Investigadores de la Escuela de Ingeniería Tandon de la Universidad de Nueva York han desarrollado un sistema de inteligencia artificial, SeeUnsafe, para mejorar la seguridad vial analizando las imágenes de las cámaras de tráfico en busca de colisiones y accidentes.
La vasta red de cámaras de tráfico de la ciudad de Nueva York captura incontables horas de video a diario, creando un tesoro de datos que, hasta ahora, ha sido difícil de aprovechar al máximo. Esto está a punto de cambiar gracias a un desarrollo pionero de investigadores de la Escuela de Ingeniería Tandon de la Universidad de Nueva York (NYU). Su nuevo sistema de inteligencia artificial, SeeUnsafe, busca mejorar la seguridad vial mediante la identificación automática de colisiones y cuasi accidentes en extensas grabaciones de tráfico.
Publicado En la revista Accident Analysis and Prevention, esta investigación innovadora ya ha ganado el Premio de Investigación Visión Cero de la Ciudad de Nueva York, alineándose con las prioridades de seguridad vial de la ciudad.
El autor principal Kaan Ozbay, profesor del Departamento de Ingeniería Civil y Urbana y director del centro C2SMART de NYU Tandon, presentó el estudio en la conferencia de este año. Simposio de Investigación en la Carretera En Nov. 19.
SeeUnsafe aprovecha modelos de IA previamente entrenados para comprender tanto datos visuales como texto, lo que lo convierte en una de las primeras aplicaciones de modelos de lenguaje multimodales de gran tamaño para analizar videos de tráfico de formato largo.
“Hay mil cámaras funcionando las 24 horas del día, los 7 días de la semana en la ciudad de Nueva York. Que la gente examine y analice todas esas grabaciones manualmente es insostenible”, declaró Ozbay en un comunicado de prensa. “SeeUnsafe ofrece a los funcionarios municipales una forma muy eficaz de aprovechar al máximo esa inversión existente”.
El sistema de IA aborda una deficiencia crítica en la gestión de la seguridad vial: la limitación de recursos para analizar grandes cantidades de material de video. Al identificar dónde y cuándo ocurren los incidentes, SeeUnsafe permite a las agencias de transporte identificar intersecciones peligrosas y condiciones que requieren intervención antes de que se produzcan accidentes graves.
“Las agencias no necesitan ser expertas en visión artificial. Pueden usar esta tecnología sin necesidad de recopilar ni etiquetar sus propios datos para entrenar un modelo de análisis de video basado en IA”, añadió el coautor Chen Feng, profesor asociado de NYU Tandon y codirector fundador del Centro de Robótica e Inteligencia Corporizada.
Probado en el conjunto de datos Toyota Woven Traffic Safety, SeeUnsafe superó a otros modelos, clasificando correctamente los incidentes de tráfico el 76.71 % de las veces e identificando a los usuarios de la carretera involucrados con tasas de éxito de hasta el 87.5 %.
Esta importante precisión significa que el sistema puede brindar información útil sobre seguridad vial, previniendo potencialmente accidentes al informar intervenciones oportunas como mejor señalización, mejores tiempos de señales y diseños de carreteras rediseñados en función de patrones de colisiones y cuasi accidentes en lugar de esperar a que ocurran los accidentes.
La capacidad del sistema para generar informes de seguridad vial con explicaciones en lenguaje natural le permite describir factores como las condiciones climáticas, el volumen de tráfico y movimientos específicos que provocan accidentes o colisiones.
A pesar de algunas limitaciones, como la sensibilidad a la precisión del seguimiento de objetos y los desafíos en condiciones de poca luz, los investigadores creen que SeeUnsafe sienta una base crucial para futuros avances de la IA en la seguridad vial.