Kecerdasan buatan akan membantu memprediksi kecelakaan di jalan sebelum terjadi

Dunia saat ini adalah satu labirin besar yang dihubungkan oleh lapisan aspal beton yang memungkinkan kita untuk bepergian dengan mobil. Adapun sebagian besar kemajuan terkait lalu lintas kami – GPS memungkinkan kami menggunakan lebih sedikit neuron berkat aplikasi pemetaan, kamera memperingatkan kami tentang kemungkinan goresan yang mahal, dan mobil otonom listrik memiliki konsumsi bahan bakar yang lebih rendah – bagaimana dengan langkah-langkah keamanan? Kami masih mengandalkan ketergantungan terus-menerus pada lampu lalu lintas, kepercayaan, dan baja di sekitar kami untuk berpindah dari titik A ke titik B dengan aman.

Untuk menghindari ketidakpastian yang terkait dengan kecelakaan, para ilmuwan dari Laboratorium Ilmu Komputer dan Kecerdasan Buatan (CSAIL) MIT dan Pusat Kecerdasan Buatan Qatar (QCAI) telah mengembangkan model pembelajaran mendalam yang menciptakan peta risiko kecelakaan beresolusi sangat tinggi. Berdasarkan kombinasi data kecelakaan historis, peta jalan, citra satelit dan trek GPS, peta risiko menggambarkan perkiraan jumlah kecelakaan selama periode waktu di masa depan untuk mengidentifikasi area berisiko tinggi dan memprediksi kecelakaan di masa depan.

Biasanya, peta risiko jenis ini direkam pada resolusi yang jauh lebih rendah, berkisar ratusan meter, yang berarti bahwa detail penting tidak dapat dilihat. Peta-peta ini, bagaimanapun, memiliki sel grid lima kali lima meter, dan resolusi yang lebih tinggi memberikan kejelasan yang baru ditemukan: Para ilmuwan telah menemukan bahwa, misalnya, jalan bebas hambatan memiliki risiko lebih tinggi daripada jalan perumahan terdekat.

Meskipun kecelakaan mobil tidak terlalu umum, mereka menelan biaya sekitar 3% dari PDB global dan merupakan penyebab utama kematian anak-anak dan remaja. Keterbatasan ini membuat pembuatan peta beresolusi tinggi menjadi tugas yang menantang. Namun pendekatan tim melebarkan jaring untuk mengumpulkan data yang diperlukan. Ini mengidentifikasi lokasi berisiko tinggi menggunakan pola lintasan GPS yang memberikan informasi tentang kepadatan lalu lintas, kecepatan dan arah, serta citra satelit yang menggambarkan struktur jalan seperti jumlah jalur lalu lintas, keberadaan bahu jalan atau jumlah pejalan kaki. Kemudian, bahkan jika area berisiko tinggi tidak mengalami kegagalan, itu masih dapat diidentifikasi sebagai area berisiko tinggi berdasarkan pola lalu lintas dan topologi saja.

"Model kami dapat digeneralisasi dari satu kota ke kota lain dengan menggabungkan beberapa petunjuk dari sumber data yang tampaknya tidak terkait. Ini adalah langkah menuju kecerdasan buatan kolaboratif karena model kami dapat memprediksi peta kecelakaan di wilayah yang belum dipetakan," kata Amin Sadeghi, peneliti utama di Qatar Computing Research Institute (QCRI) dan penulis makalah.

Kumpulan data yang diuji mencakup 7 sq. km dari Los Angeles, New York, Chicago dan Boston. Di antara empat kota tersebut, Los Angeles adalah yang paling berbahaya karena kepadatan kecelakaan tertinggi, diikuti oleh New York, Chicago, dan Boston.

“Jika orang dapat menggunakan peta risiko untuk mengidentifikasi area jalan yang berpotensi berisiko tinggi, mereka dapat mengambil langkah sebelumnya untuk mengurangi risiko perjalanan yang mereka lakukan. Dalam aplikasi seperti Waze dan Apple Peta, ada alat untuk menangani insiden, tetapi kami mencoba mengantisipasi kegagalan - sebelum terjadi," - mereka bilang ilmuwan

Baca juga:

• Video: Ulasan Queclink GL300 - Bagaimana Cara Kerja Pelacak GPS?
• Apa itu GPS: Jenis sistem penentuan posisi, cara kerjanya, dan apa yang akan terjadi di masa depan