人类在道路方面取得很多成就，例如凭借地图应用，我们可以使用GPS发射更少的神经元，而摄像头还可以发出提醒以避免剐蹭，降低自动驾驶汽车的燃料成本。但相应的安全措施却还不到位，我们仍然依靠稳定的交通信号和周围建筑才能实现安全出行。
据外媒报道，为了避免碰撞，麻省理工学院计算机科学与人工智能实验室（CSAIL）和卡塔尔人工智能中心（Qatar Center for Artificial Intelligence）的科学家们开发一种深度学习模型，可以生成超高分辨率的碰撞风险图。结合历史碰撞数据、路线图、卫星图像和GPS轨迹，该风险图可以预测未来一段时间内的预期碰撞次数，以识别高风险区域并预测碰撞。
通常，此类风险地图通常分辨率较低，约为数百米，因此道路显示很模糊，很容易忽略关键细节。但网格单元为5×5米地图的分辨率超高，清晰度也更高，例如科学家发现高速公路比住宅区附近道路的风险更高，并且与其他道路相比，高速公路入口匝道汇合和出口的风险也更高。
麻省理工学院CSAIL博士生Songtao He表示：“通过捕捉所有地区未来发生碰撞概率的潜在风险分布，无需任何历史数据，我们就可以找到更安全的路线，使车险公司能够根据客户的驾驶轨迹定制保险计划，帮助城市规划者设计更安全的道路，甚至预测未来碰撞。”
该研究团队通过部署更广的网络获取关键数据，并使用GPS轨迹模式识别高风险位置，提供有关密度、速度和交通方向的信息，以及描述道路结构的卫星图像，例如车道数量、是否有路肩或大量行人。然后，即使高风险区域没有碰撞事故记录，仅根据其交通模式和拓扑结构，该方法仍然可以将其识别为高风险区域。
为评估该模型，科学家们使用了2017年和2018年的撞车事故和数据，并进行测试，以预测2019年和2020年撞车事故。许多地点即使没有事故记录，也被标记为高风险区域，而且之后这些区域确实发生了撞车事故。
卡塔尔计算研究所（QCRI）的首席科学家、该论文的作者Amin Sadeghi表示：“通过结合来自看似无关的数据源的多个线索，我们的模型可以从一个城市推广到另一个城市。这是迈向通用人工智能的一步，因为我们的模型可以预测未知领域的碰撞地图。即使没有历史碰撞数据，该模型也可用于推断有用的碰撞地图，通过比较虚拟场景，可用于城市规划和政策制定。”
该数据集覆盖了来自洛杉矶、纽约市、芝加哥和波士顿约7,500平方公里的区域。在这四个城市中，洛杉矶最不安全，因为它的碰撞密度最高，其次是纽约市、芝加哥和波士顿。
He表示：“如果人们可以使用风险地图来识别潜在的高风险路段，他们就可以提前采取措施来降低出行风险。虽然Waze和Apple Maps等应用程序具有事件功能工具，但我们致力于在碰撞发生前做好准备。”
扫一扫关注微信
