Aplican inteligencia artificial para identificar peatones en pasos de cebra “inteligentes”
Un equipo de investigación de la Universidad de Huelva en España ha mejorado un sistema de detección de personas en pasos peatonales para evitar atropellos. La herramienta, ya patentada, incorpora técnicas de aprendizaje automático, para ir ‘aprendiendo’ a medida que va acumulando datos. Este modelo basado en inteligencia artificial reduce el coste de instalación, por lo que podrá implantarse en un mayor número de ciudades y ofrecer mayores garantías en seguridad vial, ya que su precisión ronda el 100%.
En sus inicios, el equipo de investigación planteó el sistema distinguiendo a los peatones de los vehículos en los pasos de cebra mediante alertas visuales. No obstante, el sistema matemático que utilizaban para ello es muy costoso, ya que requiere de la configuración manual y unitaria en cada localización específica por parte de un experto.
Para solventar este obstáculo, optaron por modelos de aprendizaje automático o machine learning. Estos no requieren el reajuste de parámetros que dependen de la ubicación del sistema, de las condiciones de la carretera o del clima, sino que se entrenan y aprenden por sí solos a medida que aumentan los datos que recogen. Tal y como explican en el artículo ‘Analysis of Machine Learning Techniques Applied to Sensory Detection of Vehicles in Intelligent Crosswalks’, publicado en la revista Sensors, partiendo de tres tipos de sensores el sistema es capaz de predecir los movimientos en tiempo real para que la alerta sea efectiva.
Las técnicas de aprendizaje automático ofrecen una precisión algo menor que con el modelo utilizado anteriormente, denominado de clasificadores difusos. Pero la necesidad de una alta cualificación para su implantación hace difícil su comercialización a niveles globales. “La alta versatilidad del sistema que proponemos ahora lo concibe como el más adecuado para su aplicación en pasos de peatones inteligentes, ya que se automatiza su instalación y promueve su difusión y uso en las ciudades”, indica a la Fundación Descubre el investigador de la Universidad de Huelva Tomás Mateo Sanguino, coautor del estudio.
La nueva propuesta está basada en una serie de algoritmos que utilizan una arquitectura entre las que se encuentran las redes neuronales. Las neuronas artificiales funcionan de una manera muy similar a las humanas. Es decir, tienen la capacidad de aprender y diferenciar automáticamente distintas situaciones a partir de una gran cantidad de datos para luego hacer predicciones correctas sobre otros nuevos y retroalimentarse con la nueva información que generan.
Así, la incorporación de las técnicas de aprendizaje automático incluidas logra un 98% de exactitud en las alertas, pero serán mucho más accesibles para los ayuntamientos que podrán establecerlos en cualquier lugar sin necesidad de que un experto los calibre.
Junto al aprendizaje profundo, los expertos incluyeron la técnica de gran memoria a corto plazo que aporta conexiones de retroalimentación de manera simultánea, aunando los datos actuales y los históricos. Por ello, es capaz de reconocer eventos relacionados con el tiempo. “Este aspecto es especialmente relevante, ya que la detección de vehículos depende en gran medida del factor temporal”, añade el investigador.
Los expertos han desarrollado las pruebas con datos reales tomados en condiciones de tráfico fluido en un total de cinco ubicaciones diferentes tanto en España como en Portugal gracias a la colaboración entre investigadores de la Universidad de Huelva y la Universidade do Algarve. El conjunto de información creada a partir de esta investigación está a disposición de la comunidad científica en la web del investigador.
Además, proponen sus resultados para que sean aplicados en otras situaciones. Por ejemplo, como dispositivo de control del tráfico, pudiendo contar el número de vehículos que circulan y registrar cuándo se producen. También en la detección de intrusos, adelantamiento o evitación de obstáculos en vehículos autónomos o para la detección de estacionamientos.
