Des chercheurs de l'école d'ingénierie Tandon de l'université de New York ont développé un système d'IA, SeeUnsafe, pour améliorer la sécurité routière en analysant les images des caméras de circulation afin de détecter les collisions et les quasi-accidents.
Le vaste réseau de caméras de circulation de New York enregistre chaque jour d'innombrables heures de vidéo, créant une mine d'or de données dont l'exploitation optimale s'avérait jusqu'à présent complexe. Une avancée majeure des chercheurs de l'École d'ingénierie Tandon de l'Université de New York (NYU) est sur le point de changer la donne. Leur nouveau système d'intelligence artificielle, SeeUnsafe, vise à améliorer la sécurité routière en identifiant automatiquement les collisions et les quasi-accidents dans de vastes séquences vidéo de la circulation.
Publié Publiée dans la revue Accident Analysis and Prevention, cette recherche novatrice a déjà reçu le prix Vision Zero Research Award de la ville de New York, ce qui correspond aux priorités de la ville en matière de sécurité routière.
L'auteur principal, Kaan Ozbay, professeur au département de génie civil et urbain et directeur du centre C2SMART de NYU Tandon, a présenté l'étude lors de la conférence de cette année. Symposium « Recherche sur la route » Sur Nov. 19.
SeeUnsafe exploite des modèles d'IA pré-entraînés pour comprendre à la fois les données visuelles et textuelles, ce qui en fait l'une des premières applications de grands modèles de langage multimodaux pour l'analyse de vidéos de trafic de longue durée.
« À New York, un millier de caméras fonctionnent 24 h/24 et 7 j/7. Il est impossible de faire examiner et analyser manuellement toutes ces images », a déclaré Ozbay dans un communiqué de presse. « SeeUnsafe offre aux autorités municipales un moyen très efficace de tirer pleinement parti de cet investissement existant. »
Le système d'IA comble une lacune cruciale dans la gestion de la sécurité routière : le manque de ressources pour analyser de vastes quantités d'images vidéo. En identifiant le lieu et le moment des incidents, SeeUnsafe permet aux agences de transport de repérer les intersections dangereuses et les situations nécessitant une intervention avant que des accidents graves ne surviennent.
« Les agences n'ont pas besoin d'être des experts en vision par ordinateur. Elles peuvent utiliser cette technologie sans avoir à collecter et à étiqueter leurs propres données pour entraîner un modèle d'analyse vidéo basé sur l'IA », a ajouté Chen Feng, co-auteur de l'étude, professeur associé à NYU Tandon et co-directeur fondateur du Centre de robotique et d'intelligence incarnée.
Testé sur l'ensemble de données Toyota Woven Traffic Safety, SeeUnsafe a surpassé les autres modèles, classant correctement les incidents de circulation dans 76.71 % des cas et identifiant les usagers de la route impliqués avec des taux de réussite atteignant 87.5 %.
Cette précision remarquable signifie que le système peut fournir des informations exploitables sur la sécurité routière, permettant potentiellement de prévenir les accidents en informant sur des interventions opportunes telles qu'une signalisation améliorée, une meilleure synchronisation des feux de signalisation et une réorganisation des routes en fonction des quasi-accidents et des schémas de collision, plutôt que d'attendre que des accidents se produisent.
La capacité du système à générer des rapports de sécurité routière avec des explications en langage naturel lui permet de décrire des facteurs tels que les conditions météorologiques, le volume de trafic et les mouvements spécifiques conduisant à des quasi-accidents ou des collisions.
Malgré certaines limitations, telles que la sensibilité à la précision du suivi des objets et les difficultés rencontrées dans des conditions de faible luminosité, les chercheurs estiment que SeeUnsafe pose des bases essentielles pour de futurs progrès de l'IA dans le domaine de la sécurité routière.
Source: École d'ingénierie NYU Tandon