- Отримати посилання
- X
- Електронна пошта
- Інші додатки
- Отримати посилання
- X
- Електронна пошта
- Інші додатки
Розробники з MIT розробили модель глибинного навчання, який передвиджує загрозу трощ на дорозі для автопілота в авто. Вона спирається на дані про ранні ДТП, з дорожніх землевидів, супутникових знімків і відомих путей за GPS. Так вона визначила зони підвищеної загрози Лос-Анджелеса, Нью-Йорка, Чикаго і Бостона. Алгоритм вчені представлять на Міжнародному зібранні з обчислювачного зору.
Як розлічувати імовірність ДПП?
За даними ВООЗ, внаслідок дорожньо-перевізних пригод гине щорічно 1,35 мільйона людей, а від 20 до 50 мільйонів отримують несмертельні рани. Дорожньо-перевізні пригоди складають близько трьох відсотків світового ВВП. Наприклад, за підлічіннями Світового банку, соціально-економічні втрати України від дорожньо-перевізних поранень оцінюються в майже 70 мільярдів гривень на рік. Виявляючи на землевиді місця з високим рівнем загрози, водії, перевізні відомства і страхові компанії можуть вживати заходів для зниження цієї загрози. Так звані землевиди загроз присвоюють очікувану частоту нещасних випадків за певний відрізок часу для кожної точки на землевиді. Їх і вирішили навчити складати роблений розум розробники з Дослідні обчислювачних наук і робленого розуму MIT. Для оцінок у точках п'ять на п'ять метрів землевида, модель поєднує дані про ранні ДПП, з дорожніх землевидів, супутникових знімків і відомих путей за GPS, що, на думку вчених, дає їй змогу давати найточнішу оцінку серед інших подібних алгоритмів.
Як передвиджує РР?
Як ми вже вказали, землевид загроз є сукупністю відомостей з різних джерел про умови на різних ділянках дороги, тому залічувати велику кількість показників і робити на їхній основі припущення, є бездоганною задачею для робленого розуму. Втім, попередні роботи або оцінювали землевиди низької роздільної здатности, тобто намагалися охопити велику землю, що знижувало плідність через високу загрозу устроєвої помилки, або використовували способи оцінки на основі частоти ДПП, які не могли точно віщувати, де насправді відбуваються трощі через високу дисперсію у даних. Але і передвидіти трощі на менших ділянках, тобто вищої роздільної здатности, складно, адже так збільшується кількість шуму у даних. Причому розбір набору даних про дорожньо-перевізні пригоди у США показує, що 31 відсоток ДПП відбувається у місцях, де не було інших трощ в межах 50 метрів протягом чотирьох років. Тому землевид майбутніх нещасних випадків як оцінка способом Монте-Карло базової частоти нещасних випадків, містить велику кількість помилок в оцінюванні загроз. Спосіб робить тільки в тих місцях, де є достатня кількість даних про трощі.
Замір нової ж нейромережі у віщуванні загрози трощ не полягає у тому, щоб точно визначити, де відбудуться нові трощі, тому що це неможливо. Замість цього вона прагне визначити основну загорзу нещасних випадків в кожному місці землевида, незалежно від того, відбулися в них нещасні випадки чи ні. Вона використовує приховану загрозу нещасних випадків як основну істину. Під час оцінювання загрози алгоритм недооцінює загрозу небезпечного перехрестя і переоцінює загрозу безпечної вулиці, що дозволяє впоратися з розрідженістю даних.
Як розлічувати імовірність ДПП?
За даними ВООЗ, внаслідок дорожньо-перевізних пригод гине щорічно 1,35 мільйона людей, а від 20 до 50 мільйонів отримують несмертельні рани. Дорожньо-перевізні пригоди складають близько трьох відсотків світового ВВП. Наприклад, за підлічіннями Світового банку, соціально-економічні втрати України від дорожньо-перевізних поранень оцінюються в майже 70 мільярдів гривень на рік. Виявляючи на землевиді місця з високим рівнем загрози, водії, перевізні відомства і страхові компанії можуть вживати заходів для зниження цієї загрози. Так звані землевиди загроз присвоюють очікувану частоту нещасних випадків за певний відрізок часу для кожної точки на землевиді. Їх і вирішили навчити складати роблений розум розробники з Дослідні обчислювачних наук і робленого розуму MIT. Для оцінок у точках п'ять на п'ять метрів землевида, модель поєднує дані про ранні ДПП, з дорожніх землевидів, супутникових знімків і відомих путей за GPS, що, на думку вчених, дає їй змогу давати найточнішу оцінку серед інших подібних алгоритмів.
Як передвиджує РР?
Як ми вже вказали, землевид загроз є сукупністю відомостей з різних джерел про умови на різних ділянках дороги, тому залічувати велику кількість показників і робити на їхній основі припущення, є бездоганною задачею для робленого розуму. Втім, попередні роботи або оцінювали землевиди низької роздільної здатности, тобто намагалися охопити велику землю, що знижувало плідність через високу загрозу устроєвої помилки, або використовували способи оцінки на основі частоти ДПП, які не могли точно віщувати, де насправді відбуваються трощі через високу дисперсію у даних. Але і передвидіти трощі на менших ділянках, тобто вищої роздільної здатности, складно, адже так збільшується кількість шуму у даних. Причому розбір набору даних про дорожньо-перевізні пригоди у США показує, що 31 відсоток ДПП відбувається у місцях, де не було інших трощ в межах 50 метрів протягом чотирьох років. Тому землевид майбутніх нещасних випадків як оцінка способом Монте-Карло базової частоти нещасних випадків, містить велику кількість помилок в оцінюванні загроз. Спосіб робить тільки в тих місцях, де є достатня кількість даних про трощі.
Замір нової ж нейромережі у віщуванні загрози трощ не полягає у тому, щоб точно визначити, де відбудуться нові трощі, тому що це неможливо. Замість цього вона прагне визначити основну загорзу нещасних випадків в кожному місці землевида, незалежно від того, відбулися в них нещасні випадки чи ні. Вона використовує приховану загрозу нещасних випадків як основну істину. Під час оцінювання загрози алгоритм недооцінює загрозу небезпечного перехрестя і переоцінює загрозу безпечної вулиці, що дозволяє впоратися з розрідженістю даних.
Що передвиділа нейромережа?
Супоступка між роздільною здатністю і точністю вчені спробували обійти глибинним навчанням моделі, яка використовує контекстні відомості із супутникових зображень, путей GPS і дорожніх землевидів. Так росте дієвість вибірки, на основі якої модель буде зводити свої передвидження: вона буде не просто зіставляти дані про минулі ДПП з дорожнім землевидом, а й порівнювати їх із супутниковими знімками. Адже якщо на одному перехресті сталася троща, то можливо розділити деякі загрози з відповідними перехрестями. І саме щоб зробити узагальнення від одного перехрестя до іншого, нейромережі потрібні ці додаткові дані, які допоможуть занести додаткові подібності між перехрестями. Наприклад, путі GPS несуть відомості про щільність та скорість потоку, а супутникові зображення містять відомості про дорогу: кількість смуг, чи є узбіччя та чи багато пішоходів.
Модель дослідники оцінили на наборі даних про 7 488 квадратних кілометрів чотирьох надміст: Лос-Анджелеса, Нью-Йорка, Чикаго і Бостона. Набір даних зроблений у вигляді 1 872 плиток два на два кілометри, для яких зібрали супутникові зображення, відомі GPS-путі з 2015 по 2017 рік і 4,2 мільйона записів про трощі з 2016 по 2020 роки. Кожен запис містить місцезнаходження і часові мітки. Вчені розділили цей набір даних про трощі на дві частини: ті, що містять дані за перші два роки і дані за останні два роки. Дані за перші два роки віднесли до «дієписних» — за ними нейромережа зробить свої передвидження. Їх перевірять за даними за останні два роки. Серед чотирьох міст Лос-Анджелес виявився найнебезпечнішим, оскільки у ньому була найвища щільність трощ, за ним слідували Нью-Йорк, Чикаго і Бостон. Вчені пропонують використовувати свою нейромережу для покращення намітків міського намічування до початку спорудження, а також для створення просторово-часової моделі загроз трощ.
Супоступка між роздільною здатністю і точністю вчені спробували обійти глибинним навчанням моделі, яка використовує контекстні відомості із супутникових зображень, путей GPS і дорожніх землевидів. Так росте дієвість вибірки, на основі якої модель буде зводити свої передвидження: вона буде не просто зіставляти дані про минулі ДПП з дорожнім землевидом, а й порівнювати їх із супутниковими знімками. Адже якщо на одному перехресті сталася троща, то можливо розділити деякі загрози з відповідними перехрестями. І саме щоб зробити узагальнення від одного перехрестя до іншого, нейромережі потрібні ці додаткові дані, які допоможуть занести додаткові подібності між перехрестями. Наприклад, путі GPS несуть відомості про щільність та скорість потоку, а супутникові зображення містять відомості про дорогу: кількість смуг, чи є узбіччя та чи багато пішоходів.
Модель дослідники оцінили на наборі даних про 7 488 квадратних кілометрів чотирьох надміст: Лос-Анджелеса, Нью-Йорка, Чикаго і Бостона. Набір даних зроблений у вигляді 1 872 плиток два на два кілометри, для яких зібрали супутникові зображення, відомі GPS-путі з 2015 по 2017 рік і 4,2 мільйона записів про трощі з 2016 по 2020 роки. Кожен запис містить місцезнаходження і часові мітки. Вчені розділили цей набір даних про трощі на дві частини: ті, що містять дані за перші два роки і дані за останні два роки. Дані за перші два роки віднесли до «дієписних» — за ними нейромережа зробить свої передвидження. Їх перевірять за даними за останні два роки. Серед чотирьох міст Лос-Анджелес виявився найнебезпечнішим, оскільки у ньому була найвища щільність трощ, за ним слідували Нью-Йорк, Чикаго і Бостон. Вчені пропонують використовувати свою нейромережу для покращення намітків міського намічування до початку спорудження, а також для створення просторово-часової моделі загроз трощ.