Radio
Podcast
Radio
Podcast
AI, una ricerca rivela che può rendere le strade più sicure
AI, una ricerca rivela che può rendere le strade più sicure – Roma, 20 luglio (PPN ADI) – Secondo uno studio realizzato dal professor Lu Gao, docente di ingegneria civile e ambientale all’Università di Houston, l’intelligenza artificiale può rendere le strade più sicure, collegando informazioni che di norma vengono analizzate separatamente.
Lo studio, finanziato dal Dipartimento dei Trasporti del Texas e pubblicato su Accident Analysis and Prevention, è stato sviluppato da Lu Gao utilizzando l’AI per analizzare dati su larga scala relativi alle condizioni stradali, tra cui la struttura della pavimentazione, le condizioni della superficie, la geometria della strada e i dati sugli incidenti, in particolare le cronache degli incidenti stradali redatte dalla polizia.
La ricerca utilizza infatti quasi 25mila resoconti di incidenti stradali, collegati a un set di circa 180mila dati sulla gestione delle pavimentazioni, dimostrando una forte correlazione tra le misure di attrito/texture e i meccanismi degli incidenti su pavimentazioni bagnate. “Questi risultati” ha spiegato Gao “possono aiutare le agenzie di trasporto a selezionare i progetti di sicurezza stradale più adatti, identificando le condizioni delle pavimentazioni associate a un elevato rischio di incidenti e privilegiando contromisure mirate ed economicamente vantaggiose”.
L’obiettivo della ricerca è aiutare le agenzie di trasporto a determinare con maggiore precisione quali tratti stradali necessitano maggiormente di manutenzione o interventi di miglioramento della sicurezza, in modo che le risorse possano essere indirizzate verso le aree in cui possono avere il maggiore impatto sul miglioramento delle condizioni del manto stradale e sulla riduzione del rischio di incidenti.
Gao ha utilizzato un’analisi narrativa degli incidenti basata su un modello linguistico (LLM) per identificare e quantificare il rischio di incidenti stradali correlati alla pavimentazione. Il componente LLM converte le narrazioni non strutturate della polizia in etichette strutturate e specifiche per meccanismo (ad esempio, aquaplaning, perdita di controllo in curva), consentendo di ottenere risultati direttamente collegati alle condizioni della pavimentazione e della superficie stradale, spesso assenti nei tradizionali campi di analisi strutturata degli incidenti. I modelli LLM aiutano a decifrare i dettagli degli incidenti, che sono spesso incorporati in narrazioni in testo libero, rendendo difficile l’estrazione su larga scala tramite revisione manuale o semplici regole basate su parole chiave.
Lo studio si è concentrato sulle condizioni del manto stradale, come la rugosità e la serietà dello slittamento, che svolgono un ruolo cruciale nell’influenzare sia la frequenza che la gravità degli incidenti. Ricerche precedenti hanno dimostrato che un manto stradale molto ruvido contribuisce in modo significativo all’aumento della frequenza degli incidenti e che la resistenza allo slittamento presenta una forte correlazione negativa con la frequenza degli incidenti, soprattutto in condizioni di bagnato.